CN118504145A - 一种适用于小展弦比布局无人机的飞行动态参数预测方法 - Google Patents

Abstract

本发明提出一种适用于小展弦比布局无人机的飞行动态参数预测方法，属于气动力飞行动态参数预测技术领域。包括：步骤一、获取分辨率为79*38的小展弦比布局无人机上下表面稀疏压力场；步骤二、将稀疏压力场数据，进行归一化处理；步骤三、构建飞行动态参数评估模型，将归一化后的稀疏压力值后输入至构建飞行动态参数评估模型，输出飞行动态参数评估值；步骤四、统计连续10个时刻的飞行动态参数评估值，预测未来三个时刻飞行动态参数。解决延时和局部压力信息不充分导致的飞行动态参数误差大问题。本发明能预测当前时刻和之后时刻的飞行动态参数，便于分析气动现象，可应用于各种小展弦比飞翼布局模型，不受环境影响，具有普遍适用性的优势。

Description

一种适用于小展弦比布局无人机的飞行动态参数预测方法

技术领域

本发明涉及一种适用于小展弦比布局无人机的飞行动态参数预测方法，属于气动力飞行动态参数预测技术领域。

背景技术

无人机在自主控制过程中，流场感知起到了为运动决策提供反馈信息的重要作用，如果感知系统提供了误差较大甚至错误的信号，将导致无人机任务失败甚至发生事故。对于无人机来说，所有对飞行动态参数的感知全部来自各类传感器反馈的数据，如果反馈的数据偏差较大甚至异常，对于无人机来说无疑是灾难性的问题。因此，必须提高无人机流场感知系统的精度以及响应速度。错误数据引导下，会导致失速、偏航和坠毁。此外对于舰载无人机或者存在风切变的场地，无人机所处的流场环境非常复杂，只单纯利用局部的压力信息，会忽略其他位置的流场信息，无法给最佳决策因此需要发展智能化流场感知方法，以应对复杂多变的场地环境。

发展飞机表面一体化的飞行动态参数感知装置和测量方法，同时应具有宽泛的环境适应能力和使用效果。以往的惯导系统等装置是对运动趋势的“后知后觉”，由于测量系统延时等因素，给出的俯仰角等参数测量结果存在较大的延时量。

获取不同的参数，或者说不同物理变量需要不同的探针或者传感器，导致设备增加，而且探头需要与飞行器的硬机械连接，传感器也需要布置在飞机的不同位置，由于重量，尺寸过大，会带来功耗过高，安装困难，容易在着陆时破碎等问题。

因此，如何尽可能的减少机载设备，并基于有限物理量，推断出更多的信息，是目前研究的重点内容。现阶段，根据局部稀疏的气动信息（压力值，流场信息），完成对气动参数的预估，已经成为主流的方法，气动信息的获取依然需要少量传感器，并结合非线性回归，BP网络，等方法完成对数据的特征提取，进而对气动参数进行预估。该思路下的研究均取得了阶段性的成果，但在实际应用中，局部的压力信息，获取的飞行动态参数误差会较大，不利于精细分析气动现象。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于此，为解决现有技术中存在由于延时和局部压力信息不充分导致的飞行动态参数误差较大的技术问题，本发明提供一种适用于小展弦比布局无人机的飞行动态参数预测方法。本发明适应马赫数范围0.1~2.0，迎角范围0-70°，侧滑角范围-20-20°工况下的小展弦比布局无人机的飞行动态参数预测方法。

