The present invention is a nonlinear aerodynamic reduction model for a large angle of attack for stall flutter. First, a sinusoidal multistage signal is designed as a nonlinear aerodynamic identification signal. The amplitude of the signal should be designed to meet the requirement of large motion. Secondly, the recurrent neural network model based on depth learning is used to identify the nonlinear aerodynamic force. The CFD method is used to calculate the training output signal, and the dynamic time-domain nonlinear aerodynamic model of the aircraft wing vibration is established by using the recurrent neural network model based on depth learning, and the response of the system under the test signal is calculated with the CFD. The identification results of network models are compared to verify the performance of the model. The invention saves the cost of aircraft design, improves the design efficiency of stall flutter, develops a reduced order model of nonlinear aerodynamic force, and thus quickly predicts stall flutter.
【技术实现步骤摘要】
一种适用于失速颤振的大攻角非线性气动力降阶模型
本专利技术属于航空飞行器设计与系统辨识领域,是一种针对快速预测飞行器失速颤振特性,提高计算效率而发展出的非线性降阶模型。
技术介绍
失速颤振是飞行器翼面或舵面处于大攻角时,气流分离引起的非线性气动力和弹性结构耦合所发生的自激振动,失速颤振体现出强非线性特性。飞行器大攻角飞行(比如歼击机或者导弹具有高机动性和敏捷性,需要大迎角范围内飞行)或遭遇阵风时,可能会使升力面处于失速状态,当迎角达到某一临界值时容易导致气动失速,进而可能发生失速颤振,影响飞行器的结构安全;尤其是螺旋桨叶和直升机叶片,桨尖较易发生失速及失速颤振的现象。目前对机翼失速颤振的研究方法有试验研究、经验模型和CFD-CSD流固耦合仿真。试验方法耗时耗力,成本较高。经验模型计算依赖模型和试验数据,结果精度不高。CFD-CSD计算能获得高精度的结果,但是计算量巨大,耗时很长,增加计算成本和飞机研制周期。要实现飞行器失速颤振的预测,首先要解决的关键技术问题是对大攻角非线性气动力的准确辨识,主要存在以下问题:1.传统的信号在非设计点的非线性气动力预测效果较差。要准确捕捉大攻角极限环振动的特性,需合理设计合理的辨识输入信号,设计的辨识输入信号需准确刻画极限环振动的规律、大运动幅值和频率要求。2.对于设计好的辨识输入信号,需要发展鲁棒的泛化的降阶模型和算法来准确辨识动态的大攻角分离的非线性气动力的数学模型。基于上述情况,需要在输入信号设计和辨识算法上提出新的模型。
技术实现思路
针对上述问题,为了节省飞行器设计成本,提高失速颤振设计效率,提出了一种适用于失速颤振的 ...
【技术保护点】
1.一种适用于失速颤振的大攻角非线性气动力降阶模型,其特征在于:通过下述步骤得到:步骤1:根据机翼极限环振动时的幅值、频率和振动规律,设计左右对称的多级正弦信号,作为深度学习模型系统的输入数据;步骤2:将步骤1种设计好的正弦信号输入到CFD软件中,获得不同速度下的机翼在该信号激励下的气动力系数,作为深度学习模型系统的输出数据;步骤3:基于深度学习的循环神经网络模型进行非线性气动力辨识,得到大攻角非线性气动力降阶模型。
【技术特征摘要】
1.一种适用于失速颤振的大攻角非线性气动力降阶模型,其特征在于:通过下述步骤得到:步骤1:根据机翼极限环振动时的幅值、频率和振动规律,设计左右对称的多级正弦信号,作为深度学习模型系统的输入数据;步骤2:将步骤1种设计好的正弦信号输入到CFD软件中,获得不同速度下的机翼在该信号激励下的气动力系数,作为深度学习模型系统的输出数据;步骤3:基于深度学习的循环神经网络模型进行非线性气动力辨识,得到大攻角非线性气动力降阶模型。2.如权利要求1所述一种适用于失速颤振的大攻角非线性气动力降阶模型,其特征在于:步骤1里多级正弦信号包含不同的幅值和频率信息。3.如权利要求1所述...
【专利技术属性】
技术研发人员:戴玉婷,向正平,朱斯岩,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。