基于物理信息神经网络的飞机姿态预测模型

doi:10.7527/S1000-6893.2025.31850

飞行器数字孪生技术专刊

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于物理信息神经网络的飞机姿态预测模型

张玉刚¹^,²(), 杨哲¹^,³, 何森朋¹^,³, 杨文青¹^,²

^1.西北工业大学航空学院，西安 710072
^2.飞行器基础布局全国重点实验室，西安 710072
^3.中国飞行试验研究院，西安 710089

收稿日期:2025-01-27 修回日期:2025-04-21 接受日期:2025-06-16 出版日期:2025-06-30 发布日期:2025-06-27
通讯作者: 张玉刚 E-mail:zhangyugang@nwpu.edu.cn
基金资助:
民机专项(MJZ5-1N22)

Aircraft attitude prediction model based on physical information neural networks

Yugang ZHANG¹^,²(), Zhe YANG¹^,³, Senpeng HE¹^,³, Wenqing YANG¹^,²

^1.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China
^2.National Key Laboratory of Aircraft Configuration Design，Xi’an 710072，China
^3.Chinese Flight Test Establishment，Xi’an 710089，China

Received:2025-01-27 Revised:2025-04-21 Accepted:2025-06-16 Online:2025-06-30 Published:2025-06-27
Contact: Yugang ZHANG E-mail:zhangyugang@nwpu.edu.cn
Supported by:
Special Research on Civil Aircraft(MJZ5-1N22)

摘要/Abstract

摘要：

为解决飞机试飞过程中由于超出飞行包线而导致的试飞安全事故问题，降低事故风险，根据飞机当前状态信息和舵面偏转的角度数据，预测飞机后续姿态演化过程，为辅助飞行员决策提供依据。结合飞行动力学方程与物理信息神经网络（PINNs）方法，构建了飞机姿态实时预测（FD-PINN）模型，解决了基于神经网络（NN）的飞机姿态预测模型预测精度不足、泛化能力差的问题。考虑大气环境参数的随机性和飞机操纵输入的不确定性条件下，通过FlightGear获取飞行仿真数据对模型进行了验证，计算结果表明FD-PINN模型比NN模型泛化能力更强，预测精度更高，其中迎角预测结果的均方误差降低了68.5%。

关键词: 姿态预测, 物理信息神经网络, 飞行动力学, 试飞安全, 飞行试验

Abstract:

In order to avoid the flight test safety accidents caused by exceeding the flight envelope during flight test， and reduce the accident risk， the subsequent attitude evolution process of the aircraft was predicted according to the current state information of the aircraft and the angle data of rudder deflection， so as to provide a basis for pilot decision-making support. Combining flight dynamics equation and Physical Information Neural Networks （PINNs）， a real-time aircraft attitude prediction model， Flight Dynamics-Physics Informed Neural Network （FD-PINN）， was constructed to solve the problem of insufficient prediction accuracy and poor generalization ability of the Neural Network-based （NN）aircraft attitude prediction model. Considering the randomness of atmospheric environmental parameters and the uncertainty of aircraft control inputs， flight simulation data were obtained by FlightGear to verify the model. The calculation results show that FD-PINN model has stronger generalization ability and higher prediction accuracy than NN model， and the mean square error of angle of attack prediction results is reduced by 68.5%.

Key words: attitude prediction, physical information neural networks, flight dynamics, flight test safety, flight test

中图分类号:

张玉刚, 杨哲, 何森朋, 杨文青. 基于物理信息神经网络的飞机姿态预测模型[J]. 航空学报, 2025, 46(19): 531850.

Yugang ZHANG, Zhe YANG, Senpeng HE, Wenqing YANG. Aircraft attitude prediction model based on physical information neural networks[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(19): 531850.

