《Aerospace Science and Technology》:A multi-scenario aerodynamic model extension and prediction framework for high-spin projectiles under partially unmeasurable conditions
编辑推荐:
•提出了一种适用于旋转弹丸的多场景气动模型扩展与预测框架。•TDE-SR方法能够从部分观测数据中实现精确的显式气动模型辨识。•EKF能够利用新观测到的飞行数据实现针对特定场景的气动模型更新。•通过场景-模型映射,气动模型可以推广至未见过的发射场景。引言空气动力学是影响高转速旋
- •
提出了一种适用于旋转弹丸的多场景气动模型扩展与预测框架。
- •
TDE-SR方法能够从部分观测数据中实现精确的显式气动模型辨识。
- •
EKF能够利用新观测到的飞行数据实现针对特定场景的气动模型更新。
- •
通过场景-模型映射,气动模型可以推广至未见过的发射场景。
引言
空气动力学是影响高转速旋转弹丸弹道和飞行稳定性的主要因素[1,2]。在飞行过程中,快速自转和不断变化的飞行状态导致非定常气动特性,而发射场景的变化则使气动特性表现出强烈的场景依赖性。准确的气动模型辨识对于可靠的弹道预测和稳定性分析至关重要。然而,飞行试验通常面临不完整的状态测量问题[[3], [4], [5]],且依赖于预设的模型结构,单场景辨识模型的泛化能力有限。这些局限性促使人们寻求新的气动参数辨识方法,使其能够在部分观测条件下以及显著的多场景气动变化情况下依然有效。
现有的气动参数辨识方法大致可分为模型驱动方法和数据驱动方法。模型驱动方法主要包括最小二乘法(LS)[6]、卡尔曼滤波[7,8]和最大似然估计(MLE)方法[9]。Hu等人[10]采用递推最小二乘法在线辨识运载火箭的增量气动参数误差,提高了辨识精度。然而,该方法存在线性化截断误差,且对非线性系统的适应能力有限。针对存在测量噪声和未知飞行动力学的飞机俯仰运动,Bai等人[11]采用基于卡尔曼滤波的方法,将时变气动参数的辨识转化为状态估计问题,实现了有效的在线辨识。最大似然估计方法将参数辨识问题表述为似然函数优化问题[12],通常通过粒子群优化[13]求解。Tai等人[14]利用最大似然估计方法,通过风洞试验的虚拟飞行试验数据实现了气动参数的精确辨识。然而,传统最大似然估计方法对初始条件敏感,容易收敛到局部最优解,导致较大的辨识误差[15]。模型驱动方法通常需要预先指定气动模型结构。但对于气动特性具有强非线性的高转速旋转弹丸而言,线性或简单非线性模型不足以精确表征其气动特性。增加更多气动项可以提高拟合精度,但会降低模型的简洁性、可解释性和泛化能力。
为了辨识具有强非线性和非定常特性的气动参数,近年来直接从数据中提取非线性特征的数据驱动方法得到了广泛应用[[16], [17], [18]]。基于神经网络和响应面方法的数据驱动气动模型辨识已扩展到多条件代理建模与优化[19,20]、基于投影的快速气动预测降阶建模[21],以及最近基于生成模型的气动预测与设计[22]。Li等人[23]开发了一种大核卷积气动辨识模型,提高了风洞试验中的精度和鲁棒性。Ji等人[24]将深度神经网络与迁移学习相结合,实现了双旋弹丸在不同初始条件下气动特性的精确建模与预测,并将气动模型应用于弹道仿真。通过在数据驱动学习中引入飞行动力学方程,物理信息神经网络已被用于气动辨识[25]。数据驱动辨识方法具有较强的非线性映射能力,但需要大量样本,且其黑箱特性从根本上限制了模型的可解释性[26]。
