大气数据系统是飞机的重要机载航电设备,其性能直接影响飞行控制系统,进而影响飞行器的飞行质量和作战效能。对于下一代战斗机、高超声速飞行器等先进飞行器来说,以侵入式测量为特点的传统大气数据系统难以适应高热高压环境,在大马赫数、大攻角、跨大气层等恶劣飞行状态难以有效工作。针对于此,本文以先进飞行器大气数据测量为研究背景,研究了嵌入式大气数据系统算法与大气数据传感信息融合关键技术,旨在解决大气数据测量、容错技术中的关键问题,提高大气数据的测量精度、测量范围和可靠性。嵌入式大气数据系统(Flush Air Data System,FADS)以嵌入在机身表面的多测压孔压力信息测量为基础,结合压力分布模型进行大气参数的求解。通过解析算法求解大气参数,能够保证系统的稳定性,但是对FADS的测压孔布局存在较强的约束性。针对这一问题,论文提出了弱化测压孔配置约束条件的FADS解析计算方法,该方法可利用4个不共面的测压孔压力数据直接获得攻角、侧滑角、动压、静压以及总压的解析结果。与常用的FADS解析算法相比,该方法不再依赖分布在垂直线的测压孔,极大降低了FADS解析算法对测压孔配置的几何约束条件,提高了FADS测压孔配置的灵活性,充分利用多测压孔冗余度,有效提高FADS解析算法的可靠性,实现了大气数据全参数的解析计算,减少了计算量。FADS自主容错算法通常以FADS大气参数解算为基础,根据不同测压孔组合获取的大气参数,通过投票等方法实现故障检测、隔离和重构。为了充分挖掘FADS的系统冗余度,提升FADS的自主容错性能,论文针对多测压孔冗余的FADS大气参数解算方法、故障检测算法和自主容错算法展开了研究。鉴于FADS解析计算方法存在对大噪声敏感、增大故障检测难度的问题,提出了基于计算模型降元的FADS最小二乘法,解决了应用于多个压力数据的FADS大气参数解算问题,提升了大气参数解算精度,降低了算法对噪声的敏感性。在此基础上,提出了应用于FADS的卡方故障检测算法,同时,为了解决测压孔较多时可用于大气参数计算的测压孔组合数较多、计算量较大的问题,论文基于随机采样一致性思想,提出了多测压孔随机组合模式下的FADS自主容错方法,提高了FADS自主容错算法的故障检测、隔离与重构能力。当先进飞行器处于高机动等飞行状态时,其机身周围恶劣的流场环境对大气数据传感器的影响无法消除,因而要进一步提高先进飞行器大气数据系统的可靠性,就需要在不依赖于大气数据传感器的前提下实现大气数据全参数解算。为此,本文针对基于多源信息融合的大气数据估计算法开展了研究工作。基于平流层风场平稳、水平的特性,以飞行器动力学模型为连接纽带,引入飞行器控制系统参数,提出了融合导航与飞控数据的大气数据估计方法,分别设计了以大气数据为状态量、广义导航参数为量测量的滤波器模型以及以大气数据和导航数据为状态量、导航数据为量测量的滤波器模型,解决了在不增加额外测量设备和系统硬件前提下的大气数据全参数精确间接测量问题。当先进飞行器处于对流层、中间层时,机身周围的风场不再满足平稳性,为了在先进飞行器的不同飞行阶段持续提供大气参数估计结果,进一步提升系统的可靠性,需要解决变化风场下的大气数据估计问题,扩展基于多源信息融合的大气参数解算方法的适用范围。针对风场变化模型已知的情况,本文提出了风速两级估计下的大气数据估计算法,通过对风速进行粗估计获得较为准确的风速滤波初值,而后结合风场变化模型建立大气数据滤波算法结构,该方法为平均风叠加大气紊流形式的变化风场提供了有效的大气数据估计。针对风场变化模型未知的情况,提出了不依赖于风场变化模型的大气数据计算方法,将风速作为未知的偏置量,采用初始化的三步扩展Kalman滤波算法实现大气数据的估计,解决了风场变化模型未知情况下的大气数据测量问题,拓展了融合多源信息的大气数据估计算法适用范围。最后,论文建立了嵌入式大气数据系统算法及大气数据传感信息融合综合验证平台,对论文中所研究的FADS解析计算方法、FADS自主容错算法、融合导航与飞控多源信息源的大气数据估计算法以及应用于变化风场下的大气数据估计算法等进行实现和仿真分析,验证了论文所研究算法的有效性和有益效果,对论文的研究工作具有重要的支撑作用。
嵌入式大气数据传感(Flush Air Data Sensing,FADS)系统由于其不破坏飞行器气动几何型面,隐身性能优异以及测量精度高等特点,是目前诸多飞行器设计中的关键技术之一。在使用传统BP神经网络训练嵌入式大气数据系统时,获取最优权值和阈值...
详细信息
嵌入式大气数据传感(Flush Air Data Sensing,FADS)系统由于其不破坏飞行器气动几何型面,隐身性能优异以及测量精度高等特点,是目前诸多飞行器设计中的关键技术之一。在使用传统BP神经网络训练嵌入式大气数据系统时,获取最优权值和阈值需要较长时间且收敛速度较慢。因此,本文提出分别使用遗传算法和粒子群算法优化的BP神经网络构建嵌入式大气数据系统。遗传算法优化BP神经网络是用遗传算法来优化BP神经网络的初始权值和阈值,遗传算法通过种群初始化、适应度函数、选择、交叉、变异操作寻找最优个体(即初始权值)。粒子群算法优化BP神经网络与遗传算法一样是优化神经网络的初始权值和阈值,粒子群算法通过种群初始化、寻找初始极值、迭代寻优操作寻找最优初始权值。且不同优化目标对网络性能也有影响,本文分别使用误差之和,误差最大值和误差最大值与误差平均值之和三种优化目标,对比其对网络性能的影响。相较于传统BP神经网络,遗传算法和粒子群算法优化后的BP网络预测误差更小,粒子群算法优化BP神经网络预测精度优于遗传算法优化BP神经网络预测精度。
暂无评论