一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统技术方案

本发明专利技术提供了一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统。该发明专利技术通过实时滑翔机的当前状态参数，利用训练好的神经网络得到表面压力与流动工况之间的非线性关系，获得当前滑翔机的雷诺数预测值和迎角预测值，进一步得到风速梯度的估算值，通过运动方程推导和carrot

【技术实现步骤摘要】
一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统


[0001]本专利技术涉及一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统，在仿真环境中，可以较精确地实时估算当前位置点处的风信息，且能够让无人机获得足够的能量来保持飞行，属于无人机上的风场信息感知与风能利用领域。

技术介绍

[0002]小型无人机因其成本低、运输操作方便等特点，被广泛应用于区域搜索、环境监测、农业植保、航拍等领域。然而，由于电池容量有限，小型无人机的长时间续航能力仍然是一个挑战。与旋翼无人机相比，固定翼无人机具有更高的能效和更长的续航时间，具有提升性能的潜力，例如使用薄膜太阳能电池吸收太阳能或通过调节姿态来利用风能。自然界中擅长飞行的信天翁便是通过调节姿态上下穿越风切变层来利用风能，这种动态滑翔的动作可以应用在长航时无人机的设计当中。
[0003]其中，实现动态滑翔的一个关键问题是实时风场信息的获取，目前，主要是通过惯性传感器(测量地速)与皮托管和风向标(测量空速)来推算风速，但常规的皮托管和风向标会影响无人机气动外形从而影响气动性能，且只能得到平均数值，无法捕捉局部流动的动态(脉动风)信息，而动态滑翔动作又容易受到气动性能和脉动风的影响，因此常规的空速传感器可能会降低动态滑翔的实际性能。实现动态滑翔的另一个关键问题是动态滑翔动作的控制，目前，主要是用轨迹优化和路径跟随控制的方法来模拟动态滑翔动作，这种方法将动态滑翔的控制看作一个非线性规划问题，对一个周期内的整个轨迹进行优化，并控制无人机跟随之前优化出的最优轨迹，然而，这种方法虽然能飞出相似的轨迹，但会出现由于姿态不正确而导致实际获能明显小于预期值的问题，使得动态滑翔动作的收益可能反而不如常规巡航的模式。

