基于多源域融合代理模型的氢能无人机优化设计

doi:10.7527/S1000-6893.2024.30979

氢能飞行器技术专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于多源域融合代理模型的氢能无人机优化设计

李荣祖, 刘莉(), 杨盾

北京理工大学宇航学院，北京 100081

收稿日期:2024-07-22 修回日期:2024-10-10 接受日期:2024-11-22 出版日期:2024-12-06 发布日期:2024-12-05
通讯作者: 刘莉 E-mail:liuli@bit.edu.cn

Optimal design of hydrogen-powered UAV based on multi-source domain fusion surrogate model

Rongzu LI, Li LIU(), Dun YANG

School of Aerospace Engineering，Beijing Institute of Technology，Beijing 100081，China

Received:2024-07-22 Revised:2024-10-10 Accepted:2024-11-22 Online:2024-12-06 Published:2024-12-05
Contact: Li LIU E-mail:liuli@bit.edu.cn

摘要/Abstract

摘要：

针对氢能电动无人机（H-UAVs）的总体设计阶段的优化问题，探讨了在异构多源域情况下如何有效利用迁移学习技术建立代理模型并进行优化。为了解决氢能电动无人机演化过程中异构样本所导致的建模样本获取成本高昂的问题，提出了一种基于数据生成的多源域融合（DG-MSF）代理模型建立框架，通过测地线流式核方法将异构的源域和目标域映射到高维空间中确定多源域的关系；使用基于边缘分布的数据生成方法，实现了对源域信息的有效融合；构建了一个基于多层感知器的神经网络作为代理模型，并通过预训练与微调的方法完成迁移，实现了对氢能电动无人机性能的高效预测，最后对氢能电动无人机进行了优化设计。分析结果表明，方法能够有效利用多源域数据，提高模型训练的效率和预测的准确性，实现了氢能电动无人机总体优化性能的提升，为氢能电动无人机的发展提供了有力的技术支持。

关键词: 氢能电动无人机, 迁移学习, 代理模型, 多目标优化, 多源域, 预训练-微调

Abstract:

This paper addresses the optimization problem of the overall design stage of Hydrogen-powered Unmanned Aerial Vehicles （H-UAVs） in the context of heterogeneous multi-source domains. It explores how to effectively utilize the transfer learning technology to establish a surrogate model and optimize H-UAVs in the presence of heterogeneous samples. To solve the problem of high cost of building a surrogate model due to heterogeneous samples during the evolution of hydrogen-powered UAVs， a framework for establishing a Multi-Source domain Fusion （DG-MSF） surrogate model is proposed based on Data Generation. The geodesic flow kernel method is used to map the heterogeneous source and target domains to a high-dimensional space to determine the relationship between multi-source domains. The marginal distribution-based data generation method is used to effectively integrate source domain information. A multi-layer perceptron neural network is built as a surrogate model， and is trained and fine-tuned through pre-training and fine-tuning methods to achieve efficient prediction of performance of H-UAVs. Finally， the optimization design of the H-UAV is carried out. The analysis results show that the proposed method can effectively utilize multi-source domain data to improve the efficiency of model training and prediction accuracy and the overall performance of H-UAVs， providing powerful technical support for the development of H-UAVs.

Key words: hydrogen-powered unmanned aerial vehicle (H-UAV), transfer learning, surrogate model, multi-objective optimization, multi-source domain, pre-training fine-tuning

中图分类号:

V221⁺.6

李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979.

Rongzu LI, Li LIU, Dun YANG. Optimal design of hydrogen-powered UAV based on multi-source domain fusion surrogate model[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(9): 630979.

图/表 23

图 1

图 2

图 3

表 1

无人机总体设计参数取值范围

序号	设计参数	$X u$	$X l$
1	$L w i n g$ /mm	3 200	5 000
2	$C w i n g$ /mm	300	460
3	$t r o o t$ /mm	2	12
4	$t t i p$ /mm	0.4	10
5	$L s t r u t$ /mm	1 000	3 000
6	$C s t r u t$ /mm	80	200
7	$t s t r u t$ /mm	2	4
8	$V H$ /L	2.6	10
9	$L H$ /mm	200	375

表 1

图 4

表 2

不同无人机布局的特征空间关系

设计变量	布局A	布局B	布局C
$L w i n g$	√	√	√
$C w i n g$	√		√
$t r o o t$	√	√	√
$t t i p$	√	√	√
$L s t r u t$		√	√
$C s t r u t$		√	√
$t s t r u t$		√	√
$V H$			√
$L H$			√

