固定翼飞机动力学模型的子空间辨识方法

上海交通大学学报（自然版） ›› 2016, Vol. 50 ›› Issue (04): 613-618.

固定翼飞机动力学模型的子空间辨识方法

齐晓慧1,王俭臣2

（1.军械工程学院无人机工程系，石家庄 050003；2.中国人民解放军驻西北工业大学军事代表室，西安 710065）

收稿日期:2015-05-06 出版日期:2016-04-28 发布日期:2016-04-28
基金资助:
武器装备预研基金重点项目（9140A27020211JB3402）资助

Subspace Model Identification Method for Flight Dynamics of FixedWing Airplane

QI Xiaohui1,WANG Jianchen2

(1. Department of Unmanned Plane Engineering, Ordnance Engineering College, Shijiazhuang, 050003 China; 2. Northwestern Polytechnical University Military Representative Bureau, Xi’an, 710065 China)

Received:2015-05-06 Online:2016-04-28 Published:2016-04-28

摘要/Abstract

摘要： 摘要：针对子空间模型辨识（SMI）方法这类线性模型辨识技术存在的建模误差，提出一种两阶段固定翼飞机飞行动力学模型辨识方法.首先采用基于辅助变量的闭环SMI方法辨识飞机的近似线性模型；然后，利用该模型构建扩张状态观测器，从而估计出系统中的非线性动态数据；在此基础上，进一步采用神经网络建立系统非线性动态的分散式模型.最后，利用B747飞机6自由度非线性模型进行系统辨识实验，所得结果验证了该方法的有效性.

关键词: 子空间模型辨识, 固定翼飞机, 辅助变量, 扩张状态观测器, 神经网络

Abstract: Abstract： Due to notable advantages of simplicity and high efficiency, the subspace model identification (SMI) method becomes an attractive modeling approach for flight dynamics of the airplane system. However, because of the nonlinearity in the airplane system, SMI based model identification approaches which are designed for linear systems always generate some modeling errors. To deal with this problem, a novel twostage system identification approach for flight dynamics of the fixedwing airplane system was proposed. An instrumental variable aided closedloop SMI was first adopted to obtain the approximate linear model of the airplane dynamics. Then, an extended state observer (ESO) able to estimate the nonlinear dynamics of the airplane system was constructed using the obtained linear model. Based on the estimates by the ESO, a group of neural networks were trained to identify the decentralized model of the system nonlinearity. Finally, the nonlinear, six degreeoffreedom (6DOF) model of a B747 airplane was applied to system identification test, and the results obtained verify the effectiveness of the proposed approach.

Key words: Key words： subspace model identification（SMI）, fixedwing airplane, instrumental variable, extended state observer（ESO）, neural network

中图分类号:

V 211
TP 13

齐晓慧1,王俭臣2. 固定翼飞机动力学模型的子空间辨识方法[J]. 上海交通大学学报（自然版）, 2016, 50(04): 613-618.

QI Xiaohui1,WANG Jianchen2. Subspace Model Identification Method for Flight Dynamics of FixedWing Airplane[J]. Journal of Shanghai Jiaotong University, 2016, 50(04): 613-618.

参考文献

［1］MCGRAIL A K. Onboard parameter identification for a small UAV［D］. West Virginia: West Virginia University, 2012. ［2］HATAMLEH K S. Development of UAV model parameters estimation methodology and a unique IMU［D］. New Mexico: New Mexico State University, 2010. ［3］DOROBANTU A, MURCH A, METTLER B, et al. System identification for small, lowcost, fixedwing unmanned aircraft［J］. Journal of Aircraft, 2013, 50(4): 1117. ［4］WANG Q, WU K, ZHANG T, et al. Aerodynamic modeling and parameter estimation from QAR data of an airplane approaching a highaltitude airport［J］. Chinese Journal of Aeronautics, 2012, 25(3): 361371. ［5］杨帆, 熊笑, 陈宗基, 等. 超小型直升机动力学模型的建模、辨识与验证［J］. 北京航空航天大学学报, 2010, 36(8): 913917. YANG Fan, XIONG Xiao, CHEN Zongji, et al. Modeling, system identification and validation of small rotorcraft based unmanned aerial vehicle［J］. Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(8):913917. ［6］吴伟，陈仁良. 直升机纵、横向耦合动力学模型的参数辨识方法研究［J］. 振动工程学报, 2009, 22(3): 232236. WU Wei, CHEN Renliang. Identification method of longitudinal and lateral coupled dynamic model for helicopter［J］. Journal of Vibration Engineering, 2009, 22(3): 232236. ［7］宋彦国, 孙涛. 旋翼飞行器飞行动力学系统辨识建模算法［J］. 南京航空航天大学学报, 2011, 43(3): 387392. SONG Yanguo, SUN Tao. System identification modeling of rotorcraft flight mechanics［J］. Journal of Nanjing University of Aeronautics and Astronautics, 2011, 43(3): 387392. ［8］邵明强, 李广文, 徐恒. 基于子空间和PEM的无人直升机两阶段参数辨识［J］. 飞行力学, 2013, 31(4): 367371. SHAO Mingqiang，LI Guangwen，XU Heng. Twostage parameters identification method of unmanned helicopter based on subspace and PEM［J］. Flight Dynamics, 2013, 31(4): 367371. ［9］HUANG B, DING X S, QIN S J. Closedloop subspace identification: an orthogonal projection approach［J］. Journal of Process Control, 2005, 15(1): 5366. ［10］李幼凤. 闭环子空间辨识方法及其应用［D］. 杭州: 浙江大学信息科学与工程学院, 2010. ［11］FIKRET C, RAHMI A, CHINGIZ H. Aircraft icing detection, identification, and reconfigurable control based on Kalman filtering and neural networks［J］. ASCE Journal of Aerospace Engineering, 2008, 21(2): 5160. ［12］PARK W, LEE S M, LEE S H. Designing similarity measurement with distance measure and application on laterally directional mode flight test［J］. Journal of Central South University, 2012, 19(4): 10321039. ［13］韩京清. 一类不确定对象的扩张状态观测器［J］. 控制与决策, 1995, 10(1): 8588. HAN Jingqing. The “extended state observer” of a class of uncertain systems［J］. Control and Decision, 1995, 10(1): 8588.

