基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法

1.基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法,属于飞行器辨识建模领域，其特征在于，含有：频域响应、搜索辨识和时域验证3个阶段，其中：
频域响应阶段用于获取飞行器的辨识实验数据，以作为模型辨识的原始实验数据，包含扫频飞行实验、时域数据采集、频域变换和数据有效性检验4个步骤，其处理流程为：通过扫频飞行实验，使飞行器在扫频信号激励下的做出动态响应；经过时域数据采集，得到飞行器扫频指令信号和动态响应的时域实验数据；经过频域变换，将时域数据转化为频域响
2
应数据；在数据有效性检验步骤，通过检验频域响应数据相关度γ 以判断其有效性，从而
2 2
决定是否可用于下一步的模型辨识；相关度γ 的检验标准是：如满足γ ＞0.6则辨识数据有效，可以开始搜索辨识阶段的工作，反之数据无效，应重新进行扫频飞行实验；
搜索辨识阶段利用模态分割和遗传算法，逐一试探并辨识飞行器所有可能的模型结构，包含阶次初始化、模态分割模型、遗传算法辨识和均值结果记录4个步骤，其处理流程为：通过阶次初始化，设定该飞行器模型的阶次范围，以确定遗传算法的搜索范围；在模态分割模型步骤，根据当前运算的模型阶次，生成一个适于遗传算法的模态分割模型；在遗传算法辨识步骤，利用遗传算法对当前的模态分割模型进行辨识，使之能最大程度地逼近频域响应数据；为避免遗传算法随机性的影响，可以利用遗传算法对每个模型结构进行多次重复辨识，并以平均值作为代价函数的结果；在每次遗传算法辨识结束之后，将辨识得到的模型以及代价函数记录下来，以用于下一阶段的寻优；当对所有阶次组合完成遍历辨识之后，将转入时域验证阶段的工作；
时域验证阶段用于确定与飞行器原始动力学数据最接近的模型，并对其进行验证，包含：辨识结果寻优、最优模型确定、双脉冲实验和模型验证4个步骤，其处理流程为：通过辨识结果寻优，找到最小的代价函数；在最优模型确定步骤，将最小代价函数对应的模型确定为最优模型；在双脉冲实验步骤，得到飞行器双脉冲实验的时域数据；在模型验证阶段，利用双脉冲实验的时域数据对最优模型进行验证；如果最优模型与双脉冲实验数据的吻合度在设定值之上，则可认为已获得足够精确的飞行器模型；反之，应重新进行全部辨识建模过程。

基于模态分割和遗传算法的飞行器不定阶次参数模型辨识\n方法\n技术领域\n[0001] 本发明是用于对飞行器尤其是直升机进行动力学建模的辨识方法，能够高精度地辨识得到动力学模型。主要应用在飞行器辨识建模和控制等技术领域。\n背景技术\n[0002] 飞行器的动力学模型是飞行控制的前提。只有获得精确的动力学模型，才能获得优良的飞行控制效果。反之，如果没有精确的动力学模型精度，很多先进的飞行控制算法甚至无法得以实现。\n[0003] 传统的飞行器建模方法主要有3种，风洞建模、机理建模和辨识建模。而对于飞行器尤其是直升机而言，其结构、流场和飞行原理甚为复杂。采用风洞建模和机理建模很难精确量化其表面紊乱的流场和内部复杂的动力及操纵机构。因此，近年来开始采用辨识建模方法，根据真实的飞行实验数据对飞行器进行建模。在诸多辨识建模方法中，以美国陆军与NASA(National Aeronautics and Space Administration)联合开发的飞行建模工具软件(Comprehensive Identification from Frequency Responses)为典型，其代表了当今飞行器尤其是直升机辨识建模的最高水平。然而，飞行器尤其是直升机的辨识建模技术属于尖端科技，西方国家对我国实行高度的技术封锁。因此，有必要依靠自身力量开展飞行器尤其是直升机建模技术的研究。\n[0004] 传统的辨识建模方法有两个关键的步骤，其一是确定飞行器模型的阶次，其二是对确定阶次的模型进行辨识建模。而通过这两个步骤进行辨识建模，分别存在如下弊端。\n[0005] 步骤一，确定飞行器模型的阶次。传统的阶次确定方法是机理分析或经验数据。由于飞行器尤其是直升机的结构、控制和流场复杂，传统的机理分析和经验数据很难精确地确定模型阶次。而模型阶次的准确与否对辨识结果的影响甚大。\n[0006] 步骤二，对确定阶次的模型进行辨识建模。传统的辨识建模方法多采用最小二乘、Levy和数值优化等方法，对飞行器动力学模型的常规形式(如多项式传递函数、零极点传递函数、状态空间模型等)直接进行建模。