方案一、一种适用于小展弦比布局无人机的飞行动态参数预测方法，包括：

步骤一、获取分辨率为79*38的小展弦比布局飞机上下表面稀疏压力场；

步骤二、将稀疏压力场数据，进行归一化处理；

步骤三、构建飞行动态参数评估模型，将归一化后的稀疏压力值后输入至构建飞行动态参数评估模型，输出飞行动态参数评估值；

步骤四、统计连续10个时刻的飞行动态参数评估值，基于卡尔曼滤波预测未来三个时刻的飞行动态参数。

优选的，还包括步骤五、基于神经网络对将归一化后的稀疏压力值进行危险判别，当稀疏压力值为危险时进行危险提示。

优选的，基于神经网络对将归一化后的稀疏压力值进行危险判别的方法是：

将全局的稀疏压力场的像素化显示，生成为伪彩色图像；

采用二分类法将图像分类为安全状态和危险状态；

使用分类器进行训练实现危险状态识别预警，分类器为三层多层感知神经网络，第一层的输入神经元个数为3002，输出为40，第二层的输入神经元个数为40，输出为45，第三层的输入神经元个数为45，输出神经元个数为2个，然后通过sigmod激活函数，将两个输出映射到0-1之间的概率值，P1和P2，如果P1>P2则认为下一时刻是安全的，反之认为下一时刻是危险的。

优选的，获取分辨率为79*38的上下表面稀疏压力场的方法是：采用CFD计算软件平台CARIA-CFD软件计算小展弦比飞翼布局标模气动数据，输出稠密网格，提取等间隔的网格节点，并通过线性插值的方式获取每个网格节点的压力系数，换算得到各个网格节点的压力值，各个网格节点的压力值作为标签数据，最后得到分辨率为79*38的上下表面稀疏压力场。

优选的，飞行动态参数评估模型包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、全局池化层和全连接层。

优选的，第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元都包含一个卷积层，Tanh激活函数，BN和CBAM结构；CBAM结构引入注意力机制，其中，包含两个组成成分，通道注意力机制和空间域注意力机制；设输入的压力矩阵大小为，则第一卷积单元的输出为，第二卷积单元的输出为，第三卷积单元的输出为，第四个卷积单元的输出为；全局池化层，将特征图的大小压缩到，此时输出大小为，全连接层输出为。

优选的，全连接层的输出为预测的飞行动态参数，飞行动态参数包括俯仰角度值，侧滑角度值，马赫值。

优选的，基于卡尔曼滤波预测未来三个时刻的飞行动态参数的方法是：

设状态量俯仰角为，状态量俯仰角加速度为，为定值；

根据状态变量间关系得出，转换为；

设为系统参数阵，则得到误差协方差方程，定义系统过程中噪声协方差Q，；

角度噪声角加速度噪声互不干扰，因此：，，得，其中，、为定值，上一次自由估计的协方差为，本次参与误差计算的协方差为，则得到；

设为飞行动态参数系统在t时刻的观测值，则测量方程为：，其中为噪声，，得到卡尔曼增益，即，其中R为飞行动态参数系统预测角度的平均误差；之后计算t+1时刻的最优估计值为，其中、分别为通过理论状态值，为飞行动态参数系统得出的观测值；更新误差协方差矩阵，得到最优俯仰角值，更新规则为：。

方案二、一种电子设备，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现方案一所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法的步骤。

方案三、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现方案一所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法。

本发明的有益效果如下：本发明考虑全局信息，并利用以往时刻飞行动态参数信息预测未来时刻的飞行动态参数，解决了延时的问题和局部压力信息不充分的问题，能够准确的预测当前时刻和之后时刻的飞行动态参数，便于快速分析气动现象，可应用于各种小展弦比布局无人机，不受环境影响，具有普遍适用性，不存在延时，具有可快速获得小展弦比无人机飞行动态参数的优势。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为一种适用于小展弦比布局无人机的飞行动态参数预测方法流程图；

图2为飞行动态参数评估模型结构示意图；

图3为基于神经网络对将归一化后的稀疏压力值进行危险判别流程示意图。

具体实施方式

为了使本发明实施例中的技术方案及优点更加清楚明白，以下结合附图对本发明的示例性实施例进行进一步详细的说明，显然，所描述的实施例仅是本发明的一部分实施例，而不是所有实施例的穷举。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例1：参照图1-图3说明本实施方式，一种适用于小展弦比布局无人机的飞行动态参数预测方法，包括：

