史志偉,王崢華,李俊成
(南京航空航天大學(xué) 航空宇航學(xué)院,江蘇 南京210016)
傳統(tǒng)的氣動力建模方法是根據(jù)物理機(jī)理分析、實驗觀測等來建立氣動力與飛行狀態(tài)之間的數(shù)學(xué)關(guān)系式,如代數(shù)模型、階躍響應(yīng)模型、狀態(tài)空間模型、微分方程模型等。這些方法對線性系統(tǒng)的描述已經(jīng)非常準(zhǔn)確有效,而對于非線性系統(tǒng)則有局限性。隨著人工智能技術(shù)的發(fā)展,模糊邏輯與神經(jīng)網(wǎng)絡(luò)方法在非線性非定常氣動建模中得到了一定應(yīng)用,它將氣動力的建立過程看作“黑箱”或“灰箱”問題,“黑箱”模型本身作為系統(tǒng)的一種模型,不需要建立有明確表達(dá)式的數(shù)學(xué)模型。這樣建立的模型具有強(qiáng)大的自學(xué)習(xí)功能,能夠?qū)W習(xí)適應(yīng)不確定性系統(tǒng)的動態(tài)特性。由于所有定量或定性的信息都分布儲存于網(wǎng)絡(luò)內(nèi),所以有很強(qiáng)的魯棒性和容錯性[1-3]。
本文依據(jù)南航NH-2風(fēng)洞中某飛機(jī)模型大迎角大振幅單自由度偏航、滾轉(zhuǎn)及偏航-滾轉(zhuǎn)耦合的諧波、階躍運(yùn)動實驗數(shù)據(jù),采用徑向基神經(jīng)網(wǎng)絡(luò),利用其能夠充分逼近任意復(fù)雜的非線性映射的能力,通過調(diào)整網(wǎng)絡(luò)內(nèi)部連接權(quán)值和閥值,使網(wǎng)絡(luò)輸出逼近實際系統(tǒng)的輸出,以此來研究人工神經(jīng)網(wǎng)絡(luò)描述非線性非定常氣動力特性的能力。
RBF神經(jīng)網(wǎng)絡(luò)是一種前向神經(jīng)網(wǎng)絡(luò),它能夠以任意精度逼近任意連續(xù)函數(shù),且具有逼近精度高、網(wǎng)絡(luò)規(guī)模小、泛化能力好學(xué)習(xí)速度快和不存在局部最小問題等特點(diǎn),已經(jīng)廣泛用于系統(tǒng)參數(shù)辨識。
RBF網(wǎng)絡(luò)一般為3層結(jié)構(gòu),如圖1所示。第一層為輸入層;第二層為隱含層(徑向基層),隱含層具有徑向基函數(shù)--通常取高斯型指數(shù)函數(shù),隱層神經(jīng)元個數(shù)根據(jù)檢查目標(biāo)誤差自動增加節(jié)點(diǎn),重復(fù)此過程直到達(dá)到目標(biāo)誤差或達(dá)到最大神經(jīng)元數(shù)為止;第三層為輸出層,具有線性激活函數(shù)[4]。
RBF網(wǎng)絡(luò)輸入與第k個輸出的關(guān)系可表示為:
式中,wki為第i個基函數(shù)與第k個輸出節(jié)點(diǎn)的可調(diào)連接權(quán)值;φi為第i個隱含層的激活函數(shù),也即徑向基函數(shù);m為隱含層的節(jié)點(diǎn)數(shù)。構(gòu)造和訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)就是要使它通過學(xué)習(xí),確定出每個隱層神經(jīng)元基函數(shù)的中心ci、基函數(shù)的擴(kuò)展常數(shù)(Spread)或?qū)挾圈襥以及隱層到輸出層的連接權(quán)值wki這些參數(shù)的過程,從而建立所研究系統(tǒng)的輸入到輸出的映射。
圖1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 The structure of RBFNN
可以看出,RBF網(wǎng)絡(luò)的基本思想是:用RBF(徑向基函數(shù))作為隱單元的“基”構(gòu)成隱含層空間,這樣就可以將輸入矢量直接(即不需要通過權(quán)值連接)映射到隱空間。當(dāng)RBF的中心點(diǎn)確定以后,這種映射關(guān)系也就確定了。而隱含層空間到輸出空間的映射是線性的,即網(wǎng)絡(luò)的輸出是隱單元輸出此處的對可調(diào)參數(shù)的線性加權(quán)和。所以,從總體上看,網(wǎng)絡(luò)由輸入到輸出的映射是非線性的,而網(wǎng)絡(luò)輸出對可調(diào)參數(shù)而言卻又是線性的。這樣網(wǎng)絡(luò)的權(quán)值就可由線性方程直接解出,從而大大加快學(xué)習(xí)速度并避免局部極小問題。