除了神经网络等黑箱模型外,近年来利用机器学习构建白箱模型(如非线性动力学稀疏辨识SINDy[27]和符号回归SR[28,29])也成为热门研究课题。Laima等人[30]基于SINDy提出了一种自激气动方程的智能辨识方法,并将其应用于颤振气动方程的辨识。Ma等人[31]使用稀疏辨识方法发现运动与力之间的非线性映射关系,获得了兼具高精度和简洁函数形式的气弹力函数。符号回归[32,33]正成为一种有前景的机器学习方法,用于发现描述观测数据集中变量之间关系的数学表达式。Lin等人[34]提出了一种基于符号回归的可迁移标度函数学习方法,构建了跨越不同形状的全状态非线性气动数据库。Ding等人[35]结合特征提取与符号回归,建立了地面试验和飞行试验所获取的气动数据之间的相关性。Cao等人[36]将图神经网络与符号回归相结合,将隐式优化轨迹转化为显式解析方程,从而揭示了几何参数与气动效率之间的耦合关系,同时克服了传统数据驱动模型在可解释性方面的局限。
与传统模型驱动辨识方法不同,符号回归不需要预设模型结构,而是直接从数据中搜索简洁的代数表达式。尽管符号回归在气动辨识中展现了潜力,但其应用于高转速旋转弹丸仍面临挑战。一方面,飞行试验通常提供不完整的状态测量数据,使得仅靠测量变量难以表征潜在的气动动力学[37]。另一方面,气动特性会随工作条件、控制输入和复杂流动相互作用而发生显著变化[38,39],而发射条件和大气参数进一步引入了明显的场景依赖性,限制了单场景模型的泛化能力。虽然现有的气动辨识方法能够在预定的参数空间内实现高效的气动预测[[19], [20], [21]],但通常侧重于直接气动预测,而非显式气动模型在不同飞行场景下的自适应扩展。此外,提前预测未知发射场景下的气动模型,可以为弹道预测以及制导与控制系统设计提供更可靠的事先模型。因此,有必要开发一种气动建模框架,使其能够在不完整状态观测条件下辨识模型,并进一步将这些模型扩展到多个发射场景,从而实现在此前未见过的场景下的精确气动预测。
本研究通过融合时间延迟嵌入(TDE)[37]、符号回归、扩展卡尔曼滤波(EKF)和高斯过程回归(GPR),提出了一种适用于高转速旋转弹丸的多场景气动模型扩展与预测框架。TDE利用测量变量构建延迟坐标表示,符号回归辨识紧凑的模型结构及其初始参数。对于新的发射场景,EKF利用飞行观测数据更新模型参数,获得场景自适应的局部模型。最后,GPR将发射场景特征映射到气动模型参数,实现跨不同场景的气动预测。本文的主要贡献和创新工作如下:
- (1)
提出了一种多发射场景气动模型扩展与预测框架,能够更新局部气动模型并预测未见过的发射场景的模型参数,从而实现精确的气动预测。
- (2)
提出了一种基于TDE-SR的气动模型辨识方法,能够从不完整的状态观测数据中构建显式气动模型,从而减轻因不可测状态变量导致的建模精度损失。
本文结构安排如下:第2节详细阐述所提框架的流程及其底层方法。第3节将所提框架应用于某有翼高转速弹丸的多场景气动模型建立。第4节总结全文结论。
章节摘要
方法论
本节首先简要介绍所提框架的主要组成部分,包括用于气动辨识的符号回归(SR)、用于坐标重构的时间延迟嵌入(TDE)、用于模型更新的扩展卡尔曼滤波(EKF),以及用于将场景特征映射到模型参数的高斯过程回归(GPR)。随后,给出气动模型扩展与预测框架及其详细流程。
模型结构与初始参数的确定
本研究使用美国陆军研究实验室的有翼弹丸[44]验证所提框架的有效性和正确性。首先,利用耦合的CFD/RBD仿真方法[45]生成初始弹道数据;然后,利用这些数据确定气动模型结构及其初始参数。弹丸动力学模型见附录A,耦合CFD/RBD方法的验证见附录B。初始状态为
结论
本研究针对部分可观测状态条件下的高转速旋转弹丸,提出了一种多场景气动模型扩展与预测框架。通过对有翼弹丸的气动模型扩展与预测开展案例研究,评估了所提框架的建模精度、泛化能力以及在未见过的发射场景下的预测精度。本文的主要结论如下。
CRediT作者贡献声明
纪文:撰写–审阅与编辑,撰写–初稿,方法论,形式化分析。龚春林:撰写–审阅与编辑,监督,概念构思。李春娜:撰写–审阅与编辑,可视化,调查研究,资金获取。
纪文|龚春林|李春娜