【技术实现步骤摘要】
本专利技术涉及飞行器，具体涉及一种基于深度学习的飞行器智能虚拟飞行方法。
技术介绍
1、随着空天对抗的日趋激烈，人们对飞行器高速、大机动、全包线飞行能力的需求愈加强烈，如强调过失速机动能力的现代战斗机、可实现高超声速跨空域机动飞行的新型空天飞行器、面向多任务模式的新一代天地往返运输系统等。这类飞行器飞行速度、飞行姿态等随时间变化剧烈，存在明显的气动/运动/控制等学科的非线性耦合现象，为飞行器气动特性的准确获取、飞行稳定性和控制系统的设计及优化带来了极大挑战。
2、对于这类问题，传统的研究模式是通过飞行包线范围内大量的定常计算或常规风洞试验获得飞行器气动特性，进而通过插值等方式得到气动数据库，以此数据库为基础开展飞行性能分析与控制系统设计。这种传统模式割裂了气动/运动/控制之间的相互作用与影响，忽略了它们之间的耦合效应，造成气动特性与飞行性能预测失真，导致指标降低、计划延迟、费用增长、控制设计失效甚至飞行事故。
3、研究人员们提出了耦合空气动力学、飞行力学和飞行控制等学科的数值虚拟飞行一体化计算方法，其充分考虑了不同学科之间的耦合特性，可以准确评估飞行器的机动性能和动态品质，检验和优化飞行控制率。与风洞虚拟飞行试验相比，数值虚拟飞行不存在洞壁效应、支架干扰、测量误差、相似准则难以满足等方面的问题，可以更真实地模拟实际机动飞行过程，提供丰富的实时流动信息和流场结构，从而更直观地反映飞行品质。美国陆军研究实验室(arl)开展了某发射体外形的带控虚拟飞行研究。美国eglin空军基地的研究团队开发了一套多学科耦合模
4、但是，对于虚拟飞行中与气动数值仿真相关的计算方法、一体化耦合计算策略等，仍面临一些关键问题：
5、1)气动数值仿真方法。气动数值仿真方法，是数值虚拟飞行仿真的基础和面临的首要挑战性问题。通过深度学习方法，可以直接建立物理参数、几何参数与流场中速度矢量的模型，提高计算效率；同时，可大幅提高网格生成质量，显著优化网格生成效率；最后，深度学习可提高气动仿真数据压缩效率，实现数据原位可视化。
6、2)气动/运动/控制多学科耦合求解策略，是高效稳定的数值虚拟飞行的核心和关键。气动、运动与控制方程在数学性质上存在较大差异，求解方式难以统一。实际工程应用中，往往不同学科分别采用各自的时间积分方法，交错时间推进获得系统的耦合解，这无疑将导致时间的不同步性，同时为了保证系统稳定性时间步长受到严格限制，极大影响计算效率。
技术实现思路
1、本专利技术解决的问题是：通过深度学习方法，大幅缩短多学科耦合求解过程气动数值仿真所需的时间周期；基于模块化、分布式软件思路，解决气动/运动/控制多学科之间的高效稳定耦合问题，实现多学科耦合数值虚拟飞行。
2、为实现上述本专利技术的目的，本专利技术实施例的基于深度学习的飞行器智能虚拟飞行模拟方法，包括：
3、s1，基于气动仿真数据，建立深度学习气动数据模型；
4、s2，基于simulink，进行控制器设计，建立仿真程序；
5、s3，通过所述深度学习气动数据模型，进行信息交互，代入simulink仿真程序；
6、s4，所述控制器发出控制指令，并将姿态等参数反馈所述深度学习气动数据模型；
7、s5，重复迭代所述s3和所述s4，直至物理时间推进结束。
8、在本专利技术的优选实施例中，所述s1中，针对特定飞行器外形，根据飞行弹道和外形特征，先完成气动数值仿真获得气动仿真数据，进而在气动仿真数据基础上开展所述深度学习气动数据模型建立，后期可快速实时获取不同姿态下气动数据。
9、在本专利技术的优选实施例中，所述s2中，针对飞行器气动特性进行控制器设计，从而建立所述仿真程序，并且还需对控制率进行优化。
10、在本专利技术的优选实施例中，所述s3中，所述信息交互为，所述深度学习气动数据模型获取的气动数据反馈给所述控制器，所述控制器仿真输出的姿态数据、舵偏数据等实时反馈给所述深度学习气动数据模型。
11、在本专利技术的优选实施例中，所述s4中，所述控制器发出控制指令，飞行器舵偏、姿态等发生变化，这些变化将导致飞行器气动特性的变化，所述深度学习气动数据模型对此做出反应，并将偏差信息等交互反馈给控制器。
12、在本专利技术的优选实施例中，所述s1中，所述建立深度学习气动数据模型包括：直接建立物理参数、几何参数与流场中速度矢量的模型，采用回归森林方法和cnn方法对二维和三维层流建模并进行流场预测。
13、在本专利技术的优选实施例中，所述s1中，采用svm算法在计算网格分类的基础上再进行网格优化。
14、在本专利技术的优选实施例中，所述s1中，采用基于深度学习的流场数据压缩方法，由两个cnn组成一个生成对抗网络，对流场数据进行大幅压缩。
15、本专利技术提出了一种基于深度学习的飞行器智能虚拟飞行模拟方法，给出多学科数值虚拟飞行技术解决方案，提供一种应用于飞行器设计各个阶段、高保真地分析飞行器动态品质、优化气动布局和控制率、提高飞行器性能的研究手段。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S1中，针对特定飞行器外形，根据飞行弹道和外形特征，先完成气动数值仿真获得气动仿真数据，进而在气动仿真数据基础上开展所述深度学习气动数据模型建立，后期可快速实时获取不同姿态下气动数据。
3.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S2中，针对飞行器气动特性进行控制器设计，从而建立所述仿真程序，并且还需对控制率进行优化。
4.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S3中，所述信息交互为，所述深度学习气动数据模型获取的气动数据反馈给所述控制器，所述控制器仿真输出的高度、速度、姿态、舵偏、发动机数据实时反馈给所述深度学习气动数据模型。
5.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S4中，所述控制器发出控制指令，飞行器高度、速度、姿态、舵偏、发动机数据发生变化，这些变化将导致飞
6.根据权利要求1-5任一项所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S1中，所述建立深度学习气动数据模型包括：
7.根据权利要求6所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S1中，采用SVM算法在计算网格分类的基础上再进行网格优化。
8.根据权利要求6所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述S1中，采用基于深度学习的流场数据压缩方法，由两个CNN组成一个生成对抗网络，对流场数据进行大幅压缩。
...【技术特征摘要】
1.一种基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述s1中，针对特定飞行器外形，根据飞行弹道和外形特征，先完成气动数值仿真获得气动仿真数据，进而在气动仿真数据基础上开展所述深度学习气动数据模型建立，后期可快速实时获取不同姿态下气动数据。
3.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述s2中，针对飞行器气动特性进行控制器设计，从而建立所述仿真程序，并且还需对控制率进行优化。
4.根据权利要求1所述的基于深度学习的飞行器智能虚拟飞行模拟方法，其特征在于，所述s3中，所述信息交互为，所述深度学习气动数据模型获取的气动数据反馈给所述控制器，所述控制器仿真输出的高度、速度、姿态、舵偏、发动机数据实时反馈给所述深度学习气动数据模型。
【专利技术属性】
技术研发人员：吕凡熹，杜若凡，刘浩杰，徐艺哲，赵飞，
申请(专利权)人：中国空间技术研究院，
类型：发明
国别省市：
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。