基于神经网络的多维气压空速计.doc

1、摘要多维气压空速计是一种大气数据系统，依靠空速计前段的压力测量点，测量其表面压力分布，通过解算这些压力数据，获得飞机飞行所需的大气数据。飞行中的基本大气数据包括动压、静压、迎角以及偏航角，所测得的表面压力为这些参数的非线性函数，本系统通过三点法解算以及神经网络校正，使多维气压空速计达到一个较高的测量精度水平。通过风洞实验数据，对本系统计算数据进行校正，并且验证了系统的性能。证明了本系统的实用性。关键词：大气数据，神经网络，迎角，侧滑角，空速。AbstractMulti-dimensional airspeed meter is an atmospheric pressure data syst

2、em. Based on the preceding air pressure measuring point, measure the surface pressure distribution. We can calculate the pressure data to obtain the necessary air data flight.The basic atmospheric flight data include dynamic pressure, static pressure, angle of attack and angle of the sideslip. The m

3、easured surface pressure is a nonlinear function of these parameters. The system can solve the data by three-point method and neural network calibration, and then makes the multi-dimensional airspeed meter to a higher accuracy level.Through the wind tunnel test data, we can calibrate data of the sys

4、tem and verify the performance of the system.Demonstrate the practicality of the system.Key words: atmospheric data, neural networks, angle of attack, angle of the sideslip and airspeed.目录摘要iAbstractii目录iii图表清单iv0 项目背景11 设计思想11.1 大气数据11.2 五孔探针11.3 嵌入式大气数据系统12 硬件系统设计22.1 空速管实体设计22.2 大气数据采集处理通道32.3 串行

5、通信接口43 算法实现43.1 空速管的空气动力学模型43.2 实际设计中外形参数53.3 基于神经网络的解算方法63.2.1 三点法计算表面迎角与侧滑角63.2.2 马赫数计算73.2.3 BP神经网络与径向基神经网络74 实验结果与实验数据84.1 风洞实验数据趋势84.2 计算结果及其校正114.2.1迎角及偏航角的计算和校正114.2.2空速的计算13结论13参考文献14图表清单图表 1 F18嵌入式大气数据系统测压点分布2图表 2 空速管外观设计3图表 3空速管实物照片3图表 4气压传感器外观4图表 5圆周角、圆锥角定义5图表 6 X-33中圆周角、圆锥角取值5图表 7实际圆周角、圆

6、锥角取值6图表 8数据解算流程6图表 9测压点1随变化趋势8图表 10测压点1气压值随侧滑角变化趋势9图表 11测压点1气压值在风速为21.48m/s时，随、变化趋势9图表 12测压点2气压值随侧滑角变化趋势10图表 13测压点1、2、3气压值在风速为21.48m/s时，随侧滑角变化趋势10图表 14实验测量、值11图表 15计算得出的local、local值11图表 16数据拟合12图表 17经网络修正后的、值12图表 18计算、所用的神经网络模型13图表 19计算空速所用的神经网络模型13iii北京航空航天大学第二十一届“冯如杯”学生参赛作品0 项目背景随着无人机在现代军事的广泛应用，相关

7、无人机设计、控制的研究显得越来越重要。在无人机控制过程中，需要各路传感器为飞行控制提供参数，而大气数据就是这众多飞行参数中极为重要的一支。传统的大气数据主要依托皮托管以及风标传感器，它们的安装配合要求相对较高，所采得的参数仍需大量运算校正。在这样的背景下，一种新型的大气数据系统嵌入式大气数据系统应运而生。而它的实用性、使用精度即为本项目的研究目的。1 设计思想1.1 大气数据传统的大气数据传感系统是通过总压管和静压管来测量总压和静压，通过迎角传感器和侧滑角传感器来测量迎角和侧滑角。有了以上四个参数通过大气数据计算机就可以计算出其它的大气数据，如飞行高度、高度偏差、升降速度、真实空速、指示空速、

