论文部分内容阅读
建立气动力模型是飞行器系统仿真中的关键,也是气动数据处理过程中的一个重要环节。气动力模型是否正确决定了整个飞行器仿真系统的置信度,气动参数的准确性又影响到飞行器的稳定性等控制,因此,建立高精度的气动力模型是非常重要的。神经网络具有可以逼近任意非线性函数的特点,为了适应越来越复杂的飞行器,使用神经网络建立气动力模型的方法研究日趋活跃,本文将采用神经网络建立高精度的气动力模型做为研究目标。首先,本文通过对比基本的神经网络各自的特点,结合非定常情况下气动参数的非线性以及参数随时间变化的特点,选择采用Elman神经网络建立气动力模型。但是,Elman神经网络仍然存在着一些缺点,主要有易陷入局部最优解、收敛速度慢等。本文从收敛速度、处理动态信息能力、全局搜索能力三个方面对Elman神经网络进行了改进。建模方法确定后,需要使用气动数据建立模型以验证方法的有效性。本文以NACA 2410亚音速翼型和NLR 7301跨音速翼型为测试算例,建立了其CFD计算模型,通过使用Fluent软件中的CFD仿真功能,获得了翼型在定常和非定常情况下气动数据,并且对CFD计算得到的气动数据做了初步的气动分析。随后,本文详细介绍了Elman神经网络的改进方式以及如何结合实际工程确定神经网络模型的结构和如何使用遗传算法优化神经网络的初值来建立气动力模型。模型建立完成后,本文对模型的预测效果做了验证。验证模型可靠后,本文同以NFM-MLP和FSRBF神经网络建立的气动力模型做了对比实验分析。最后,本文采用Anaconda以及PyQt开发了一个气动数据处理软件。气动数据处理软件由野值处理模块、低通数字滤波模块、数据整合模块和气动力辨识模块组成。野值处理模块主要完成测量过程中出现的不合理数据,将其剔除,并补上合理的值;低通数字滤波模块主要是滤除不合理的高频成分;数据整合模块主要由数据的组合、组合后数据文件的输出、数据的图形化显示三部分组成;气动力辨识模块是将本文完成的神经网络模型的参数提取出来加载到软件中,使得此软件可以用于飞行器的在线气动参数辨识。