步骤一、利用CFD计算软件平台实现获取分辨率为79*38的上下表面稀疏压力场，具体表现为：采用CFD计算软件平台CARIA-CFD软件计算小展弦比飞翼布局标模气动数据，输出稠密网格，提取等间隔的网格节点，并通过线性插值的方式获取每个网格节点的压力系数，换算得到各个网格节点的压力值，各个网格节点的压力值作为标签数据，最后得到分辨率为79*38的小展弦比布局无人机上下表面稀疏压力场；

步骤二、对稀疏压力场数据进行归一化处理；

步骤三、构建飞行动态参数评估模型，将归一化后的稀疏压力值后输入至构建飞行动态参数评估模型，输出飞行动态参数评估值；

飞行动态参数评估模型包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、全局池化层和全连接层。

第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元都包含一个卷积层，Tanh激活函数，BN（Batch Normaliztion，批规范化）以及CBAM结构，CBAM结构引入注意力机制，其中，包含两个组成成分，通道注意力机制和空间域注意力机制；设输入的压力矩阵大小为，则第一卷积单元的输出为，第二卷积单元的输出为，第三卷积单元的输出为，第四个卷积单元的输出为；全局池化层，将特征图的大小压缩到，此时输出大小为，全连接层输出为；

全连接层的输出为预测的飞行动态参数，飞行动态参数包括俯仰角度值，侧滑角度值，马赫值。

步骤四、统计连续10个时刻的飞行动态参数评估值，基于卡尔曼滤波预测未来三个时刻的飞行动态参数。

设状态量俯仰角为，状态量俯仰角加速度为，为定值；

根据状态变量间关系得出，转换为；

设为系统参数阵，则得到误差协方差方程，定义系统过程中噪声协方差Q，；

角度噪声角加速度噪声互不干扰，因此：，，得，其中，、为定值，上一次自由估计的协方差为，本次参与误差计算的协方差为，则得到；

设为飞行动态参数系统在t时刻的观测值，则测量方程为：，其中为噪声，，得到卡尔曼增益，即，其中R为飞行动态参数系统预测角度的平均误差；之后计算t+1时刻的最优估计值为，其中、分别为通过理论状态值，为飞行动态参数系统得出的观测值；更新误差协方差矩阵，得到最优俯仰角值，更新规则为：。

实施例2：与实施例1的区别是，预测方法还包括步骤五、基于神经网络对将归一化后的稀疏压力值进行危险判别，当稀疏压力值为危险时进行危险提示。

基于神经网络对将归一化后的稀疏压力值进行危险判别的方法是：

将全局的稀疏压力场的像素化显示，生成为伪彩色图像；

采用二分类法将图像分类为安全状态和危险状态；

使用分类器进行训练实现危险状态识别预警，分类器为三层多层感知神经网络，第一层的输入神经元个数为3002，输出为40，第二层的输入神经元个数为40，输出为45，第三层的输入神经元个数为45，输出神经元个数为2个，然后通过sigmod激活函数，将两个输出映射到0-1之间的概率值，P1和P2，如果P1>P2则认为下一时刻是安全的，反之认为下一时刻是危险的。

本实施例所述的方法进行飞行动态参数预测时俯仰角的平均误差不超过0.104°，侧滑角评估的平均误差不超过0.010°，马赫值评估的平均误差不超过0.005马赫。预测当前时刻之后连续一个时刻的俯仰角的平均误差不超过0.091°，侧滑角的平均误差不超过0.011°，马赫值的平均误差不超过0.005马赫，测当前时刻之后连续两个时刻的俯仰角的平均误差不超过0.085°，侧滑角的平均误差不超过0.012°，马赫值的平均误差不超过0.005马赫，测当前时刻之后连续三个时刻的俯仰角的平均误差不超过0.095°，侧滑角的平均误差不超过0.013°，马赫值的平均误差不超过0.005马赫。

实施例3：本发明的计算机装置可以是包括有处理器以及存储器等装置，例如包含中央处理器的单片机等。并且，处理器用于执行存储器中存储的计算机程序时实现上述的一种适用于小展弦比布局无人机的飞行动态参数预测方法的步骤。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

