基于风洞试验数据的飞行器气动力辨识方法研究

论文摘要

本文对基于输出反馈RBF神经网络的大迎角非定常气动特性辨识方法进行了研究。大迎角过失速机动是下一代高性能战斗机必须具备的特性之一。大迎角飞行时,机翼上表面气流发生流动分离、涡破裂、再附着等情况,导致气动力呈现高度非线性、非定常特征。采用定常气动模型进行传统的飞行动力学分析,其结果与实际情况有较大差别。大迎角非定常气动建模是大迎角过失速机动飞行动力学分析的基础。本文研究内容可分为三个部分:首先,在前期线性气动力辨识研究的基础上,提出了一种带有输出反馈的RBF神经网络气动模型,并分别基于标准RBF神经网络和改进的RBF神经网络,使用大振幅俯仰强迫振荡风洞试验数据作为训练样本,建立纵向气动力模型,对不同迎角、不同频率下的小振幅气动力进行预测。其次,使用该改进方法对单独横向、航向运动,以及偏航和滚转耦合运动情况下的非定常气动力进行辨识,验证了该方法对大迎角下横航向非定常气动力建模的适用性。最后,根据所建模型预测小振幅气动力,研究了非定常气动效应对飞机短周期模态特性的影响,并通过驾驶杆阶跃操纵仿真计算,验证非定常气动效应对飞机飞行品质的影响。研究结果表明,本文提出的带输出反馈的RBF神经网络可对大迎角非定常气动力进行精确建模,并可应用于非定常气动效应对飞行动力学系统的影响分析。

论文目录

• 摘要
• Abstract
• 图表清单
• 注释表
• 第一章 绪论
• 1.1 选题意义
• 1.2 国内外研究状况
• 1.3 本文工作介绍
• 第二章 气动力系统辨识
• 2.1 系统辨识
• 2.2 气动力数学模型
• 2.2.1 代数模型
• 2.2.2 积分方程模型
• 2.2.3 微分方程模型
• 2.2.4 建模准则
• 2.3 参数估计方法
• 2.3.1 最小二乘法
• 2.3.2 极大似然法
• 2.4 参数辨识算例
• 2.5 本章总结
• 第三章 基于神经网络的非定常气动力辨识
• 3.1 人工神经网络的发展
• 3.2 神经网络系统辨识
• 3.3 径向基函数（RBF）神经网络
• 3.3.1 RBF 网络模型
• 3.3.2 RBF 网络学习算法
• 3.4 改进的RBF 神经网络
• 3.5 气动力辨识
• 3.5.1 纵向小振幅气动力辨识
• 3.5.2 横航向气动力辨识
• 3.6 总结
• 第四章 动态非定常气动力特性分析
• 4.1 动导数计算
• 4.2 短周期模态分析
• 4.3 模型仿真
• 4.4 总结
• 第五章 总结与展望
• 参考文献
• 致谢
• 在学期间发表的学术论文