基于循环神经网络的非失速和近失速飞行数据气动参数辨识

doi:10.7527/S1000-6893.2025.31483

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

基于循环神经网络的非失速和近失速飞行数据气动参数辨识

惠哲¹^,²^,³, 都东岳⁴, 刘雨亭¹^,², 昌敏¹^,²^,³(), 白俊强¹^,²^,³^,⁴

^1.西北工业大学无人系统技术研究院，西安 710072
^2.西北工业大学无人飞行器技术全国重点实验室，西安 710072
^3.西北工业大学无人机技术集成攻关大平台，西安 710072
^4.西北工业大学航空学院，西安 710072

收稿日期:2024-11-01 修回日期:2024-12-16 接受日期:2025-04-02 出版日期:2025-04-11 发布日期:2025-04-10
通讯作者: 昌敏 E-mail:changmin@nwpu.edu.cn
基金资助:
国家自然科学基金(12402272);陕西省自然科学基础研究计划项目(2024JC-YBQN-0024);中央高校基本科研业务费专项资金(D5000240030)

Aerodynamic parameter identification of non-stall and near-stall flight data using recurrent neural networks

Zhe HUI¹^,²^,³, Dongyue DU⁴, Yuting LIU¹^,², Min CHANG¹^,²^,³(), Junqiang BAI¹^,²^,³^,⁴

^1.Unmanned System Research Institute，Northwestern Polytechnical University，Xi’an 710072，China
^2.National Key Laboratory of Unmanned Aerial Vehicle Technology，Northwestern Polytechnical University，Xi’an 710072，China
^3.Integrated Research and Development Platform of Unmanned Aerial Vehicle Technology，Northwestern Polytechnical University，Xi’an 710072，China
^4.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China

Received:2024-11-01 Revised:2024-12-16 Accepted:2025-04-02 Online:2025-04-11 Published:2025-04-10
Contact: Min CHANG E-mail:changmin@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(12402272);Natural Science Basic Research Program of Shaanxi Province(2024JC-YBQN-0024);Fundamental Research Funds for the Central Universities(D5000240030)

摘要/Abstract

摘要：

提出了一种结合门控循环单元（GRU）神经网络模型和高斯-牛顿（GN）优化算法的气动参数辨识方法，旨在分别从自主研发的小型无人机和ATTAS飞机生成的纵向飞行数据中准确辨识未知的气动参数。经过设计和训练的GRU网络模型用以表征所选飞机系统的动力学，同时避免对其假设的动力学模型进行数值积分。GN优化算法结合训练完毕的GRU网络模型，通过迭代最小化与未知气动参数相关的代价函数来获得高置信度的参数辨识结果。本文用到的实测飞行数据包括：自研无人机的非失速飞行数据和ATTAS飞机的近失速飞行数据。研究结果表明：GRU网络模型可以通过调整相应的网络参数（诸如，隐藏层的数量、单个隐藏层中的单元数量、丢弃率、时间步长和学习率）来保持对非失速和近失速飞行数据的可靠预测效果。此外，通过将所选飞机气动参数的辨识值与相对应的风洞测量值或参考值进行比较，证实了所提参数辨识方法的有效性。

关键词: 气动参数辨识方法, GRU网络模型, GN优化算法, 实测飞行数据, 网络参数

Abstract:

This paper proposes a new aerodynamic parameter identification method that combines a Gated Recurrent Unit （GRU） neural network model and the Gauss-Newton （GN） optimization algorithm， aiming to accurately identify the unknown aerodynamic parameters from longitudinal flight data generated by a self-developed small-sized Unmanned Aerial Vehicle （UAV） and ATTAS aircraft. The GRU network model was designed and then trained to characterize the chosen aircraft systems’ dynamics while avoiding numerical integrals of the postulated dynamic models. The GN optimization algorithm incorporates the trained GRU network model to obtain high-confidence identification results by iteratively minimizing a cost function concerning the unknown aerodynamic parameters. The measured flight data used in this study includes non-stall flight data from the self-developed UAV and near-stall flight data from the ATTAS aircraft. The study results demonstrate that the GRU network model can maintain reliable prediction effects for the non-stall and near-stall flight data by adjusting the corresponding network parameters such as the number of hidden layers， number of units in each hidden layer， dropout rate， time-step， and learning rate. Furthermore， the effectiveness of the proposed parameter identification method is confirmed by comparing the identified aerodynamic parameters with the corresponding wind tunnel or reference values.