编辑推荐 0

Metrics

阅读次数

全文

172

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	4	0	168

来源	本网站	其他网站

次数	28	144
比例	16%	84%

摘要

966

最新录用	在线预览	正式出版

68	0	898

来源	本网站	其他网站

次数	425	541
比例	44%	56%

[1]	曾国治, 魏子清, 岳宝, 丁云霄, 郑春元, 翟晓强. 基于CNN-RNN组合模型的办公建筑能耗预测[J]. 上海交通大学学报, 2022, 56(9): 1256-1261.
[2]	吴庶宸, 戚宗锋, 李建勋. 基于深度学习的智能全局灵敏度分析[J]. 上海交通大学学报, 2022, 56(7): 840-849.
[3]	全大英, 陈赟, 唐泽雨, 李世通, 汪晓锋, 金小萍. 基于双通道卷积神经网络的雷达信号识别[J]. 上海交通大学学报, 2022, 56(7): 877-885.
[4]	秦艺超, 黄礼敏, 王骁, 马学文, 段文洋, 郝伟. 基于人工神经网络的自航浮标测波方法可行性[J]. 上海交通大学学报, 2022, 56(4): 498-505.
[5]	赵勇, 苏丹. 基于4种长短时记忆神经网络组合模型的畸形波预报[J]. 上海交通大学学报, 2022, 56(4): 516-522.
[6]	吕硕, 张庆振, 郭云鹤, 丰硕. 基于反步滑模的偏转弹头导弹姿态控制[J]. 空天防御, 2022, 5(4): 30-37.
[7]	聂瑞, 王红茹. 基于神经网络观测器的无人机编队执行器故障诊断[J]. 空天防御, 2022, 5(2): 32-41.
[8]	丁明, 孟帅, 王书恒, 夏玺. 六自由度波浪补偿平台的神经网络自适应反馈线性化控制[J]. 上海交通大学学报, 2022, 56(2): 165-172.
[9]	刘秀丽, 徐小力. 基于特征金字塔卷积循环神经网络的故障诊断方法[J]. 上海交通大学学报, 2022, 56(2): 182-190.
[10]	王卓鑫, 赵海涛, 谢月涵, 任翰韬, 袁明清, 张博明, 陈吉安. 反向传播神经网络联合遗传算法对复合材料模量的预测[J]. 上海交通大学学报, 2022, 56(10): 1341-1348.
[11]	郑德重, 杨媛媛, 黄浩哲, 谢哲, 李文涛. 基于距离置信度分数的多模态融合分类网络[J]. 上海交通大学学报, 2022, 56(1): 89-100.
[12]	陶海红, 闫莹菲. 一种基于GA-CNN的网络化雷达节点遴选算法[J]. 空天防御, 2022, 5(1): 1-5.
[13]	戴少怀, 杨革文, 郁文, 吴向上. 基于RBF神经网络的雷达有源压制干扰识别[J]. 空天防御, 2022, 5(1): 102-107.
[14]	罗睿乔. 井下节流技术在南海东部高温气田的应用[J]. 海洋工程装备与技术, 2022, 9(1): 58-66.
[15]	许凌, 王兴志, 肖林朋. 基于语义特征抓取电网调度事件的检测技术[J]. 上海交通大学学报, 2021, 55(S2): 86-91.