实施例4：计算机可读存储介质实施例。

本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质，包括但不限于非易失性存储器、易失性存储器、铁电存储器等，计算机可读存储介质上存储有计算机程序，当计算机装置的处理器读取并执行存储器中所存储的计算机程序时，可以实现上述的一种适用于小展弦比布局无人机的飞行动态参数预测方法的步骤。

所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (10)

1.一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，包括：

步骤一、获取分辨率为79*38的小展弦比布局无人机上下表面稀疏压力场；

步骤二、将稀疏压力场数据进行归一化处理；

步骤三、构建飞行动态参数评估模型，将归一化后的稀疏压力值后输入至构建飞行动态参数评估模型，输出飞行动态参数评估值；

步骤四、统计连续10个时刻的飞行动态参数评估值，基于卡尔曼滤波预测未来三个时刻的飞行动态参数。

2.根据权利要求1所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，还包括步骤五、基于神经网络对将归一化后的稀疏压力值进行危险判别，当稀疏压力值为危险时进行危险提示。

3.根据权利要求1所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，基于神经网络对将归一化后的稀疏压力值进行危险判别的方法是：

将全局的稀疏压力场的像素化显示，生成为伪彩色图像；

采用二分类法将图像分类为安全状态和危险状态；

使用分类器进行训练实现危险状态识别预警，分类器为三层多层感知神经网络，第一层的输入神经元个数为3002，输出为40，第二层的输入神经元个数为40，输出为45，第三层的输入神经元个数为45，输出神经元个数为2个，然后通过sigmod激活函数，将两个输出映射到0-1之间的概率值，P1和P2，如果P1>P2则认为下一时刻是安全的，反之认为下一时刻是危险的。

4.根据权利要求1所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，获取分辨率为79*38的上下表面稀疏压力场的方法是：采用CFD计算软件平台CARIA-CFD软件计算小展弦比飞翼布局标模气动数据，输出稠密网格，提取等间隔的网格节点，并通过线性插值的方式获取每个网格节点的压力系数，换算得到各个网格节点的压力值，各个网格节点的压力值作为标签数据，最后得到分辨率为79*38的的上下表面稀疏压力场。

5.根据权利要求4所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，飞行动态参数评估模型包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、全局池化层和全连接层。

6.根据权利要求5所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元都包含一个卷积层，Tanh激活函数，BN和CBAM结构；CBAM结构引入注意力机制，其中，包含两个组成成分，通道注意力机制和空间域注意力机制；设输入的压力矩阵大小为，则第一卷积单元的输出为，第二卷积单元的输出为，第三卷积单元的输出为，第四个卷积单元的输出为；全局池化层，将特征图的大小压缩到，此时输出大小为，全连接层输出为。

7.根据权利要求1所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，全连接层的输出为预测的飞行动态参数，飞行动态参数包括俯仰角度值，侧滑角度值，马赫值。

8.根据权利要求1所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法，其特征在于，基于卡尔曼滤波预测未来三个时刻的飞行动态参数的方法是：

设状态量俯仰角为，状态量俯仰角加速度为，为定值；

根据状态变量间关系得出，转换为；

设为系统参数阵，则得到误差协方差方程，定义系统过程中噪声协方差Q，；

角度噪声角加速度噪声互不干扰，因此：，，得，其中，、为定值，上一次自由估计的协方差为，本次参与误差计算的协方差为，则得到；

设为飞行动态参数系统在t时刻的观测值，则测量方程为：，其中为噪声，，得到卡尔曼增益，即，其中R为飞行动态参数系统预测角度的平均误差；之后计算t+1时刻的最优估计值为，其中、分别为通过理论状态值，为飞行动态参数系统得出的观测值；更新误差协方差矩阵，得到最优俯仰角值，更新规则为：。

9.一种电子设备，其特征在于，包括存储器和处理器，存储器存储有计算机程序，所述的处理器执行所述计算机程序时实现权利要求1-8任一项所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的一种适用于小展弦比布局无人机的飞行动态参数预测方法。