图/表 11

图 1

图 2

表1

表2

图 3

表3

图 4

图 5

图 6

图 7

图 8

参考文献 23

[1]	WANG G Z， PEI B B， XU H J， et al. Risk quantification and visualization method for loss-of-control scenarios in flight［J］. Aerospace， 2023， 10（5）： 416.
[2]	WANG G Z， XU H J， PEI B B. An intelligent approach for flight risk prediction under icing conditions［J］. Chinese Journal of Aeronautics， 2023， 36（6）： 109-127.
[3]	KANG C， WOOLSEY C A. Model-based path prediction for fixed-wing unmanned aircraft using pose estimates［J］. Aerospace Science and Technology， 2020， 105： 106030.
[4]	袁修久，赵学军，李嘉林. 基于航迹的飞机姿态角建模与仿真［J］. 系统工程与电子技术， 2016， 38（4）： 889-894.
	YUAN X J， ZHAO X J， LI J L. Modeling and simulation of aircraft attitude angle based on air-path［J］. Systems Engineering and Electronics， 2016， 38（4）： 889-894 （in Chinese）.
[5]	孙博，高永卫，魏斌斌. 无人机离机轨迹与姿态的高准度快速预测方法研究［J］. 弹箭与制导学报， 2023， 43（6）： 97-104.
	SUN B， GAO Y W， WEI B B. Research on a fast and precise prediction method for UAV separation trajectory and attitude［J］. Journal of Projectiles， Rockets， Missiles and Guidance， 2023， 43（6）： 97-104 （in Chinese）.
[6]	李海泉，陈小前，张嘉图，等. 随机激励作用下飞机飞行姿态动力学研究［J］. 航空学报， 2022， 43（3）： 225232.
	LI H Q， CHEN X Q， ZHANG J T， et al. Study on aircraft attitude dynamics under random excitation［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（3）： 225232 （in Chinese）.
[7]	杨丽梅，郭立红. 一种序列图像飞行器姿态的预测方法［J］. 计算机测量与控制， 2006， 14（6）： 797-799.
	YANG L M， GUO L H. Aircraft pose prediction method of image sequences［J］. Computer Measurement & Control， 2006， 14（6）： 797-799 （in Chinese）.
[8]	PASHA A ALI， SANKARALINGAM L， RAHMAN M M， et al. MEMS fault-tolerant machine learning algorithm assisted attitude estimation for fixed-wing UAVs［J］. Engineering Applications of Artificial Intelligence， 2024， 129： 107608.
[9]	曹咏弘，张慧，马铁华，等. 基于神经网络的无陀螺捷联惯导系统姿态预测［J］. 中国惯性技术学报， 2008， 16（2）： 159-161， 170.
	CAO Y H， ZHANG H， MA T H， et al. Attitude forecast of gyroscope-free SINS based on neural network［J］. Journal of Chinese Inertial Technology， 2008， 16（2）： 159-161， 170 （in Chinese）.
[10]	梁少军，郑幸，谢礼鹏，等. 固定翼无人机纵向控制回路多工况状态预测［J］. 兵器装备工程学报， 2020， 41（10）： 203-209.
	LIANG S J， ZHENG X， XIE L P， et al. Muti-condition state prediction of longitudinal control loop of fixed-wing UAV［J］. Journal of Ordnance Equipment Engineering， 2020， 41（10）： 203-209 （in Chinese）.
[11]	路晶，史宇，任洲. 基于增量式在线学习飞行训练姿态预测研究［J］. 航空计算技术， 2022， 52（5）： 5-8.
	LU J， SHI Y， REN Z. Research on attitude prediction of flight training based on incremental online learning［J］. Aeronautical Computing Technique， 2022， 52（5）： 5-8 （in Chinese）.
[12]	RAISSI M， PERDIKARIS P， KARNIADAKIS G E. Physics-informed neural networks： A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations［J］. Journal of Computational Physics， 2019， 378： 686-707.
[13]	CAO W B， SONG J H， ZHANG W W. A solver for subsonic flow around airfoils based on physics-informed neural networks and mesh transformation［J］. Physics of Fluids， 2024， 36（2）： 027134.
[14]	李野，陈松灿. 基于物理信息的神经网络：最新进展与展望［J］. 计算机科学， 2022， 49（4）： 254-262.
	LI Y， CHEN S C. Physics-informed neural networks： Recent advances and prospects［J］. Computer Science， 2022， 49（4）： 254-262 （in Chinese）.
[15]	PANG G F， LU L， KARNIADAKIS G E. fPINNs： Fractional physics-informed neural networks［J］. SIAM Journal on Scientific Computing， 2019， 41（4）： A2603-A2626.
[16]	HE G Y， ZHAO Y X， YAN C L. MFLP-PINN： A physics-informed neural network for multiaxial fatigue life prediction［J］. European Journal of Mechanics-A/Solids， 2023， 98： 104889.
[17]	BAI Z W， SONG S F. Physics-informed neural network for first-passage reliability assessment of structural dynamic systems［J］. Computers & Structures， 2023， 289： 107189.
[18]	MOHAJERIN N， MOZIFIAN M， WASLANDER S. Deep learning a quadrotor dynamic model for multi-step prediction［C］∥2018 IEEE International Conference on Robotics and Automation （ICRA）. Piscataway： IEEE Press， 2018： 2454-2459.
[19]	GU W B， PRIMATESTA S， RIZZO A. Physics-informed neural network for quadrotor dynamical modeling［J］. Robotics and Autonomous Systems， 2024， 171： 104569.
[20]	王康晋. 基于PINN的细长体飞行器气动特性预测研究［D］. 绵阳：西南科技大学， 2024： 13-15.
	WANG K J. Research on predicting aerodynamic characteristics of slender aircraft based on PINN［D］. Mianyang： Southwest University of Science and Technology， 2024： 13-15 （in Chinese）.
[21]	付军泉，钟伯文，钟运琴，等. 基于物理信息神经网络的飞机气动参数辨识方法［J］. 空气动力学学报， 2023， 41（9）： 30-37.
	FU J Q， ZHONG B W， ZHONG Y Q， et al. A physics informed neural network based method for aircraft aerodynamic parameter identification［J］. Acta Aerodynamica Sinica， 2023， 41（9）： 30-37 （in Chinese）.
[22]	方振平，陈万春，张曙光. 航空飞行器飞行动力学［M］. 北京：北京航空航天大学出版社， 2005： 22-24， 174-181.
	FANG Z P， CHEN W C， ZHANG S G. Aerodynamic flight dynamics of aircraft［M］. Beijing： Beijing University of Aeronautics & Astronautics Press， 2005： 22-24， 174-181 （in Chinese）.
[23]	金长江. 飞行动力学：飞机飞行性能计算［M］. 北京：国防工业出版社， 1983： 29-34.
	JIN C J. Flight dynamics： Aircraft flight performance calculation［M］. Beijing： National Defense Industry Press， 1983： 29-34 （in Chinese）.