Key words: aerodynamic parameter identification method, GRU network model, GN optimization algorithm, measured flight data, network parameters

中图分类号:

V217⁺.1

惠哲, 都东岳, 刘雨亭, 昌敏, 白俊强. 基于循环神经网络的非失速和近失速飞行数据气动参数辨识[J]. 航空学报, 2025, 46(23): 131483.

Zhe HUI, Dongyue DU, Yuting LIU, Min CHANG, Junqiang BAI. Aerodynamic parameter identification of non-stall and near-stall flight data using recurrent neural networks[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(23): 131483.

图/表 15

图 1

图 2

图 3

表1

自研无人机的基本参数

无人机基本参数	数值
质量m/kg	1.216
平均气动弦长 $c ¯$ /m	0.150
翼展b/m	1.002
翼面积S/m²	0.122
滚转惯性矩I_x/（ $k g ∙ m 2$ ）	0.074
俯仰惯性矩I_y/（ $k g ∙ m 2$ ）	0.054
偏航惯性矩I_z/（ $k g ∙ m 2$ ）	0.124
惯性积I_xz/（ $k g ∙ m 2$ ）	0

表1

图 4

图 5

图 6

表2

ATTAS飞机的基本参数

基本参数	数值
质量m/kg	17 631
平均气动弦长 $c ¯$ /m	3.159
翼展b/m	21.5
翼面积S/m²	64
滚转惯性矩I_x /（ $k g ∙ m 2$ ）	133 367
俯仰惯性矩I_y /（ $k g ∙ m 2$ ）	252 687
偏航惯性矩I_z /（ $k g ∙ m 2$ ）	359 593
惯性积I_xz /（ $k g ∙ m 2$ ）	11 442

表2

表3

图 7

表4

自研无人机纵向气动参数的辨识结果

参数	风洞试验结果 ^［33］		辨识结果
参数	风速 15 m/s	风速 20 m/s	LG-1	LG-2
C_D₀	0.097 3	0.079 9	0.101 7 （0.000 7）	0.084 1 （0.000 3）
C_L₀	0.426 6	0.364 6	0.410 6 （0.015 2）	0.352 8 （0.021 0）
C_Lα	0.079 8	0.073 6	0.082 5 （0.000 7）	0.070 9 （0.000 8）
$C L δ e$	0.005 1	0.004 2	0.004 6 （0.000 3）	0.003 5 （0.000 1）
C_Lq			0.584 0 （0.016 5）	0.432 2 （0.012 9）
C_m₀	0.004 9	-0.017 5	0.005 4 （0.000 7）	-0.018 7 （0.001 1）
C_mα	-0.003 4	-0.002 2	-0.003 9 （0.000 1）	-0.002 5 （0.000 4）
$C m δ e$	-0.001 1	-0.001 1	-0.000 9 （0.000 1）	-0.001 0 （0.000 1）
C_mq			0.008 4 （0.002 9）	0.012 6 （0.003 8）