本文實驗在南京航空航天大學(xué)NH-2低速風(fēng)洞中進(jìn)行。圖2為動態(tài)試驗臺結(jié)構(gòu),系統(tǒng)由模型支撐機(jī)構(gòu)、振蕩驅(qū)動機(jī)構(gòu)、運(yùn)動控制機(jī)構(gòu)和數(shù)據(jù)采集處理系統(tǒng)組成。支撐機(jī)構(gòu)運(yùn)動的規(guī)律由計算機(jī)通過液壓傳動機(jī)構(gòu)來控制,因此,其運(yùn)動可按所需的任意規(guī)律變化。圖中角度編碼器③和⑧可分別測量模型運(yùn)動的偏航角ψ和滾轉(zhuǎn)角φ。實驗時,模型繞飛機(jī)體軸X和Y軸同時轉(zhuǎn)動,偏航角與滾轉(zhuǎn)角的運(yùn)動規(guī)律分別為:ψ=ψ0+ψmcos2πft;φ=φ0+φmcos2πft。當(dāng)支撐迎角為θ時,對兩系統(tǒng)協(xié)調(diào)控制偏航、滾轉(zhuǎn)角速度滿足tanθ=wy/wx=,可以實現(xiàn)模型繞速度軸的偏航滾轉(zhuǎn)耦合運(yùn)動,并保證耦合運(yùn)動時其兩個單自由度的縮減頻率相等,與實際飛行情況一致。
由角度編碼器測得的模型偏航和滾轉(zhuǎn)運(yùn)動角度ψ和φ,經(jīng)過角度轉(zhuǎn)換可得到模型的迎角和側(cè)滑角[5]。
圖3所示為模型支撐機(jī)構(gòu)和飛機(jī)模型照片。實驗時模型采用尾支撐,并保證模型重心、天平校心、模型旋轉(zhuǎn)中心三心重合。
圖2 動態(tài)實驗臺示意圖Fig.2 The chart of test apparatus
圖3 動態(tài)實驗臺和模型照片F(xiàn)ig.3 The photo of test apparatus and model
數(shù)據(jù)采集通過一桿式六分量應(yīng)變天平來實現(xiàn)。由于測量數(shù)據(jù)是在模型作快速往返運(yùn)動情況下采集得到的,大迎角氣流分離引起的流動不重復(fù)性,以及模型作高頻擺動時的慣性力和氣流分離后非定常渦流引起的結(jié)構(gòu)振動的影響,造成測量數(shù)據(jù)離散性很大,乃至有用的信號淹沒在背景噪聲之中,而無法獲得準(zhǔn)確的測量結(jié)果。因此,除了數(shù)據(jù)采集時采用10Hz低通濾波器外,另外設(shè)計了數(shù)字濾波軟件,以減少實驗數(shù)據(jù)的觀測噪聲。
神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)來自于飛機(jī)模型支撐迎角為40°時,不同強(qiáng)迫振蕩頻率下的大振幅靜態(tài)、動態(tài)實驗數(shù)據(jù)。實驗風(fēng)速V=25m/s,模型展長l=0.75m。模型的動態(tài)實驗頻率分別是0.1Hz~0.7Hz,對應(yīng)的縮減頻率k=2πf·l/V分別為0.019、0.038、0.057、0.075、0.094、0.113、0.132。其中部分頻率下的數(shù)據(jù)沒有用于模型訓(xùn)練,而是作為模型的驗證數(shù)據(jù)。
在數(shù)據(jù)處理上,訓(xùn)練樣本數(shù)據(jù)輸入變量進(jìn)行歸一化處理作為RBF神經(jīng)網(wǎng)絡(luò)的輸入,這樣有利于加快神經(jīng)網(wǎng)絡(luò)的收斂速度。此外,通過程序選擇出較優(yōu)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的擴(kuò)展常數(shù)值,有助網(wǎng)絡(luò)的擬合和泛化。
以橫航向運(yùn)動的滾轉(zhuǎn)力矩系數(shù)(偏航力矩系數(shù))為例,建模輸入變量采用機(jī)構(gòu)運(yùn)動時的偏航角ψ、滾轉(zhuǎn)角φ、縮減頻率k、模型支撐迎角α。具體各模型變量的形式如下:單自由度偏航運(yùn)動的偏航力矩系數(shù)My=f(α,ψ,k);單自由度滾轉(zhuǎn)運(yùn)動的滾轉(zhuǎn)力矩系數(shù)Mx=f(α,φ,˙φ,k);偏航滾轉(zhuǎn)耦合運(yùn)動Mx,y=f(α,ψ,φ,˙φ,k)。
