基于深度学习的高空风在线估计及预报方法

doi:10.7527/S1000-6893.2022.27860

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于深度学习的高空风在线估计及预报方法

张荣升¹, 吴燕生²(), 秦旭东¹, 张普卓¹

^1.北京宇航系统工程研究所，北京 100076
^2.中国航天科技集团有限公司，北京 100048

收稿日期:2022-07-28 修回日期:2022-09-28 接受日期:2022-10-25 出版日期:2023-07-15 发布日期:2022-11-04
通讯作者: 吴燕生 E-mail:WuYSh_CASC@163.com

A real⁃time in⁃flight wind estimation and prediction method based on deep learning

Rongsheng ZHANG¹, Yansheng WU²(), Xudong QIN¹, Puzhuo ZHANG¹

^1.Beijing Institute of Astronautical Systems Engineering，Beijing 100076，China
^2.China Aerospace Science and Technology Corporation，Beijing 100048，China

Received:2022-07-28 Revised:2022-09-28 Accepted:2022-10-25 Online:2023-07-15 Published:2022-11-04
Contact: Yansheng WU E-mail:WuYSh_CASC@163.com

摘要/Abstract

摘要：

针对运载火箭高空风数据预报偏差较大、飞行中难以获取的问题，提出了一种基于深度学习对运载火箭飞行中高空风进行在线估计及预报的方法。通过计算某地区近15年高空风实测数据的时空分布情况，获得该地区冬季风速明显偏高、风向集中在270°附近的规律，作为生成样本集和风场预报的依据；推导了高空风对火箭飞行状态的影响，根据推导结果设计了深度神经网络，由火箭飞行状态量估计高空风；提出了一种基于高空风时空分布的深度学习高空风预报方法，解释了通过深度学习方法预报高空风的合理性。在火箭飞行任务中进行算法的搭载飞行实验，验证了算法的准确性和实时性，算法具备工程实施的可行性。

关键词: 运载火箭, 高空风, 深度学习, 估计及预报, 高空风时空分布

Abstract:

The in-flight wind of launch vehicles is difficult to measure during flight， and the prediction error is great occasionally. In this paper， a real-time in-flight wind estimation and prediction method is proposed based on deep learning. By computing the spatial and temporal distribution of actual measurement data of in-flight wind in past 15 years， we acquire the rule that the wind velocity is higher and the wind direction is concentrated at 270° in winter， which is taken as the basis of sample set generation and wind prediction. Response of flight state to in-flight wind is obtained. Based on the obtained result， a deep neural network is designed to estimate the in-flight wind via the launch vehicle’s flight state. Next， a wind prediction method is proposed based on spatial and temporal distribution of in-flight wind. The rationality of wind prediction via deep learning is also given. We carry out a flight experiment on launch vehicle to verify the accuracy and real-timeliness of the proposed method. The proposed method is feasible for engineering implementation.

Key words: launch vehicle, in-flight wind, deep learning, estimation and prediction, spatial and temporal distribution of in-flight wind

中图分类号:

V475.1

张荣升, 吴燕生, 秦旭东, 张普卓. 基于深度学习的高空风在线估计及预报方法[J]. 航空学报, 2023, 44(13): 327860-327860.

Rongsheng ZHANG, Yansheng WU, Xudong QIN, Puzhuo ZHANG. A real⁃time in⁃flight wind estimation and prediction method based on deep learning[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(13): 327860-327860.