表 2

图 5

图 6

图 7

表 3

图 8

图 9

图 10

图 11

图 12

表 4

图 13

图 14

图 15

图 16

表 5

原型机和候选方案设计变量

设计变量	原型机	方案D	方案E	方案F
$L w i n g$ /mm	4 600	4 787.04	4 802.79	4 990.82
$C w i n g$ /mm	423	457.75	459.17	459.18
$t r o o t$ /mm	2.03	5.05	5.03	4.63
$t t i p$ /mm	1.23	1.03	1.02	0.94
$L s t r u t$ /mm	1 375	1 983.73	1 985.04	2 897.97
$C s t r u t$ /mm	120	118.57	111.47	118.65
$t s t r u t$ /mm	3.21	2.36	2.46	2.35
$V H$ /L	6.8	5.0	10.00	10.00
$L H$ /mm	200	374.11	374.11	238.99

表 5

表 6

表 7

参考文献 24

1	刘莉，曹潇，张晓辉，等. 轻小型太阳能/氢能无人机发展综述［J］. 航空学报， 2020， 41（3）： 623474.
	LIU L， CAO X， ZHANG X H， et al. Review of development of light and small scale solar/hydrogen powered unmanned aerial vehicles［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（3）： 623474 （in Chinese）.
2	TAN C Q， SUN F C， KONG T， et al. A survey on deep transfer learning［C］∥Artificial Neural Networks and Machine Learning-ICANN 2018. Cham： Springer International Publishing， 2018： 270-279.
3	强碧瑶，史恺宁，任学军，等. 基于实例迁移学习的跨工况刀具剩余寿命预测［J］. 航空学报， 2024， 45（13）： 629038.
	QIANG B Y， SHI K N， REN J X， et al. Instance transfer for tool remaining useful life prediction cross working conditions［J］. Acta Aeronautica et Astronautica Sinica，2024， 45（13）： 629038 （in Chinese）.
4	廖奕校. 基于多源域知识迁移的旋转机械智能故障诊断方法研究［D］. 广州：华南理工大学， 2022.
	LIAO Y X. Research on intelligent fault diagnosis method of rotating machinery based on multi-source domain knowledge transfer［D］. Guangzhou： South China University of Technology， 2022 （in Chinese）.
5	GUPTA L， EDELEN A， NEVEU N， et al. Improving surrogate model accuracy for the LCLS-II injector frontend using convolutional neural networks and transfer learning［J］. Machine Learning： Science and Technology， 2021， 2（4）： 045025.
6	TIAN K， LI Z C， ZHANG J X， et al. Transfer learning based variable-fidelity surrogate model for shell buckling prediction［J］. Composite Structures， 2021， 273： 114285.
7	PENG L， WU H， GAO M， et al. TLT： Recurrent fine-tuning transfer learning for water quality long-term prediction［J］. Water Research， 2022， 225： 119171.
8	SEO W， PARK S W， KIM N， et al. A personalized blood glucose level prediction model with a fine-tuning strategy： A proof-of-concept study［J］. Computer Methods and Programs in Biomedicine， 2021， 211： 106424.
9	NASIR M U， GHAZAL T M， KHAN M A， et al. Breast cancer prediction empowered with fine-tuning［J］. Computational Intelligence and Neuroscience， 2022， 2022（1）： 5918686.
10	YANG D， LIU L， BAI W C， et al. Conceptual design and configurations selection of S/H-UAVs based on Q-rung dual hesitant double layer FQFD［J］. Chinese Journal of Aeronautics， 2024， 37（9）： 193-205.
11	LIU L， BAI W C， YANG D. Flight endurance increasing technology of new energy UAV based on a strut-braced wing［J］. International Journal of Aerospace Engineering， 2022， 2022（1）： 4868037.
12	蔚光辉. 绿色能源小型电动无人机总体设计［D］. 北京：北京理工大学， 2018.
	YU G H. Overall design of small electric UAV with green energy［D］. Beijing： Beijing Institute of Technology， 2018 （in Chinese）.
13	GE W F， YU Y Z. Borrowing treasures from the wealthy： Deep transfer learning through selective joint fine-tuning［C］∥2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway： IEEE Press， 2017： 10-19.
14	PAN S J， TSANG I W， KWOK J T， et al. Domain adaptation via transfer component analysis［J］. IEEE Transactions on Neural Networks， 2011， 22（2）： 199-210.
15	LI W， DUAN L X， XU D， et al. Learning with augmented features for supervised and semi-supervised heterogeneous domain adaptation［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2014， 36（6）： 1134-1148.
16	BAO R X， SUN Y M， GAO Y H， et al. A recent survey of heterogeneous transfer learning［EB/OL］. arXiv preprint： 2310.08459， 2023. .
17	GONG B Q， SHI Y， SHA F， et al. Geodesic flow kernel for unsupervised domain adaptation［C］∥2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2012： 2066-2073.
18	BORGWARDT K M， GRETTON A， RASCH M J， et al. Integrating structured biological data by kernel maximum mean discrepancy［J］. Bioinformatics， 2006， 22（14）： e49-57.
19	GRETTON A， SRIPERUMBUDUR B， SEJDINOVIC D， et al. Optimal kernel choice for large-scale two-sample tests［C］∥Proceedings of the 26th International Conference on Neural Information Processing Systems-Volume 1. New York： ACM， 2012： 1205-1213.
20	RUMELHART D E， HINTON G E， WILLIAMS R J. Learning representations by back-propagating errors［J］. Nature， 1986， 323（6088）： 533-536.
21	HINTON G. Deep belief networks［J］. Scholarpedia， 2009， 4（5）： 5947.
22	SCABINI L F S， BRUNO O M. Structure and performance of fully connected neural networks： Emerging complex network properties［J］. Physica A： Statistical Mechanics and Its Applications， 2023， 615： 128585.
23	DEB K， JAIN H. An evolutionary many-objective optimization algorithm using reference-point-based nondominated sorting approach， Part II： Handling Constraints and Extending to an Adaptive Approach［J］. IEEE Transactions on Evolutionary Computation， 2014， 18（4）： 602-622.
24	LI K， DEB K， ZHANG Q F， et al. An evolutionary many-objective optimization algorithm based on dominance and decomposition［J］. IEEE Transactions on Evolutionary Computation， 2015， 19（5）： 694-716.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

