基于数据驱动和机器学习的无人机飞行工况预测方法技术

本发明专利技术公开了一种基于数据驱动和机器学习的无人机飞行工况预测方法，包括：采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息，并生成相应离线数据集；构建一种多重决策树结构，选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类；构建NAR神经网络，初始化网络中各参数；根据离线数据集中的数据及当前

【技术实现步骤摘要】
基于数据驱动和机器学习的无人机飞行工况预测方法


[0001]本专利技术属于无人机
，具体涉及一种基于数据驱动和机器学习的无人机飞行工况预测方法。

技术介绍

[0002]近年来，无人机已经成为我国航空飞行器的重要发展方向之一，多种动力源混合推进系统是飞行器发展的趋势。然而，多种动力源混合推进技术还受到多种方面的制约，其中，制定多种动力源的能量管理策略需要考虑多方面的因素。目前，大多数无人机在制定飞行任务剖面和规划路径时是从全局角度出发的，忽略了实际飞行工况多变等不确定性因素的影响，制定的策略适应性差，不能有效的协调多种动力源工作，难以保证各动力源工作在最优效率状态下。
[0003]由于无人机飞行工况的复杂性，需要考虑的因素很多，例如飞行的海拔高度、环境温度、飞行速度、飞机的姿态角等等，使得对无人机短期的工况预测工作难以进行。但是对无人机短期飞行工况预测是很有必要的，根据无人机当前飞行状态和周围环境信息预测无人机未来短期内可能面临的工况，考虑了飞行不确定性等因素。无人机可根据预测的工况优化局部轨迹，使得动力源工作在最优效率状态下，能够本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动和机器学习的无人机飞行工况预测方法，其特征在于，包括以下步骤：(1)采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息，并生成相应离线数据集；(2)根据上述生成的离线数据集，构建一种多重决策树结构，选取相应的根节点、中间节点、叶节点对现有飞行工况进行组合分类；(3)构建NAR神经网络，初始化网络中各参数；根据所述步骤(1)中生成的离线数据集中的数据，及根据时间序列提取的当前
‑
未来时刻相应数据，训练所述NAR神经网络；(4)根据所述多重决策树和训练好的NAR神经网络，进行飞行工况的在线预测。2.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法，其特征在于，所述步骤(1)具体为：利用搭载在无人机上的传感器采集无人机在飞行任务剖面下的飞行状态信息及飞行环境信息；所述传感器包括：GPS、惯性测量元件、地磁指南针、气压计、电子陀螺仪；无人机飞行状态信息为无人机当前飞行姿态，包括方向舵的角度、升降舵的角度及飞行速度；飞行环境信息为无人机所处位置的海拔高度。3.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法，其特征在于，所述步骤(2)的具体步骤如下：(21)构建多重决策树结构；以无人机所处位置的海拔高度、方向舵角度和升降舵角度以及飞行速度为根节点分别生成四个决策树结构；(22)以海拔高度为根节点，建立第一决策树；中间节点根据飞行任务剖面上不同飞行高度为判断依据建立，给定不同高度阈值，高度阈值范围在[x1
‑
x2]，此时记工况特性为Ⅰ；高度阈值范围在[x3
‑
x4]，此时记工况特性为Ⅱ；高度阈值范围在[x5
‑
x6]，此时记工况特性为Ⅲ；决策树叶节点对应无人机目前的飞行任务，即工况特性；(23)以无人机姿态为根节点，选取的是方向舵和升降舵的角度，分别构建第二决策树和第三决策树；(24)以无人机飞行速度为根节点，以飞行是否稳定安全为叶节点，建立两层第四决策树；记无人机能够安全飞行的最大速度为临界速度V
max
，最低飞行速度为V
min
；当无人机飞行速度V大于临近速度V
max
时，飞行状态存在安全隐患，飞行不稳定，此时将工况特性记作a；当无人机飞行速度V大于最低飞行速度V
min
且小于临近速度V
max
时，飞行状态稳定，无人机可安全飞行，此时将工况特性记作b；当无人机飞行速度V小于最低飞行速度V
min
时，无人机不在飞行包线内，飞行状态不稳定，无人机不能够安全飞行，此时将工况特性也记作a。4.根据权利要求1所述的基于数据驱动和机器学习的无人机飞行工况预测方法，其特征在于，所述步骤(3)的具体步骤如下：(31)构建一个NAR神经网络，所述神经网络根据当前无人机飞行状态参数预测未来的飞行状态参数；(32)NAR神经网络的预测模型：y(t)＝f(y(t
‑
1)+y(t
‑
2)+
…
+y(t
‑
d
y
+1))

【专利技术属性】
技术研发人员：秦亚娟，王春燕，张自宇，赵万忠，陈国平，朱耀鎏，曹铭纯，于博洋，孟琦康，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：