表4

图 8

图 9

表5

ATTAS飞机近失速特性的辨识结果

近失速参数

参数辨识结果

OEM^［25］

RELM-GN 方法^［25］

GRU-GN

方法

C_D₀

0.041 1

（0.000 8）

0.041 7

（0.000 6）

0.041 5

（5.95×10^-5）

0.788 2

（0.008 9）

0.794 9

（0.007 5）

0.818 7

（0.000 9）

C_L₀

0.175 9

（0.005 7）

0.183 5

（0.004 3）

0.196 2

（0.000 1）

C_Lα

3.891 4

（0.050 2）

3.906 6

（0.039 6）

3.939 9

（0.004 4）

C_LαMa

6.033 4

（0.296 9）

5.808 6

（0.219 5）

5.574 0

（0.019 5）

C_m₀

0.136 1

（0.002 9）

0.114 7

（0.004 5）

0.106 4

（7.24×10^-5）

C_mα

-0.699 1

（0.017 8）

-0.566 3

（0.027 8）

-0.510 0

（0.000 5）

C_mq

-14.924 3

（0.403 1）

-16.206 1

（0.696 5）

-16.766 9

（0.035 3）

C m δ e

-1.232 9

（0.025 4）

-1.028 5

（0.039 0）

-1.025 0

（0.001 2）

a₁

33.280 9

（0.872 3）

29.386 9

（1.029 7）

28.441 9

（0.067 0）

α^*/rad

0.311 1

（0.001 0）

0.310 3

（0.001 1）

0.309 6

（0.000 1）

τ₂

43.913 8

（0.492 5）

40.649 9

（0.635 9）

42.979 6

（0.059 6）

∂ C D / ∂ X

0.103 2

（0.008 0）

0.103 3

（0.008 2）

0.106 2

（0.000 1）

∂ C m / ∂ X

-0.332 8

（0.012 9）

-0.307 2

（0.014 0）

-0.298 1

（0.000 3）

表5

图 10

参考文献 35

[1]	HAMEL P G， JATEGAONKAR R V. Evolution of flight vehicle system identification［J］. Journal of Aircraft， 1996， 33（1）： 9-28.
[2]	JATEGAONKAR R V. Flight vehicle system identification： A time-domain methodology， second edition［R］. Reston： AIAA， 2015.
[3]	SIMMONS B M， MCCLELLAND H G， WOOLSEY C A. Nonlinear model identification methodology for small， fixed-wing， unmanned aircraft［J］. Journal of Aircraft， 2019， 56（3）： 1056-1067.
[4]	HUI Z， CHEN G. Aerodynamic parameter estimation for a morphing unmanned aerial vehicle from flight tests［J］. Journal of Aerospace Information Systems， 2023， 20（9）： 588-595.
[5]	SEO G G， KIM Y， SADERLA S. Kalman-filter based online system identification of fixed-wing aircraft in upset condition［J］. Aerospace Science and Technology， 2019， 89： 307-317.
[6]	PEYADA N K， SEN A， GHOSH A K. Aerodynamic characterization of HANSA-3 aircraft using equation error， maximum likelihood and filter error methods［C］∥ Proceedings of the International MultiConference of Engineers and Computer Scientists 2008 （IMECS 2008）. Hongkong： IAENG， 2008.
[7]	TAI S， WANG L X， WANG Y L， et al. Flight dynamics modeling and aerodynamic parameter identification of four-degree-of-freedom virtual flight test［J］. AIAA Journal， 2023， 61（6）： 2652-2665.
[8]	CHOWDHARY G， JATEGAONKAR R. Aerodynamic parameter estimation from flight data applying extended and unscented Kalman filter［J］. Aerospace Science and Technology， 2010， 14（2）： 106-117.
[9]	KUMAR R， GHOSH A K， MISRA A. Parameter estimation from flight data of hansa-3 aircraft using quasi-steady stall modeling［J］. Journal of Aerospace Engineering， 2013， 26（3）： 544-554.
[10]	SADERLA S， KIM Y， GHOSH A K. Online system identification of mini cropped delta UAVs using flight test methods［J］. Aerospace Science and Technology， 2018， 80： 337-353.
[11]	HESS R. On the use of back propagation with feed-forward neural networks for the aerodynamic estimation problem： AIAA-1993-3638［R］. Reston： AIAA， 1993.
[12]	LINSE D J， STENGEL R F. Identification of aerodynamic coefficients using computational neural networks［J］. Journal of Guidance， Control， and Dynamics， 1993， 16（6）： 1018-1025.
[13]	GHOSH A K， RAISINGHANI S C， KHUBCHANDANI S. Estimation of aircraft lateral-directional parameters using neural networks［J］. Journal of Aircraft， 1998， 35（6）： 876-881.
[14]	RAISINGHANI S C， GHOSH A K， KALRA P K. Two new techniques for aircraft parameter estimation using neural networks［J］. The Aeronautical Journal， 1998， 102（1011）： 25-30.
[15]	SINGH S， GHOSH A. Parameter estimation from flight data of a missile using maximum likelihood and neural network method： AIAA-2006-6284［R］. Reston： AIAA， 2006.
[16]	DAS S， KUTTIERI R A， SINHA M， et al. Neural partial differential method for extracting aerodynamic derivatives from flight data［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（2）： 376-384.
[17]	PEYADA N K， GHOSH A K. Aircraft parameter estimation using a new filtering technique based upon a neural network and Gauss-Newton method［J］. The Aeronautical Journal， 2009， 113（1142）： 243-252.
[18]	PEYADA N， GHOSH A. Aircraft parameter estimation using neural network based algorithm： AIAA-2009- 5941［R］. Reston： AIAA， 2009.
[19]	KUMAR R， GHOSH A K. Nonlinear aerodynamic modeling from flight data at high angles of attack using neural-Gauss-Newton method： AIAA-2015-2707［R］. Reston： AIAA， 2015.
[20]	SADERLA S， DHAYALAN R， GHOSH A K. Parameter estimation from near stall flight data using conventional and neural-based methods［J］. Defence Science Journal， 2016， 67（1）： 3-11.
[21]	SADERLA S， DHAYALAN R， SINGH K， et al. Longitudinal and lateral aerodynamic characterisation of reflex wing unmanned aerial vehicle from flight tests using maximum likelihood， least square and neural gauss newton methods［J］. The Aeronautical Journal， 2019， 123（1269）： 1807-1839.
[22]	WANG Z G， LI A J， WANG L H， et al. Aerodynamic coefficients modeling using Levenberg-Marquardt algorithm and network［J］. Aircraft Engineering and Aerospace Technology， 2022， 94（3）： 336-350.
[23]	VERMA H O， PEYADA N K. Parameter estimation of unstable aircraft using extreme learning machine［J］. Defence Science Journal， 2017， 67（6）： 603-611.
[24]	VERMA H O， PEYADA N. Parameter estimation of stable and unstable aircraft using extreme learning machine： AIAA-2018-0526［R］. Reston： AIAA， 2018.
[25]	VERMA H O， PEYADA N K. Estimation of aerodynamic parameters near stall using maximum likelihood and extreme learning machine-based methods［J］. The Aeronautical Journal， 2021， 125（1285）： 489-509.
[26]	VERMA H O， PEYADA N K. Estimation of longitudinal aerodynamic parameters using recurrent neural network［J］. The Aeronautical Journal， 2023， 127（1308）： 255-267.
[27]	HUI Z， KONG Y N， YAO W G， et al. Aircraft parameter estimation using a stacked long short-term memory network and Levenberg-Marquardt method［J］. Chinese Journal of Aeronautics， 2024， 37（2）： 123-136.
[28]	HUANG G B， ZHU Q Y， SIEW C K. Extreme learning machine： Theory and applications［J］. Neurocomputing， 2006， 70（1-3）： 489-501.
[29]	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780.
[30]	CHO K， VAN MERRIENBOER B， GULCEHRE C， et al. Learning phrase representations using RNN encoder-decoder for statistical machine translation ［DB/OL］. arXiv preprint：1406.1078， 2014.
[31]	DEY R， SALEM F M. Gate-variants of gated recurrent unit （GRU） neural networks［C］∥2017 IEEE 60th International Midwest Symposium on Circuits and Systems （MWSCAS）. Piscataway： IEEE Press， 2017： 1597-1600.
[32]	SRIVASTAVA N， HINTON G E， KRIZHEVSKY A， et al. Dropout： A simple way to prevent neural networks from overfitting［J］. Journal of Machine Learning Research， 2014， 15（1）： 1929-1958.
[33]	HUI Z， ZHANG Y， CHEN G. Aerodynamic performance investigation on a morphing unmanned aerial vehicle with bio-inspired discrete wing structures［J］. Aerospace Science and Technology， 2019， 95： 105419.
[34]	XU D， HUI Z， LIU Y Q， et al. Morphing control of a new bionic morphing UAV with deep reinforcement learning［J］. Aerospace Science and Technology， 2019， 92： 232-243.
[35]	GLOROT X， BENGIO Y. Understanding the difficulty of training deep feedforward neural networks［C］∥Proceedings of the Thirteenth International Conference on Artificial Intelligence and Statistics （AISTATS）. Brookline： Microtome Publishing， 2010.