图/表 22

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表 1

表 2

图 8

图 9

图 10

图 11

表 3

图 12

图 13

图 14

图 15

图 16

图 17

图 18

图 19

参考文献 33

1	JOHNSON D L， VAUGHAN W W. The wind environment interactions relative to launch vehicle design［J］. Journal of Aerospace Technology and Management， 2020（12）： 1-13.
2	LESTER H C， TOLEFSON H B. A study of launch-vehicle responses to detailed characteristics of the wind profile［J］. Journal of Applied Meteorology， 1964， 3（5）： 491-498.
3	王建明，林娜，张博戎. 某大型低温火箭高空风载荷分析［J］. 导弹与航天运载技术， 2021（5）： 137-141.
	WANG J M， LIN N， ZHANG B R. Analysis on flight wind-load for large cryogenic rocket［J］. Missiles and Space Vehicles， 2021（5）： 137-141 （in Chinese）.
4	余梦伦. CZ-2E火箭高空风弹道修正［J］. 导弹与航天运载技术， 2001（1）： 9-15.
	YU M L. CZ-2E ballistic correction for high altitude wind［J］. Missiles and Space Vehicles， 2001（1）： 9-15 （in Chinese）.
5	程胡华，李娟，肖云清，等. 风偏差对火箭最大气动载荷精度的影响［J］. 北京航空航天大学学报， 2021， 47（10）： 2034-2042.
	CHENG H H， LI J， XIAO Y Q， et al. Influence of wind deviation on rocket maximum aerodynamic load accuracy［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（10）： 2034-2042 （in Chinese）.
6	马林，昝兴海，张琦. 考虑随机误差传递的高空风计算方法［J］. 兵器装备工程学报， 2016， 37（8）： 173-176.
	MA L， ZAN X H， ZHANG Q. Calculation method of the upper-air wind considering random error transfer［J］. Journal of Ordnance Equipment Engineering， 2016， 37（8）： 173-176 （in Chinese）.
7	唐学海，刘伯阳. 一种基于椭球分层模型的电波折射修正算法［J］. 电子与信息学报， 2015， 37（6）： 1507-1512.
	TANG X H， LIU B Y. Radio wave refraction correction algorithm based on ellipsoid stratification atmospheric structure model［J］. Journal of Electronics & Information Technology， 2015， 37（6）： 1507-1512 （in Chinese）.
8	FU B S， QI H， XU J T， et al. Attitude control in ascent phase of missile considering actuator non-linearity and wind disturbance［J］. Applied Sciences， 2019， 9（23）： 5113.
9	GAO Z X， FU J. Robust LPV modeling and control of aircraft flying through wind disturbance［J］. Chinese Journal of Aeronautics， 2019， 32（7）： 1588-1602.
10	王景国，卞韩城，陈学林，等. CZ-2F火箭整流罩残骸落点预报方法研究［J］. 载人航天， 2014， 20（5）： 457-460.
	WANG J G， BIAN H C， CHEN X L， et al. Research on impact point prediction methods of CZ-2F rocket fairing debris［J］. Manned Spaceflight， 2014， 20（5）： 457-460 （in Chinese）.
11	LEGRAND K， PUECHMOREL S， DELAHAYE D， et al. Robust aircraft optimal trajectory in the presence of wind［J］. IEEE Aerospace and Electronic Systems Magazine， 2018， 33（11）： 30-38.
12	HUI Y L， NAN Y， CHEN S D， et al. Dynamic attack zone of air-to-air missile after being launched in random wind field［J］. Chinese Journal of Aeronautics， 2015， 28（5）： 1519-1528.
13	李争学，贺元军，张广春，等. 风干扰引起的飞行器附加攻角和附加侧滑角计算方法［J］. 导弹与航天运载技术， 2016（5）： 66-73.
	LI Z X， HE Y J， ZHANG G C， et al. Calculation of the additional attack angle and the additional sideslip angle of craft caused by wind disturbance［J］. Missiles and Space Vehicles， 2016（5）： 66-73 （in Chinese）.
14	杨小龙. 飞行器纵向风扰动的辨识方法研究［J］. 系统工程理论与实践， 1996， 16（9）： 81-84.
	YANG X L. Longitudinal wind disturbance identification for a flight vehicle［J］. Systems Engineering-Theory & Practice， 1996， 16（9）： 81-84 （in Chinese）.
15	孙友，杨广慧. 大气层内飞行器风速在线辨识方法［J］. 航天控制， 2012， 30（6）： 3-6.
	SUN Y， YANG G H. A method of on-line wind identification in the field of guided aerocraft［J］. Aerospace Control， 2012， 30（6）： 3-6 （in Chinese）.
16	李洪. 智慧火箭发展路线思考［J］. 宇航总体技术， 2017， 1（1）： 1-7.
	LI H. The developing roadmap of intelligent launch vehicle［J］. Astronautical Systems Engineering Technology， 2017， 1（1）： 1-7 （in Chinese）.
17	CHAI R Q， TSOURDOS A， SAVVARIS A， et al. Six-DOF spacecraft optimal trajectory planning and real-time attitude control： A deep neural network-based approach［J］. IEEE Transactions on Neural Networks and Learning Systems， 2020， 31（11）： 5005-5013.
18	张荣升，吴燕生，秦旭东，等. 运载火箭推力下降故障下的在线弹道重构方法［J］. 南京航空航天大学学报， 2021， 53（S1）： 25-31.
