论文部分内容阅读
近年来,飞行器性能不断提升,在军事侦察、监视、通信以及民用领域都有着十分广泛的应用,其研究工作得到国内外科研人员的广泛重视。飞行器在实际任务中要得到广泛应用就需要有更优秀的控制性能,为了实现这个目的,就需要研究如何进行有效的飞行器建模。本文针对无人作战需求下的F-16固定翼飞行器系统所具有的非线性、强耦合、时变的特点,重点进行了四个方面的系统辨识研究,包括激励信号设计、神经网络辨识、Hammerstein-Wiener模型辨识和类H-W结构的分块辨识。(1)根据F-16飞行器的动态频率响应特性,有针对性的选择和设计了两类飞行器辨识实验激励信号。基于MATLAB仿真平台,整理重建并改进了基于风洞试验数据的F-16 Simulink模型,进行了仿真验证。仿真结果表明,此模型在设计的激励信号作用下,能够准确模拟飞机的飞行状态,为后续的辨识实验提供了可靠的数据支持。(2)针对F-16飞行器系统的动态非线性强耦合特点,提出了两类基于动态递归神经网络的辨识方法。利用Simulink仿真模型产生的飞行状态数据,进行了两类基于不同递归方式的神经网络辨识实验。在网络类型确定的基础上,通过反复试验与误差比较,选取了适用于F-16系统辨识的网络结构参数。实验结果表明,全局递归的NARX神经网络辨识效果优于局部递归的Elman网络,能够准确的预测飞机的状态变化,代替F-16飞行器系统参与控制器设计,是一种有效的辨识手段。(3)针对神经网络辨识对飞行器系统内部运动机理了解不足及模型参数无具体意义的缺陷,建立了基于Hammerstein-Wiener模型的飞行器辨识方法。此方法将F-16系统用“非线性-线性-非线性”结构的H-W模型拟合,相较神经网络辨识方法而言,分析了系统中暗含的线性部分的阶次和零极点情况,模型辨识精度较高,对辨识对象的了解更进一步。(4)为了细化对F-16系统内部的描述,设计了一种类似于Hammerstein-Wiener模型结构的分块辨识方法。此方法结合系统的信息流向,引入飞行器质量和转动惯量信息,在辨识过程中加入了结构约束,将F-16飞行器系统划分为若干个线性/非线性模块,并针对各模块分别采用合适的模型类与辨识策略进行细化建模与分块学习。实验表明,论文提出的类H-W结构的分块辨识方法加深了对系统内部的理解,减少了辨识中需要估计的参数数量,有效提高了对F-16飞行器系统辨识的准确性。