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

训练集	时间步长l	RMSE	R²
	10	0.087 2	0.982 7
LG-1	20	0.066 7	0.990 5
	30	0.059 2	0.993 8
	60	0.052 4	0.995 7
	100	0.042 6	0.997 3
	150	0.057 4	0.992 0
	10	0.085 8	0.971 9
LG-2	20	0.066 1	0.984 1
	30	0.066 2	0.988 4
	60	0.055 5	0.992 6
	100	0.044 8	0.995 0
	150	0.062 1	0.992 0

基于循环神经网络的非失速和近失速飞行数据气动参数辨识

Aerodynamic parameter identification of non-stall and near-stall flight data using recurrent neural networks

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 35

相关文章 4

编辑推荐

Metrics

本文评价

[1]	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.
[2]	李赛, 党小宇, 郝崇正, 李杰. 改进的航空遥测信道探测[J]. 航空学报, 2022, 43(1): 324881-324881.
[3]	朱秋明, 周生奎, 霍帅珂, 陈小敏, 徐大专. 无人机中继平台覆盖区域统计模型[J]. 航空学报, 2014, 35(1): 223-229.
[4]	杨明月, 寿莹鑫, 唐勇, 刘畅, 许斌. 多四旋翼无人机编队保持与避碰控制[J]. 航空学报, 2022, 43(S1): 726913-726913.