	ZHANG R S， WU Y S， QIN X D， et al. Online trajectory reconstruction of launch vehicle with thrust drop faults［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2021， 53（S1）： 25-31 （in Chinese）.
19	ZHANG R S， ZHANG P Z， QIN X D， et al. Real-time guidance for launch vehicles under thrust drop fault via deep learning［C］∥ 2021 China Automation Congress （CAC）. Piscataway： IEEE Press， 2022： 5520-5525.
20	高晓光，李新宇，岳勐琪，等. 基于深度学习的地空导弹发射区拟合算法［J］. 航空学报， 2019， 40（9）： 322858.
	GAO X G， LI X Y， YUE M Q， et al. Fitting algorithm of ground-to-air missile launching area based on deep learning［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（9）： 322858 （in Chinese）.
21	ZHANG C Y， JI R P， LIANG Y， et al. LSTM-based boost-phase ballistic missile tracking［C］∥ 2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference （ITAIC）. Piscataway： IEEE Press， 2021： 931-936.
22	KIM J， LIM M C， PARK S S， et al. Ballistic object trajectory and launch point estimation from radar measurements using long-short term memory networks［C］∥ 2019 7th International Conference on Robot Intelligence Technology and Applications （RiTA）. Piscataway： IEEE Press， 2019： 26-31.
23	HUANG L M， CHEN W C. Deep learning midcourse guidance for interceptor missile［C］∥2019 IEEE 3rd Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. Piscataway： IEEE Press， 2019： 1129-1134.
24	汪韧，惠俊鹏，俞启东，等. 基于LSTM模型的飞行器智能制导技术研究［J］. 力学学报， 2021， 53（7）： 2047-2057.
	WANG R， HUI J P， YU Q D， et al. Research of LSTM model-based intelligent guidance of flight aircraft［J］. Chinese Journal of Theoretical and Applied Mechanics， 2021， 53（7）： 2047-2057 （in Chinese）.
25	王因翰，范世鹏，吴广，等. 基于GRU的敌方拦截弹制导律快速辨识方法［J］. 航空学报， 2022， 43（2）： 325024.
	WANG Y H， FAN S P， WU G， et al. Fast guidance law identification approach for incoming missile based on GRU network［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（2）： 325024 （in Chinese）.
26	JIAO R H， PENG K X， DONG J. Remaining useful life prediction for a roller in a hot strip mill based on deep recurrent neural networks［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（7）： 1345-1354.
27	康守强，周月，王玉静，等. 基于改进SAE和双向LSTM的滚动轴承RUL预测方法［J］. 自动化学报， 2022， 48（9）： 2327-2336.
	KANG S Q， ZHOU Y， WANG Y J， et al. RUL prediction method of a rolling bearing based on improved SAE and Bi-LSTM［J］. Acta Automatica Sinica， 2022， 48（9）： 2327-2336 （in Chinese）.
28	任俊超，刘丁，万银. 基于混合集成建模的硅单晶直径自适应非线性预测控制［J］. 自动化学报， 2020， 46（5）： 1004-1016.
	REN J C， LIU D， WAN Y. Hybrid integrated modeling based adaptive nonlinear predictive control of silicon single crystal diameter［J］. Acta Automatica Sinica， 2020， 46（5）： 1004-1016 （in Chinese）.
29	HOU X R， WANG K， ZHONG C， et al. ST-trader： A spatial-temporal deep neural network for modeling stock market movement［J］. IEEE/CAA Journal of Automatica Sinica， 2021， 8（5）： 1015-1024.
30	SUN L H， YANG B Q， MA J. A trajectory prediction algorithm for HFVs based on LSTM［C］∥ 2021 40th Chinese Control Conference （CCC）. Piscataway： IEEE Press， 2021： 7927-7931.
31	SATIR A S， DEMIR U， SEVER G G， et al. Nonlinear model based guidance with deep learning based target trajectory prediction against aerial agile attack patterns［C］∥ 2021 American Control Conference （ACC）. Piscataway： IEEE Press， 2021： 2607-2612.
32	赵世军，高太长，刘涛，等. 基于北斗一号的高空风探测方法研究［J］. 气象科技， 2012， 40（2）： 170-174.
	ZHAO S J， GAO T C， LIU T， et al. Upper wind sounding method based on Beidou-Ⅰ navigation system［J］. Meteorological Science and Technology， 2012， 40（2）： 170-174 （in Chinese）.
33	徐延万. 液体弹道导弹与运载火箭系列控制系统（上）［M］. 北京：中国宇航出版社， 1989： 147-149.
	XU Y W. Control system design of liquid propellant ballistic missile and launch vehicle（I）［M］. Beijing： China Astronautic Publishing House， 1989： 147-149 （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