层	参数尺寸	激活函数	是否添加Dropout
I0	9
D1	15	ReLU
D2	30	ReLU
D3	18	ReLU
D4	6	ReLU	是（0.1）
O5	3	ReLU
R6

参数	预训练	微调
最大迭代次数	2 000	7 000
初始学习率	0.001	0.000 1
最小批大小	4	4
学习率乘法纪元数	800	900
学习率乘法因子	0.6	0.975

指标	原型机	方案D	方案E	方案F
升阻比	20.66	23.809	23.800	23.546
起飞质量/kg	21.519	21.372	21.373	21.194
航时/h	11.359	12.007	22.068	22.496

输出	升阻比	起飞质量/kg	航时/h
误差/%	0.87	1.50	0.19
优化	23.546	21.194	22.496
实际	23.343	20.881	22.453

[1]	蔡伟伟, 伍国华, 李恒伟, 尹谦. 考虑用户偏好的中继卫星多目标调度优化方法[J]. 航空学报, 2025, 46(8): 331074-331074.
[2]	员婉莹, 李逢源, 黄博, 王思予, 焦韵菲, 白馨雨, 黄雪琪. 可靠性分析改进元模型重要抽样算法[J]. 航空学报, 2025, 46(7): 230738-230738.
[3]	王一帆, 郭喜云, 贾世元, 陈钢, 任默. 面向桁架抓持的三分支机器人构型优化方法[J]. 航空学报, 2025, 46(7): 431033-431033.
[4]	李凯尚, 范浩奇, 王润梓, 张显程, 涂善东. 基于双尺度损伤理论的高温装备寿命设计方法[J]. 航空学报, 2025, 46(5): 531706-531706.
[5]	焦阳, 陆雨婷, 许拔, 欧阳键. 基于时空相关性的卫星流量迁移预测[J]. 航空学报, 2025, 46(4): 330938-330938.
[6]	崔瑀欣, 陆中, 周伽. 基于多目标人工蜂鸟算法的研制保证等级分配[J]. 航空学报, 2025, 46(4): 330946-330946.
[7]	姜璐璐, 潘鑫, 蒋伟, 冯瑞, 陈刚. 基于融合代理策略的超声速降落伞气动优化设计[J]. 航空学报, 2025, 46(1): 630471-630471.
[8]	刘子超, 王江, 王鹏, 林德福, 何智川. 时间约束多导弹协同制导律[J]. 航空学报, 2024, 45(S1): 730607-730607.
[9]	崔壮壮, 原昕, 赵国庆, 井思梦, 招启军. 共轴刚性旋翼高速直升机前飞性能操纵策略影响[J]. 航空学报, 2024, 45(9): 529256-529256.
[10]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[11]	陈树生, 冯聪, 张兆康, 赵轲, 张新洋, 高正红. 基于全局/梯度优化方法的宽速域乘波-机翼布局气动设计[J]. 航空学报, 2024, 45(6): 629596-629596.
[12]	李玉涵, 杨宝玉, 吴亦农, 张强, 唐晓. 卫星光机载荷热模型参数高效修正方法研究进展[J]. 航空学报, 2024, 45(6): 628814-628814.
[13]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[14]	王为, 安伟刚, 宋笔锋, 杨文青. 仿信天翁变形翼动态滑翔获能特性[J]. 航空学报, 2024, 45(24): 630576-630576.
[15]	单程军, 贡天宇, 易理哲, 杨浩辉, 龙垚松. 超声速民机高效高可信度声爆/气动多学科优化方法[J]. 航空学报, 2024, 45(24): 630573-630573.

基于多源域融合代理模型的氢能无人机优化设计

Optimal design of hydrogen-powered UAV based on multi-source domain fusion surrogate model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价