圖4、圖5為單獨(dú)偏航運(yùn)動情況下,所建立模型的預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的對比。圖6、圖7為單獨(dú)滾轉(zhuǎn)運(yùn)動情況下,所建立模型的預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的對比。圖8、圖9為偏航滾轉(zhuǎn)耦合運(yùn)動情況下,所建立模型的預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的對比。
圖4 單獨(dú)偏航運(yùn)動的模型預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)的比較(f=0.3Hz)Fig.4 Comparison of teaching data and simulation results of yawing unsteady model(f=0.3Hz)
圖5 單獨(dú)偏航運(yùn)動的模型預(yù)測結(jié)果與驗證數(shù)據(jù)的比較(f=0.5Hz)Fig.5 Comparison of validating data and simulation results of yawing unsteady model(f=0.5Hz)
圖6 單獨(dú)滾轉(zhuǎn)運(yùn)動的模型預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)的比較(f=0.3Hz)Fig.6 Comparison of teaching data and simulation results of rolling unsteady model(f=0.3Hz)
圖7 單獨(dú)滾轉(zhuǎn)運(yùn)動的模型預(yù)測結(jié)果與驗證數(shù)據(jù)的比較(f=0.5Hz)Fig.7 Comparison of validating data and simulation results of rolling unsteady model(f=0.5Hz)
從仿真結(jié)果來看,利用訓(xùn)練樣本數(shù)據(jù)建立的RBF神經(jīng)網(wǎng)絡(luò)模型,其仿真計算得到的Mx、My力矩系數(shù)與訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)幾乎重合,證明了RBF神經(jīng)網(wǎng)絡(luò)對非線性氣動力很強(qiáng)的逼近能力。由于驗證數(shù)據(jù)與所建立的模型預(yù)測結(jié)果符合的很好,因此某些中間頻率的實驗值能用其他實驗數(shù)據(jù)建立的模型計算結(jié)果來替代。這也就是說用神經(jīng)網(wǎng)絡(luò)方法建立模型所需風(fēng)洞實驗次數(shù)可以減少,因此可以減少風(fēng)洞實驗的時間和成本。
圖8 偏航滾轉(zhuǎn)耦合運(yùn)動的模型預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)的比較(f=0.5Hz)Fig.8 Comparison of teaching data and simulation results of yawing-rolling unsteady model(f=0.5Hz)
圖9 偏航滾轉(zhuǎn)耦合運(yùn)動的模型預(yù)測結(jié)果與驗證數(shù)據(jù)的比較(f=0.3Hz)Fig.9 Comparison of validating data and simulation results of yawing-rolling unsteady model(f=0.3Hz)
利用前面單獨(dú)建立的不同運(yùn)動情況下的氣動力模型,可以進(jìn)一步仿真計算模型階躍運(yùn)動時的氣動力特性,從而進(jìn)一步檢驗所建立模型的適應(yīng)性和實用性。
由于氣動模型中輸入變量k是指諧波運(yùn)動的縮減頻率,但階躍運(yùn)動中并不存在實際的縮減頻率k,因此在仿真計算過程中需要給出一等效的縮減頻率。等效縮減頻率的計算如下[6]:
其中ω和其他參數(shù)最小化目標(biāo)函數(shù)來計算得到。
n為假定的計算采用的一個數(shù)據(jù)長度。圖10給出偏航滾轉(zhuǎn)耦合運(yùn)動時計算得到的等效縮減頻率。
圖10 偏航滾轉(zhuǎn)耦合階躍運(yùn)動的等效縮減頻率Fig.10 Curves of the equivalent reduced frequency of yawing-rolling ramp motion