由于飞行器尤其是直升机所具有的高阶模型特点，所以同时、高精度地对高阶次模型的诸多参数进行辨识是非常困难的。模型阶次越高，则辨识精度越难以保证。因此，目前的辨识建模方法需要在模型阶次和模型精度之间进行折衷。此外，传统辨识方法所使用的最小二乘、Levy和数值优化等方法也难以对飞行器动力学定阶次模型进行多参数、多范围、高精度地建模。综合以上因素，传统辨识方法(包括)对飞行器尤其是直升机动力学的建模精度有限。\n[0007] 与传统的方法相比，本发明回避了上述两个关键步骤，而是完全依赖飞行器实验数据，并利用搜索辨识的策略，获得模型的结构和全部参数。搜索辨识策略的原理是：首先将模型所有可能的阶次组合逐一转化为模态分割模型，并利用计算机自动地对模态分割模型逐一辨识；随后，在所有辨识结果中寻找代价函数最小的模态分割模型，从而找到与飞行器动力学响应数据最为接近的模型，即辨识得到飞行器的动力学模型；最后，利用时域验证手段对辨识得到的最优模型进行检验，以保证其有效性。\n[0008] 经过以上步骤的处理，本发明可以获取飞行器尤其是直升机的高精度动力学模型。\n[0009] 本发明的显著优势是提高了飞行动力学模型辨识的精度，而无需在辨识之前进行复杂繁琐而精度不足的机理建模分析和模型阶次预估。本发明高精度的建模主要原因是：\n利用计算机自动搜索辨识飞行器所有可能的模型结构，从而辨识得到与飞行器动力学响应数据最为接近的模型，并且不受模型阶次推导精度和模型阶数的制约。\n[0010] 经过理论分析和大量的飞行实验验证，本发明的建模精度远高于目前最权威的飞行建模工具软件 此外，本发明还有概念清晰、操作简单、易于实现和便于飞行控制设计的优点。使用本发明提出的飞行器尤其是直升机动力学模型辨识方法，可以有效缩短飞行器尤其是直升机的飞行控制系统设计周期，并显著改善其飞行控制效果。因此，本发明可以加快新型号的研制或老型号的改进，以及系列化、通用化、工程化的进度，缩短与世界强国的差距。\n发明内容\n[0011] 本发明的目的在于提供一种可以高精度获取飞行器尤其是直升机参数模型的辨识方法。\n[0012] 本发明的特征在于，含有：频域响应、搜索辨识和时域验证3个阶段，其中：\n[0013] 频域响应阶段用于获取飞行器的辨识实验数据，以作为模型辨识的原始实验数据，包含扫频飞行实验、时域数据采集、频域变换和数据有效性检验4个步骤，其处理流程为：通过扫频飞行实验，使飞行器在扫频信号激励下的做出动态响应；经过时域数据采集，得到飞行器扫频指令信号和动态响应的时域实验数据；经过频域变换，将时域数据转化为\n2\n频域响应数据；在数据有效性检验步骤，通过检验频域响应数据相关度γ 以判断其有效\n2 2\n性，从而决定是否可用于下一步的模型辨识；相关度γ 的检验标准是：如满足γ ＞0.6则辨识数据有效，可以开始搜索辨识阶段的工作，反之数据无效，应重新进行扫频飞行实验；；\n[0014] 搜索辨识阶段利用模态分割和遗传算法，逐一试探并辨识飞行器所有可能的模型结构，包含阶次初始化、模态分割模型、遗传算法辨识和均值结果记录4个步骤，其处理流程为：通过阶次初始化，设定该飞行器模型的阶次范围，以确定遗传算法的搜索范围；在模态分割模型步骤，根据当前运算的模型阶次，生成一个适于遗传算法的模态分割模型；在遗传算法辨识步骤，利用遗传算法对当前的模态分割模型进行辨识，使之能最大程度地逼近频域响应数据；为避免遗传算法随机性的影响，可以利用遗传算法对每个模型进行多次重复辨识，并以平均值作为代价函数的结果；在每次遗传算法辨识结束之后，将辨识得到的模型以及代价函数记录下来，以用于下一阶段的寻优；当对所有阶次组合完成遍历辨识之后，将转入时域验证阶段的工作；\n[0015] 时域验证阶段用于确定与飞行器原始动力学数据最接近的模型，并对其进行验证，包含：辨识结果寻优、最优模型确定、双脉冲实验和模型验证4个步骤，其处理流程为：\n通过辨识结果寻优，找到最小的代价函数；在最优模型确定步骤，将最小代价函数对应的模型确定为最优模型；在双脉冲实验步骤，得到飞行器双脉冲实验的时域数据；在模型验证阶段，利用双脉冲实验的时域数据对最优模型进行验证；如果最优模型与双脉冲实验数据的吻合度在设定值之上，则认为得到了满意的飞行器模型；反之，应重新进行辨识建模过程；\n[0016] 