技术实现思路

[0004]本专利技术的目的在于针对现有空速传感器会影响无人机气动外形和无法捕捉动态流动信息的局限性，以及通过轨迹优化和路径跟随控制动态滑翔方法的不足，提出一种基于分布式压力传感器与分段姿态控制的仿信天翁动态滑翔方法及系统，与传统方法相比，本专利技术对空速的估算精度较高，且不会影响无人机气动外形，能够让无人机获得足够的能量来保持飞行，不会出现获能收益明显不足的情况。
[0005]本专利技术的目的是通过以下技术方案来实现的：
[0006]一种基于分布式压力传感器与分段姿态控制的动态滑翔方法，所述动态滑翔包括P1：逆风爬升阶段、P2：高空转弯过渡阶段、P3：顺风下潜阶段、P4：低空转弯过渡阶段、P5：沿目标方向平飞阶段；该方法具体为：
[0007]实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角必、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器
测量的地速V
d
、侧滑角传感器测量的侧滑角β。
[0008]将获取的压力数据(一定时间段内的均值)输入至一训练好的神经网络模型，获得当前滑翔机的雷诺数预测值Re
′
和迎角预测值α
′
；并依据雷诺数预测值Re
′
计算获得空速预测值V
′
a
；结合空速预测值V
′
a
、地速V
d
、侧滑角β和实时高度h计算获得地面坐标系中x
i
方向分量的风速梯度的估算值β
′
w
：
[0009]β
′
w
＝((W
ix
′
)
t
‑
(W
ix
′
)
t
‑1)/(h
t
‑
h
t
‑1)
[0010]W
ix
′
＝V
d
‑
V
′
a
cosα
′
cosβ
[0011]其中，下标t为当前时刻，下标t
‑
1表示为上一个时刻，W
ix
′
是x
i
方向分量的风速。
[0012]通过运动方程推导和carrot
‑
chasing路径跟随算法结合风速梯度的估算值β
′
w
实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：
[0013]阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ
d1
＝0和μ
d3
＝0，目标航向角ψ
d1
＝π
‑
ψ
d3
，阶段P1的目标俯仰角θ
d1
和阶段P3的目标俯仰角θ
d3
通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：
[0014][0015]其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S
(
·
)
和C
(
·
)
表示sin(
·
)和cos(
·
)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量。
[0016]阶段P2和阶段P4的目标滚转角μ
d2
和μ
d4
通过最大化转弯效率进行优化，其余目标姿态为设定值：
[0017][0018]阶段P5中的目标航向角ψ
d5
采用carrot
‑
chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值。
[0019]控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。
[0020]进一步地，布置于滑翔机机翼表面的多个分布式压力传感器相互之间的间距大于0.06c，c是机翼平均弦长。
[0021]进一步地，布置于滑翔机机翼表面的多个分布式压力传感器的位置通过如下方法进行确定：
[0022]通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工况下对应的机翼表面分布的多个坐标点随时间变化的压力数据构成压力数据集X。
[0023]采用测量矩阵C表示分布式压力传感器的位置信息，则M个分布式压力传感器的测量数据Y＝{y
i
}，i＝1，2，
…
，M与数据集X的关系表示为Y＝CX。
[0024]通过POD算法对压力数据集X进行降维，然后通过对带有传感器位置和模态信息的项进行QR分解，其中为降维后的POD模态矩阵，挑选出对于数据集X占优的测量矩阵C
o
，测量矩阵C
o
包含的传感器的位置信息即为确定的布置于滑翔机机翼表面的多个分布式压力传感器的位置。
[0025]进一步地，所述神经网络模型通过如下方法训练获得：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式压力传感器与分段姿态控制的动态滑翔方法，所述动态滑翔包括P1：逆风爬升阶段、P2：高空转弯过渡阶段、P3：顺风下潜阶段、P4：低空转弯过渡阶段、P5：沿目标方向平飞阶段；其特征在于，该方法具体为：实时获取滑翔机的当前状态参数，包括：滑翔机的当前坐标、高度h、航向角ψ、俯仰角θ、滚转角μ、布置于滑翔机机翼表面的多个分布式压力传感器的压力数据、惯性传感器测量的地速V
d
、侧滑角传感器测量的侧滑角β。将获取的压力数据输入至一训练好的神经网络模型，获得当前滑翔机的雷诺数预测值Re
′
和迎角预测值α
′
；并依据雷诺数预测值Re
′
计算获得空速预测值V
′
a
；结合空速预测值V
′
a
、地速V
d
、侧滑角β和实时高度h计算获得地面坐标系中x
i
方向分量的风速梯度的估算值β
′
w
：β
′
w
＝((W
ix
′
)
t
‑
(W
ix
′
)
t
‑1)/(h
t
‑
h
t
‑1)W
ix
′
＝V
d
‑
V
′
a
cosα
′
cosβ其中，下标t为当前时刻，下标t
‑
1表示为上一个时刻，W
ix
′
是x
i
方向分量的风速。通过运动方程推导和carrot
‑
chasing路径跟随算法结合风速梯度的估算值β
′
w
实时求解每一阶段的目标姿态，目标姿态包括航向角、俯仰角、滚转角和侧滑角，其中：阶段P1和阶段P3为稳定爬升或稳定下潜，目标滚转角μ
d1
＝0和μ
d3
＝0，目标航向角ψ
d1
＝π
‑
ψ
d3
，阶段P1的目标俯仰角θ
d1
和阶段P3的目标俯仰角θ
d3
通过最大化能量相对于高度的梯度优化航迹爬升角γ获得，其余目标姿态为设定值：其中，e是Oswald因子，S是机翼的参考面积，ρ是空气的密度，CD0是零升阻力系数，AR是飞机的展弦比，S
(
·
)
和C
(
·
)
表示sin(
·
)和cos(
·
)，γ是航迹爬升角，χ是航迹方位角，g为重力加速度，m为滑翔机的质量。阶段P2和阶段P4的目标滚转角μ
d2
和μ
d4
通过最大化转弯效率进行优化，其余目标姿态为设定值：阶段P5中的目标航向角ψ
d5
采用carrot
‑
chasing二维路径跟随算法，通过滑翔机当前坐标和要跟随的路径之间的几何关系推导得到，其余目标姿态为设定值。控制滑翔机的当前姿态接近目标姿态，完成分段姿态控制。2.根据权利要求1所述的动态滑翔方法，其特征在于，布置于滑翔机机翼表面的多个分布式压力传感器相互之间的间距大于0.06c，c是机翼平均弦长。3.根据权利要求1所述的动态滑翔方法，其特征在于，布置于滑翔机机翼表面的多个分布式压力传感器的位置通过如下方法进行确定：通过CFD数值模拟不同流动工况下的滑翔机机翼的二维绕流流场，提取获得不同流动工...

【专利技术属性】
技术研发人员：谢芳芳，季廷炜，王丹翔，陆宇峰，郑耀，
申请(专利权)人：浙江大学，
类型：发明
国别省市：