8、马赫数、马赫数变化率、总温、真实静压、大气静温、大气密度比、真实迎角等。例如可以通过总压和静压计算出动压，通过动压和静压就可以计算出飞行器的飞行速度。通过静压可以计算出飞行器的海拔高度。1.2 五孔探针五孔探针的使用可以追溯到Admiral Taylor的工作,以及Pien、Hurwitz、Treaster及Dominy和Hodson的研究。测量低速、定常不可压三维流场时，经常采用五孔探针来测量空间气流的方向、总压、静压和速度等气动参数,这种方法具有原理简单、使用维护方便、探头不易损坏及费用低廉等优点,因此得到了广泛的应用1。1.3 嵌入式大气数据系统嵌入式大气数据传感系统是通过安装在飞行器头

9、部前端周线上的压力传感器阵列来测量包括动压，静压，迎角，侧滑角等飞行参数的。下图为F-18的嵌入式大气数据系统压力测量点分布图2。图表 1 F18嵌入式大气数据系统测压点分布2 硬件系统设计2.1 空速管实体设计在空速管外形设计方面，尽力与已有理想的空气动力学模型一致，具体外观设计见下图。图表 2 空速管外观设计图表 3空速管实物照片2.2 大气数据采集处理通道此部分只要由气压传感器模块和信号采集处理部分组成。气压传感器选用飞思卡尔公司的MPXV5004G系列传感器，其测量范围为0到3.92kPa，输出电压为1.0到4.9V3。根据动压与速度的关系，可以粗略计算出最大速度约为80m/s，基本符

10、合小型无人飞行器的要求。其输出电压可直接与A/D模块相连接，可省去复杂的电压放大电路，并免去了此部分的信号干扰与误差。图表 4气压传感器外观信号采集处理芯片选用Siliconlab公司生产的C8051F120微处理器。该芯片内部包含高速 8051 微控制器内核，12位SAR ADC，内部精确24.5MHz振荡器，利于最终产品的集成化。2.3 串行通信接口系统与外界通信数据量较小，因此采用常用的RS-232传输方式，由于微处理器输出电平与该方式不一致，采用SP3223E芯片进行电平转换，SP3223E芯片的13、15引脚分别与C8051F120的P0.0（芯片62引脚）、P0.1（芯片61引脚）

11、相连。3 算法实现3.1 空速管的空气动力学模型我们这里采用X-33中使用的嵌入式大气数据系统中使用的模型。其计算公式为：pi = qccos2(i)+sin2(i)+Pcos（i） = cos()cos()cos(i)+sin()sin(i)sin(i)+sin()cos()cos(i)sin(i) = f(,M)qc/P = 1.0+0.2M23.5-1 (M1)其中：pi为第i（i=1,26）个压力传感器处的压强，qc为动压，P为静压，M为来流马赫数，为形压系数，为迎角，为侧滑角，i为第i个传感器点的圆周角，i为第i个传感器点的圆锥角，i为该点的入射角。g函数是一个确定的单调函数。f函数

12、在飞行之前可以通过风洞试验等手段确定。具体的圆周角、圆锥角的定义见下图，X-33嵌入式大气数据系统的圆周角、圆锥角取值见下表4。图表 5圆周角、圆锥角定义点序号圆周角（，deg）圆锥角（，deg）1180202270203004902050206045图表 6 X-33中圆周角、圆锥角取值3.2 实际设计中外形参数考虑到我们所设计制作的大气数据系统将应用于小型无人机，飞行速度较低，所以实际中设计的仪器外形与X-33使用的嵌入式大气数据系统有一些差异。实际中圆周角与圆锥角数据如下表。点序号圆周角（，deg）圆锥角（，deg）1180302270303004903050306060图表 7实际圆周

13、角、圆锥角取值3.3 基于神经网络的解算方法由于大气数据系统中无法直接测得静压与动压，所以实际中所有所需求出的结果全部需要复杂的迭代运算，这将大大影响仪器的实时性，而且求出的数据仍需要再次校正。因此，将神经网络应用在大气数据系统中，可以优化系统性能，并且避开复杂的建模步骤。具体实现框图如下图所示2。大气数据系统测量数据P神经网络解算动压与静压（P和qc）计算表面迎角与侧滑角（local和local）P和qc计算马赫数(M)神经网络解算实际迎角与侧滑角（和）M和图表 8数据解算流程3.2.1 三点法计算表面迎角与侧滑角根据三点法，任取三点，有其中 求解迎角，取=0或180的三点，当|45时，当|

