基于飞行数据的扰动风定制化建模和大气数据估计方法技术

本申请公开了基于飞行数据的扰动风定制化建模和大气数据估计方法，其特征在于：包括：基于选取的飞行记录数据，获得扰动风时间序列，进而获得满足平稳性和正态性的湍流序列；基于湍流序列，建立湍流序列中每个分量的高斯

【技术实现步骤摘要】
基于飞行数据的扰动风定制化建模和大气数据估计方法


[0001]本申请属于民航安全技术与飞行数据应用领域，具体涉及基于飞行数据的扰动风定制化建模和大气数据估计方法。

技术介绍

[0002]大气环境中除了缓慢变化的盛行风外，还有各种离散突风和连续湍流等扰动风。扰动风不仅严重影响飞机飞行安全，同时也造成空速、迎角和侧滑角的测量误差。民航飞机的飞行数据实时记录了多种飞行参数，在飞行异常事件和事故分析过程中起到关键作用。然而，在大气扰动诱发的事故分析中，受扰动风的影响，飞机大气数据系统采集的空速、迎角、侧滑角存在误差。
[0003]解决这一问题的有效途径是结合飞行动力学方程、以飞行数据提供的飞行参数为量测输入来构建空速、迎角和侧滑角的状态估计滤波算法，同时建立扰动风模型并集成在滤波算法内。然而，实际的复杂扰动风场不仅难以采集，且与扰动风理论模型存在显著差异。若在滤波算法中采用通用的扰动风经验模型，必然影响空速、迎角和侧滑角的估计精度。
[0004]基于飞行数据的飞行参数状态估计与一般的状态估计问题又有显著差异。表现在：在扰动风影响下，飞机动力学响应具有强非线性特征，采用传统的基于一阶线性化的扩展卡尔曼滤波算法将导致估计精度差；飞行数据记录参数具有不确定性，难以确定滤波算法中的过程噪声和量测噪声模型。

