买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学宁波研究院

摘要：本发明公开了再入飞行器闭环姿态动力学不确定性辨识方法，包括步骤：构建包含气动参数摄动的再入飞行器再入过程的闭环姿态动力学模型，对姿态控制任务进行等间隔采样得到状态量和控制量的时序数据，作为训练数据；搭建深度学习网络拟合未知摄动，构建数据驱动模型，在数据驱动模型的损失函数的基础上，增加控制方程残差项，形成物理驱动模块的损失函数；基于训练数据训练深度学习网络直至物理驱动模块的损失函数最小，获得气动参数摄动的辨识值。本发明提供通过构建飞行器气动参数摄动模型与物理信息神经辨识网络，进行仿真验证，可以实现闭环系统中未知时变参数目标，能够同时有效辨识出再入飞行器多个时变气动参数摄动。

主权项：1.一种再入飞行器闭环姿态动力学不确定性辨识方法，其特征在于，包括以下步骤：构建包含气动参数摄动的再入飞行器再入过程的闭环姿态动力学模型，对姿态控制任务进行等间隔采样得到状态量和控制量的时序数据，作为训练数据；由于风洞数据与实际飞行环境不同，模型中考虑的不确定因素如下： ； 表示标称值，为摄动量，扰动范围应限制在-1和1之间；升力系数、俯仰力矩系数和密度的摄动取值分别设置为、和；搭建深度学习网络拟合未知摄动，构建数据驱动模型，在所述数据驱动模型的损失函数的基础上，增加控制方程残差项，形成物理驱动模块的损失函数；基于所述训练数据训练所述深度学习网络直至物理驱动模块的损失函数最小，获得气动参数摄动的辨识值；其中，搭建深度学习网络拟合未知摄动，包括步骤：定义与故障类型数量相同的全连接前馈神经网络；每个网络都包括：一个输入层、多个隐藏层和一个输出层，输入层仅包含时间t，输出层代表一个未知的故障；考虑到第层有N个神经元，第层的输入输出形式为： ；式中，为非线性神经元激活函数，表示第层的输入，表示第层的输出，为权值矩阵，为与第层相对应的偏置向量；构建数据驱动模型，包括步骤：数据驱动模型包括：3个深度神经网络，每个深度神经网络由6个隐藏层组成，隐藏层的神经元数量依次为400、300、200、100、100和50，激活函数采用tanh函数；DNNs模块输入输出为 ； ；三个深度神经网络的最终输出分别用于逼近；在所述数据驱动模型的损失函数的基础上，增加控制方程残差项，形成物理驱动模块的损失函数，包括步骤：定义时间区间和分别代表初始时刻和终端时刻；和表示在第秒时的观测数据，表示采样间隔，N为采样点数；对于状态量在时刻的差分值为： ；时刻的物理函数定义为： ；其中，每个带下标的f函数表示微分方程在时刻的值，每个微分方程中都包含相应的故障影响项，神经网络辨识这些参数在时间上的值，分别表示在时间的状态量与控制量；则损失函数表示为： 。

全文数据：

权利要求：

百度查询： 西北工业大学宁波研究院 再入飞行器闭环姿态动力学不确定性辨识方法