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

超参数	数值
输入层神经元数量	17
隐藏层层数	2
隐藏层神经元数量	256，64
输出层神经元数量	4
L2正则化系数	0.1
优化器	Adam
权重初始化	Xavier初始化
激活函数	Tanh
迭代次数	1 000
批次大小	512
学习率	2×10^-5

预测评价指标		迎角/ （°）	侧滑角/ （°）	滚转角/ （°）	俯仰角/ （°）
MSE	NN	0.18	0.37	1.84	0.56
MSE	FD-PINN	0.09	0.26	1.77	0.26
MAE	NN	0.32	0.47	0.78	0.47
MAE	FD-PINN	0.19	0.38	0.73	0.27
R²	NN	0.977	0.826	0.977	0.990
R²	FD-PINN	0.988	0.876	0.978	0.995

预测评价指标		迎角/ （°）	侧滑角/ （°）	滚转角/ （°）	俯仰角/ （°）
MSE	NN	0.54	0.45	5.25	1.06
MSE	FD-PINN	0.17	0.24	2.53	0.66
MAE	NN	0.56	0.48	1.07	0.71
MAE	FD-PINN	0.19	0.37	0.87	0.42
R²	NN	0.968	0.631	0.970	0.977
R²	FD-PINN	0.989	0.803	0.985	0.985

基于物理信息神经网络的飞机姿态预测模型

Aircraft attitude prediction model based on physical information neural networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

[1]	汪清, 郑凤麒, 丁娣, 岳茜. 基于噪声特性估计的气动系数辨识方法[J]. 航空学报, 2025, 46(7): 130920-130920.
[2]	万志强, 张珊珊, 王晓喆, 马靓, 许翱, 吴志刚, 杨超. 弹性飞机机动载荷分析与减缓技术综述[J]. 航空学报, 2025, 46(3): 30279-030279.
[3]	王冶平, 吉洪蕾, 周攀, 叶毅. 基于涡管模型的倾转四旋翼气动干扰快速分析[J]. 航空学报, 2025, 46(2): 130705-130705.
[4]	刘子博, 张冉, 薛文超, 李惠峰. 考虑弹性影响的运载火箭自抗扰减载控制方法[J]. 航空学报, 2025, 46(1): 330319-330319.
[5]	聂博文, 王亮权, 黄志银, 何龙, 杨仕鹏, 颜鸿涛, 章贵川. 复合式高速无人直升机飞行动力学建模与控制策略设计[J]. 航空学报, 2024, 45(9): 529848-529848.
[6]	童晟翔, 史志伟, 耿玺, 王力爽, 孙志坤, 陈其昌. 组合式仿枫树子飞行器与空中分体技术[J]. 航空学报, 2024, 45(6): 629590-629590.
[7]	侯雁翔, 冯立好. 飞翼布局主动流动控制风洞虚拟飞行试验[J]. 航空学报, 2024, 45(24): 630636-630636.
[8]	周攀, 陈仁良, 杨柠檬, 聂博文, 李国强. 倾转四旋翼飞行器操纵策略[J]. 航空学报, 2024, 45(22): 130165-130165.
[9]	李文龙, 吴波, 谢帅. 有起落架布置的翼身整体结构机翼载荷测量技术[J]. 航空学报, 2024, 45(1): 229525-229525.
[10]	王琛, 惠倩倩, 张帆. 水空跨域多模态共轴无人机设计[J]. 航空学报, 2023, 44(21): 529047-529047.
[11]	杜昕, 朱喆, 胡芳芳, 黄江涛, 刘刚, 章胜, 单恩光, 唐骥罡. 空中无人加油自主对接导航制导与控制[J]. 航空学报, 2023, 44(20): 628827-628827.
[12]	宋亚辉, 樊高宇, 瞿丽霞, 张跃林, 徐悦, 韩硕. 航空器声爆飞行试验测量技术研究进展[J]. 航空学报, 2023, 44(2): 626186-626186.
[13]	张刘, 黄勇, 陈辅政, 朱正龙, 郭天豪, 姜裕标, 周铸. 基于环量控制的无尾飞翼俯仰和滚转两轴无舵面姿态控制飞行试验[J]. 航空学报, 2023, 44(18): 128224-128224.
[14]	丁军亮, 赵利利, 杨涛, 张海妮, 申晓霞. 自然结冰飞行试验技术综述[J]. 航空学报, 2023, 44(17): 28270-028270.
[15]	王洛烽, 陈仁良. 吊挂飞行对重型直升机空中共振稳定性的影响机理分析[J]. 航空学报, 2023, 44(16): 227983-227983.