技术实现思路

[0005]本申请提出了基于飞行数据的扰动风定制化建模和大气数据估计方法，基于飞行数据，能够实现在大气扰动飞行中空速、迎角和侧滑角的准确估计，克服以往的状态估计方法缺少定制化的精确扰动风模型、动力学模型需进行一阶线化、噪声模型不确定而导致的估计误差等缺点，并利用平滑估计实现提高空速、迎角、侧滑角估计精度的专利技术目的。
[0006]为实现上述目的，本申请提供了如下方案：
[0007]基于飞行数据的扰动风定制化建模和大气数据估计方法，所述大气数据估计包括空速、迎角、侧滑角估计，包括如下步骤：
[0008]S1.基于选取的飞行记录数据，获得扰动风时间序列，基于所述扰动风时间序列，获得满足平稳性和正态性的湍流序列；
[0009]S2.基于所述湍流序列，建立所述湍流序列中每个分量的高斯
‑
马尔可夫模型，完成扰动风定制化建模；
[0010]S3.基于所述湍流序列中每个分量的高斯
‑
马尔可夫模型，并根据所述飞行力学原理，建立包含扰动风影响的空速、迎角和侧滑角的状态方程和量测方程；
[0011]S4.基于所述状态方程和所述量测方程，建立自适应平方根无迹卡尔曼平滑器，并基于所述自适应平方根无迹卡尔曼平滑器，得到任意时刻的空速、迎角、侧滑角的最优平滑
估计，完成大气数据估计。
[0012]可选的，所述S1中，获取所述湍流序列的方法包括：
[0013]根据空间扰动风与地速、空速的矢量三角形关系，得到飞机沿飞行轨迹所经历的所述扰动风三轴分量，并获得扰动风时间序列；
[0014]对所述扰动风时间序列进行平稳性检验和正态性检验，若检验通过，则将所述扰动风时间序列转换为湍流序列；
[0015]其中，x轴湍流序列为W
tx
＝[W
tx1
，W
tx2
，...，W
txN
]T
，y轴湍流序列为W
ty
＝[W
ty1
，W
ty2
，...，W
tyN
]T
，z轴湍流序列为W
tz
＝[W
tz1
，W
tz2
，...，W
tzN
]T
。
[0016]可选的，所述平稳性检验采用单位根检验方法；
[0017]所述正态性检验采用分位点Q
‑
Q图检验方法。
[0018]可选的，如果所述扰动风时间序列不能通过所述平稳性检验和所述正态性检验，则建立高斯过程回归模型，并设定长度尺度进行模型预测，得到预测值序列；
[0019]使用所述扰动风时间序列减去所述预测值序列得到残差序列；
[0020]对所述残差序列进行所述平稳性检验和所述正态性检验，若检验通过，获得所述湍流序列。
[0021]可选的，对所述残差序列进行所述平稳性检验和所述正态性检验不通过，则将所述长度尺度乘以2，获得新的预测值序列，重新获取残差序列并进行所述平稳性检验和所述正态性检验，重复本步骤，直到通过所述平稳性检验和所述正态性检验为止，得到所述湍流序列。
[0022]可选的，所述S2中，所述湍流序列中x轴的高斯
‑
马尔可夫模型为
[0023][0024]所述湍流序列中y轴的高斯
‑
马尔可夫模型为
[0025][0026]所述湍流序列中z轴的高斯
‑
马尔可夫模型为
[0027][0028]可选的，所述S3中，建立所述状态方程和所述量测方程的方法包括：
[0029]根据飞行力学原理和所述湍流序列中每个分量的高斯
‑
马尔可夫模型，建立以x＝[V
T
，α，β，W
tx
，W
ty
，W
tz
]T
为状态量的所述状态方程，所述状态方程为
[0030][0031][0032][0033][0034]基于所述飞行力学原理，建立以y＝[V
Gx
，V
Gy
，V
Gz
]T
为量测参数的所述量测方程；
[0035]所述量测方程为
[0036][0037]可选的，所述S4包括：
[0038]对所述自适应平方根无迹卡尔曼平滑器的前向滤波初始化，所述初始化方法为
[0039][0040]其中，是初始状态估计协方差，通过cholesky分解，获得所述初始状态估计协方差的平方根S0，将所述初始状态估计协方差的平方根S0作为初始过程噪声协方差的平方根是初始量测估计协方差，通过cholesky分解，获得初始量测噪声协方差的平方根
[0041]对所述自适应平方根无迹卡尔曼平滑器的前向时间更新，所述时间更新为
[0042][0043]对所述自适应平方根无迹卡尔曼平滑器的前向量测更新及噪声协方差阵的自适应更新，包括量测噪声协方差阵平方根的自适应更新、量测更新和过程噪声协方差阵平方根的自适应更新；
[0044]所述量测噪声协方差阵平方根的自适应更新为
[0045][0046]所述量测更新为
[0047][0048]所述过程噪声协方差阵平方根的自适应更新为：
[0049][0050]使用更新后的所述自适应平方根无迹卡尔曼平滑器得到任意时刻的空速、迎角、侧滑角的最优平滑估计，包括：
[0051]选取预设的时间间隔k，并初始化所述自适应平方根无迹卡尔曼平滑器
[0052][0053]通过定义状态本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于飞行数据的扰动风定制化建模和大气数据估计方法，所述大气数据估计包括空速、迎角、侧滑角估计，其特征在于：包括如下步骤：S1.基于选取的飞行记录数据，获得扰动风时间序列，基于所述扰动风时间序列，获得满足平稳性和正态性的湍流序列；S2.基于所述湍流序列，建立所述湍流序列中每个分量的高斯
‑
马尔可夫模型，完成扰动风定制化建模；S3.基于所述湍流序列中每个分量的高斯
‑
马尔可夫模型，并根据所述飞行力学原理，建立包含扰动风影响的空速、迎角和侧滑角的状态方程和量测方程；S4.基于所述状态方程和所述量测方程，建立自适应平方根无迹卡尔曼平滑器，并基于所述自适应平方根无迹卡尔曼平滑器，得到任意时刻的空速、迎角、侧滑角的最优平滑估计，完成大气数据估计。2.根据权利要求1所述的基于飞行数据的扰动风定制化建模和大气数据估计方法，其特征在于：所述S1中，获取所述湍流序列的方法包括：根据空间扰动风与地速、空速的矢量三角形关系，得到飞机沿飞行轨迹所经历的所述扰动风三轴分量，并获得扰动风时间序列；对所述扰动风时间序列进行平稳性检验和正态性检验，若检验通过，则将所述扰动风时间序列转换为湍流序列；其中，x轴湍流序列为W
tx
＝[W
tx1
，W
tx2
，...，W
txN
]
T
，y轴湍流序列为W
ty
＝[W
ty1
，W
ty2
，...，W
tyN
]
T
，z轴湍流序列为W
tz
＝[W
tz1
，W
tz2
，...，W
tzN
]
T
。3.根据权利要求2所述基于飞行数据的扰动风定制化建模和大气数据估计方法，其特征在于，所述平稳性检验采用单位根检验方法；所述正态性检验采用分位点Q
‑
Q图检验方法。4.根据权利要求2所述的基于飞行数据的扰动风定制化建模和大气数据估计方法，其特征在于，如果所述扰动风时间序列不能通过所述平稳性检验和所述正态性检验，则建立高斯过程回归模型，并设定长度尺度进行模型预测，得到预测值序列；使用所述扰动风时间序列减去所述预测值序列得到残差序列；对所述残差序列进行所述平稳性检验和所述正态性检验，若检验通过，获得所述湍流序列。5.根据权利要求4所述的基于飞行数据的扰动风定制化建模和大气数据估计方法，其特征在于，对所述残差序列进行所述平稳性检验和所述正态性检验不通过，则将所述长度尺度乘以2，获得新的预测值序列，重新获取...

【专利技术属性】
技术研发人员：高振兴，张洋洋，夏明瑀，向志伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：