针对传统方法对初值选取敏感问题,将差分进化算法(DE)应用到气动参数辨识中,取代传统极大似然方法中的牛顿迭代梯度优化方法,对高旋弹的气动参数进行全弹道辨识。文中首先对可辨识性问题进行分析。通过仿真计算,证明该方法与传统极大似然方法相比辨识结果更加稳定,并通过反算弹道的方法证明了该算法收敛速度快,全局寻优能力强,具有较高的精度,并且解决了传统方法对初值敏感问题。

为减小气动参数扰动对火箭助推段的影响,提高制导精度,本文将火箭飞行过程中的气动参数扰动量视为摄动制导中的小扰动量,对传统摄动方程进行改进。采用扩展Kalman滤波方法对气动参数扰动量进行辨识,再利用限定记忆递推最小二乘法基于辨识结果进行预测,将预测结果用于下一阶段的摄动制导计算,构建了“辨识—预测—计算”迭代更新的在线辨识模型。本文设计的扩展Kalman滤波器辨识效果较好,收敛时间10 s左右,辨识精度10%以内。设计的结合气动参数在线辨识的摄动制导方案相对于传统方案,能有效降低终端状态偏差。Monte Carlo打靶结果表明改进摄动制导方案对偏差的鲁棒性增强,弹道收敛性更好。本文将气动参数在线辨识用于火箭助推段的摄动制导,降低了气动参数扰动对制导精度的影响,在一定程度上提高了摄动制导的性能,对工程实践具有参考作用...

气动参数辨识对于大气层内飞行器来说至关重要,通过在线气动参数辨识可规划更准确的飞行轨迹,并对控制参数进行自适应调整。传统辨识方法的模型较为复杂,运算量大,无法满足飞行器在线辨识的要求。而基于神经网络的智能参数辨识方法,不仅可以离线对网络模型进行训练,并利用历史飞行数据进行模型修正,也可在线时直接利用训练好的网络对参数进行快速调整,在保证参数估计精度的同时,保障参数估计的快速性。提出了一种基于支撑向量机(SVM)的样本扩充和神经网络参数在线快速修正方法。通过仿真和统计,证明了基于SVM的神经网络方法对飞行器气动参数进行在线快速智能辨识的可行性。

为建立更加精确的翼伞六自由度模型,采用生态系统粒子群（ESPSO）算法对目标翼伞的气动参数进行参数辨识,来获取气动参数值。首先对翼伞的六自由度动力学方程进行分析,建立了参数辨识目标函数;然后,针对仿真飞行数据,分别利用粒子群算法和生态系统粒子群算法使参数辨识目标函数最小化,从而得到翼伞的气动参数值,通过比较发现,粒子群算法辨识结果平均误差为0.80%,生态系统粒子群算法辨识结果平均误差为0.21%;最后,针对实测飞行数据,采用生态系统粒子群算法使参数辨识目标函数最小化,从而得到实验翼伞的气动参数值。通过对比利用辨识气动参数建立的翼伞模型输出数据与实测飞行数据,三轴的速度误差平均值小于10%。结果表明,该方案能够为实际工程中的翼伞飞行性能研究及控制设计提供技术支撑。

炸弹气动参数辨识技术是飞行器气动参数辨识中的关键分支,要提高无控炸弹的命中精度,减少弹药消耗,需要对炸弹的气动参数辨识方法进行研究。针对利用一般极限学习算法进行气动参数辨识时预测精度低、预测结果易发散的问题,应用遗传(GA)算法优化极限学习机(GA-ELM)算法、极限学习(ELM)算法,GA算法优化产生ELM的输入权重和隐含层神经元阈值,可以使得输入权重和阈值包括更多的样本信息,以提高其辨识精度。仿真结果表明利用遗传算法优化极限学习机可以有效提高辨识精度,辨识结果有较好的收敛,但是由于遗传算法的寻优时间长,整体辨识时间加长。

以某型飞行器为例,运用气动参数建模分析的手段,建立典型空气动力学模型。将传统的模型辨识方法与现代计算机技术相结合,对气动力辨识输入参数进行了分析,采用迭代算法得出辨识参数,并对观测量和物理几何参数误差影响辨识精度进行了分析,选用某型飞行器现有试验测量数据作为输入量,进行气动参数辨识,将辨识得到的气动参数进行了仿真验证。利用辨识得到的气动参数仿真计算的弹道与试验结果吻合度较高,说明气动参数辨识可行。

本文简单介绍了气动参数辨识的原理和飞机气动参数辨识技术在工程上的应用,重点介绍了该技术在飞行训练模拟器仿真模型开发上的应用,通过实例验证了气动参数辨识技术在飞行训练模拟器上的应用效果。

对嫦娥五号返回器再入飞行数据进行了弹道重建与气动力参数辨识。采用输出误差法辨识传感器误差及状态量初值,完成弹道重建。对重建弹道进行风修正,并获得修正后的攻角和侧滑角。基于修正后的弹道数据,采用线性回归法完成气动力参数辨识。与外测数据对比分析可知,弹道重建结果精度较高。与地面设计数据对比分析可知,气动力数据辨识结果与设计值偏差在合理范围内,从而验证了地面设计数据的可信度。

基于机器学习思想,提出了一种大空域、宽速域的气动力建模方法。该方法利用飞行仿真弹道数据辨识的气动力数据,采用人工神经网络技术,实现了对高度、速度、姿态和舵偏角等多维度强非线性特性的全弹道气动力数据的高精度逼近。首先,分析了神经网络层数、隐含层神经元个数等对建模误差的影响,通过对典型弹道气动数据的神经网络建模计算,确定了较合适的神经网络层数和较优的隐层神经元个数。进而,利用飞行仿真的弹道数据辨识出沿弹道的气动力,采用神经网络建立了包含多个弹道融合的气动力模型,输出量分别为三轴气动力系数和力矩系数。最后通过气动模型输出量与原样本数据的对比,以及4条未参与训练弹道气动数据的预测,验证了该气动力建模方法具有较高的精度。建模结果表明:采用神经网络方法建立的飞行器气动力模型,对拟合多源耦...

针对小型无人机研制过程中飞行控制系统设计评估对气动参数的需求，提出采用结合最大似然准则的自适应遗传算法进行无人机气动参数辨识。该算法引入非线性的适应值进行排名选择、自适应变异策略和局部的杂交，可以减少传统遗传算法过早收敛和停滞的现象。利用某串列翼无人机的程控飞行试验数据验证算法，结果表明算法具有良好的实用性，且对所有布局的固定翼无人机都适用。