14、45时，其中定义求解侧滑角，可得其中定义其中在本系统中，tan选取绝对值较小的。3.2.2 马赫数计算根据公式可得3.2.3 BP神经网络与径向基神经网络前馈网络是神经网络中的一种典型结构，信息从输入层进入网络，逐层向前传递至输出层。根据前馈网络神经元转移函数、隐层数以及全职调整规则的不同，可以形成具有各种特点的神经网络。采用BP算法的多层前馈网络是至今为止应用最广泛的神经网络，在多层前馈网的应用中，径向基函数（RBF）神经网络是另一种常用的神经前馈网络。从函数逼近的角度看，RBF网络是局部逼近网络，而BP网络是全局逼近网络5。本系统通过风洞实验，采集空速管各气压测试点数据，实际风洞数据作为神

15、经网络的训练信号，进行网络的训练，最终达到用神经网络逼近、替代该解算函数的效果，从而对大气数据系统进行标定。4 实验结果与实验数据4.1 风洞实验数据趋势经过风洞试验，通过多维气压空速计采集了大量数据，以下几张图表是较有代表性的压力趋势图。图表 9测压点1随变化趋势图表 10测压点1气压值随侧滑角变化趋势图表 11测压点1气压值在风速为21.48m/s时，随、变化趋势图表 12测压点2气压值随侧滑角变化趋势风洞实验中测压点1、2、3气压值在风速为21.48m/s时，随侧滑角变化趋势图表 13测压点1、2、3气压值在风速为21.48m/s时，随侧滑角变化趋势4.2 计算结果及其校正 4.2.1迎

16、角及偏航角的计算和校正下图为实验所测量、值。图表 14实验测量、值下图为根据三点法计算得出的local、local值，可看出实验装置在与转台安装过程中出现了一定的误差。图表 15计算得出的local、local值将实验数据拟合为直线，得出安装误差约为3，当=-15时有最大的角度计算误差，5.12。图表 16数据拟合经过神经网络修正后，得到的、。数据精度有所提高。最大绝对误差下降至 1.68，均方差为0.1345。图表 17经网络修正后的、值在迎角校正过程中，我们使用BP网络进行校正，输入量为local、local值与空速，输出量为。两层网络中的传递函数均为tansig函数。隐含层神经元个数选用

17、5个。下图为计算、所用的神经网络模型。图表 18计算、所用的神经网络模型4.2.2空速的计算由于传统的空速解算需要大量的迭代运算，而且常常涉及到矩阵求逆运算过程，收敛性、稳定性很难保证，另外，大量运算对于所设计的测量仪器的测量时实行是一个严峻的挑战。所以，使用神经网络解算空速，自然成为了一个很好的选择。神经网络提供了一个快速解算的方法，并有良好的容错性。计算空速我们仍然采用BP网络。与迎角校正网络不同，输出层采用了线性的传递函数，并且隐含层的神经元个数增加至8个。下图为计算空速所用的神经网络模型。图表 19计算空速所用的神经网络模型由于实验采集数据量不够充裕，目前对神经网络的训练结果精度约为0

18、.3m/s（此数据未经严格标定）。并且空速输入范围有限，最大空速值为25m/s。参考文献中对神经网络解算空速采用了分段分析处理的方式，以达到在不同风速下（不同流体模型中），达到高精度的目的。这同时也引出了神经网络解算的不足，即需要大量数据支持。结论经过实验数据对模型的论证，我们得到了一种可靠的大气数据系统。对于小型无人机的控制该系统可提供足够的支持。参考文献1 钟兢军,宋彦萍,芦文才等.五孔探针非对向测量法在风洞自动测试系统的应用J.哈尔滨工业大学学报，1997，29（3）：6265.2 Thomas J.Rohloff.Fault-Tolerant Neural Network Algori

19、thm for Flush Air Data SensingJ.Journal of Aircraft.3 Integrated Silicon Pressure Sensor On-Chip Signal Conditioned, Temperature Compensated and CalibratedP. Freescale Semiconductor Technical Data.4 Whitmore S A,Cobleigh B R,Haering E A.Design and Calibration of the X-33 Flush Airdata Sensing(FADS)SystemR.NASA/TM-1998-206540,Dryden Flight Research Center Edwards,California,1998:130.5 施彦, 韩力群, 廉小亲. 神经网络设计方法与实例分析M. 北京:北京邮电大学出版社,2009 .14