序号	层	神经元数
1	输入层	5
2	LSTM	150
3	Relu
4	FCNN	100
5	Relu
6	FCNN	50
7	Relu
8	FCNN	20
9	Relu
10	输出层	2

序号	层	神经元数
1	输入层	3
2	LSTM	100
3	FCNN	30
4	Relu
5	FCNN	30
6	Relu
7	FCNN	10
8	Relu
9	输出层	2

风速偏差	估计风	预报风
x风速偏差绝对值平均值/（m·s^-1）	0.85	1.32
x风速偏差90%分位数平均值/（m·s^-1）	2.13/-1.62	3.41/-2.22
x风速偏差99%分位数平均值/（m·s^-1）	3.93/-3.34	6.02/-4.11
y风速偏差绝对值平均值/（m·s^-1）	0.92	1.31
y风速偏差90%分位数平均值/（m·s^-1）	1.82/-1.98	2.50/-2.87
y风速偏差99%分位数平均值/（m·s^-1）	2.98/-3.33	6.30/-5.31

[1]	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.
[2]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[3]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[4]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[5]	陈立群, 邹旭, 张磊, 朱颖盼, 王港, 陈金勇. 基于国产商用器件的星载智能目标检测技术[J]. 航空学报, 2023, 44(S2): 728860-728860.
[6]	刘鹏宇, 朱雪耀. 基于深度学习的融合空域空管指令语义解析技术[J]. 航空学报, 2023, 44(S1): 727592-727592.
[7]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.
[8]	丁鹏, 宋亚飞. 代价敏感的空中目标意图识别方法[J]. 航空学报, 2023, 44(24): 328551-328551.
[9]	何林坤, 薛文超, 张冉, 李惠峰. 运载火箭动力着陆段制导控制方法综述与展望[J]. 航空学报, 2023, 44(23): 628462-628462.
[10]	包为民. 可重复使用运载火箭技术发展综述[J]. 航空学报, 2023, 44(23): 629555-629555.
[11]	张智, 袁晗, 张晚晴. 基于重力转弯解析解的动力减速制导方法[J]. 航空学报, 2023, 44(23): 628483-628483.
[12]	吕艳, 刘琳, 张广勇, 梁磊, 郑学升. 空射火箭可重复使用技术[J]. 航空学报, 2023, 44(23): 628083-628083.
[13]	顾孟奇, 朱家才, 郭万林, 薛松. 可重复使用运载火箭结构疲劳耐久性与可靠性展望[J]. 航空学报, 2023, 44(23): 628299-628299.
[14]	陈星伦, 张冉, 张晓燕. 大气层内动力下降段的组合干扰补偿制导[J]. 航空学报, 2023, 44(23): 628465-628465.
[15]	李晓航, 周建江. 基于自适应记忆长度的多尺度模态融合网络[J]. 航空学报, 2023, 44(22): 628977-628977.

基于深度学习的高空风在线估计及预报方法

A real⁃time in⁃flight wind estimation and prediction method based on deep learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 33

相关文章 15

编辑推荐

Metrics

本文评价