利用單獨(dú)建立的不同運(yùn)動情況下的徑向基神經(jīng)網(wǎng)絡(luò)模型,仿真計算階躍運(yùn)動時的氣動力數(shù)據(jù),并與階躍運(yùn)動的實驗數(shù)據(jù)進(jìn)行比較,結(jié)果見圖11-圖13。
計算結(jié)果表明,仿真的結(jié)果能夠較好地擬合實驗數(shù)據(jù),尤其階躍上升段和下降段擬合得較好,運(yùn)動的變化趨勢也能模擬出來。但是在中間運(yùn)動停止階段擬合的精度不是很高,出現(xiàn)了“平臺”,這是因為在仿真計算中的等效縮減頻率k均為0而導(dǎo)致的。而實際運(yùn)動過程中由于受到非定常氣動力遲滯效應(yīng)的影響,這里的數(shù)據(jù)有一些變化??傮w而言,階躍運(yùn)動驗證了RBF網(wǎng)絡(luò)模型的準(zhǔn)確性和適用性,用它來進(jìn)行非線性非定常氣動力建模還是可行的。
圖11 單獨(dú)偏航階躍運(yùn)動My的預(yù)測結(jié)果與實驗結(jié)果比較Fig.11 Comparison of test data and simulation results of yawing ramp motion
圖12 單獨(dú)滾轉(zhuǎn)階躍運(yùn)動Mx的預(yù)測結(jié)果與實驗結(jié)果的比較Fig.12 Comparison of test data and simulation results of rolling ramp motion
圖13 偏航-滾轉(zhuǎn)耦合階躍運(yùn)動Mx、My的預(yù)測結(jié)果與實驗結(jié)果的比較Fig.13 Comparison of test data and simulation results of yawing-rolling ramp motion
本文討論了非線性非定常氣動力的徑向基神經(jīng)網(wǎng)絡(luò)建模方法,利用飛機(jī)大迎角大振幅運(yùn)動的單獨(dú)俯仰、單獨(dú)偏航、單獨(dú)滾轉(zhuǎn)和偏航-滾轉(zhuǎn)耦合諧波運(yùn)動實驗數(shù)據(jù)驗證了模型的有效性。說明利用徑向基神經(jīng)網(wǎng)絡(luò)模型可以有效地對一些高度非線性的氣動力問題進(jìn)行建模;并且用神經(jīng)網(wǎng)絡(luò)方法建立模型可以減少風(fēng)洞實驗次數(shù),從而減少風(fēng)洞實驗時間、降低成本。通過建立單偏、單滾及耦合運(yùn)動的綜合模型用于階躍運(yùn)動的仿真,結(jié)果表現(xiàn)出了較好的逼近能力,進(jìn)一步驗證了RBF神經(jīng)網(wǎng)絡(luò)模型的實用性和適應(yīng)性,說明徑向基神經(jīng)網(wǎng)絡(luò)在處理多變量、非線性、非定常氣動力問題時是一種有效的方法。
[1]LINSE D J,STENGEL R F.Identification of aerodynamic coefficients using computational neural networks[R].AIAA paper 92-0172,1992.
[2]JAME E S,KAMRAN ROKHSAZ.Some applications of ANN in modeling of nonlinear aerodynamics[R].AIAA 97-0338,1997.
[3]龔正,沈宏良.非定常氣動力的結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)建模方法[J].飛行力學(xué),2007,25(4):13-16.
[4]叢爽.神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].中國科學(xué)技術(shù)大學(xué)出版社,合肥,2009.
[5]黃達(dá),吳根興.飛機(jī)偏航-滾轉(zhuǎn)耦合運(yùn)動非定??諝鈩恿嶒灒跩].南京航空航天大學(xué)學(xué)報,2005,37(4):408-411.
[6]WANG ZHONG-JUN,LAN C E.Unsteady aerodynamic effets on the flight characteristics of an F-16XL configuration[R].AIAA 2000-3910,2000.