飞行器气动特性天地偏差规律挖掘建模方法研究

The aerodynamic characteristics deviation between flight and ground prediction is ubiquitous in the aerocraft design and development process. The existing of the deviation would hinder the development progress and threaten the flight safety to some extent. In this project we focus on the analysis and modeling problems of the aerocraft’s aerodynamic characteristics deviation between the flight and ground prediction. We expect to introduce the data mining method into the cause analysis and law extracting of the deviation, present an efficient modeling method to obtain a generalized mathematical model which has good predictive ability and explicit physical meaning. The flight tests data of an UAV with classical layout will be first used to analyze the cause and extract the law of the deviation between flight and ground prediction, then the deviation model will be constructed based on these data. The mechanism analysis results of this problem will be used to validate the results of data analysis and the mathematical model. Lastly, the data mining and modeling methods will be applied to a rocket with X-type rudder layout to verify their generalization ability. A set of data mining and modeling methods of the aerodynamic characteristics deviation between flight and ground prediction can be eventually obtained through this project.

在飞行器设计和研制过程中，经常会出现由地面风洞试验形成的气动数据库预测值与真实飞行试验所得气动数据之间存在一定偏差的情况，将会极大的阻碍飞行器研制进程，并给飞行安全带来一定威胁。本项目拟针对飞行器气动力特性天地偏差的建模和分析问题，开展基于数据挖掘方法的天地偏差原因分析和影响规律提取，并探索可行的建模方法，获得泛化和预测能力较强且物理意义明确的气动力特性天地偏差模型。首先结合某典型布局无人机飞行试验，分析天地偏差出现的原因和影响因素的影响规律，并对该无人机的偏差数据建模，结合正向机理分析结论，验证数据分析结果和模型的正确性，进一步将数据挖掘和建模方法推广到某“X”字舵布局火箭天地偏差分析中，说明该分析和建模方法的有效性和结果的正确性，最终形成一整套切实可行的气动力特性天地偏差规律挖掘和建模方法。

本项目针对飞行器气动特性研究过程中，地面试验和飞行试验之间存在的气动特性天地偏差问题，开展了基于数据挖掘和建模的方法探索和研究。建立了基于多来源测量数据的处理和滤波辨识方法，将该方法应用于两类飞行器飞行试验数据重建和气动系数辨识，分析了飞行试验数据辨识结果的天地偏差；针对飞行数据测量噪声特性未知的参数辨识问题，提出了一种基于贝叶斯推理的自适应气动参数和噪声特性估计方法，通过仿真算例验证评估，发现该方法与噪声特性已知的无迹卡尔曼滤波（UKF）算法性能相当，在估计精度和计算效率方面稍优于并行UKF算法；针对推力测量不准确情况下的参数辨识问题，提出了基于UKF的多模自适应估计方法，利用仿真数据验证评估了该方法对于推力系数的估计和气动力系数偏差的修正能力；探讨了近邻成分分析方法在飞行器气动特性天地偏差状态变量空间影响规律挖掘和特征提取中的应用，利用仿真算例分析了该方法的特征提取能力，结合支持向量机（SVM）建模精度分析，验证了该方法对于气动特性天地偏差问题状态空间降维的有效性；探讨了基于进化算法的符号回归方法在建立具有明确物理含义的气动特性天地偏差模型方面的可行性，针对无人机和火箭弹多架次飞行试验数据俯仰力矩系数天地偏差，在基于近邻成分分析方法提取出的状态变量特征空间内，采用单一架次数据建立回归数学模型，利用其余所有架次天地偏差数据对模型的预测精度和泛化性能进行评估，发现利用该方法能够建立具有简洁数学表达式的无人机和火箭弹俯仰力矩系数天地偏差模型，相比SVM等数据驱动建模，该方法在预测精度和泛化性能方面具有明显的优势，且该分析和建模方法在两类不同外形的飞行器上均取得较好应用效果，说明这套特征提取和建模回归方法具有一定的普适性。本项目针对飞行试验数据辨识中存在的噪声特性未知和推力测量不准问题，提出的两种辨识方法具有一定的学术意义和工程应用价值；针对飞行状态到气动特性天地偏差的规律挖掘和回归建模问题，提出了一套基于近邻成分分析和符号归回的特征提取和建模方法，克服了数据驱动建模方法存在的物理意义不明确以及泛化性能不强的缺陷，为气动特性天地偏差修正和相关性研究提供了一套可行的研究方法和工程应用工具。