与传统的方法相比，本发明回避了上述两个关键步骤，而是完全通过飞行器实验数据辨识得到模型的结构和全部参数，其中：本发明通过采用搜索辨识的策略，首先将模型所有可能的阶次组合逐一转化为模态分割模型，并利用计算机自动地对模态分割模型逐一辨识；随后，在所有辨识结果中寻找代价函数最小的模态分割模型，从而找到与飞行器动力学响应数据最为接近的模型，即辨识得到飞行器的动力学模型；最后，利用时域验证手段对辨识得到的最优模型进行检验，以保证其有效性；\n[0017] 经过以上步骤的处理，本发明可以获取飞行器尤其是直升机的高精度动力学模型；\n[0018] 本发明的显著优势是提高了飞行动力学模型辨识的精度，而无需在辨识之前进行复杂繁琐而精度不足的机理建模分析和模型阶次预估；本发明高精度建模主要原因是：利用计算机自动搜索辨识飞行器所有可能的模型结构，从而辨识得到与飞行器动力学响应数据最为接近的模型，并且不受模型阶次推导精度和模型阶数的制约；\n[0019] 经过理论分析和大量的飞行实验验证，本发明的建模精度远高于目前最权威的飞行建模工具软件 ；此外本发明还有概念清晰、操作简单、易于实现和便于飞行控制设计的优点；使用本发明提出的飞行器尤其是直升机动力学模型辨识方法，可以有效缩短飞行器尤其是直升机的飞行控制系统设计周期，并显著改善其飞行控制效果；因此，本发明可以加快新型号的研制或老型号的改进，以及系列化、通用化、工程化的进度，缩短与世界强国的差距。\n附图说明\n[0020] 图1是基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法的流程图。\n图1中通过频域响应得到飞行器的频域响应数据，通过搜索辨识试探所有可能的模型结构，并在时域验证阶段确定并检验最优的动力学模型。\n具体实施方式\n[0021] 基于模态分割和遗传算法的飞行器不定阶次参数模型辨识方法由频域响应、搜索辨识和时域验证3个阶段组成。\n[0022] 频域响应阶段用于获取飞行器的辨识实验数据，以作为模型辨识的原始实验数据，包含扫频飞行实验、时域数据采集、频域变换和数据有效性检验4个步骤，其处理流程为：通过扫频飞行实验，使飞行器在扫频信号激励下的做出动态响应；经过时域数据采集，得到飞行器扫频指令信号和动态响应的时域实验数据；经过频域变换，将时域数据转化为\n2\n频域响应数据；在数据有效性检验步骤，通过检验频域响应数据相关度γ 以判断其有效\n2 2\n性，从而决定是否可用于下一步的模型辨识；相关度γ 的检验标准是：如满足γ ＞0.6则辨识数据有效，可以开始搜索辨识阶段的工作，反之数据无效，应重新进行扫频飞行实验；；\n[0023] 搜索辨识阶段利用模态分割和遗传算法，逐一试探并辨识飞行器所有可能的模型结构，包含阶次初始化、模态分割模型、遗传算法辨识和均值结果记录4个步骤，其处理流程为：通过阶次初始化，设定该飞行器模型的阶次范围，以确定遗传算法的搜索范围；在模态分割模型步骤，根据当前运算的模型阶次，生成一个适于遗传算法的模态分割模型；在遗传算法辨识步骤，利用遗传算法对当前的模态分割模型进行辨识，使之能最大程度地逼近频域响应数据；为避免遗传算法随机性的影响，可以利用遗传算法对每个模型进行多次(如20次)重复辨识，并以平均值作为代价函数的结果；在每次遗传算法辨识结束之后，将辨识得到的模型以及代价函数记录下来，以用于下一阶段的寻优；当对所有阶次组合完成遍历辨识之后，将转入时域验证阶段的工作；\n[0024] 时域验证阶段用于确定与飞行器原始动力学数据最接近的模型，并对其进行验证，包含：辨识结果寻优、最优模型确定、双脉冲实验和模型验证4个步骤，其处理流程为：\n通过辨识结果寻优，找到最小的代价函数；在最优模型确定步骤，将最小代价函数对应的模型确定为最优模型；在双脉冲实验步骤，得到飞行器双脉冲实验的时域数据；在模型验证阶段，利用双脉冲实验的时域数据对最优模型进行验证；如果最优模型与双脉冲实验数据的吻合度在设定值(例如80％)之上，则认为得到了满意的飞行器模型；反之，应重新进行辨识建模过程。\n[0025] 本发明提出辨识建模过程无需繁琐的机理分析(如阶次确定、参数测量等)过程。\n只需经过以上三个阶段的逐步处理，即可获得飞行器尤其是直升机的高精度动力学模型。\n[0026] 与传统的方法相比，本发明回避了上述两个关键步骤，而是完全通过飞行实验数据辨识得到模型的结构和全部参数，从而确定飞行器的动力学模型。本发明通过采用搜索辨识的策略，首先将模型所有可能的阶次组合逐一转化为模态分割模型，并以此为对象逐一辨识；随后，在所有辨识结果中寻找代价函数最小的模态分割模型，从而找到与飞行器动力学响应数据最为接近的模型，即辨识得到飞行器的动力学模型；最后，利用时域验证手段对辨识得到的最优模型进行检验，以保证其有效性。