本发明涉及航空飞行器建模，尤其是涉及一种融合绳系支撑动力学方程的神经网络气动建模方法。
背景技术：
1、对于非定常气动力建模问题，早期研究主要采用基于数学关系的物理建模方法，即以非定常流动现象和物理机理为基础来建立气动力与飞行状态之间的数学关系，包括代数模型、阶跃响应模型、状态空间模型、微分方程模型等。这些方法通常具有明确的物理意义，外插性能较好，但是模型的准确程度受限于对物理意义的理解程度和数学模型简化程度。
2、近年来，随着深度学习等人工智能方法的快速发展，机器学习模型在非定常气动力建模研究中得到了广泛应用。这种方法避开了对复杂的物理机理的解释，将气动力的建立过程看作“黑箱”问题，利用具有非线性拟合能力的机器学习模型来建立气动力与飞行状态之间的关系。通过大量气动力数据对模型进行训练，最终实现对非定常气动力的建模。如支持向量机，神经网络等。但这些方法本质上都是前向的静态模型，无法准确表达非定常气动力对于时间序列的迟滞与记忆的特点。而循环神经网络的引入解决上述问题。机器学习类模型可以很好的拟合非线性关系，但此类方法一般基于数据驱动，即模型可以对输入和输出之间的数据关系进行预测，但无法提供关于为什么会得出这样的预测的合理解释，存在外插精度较低的问题。
技术实现思路
1、本发明的目的在于针对现有技术中的缺陷，提供一种融合绳系支撑动力学方程的神经网络气动建模方法，主要用于解决在飞机气动力建模方面所面临的问题。
2、本发明包括以下步骤：
3、1)采用一种八根绳的冗余约束绳系并联支撑机构，并建立对应的动力学方程；绳牵引并联支撑机构的动力学方程如下；
4、
5、其中，m表示飞机模型的惯性矩阵，x表示飞机模型的位姿矢量，表示位姿的加速度，n表示非线性哥式离心力矢量，wg表示飞机模型的重力矢量，wa表示作用在飞机模型上的气动力/气动力矩矢量，t表示牵引绳索的拉力矢量，j表示绳牵引并联支撑机构的雅可比矩阵；
6、2)基于步骤1)所述机构，实现飞机模型在风洞试验中的强迫运动；采集飞机模型在单自由度和多自由度强迫运动下的风洞试验数据，所述风洞试验数据包含飞机模型运动状态数据、绳牵引并联支撑机构运动数据和气动力数据；
7、3)对风洞试验数据预处理，将归一化的数据构建数据集，并分割数据集为训练集和测试集；
8、4)构建神经网络气动力预测模型，用于气动力预测；构建模型的误差函数loss包括数据误差项lossdata和物理方程误差项lossphysic；
9、
10、其中，cpred表示模型预测的气动力，ctrue表示风洞试验中测力天平测量的气动力，q表示风洞试验气流来流动压，s表示飞机模型的参考面积，；
11、5)使用不同频率和振幅下的多自由度运动数据对神经网络气动力模型训练及测试，完成神经网络气动建模。
12、在步骤1)中，采用八根绳的冗余约束绳系并联支撑方式完成飞机模型风洞试验，通过控制绳长变化量，最终控制飞机模型完成运动；牵引绳索的长度变化速度矢量和飞机模型运动速度矢量之间的关系为：
13、
14、其中，j表示绳牵引并联支撑机构的雅可比矩阵。
15、在步骤2)中，所述飞机模型运动状态数据包括攻角、侧滑角、三轴角速度与角加速度、三轴速度与加速度，飞机模型运动状态数据通过ahrs测得；所述绳牵引并联支撑机构运动数据包括绳长和绳拉力，绳牵引并联支撑机构运动数据可通过编码器和绳拉力传感器测得；所述气动力数据包括升力、阻力、侧向力、俯仰力矩、滚转力矩和偏航力矩，气动力数据可通过测力天平测得。
16、在步骤3)中，所述对风洞试验数据预处理，包括：数据清洗和数据归一化等；数据清洗用于对数据进行清洗，去除无效、异常或重复的数据；数据归一化用于使不同特征的数据可以在同一尺度上进行比较；常用的归一化方法有最小最大归一化、z-score归一化等。
17、所述分割数据集，采用7︰3的比例对所获得的数据集进行划分，70％的数据作为训练集，用于调整模型中的参数；30％的数据作为测试集，用于测试所建立模型的准确性。
18、在步骤4)中，所述神经网络用于气动力建模，神经网络包括1层输入层，1层长短时记忆神经网络层，2层全连接层和1层输出层；
19、在步骤4)中，所述神经网络气动力预测模型的误差函数loss包括数据误差项lossdata和物理方程误差项lossphysic：
20、loss＝lossdata+lossphysic
21、数据误差项为来自模型预测气动力cpred与测力天平测量的真实气动力ctrue间的误差：
22、lossdata＝(cpred-ctrue)2
23、物理方程误差项来自模型预测气动力代入绳牵引并联支撑机构动力学方程所产生的误差:
24、
25、其中，m表示飞机模型的惯性矩阵，x表示飞机模型的位姿矢量，n表示非线性哥式离心力矢量，wg表示飞机模型的重力矢量，q表示风洞试验气流来流动压，s表示飞机模型的参考面积，t表示牵引绳索的拉力矢量，j表示绳牵引并联支撑机构的雅可比矩阵。
26、在步骤5)中，所述神经网络气动力模型的训练过程中来自于数据误差项和绳牵引物理方程项的误差经过梯度反向传播方法，迭代调整神经网络模型内部的权重和偏置项，最终使得神经网络在物理方程的约束下降低模型预测值与真值的差异程度，提升神经网络的精度，完成神经网络飞机气动力模型的构建。
27、本发明针对飞机气动力建模问题，提出一种融合绳牵引并联支撑机构动力学方程的神经网络气动力建模算法，具有以下优点：
28、1)相较于基于cfd仿真建模方法，本方法基于绳牵引并联机构的风洞试验，可以直接测量到飞机模型在实际流体环境中的气动特性，天平数据更为真实可靠，动力学方程也能直接反映物理规律；
29、2)与基于普通深度神经网络，以及基于ns方程的pinn网络等方法相比，该方法的特别之处在于它将并联支撑机构动力学方程融入到损失函数中。使得神经网络不仅能从数据中捕获变量的内在关系，更能学习到真实物理信息。该方法相比于仅由数据驱动的神经网络，具有更好的鲁棒性和可靠性；
30、3)相较于常规风洞试验建模只能利用天平数据，本方法基于绳牵引并联机构，可获得飞机模型所受绳拉力、惯性力等动力学状态量，并融入到损失函数中用于训练网络，具有更多的信息量，从而加速网络收敛，因此本方法可以实现在较少试验次数的情况下训练神经网络，并使得神经网络输出能够符合真实物理方程，提高气动力预测精度。
1.一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于包括以下步骤：
2.如权利要求1所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤1)中，采用八根绳的冗余约束绳系并联支撑方式完成飞机模型风洞试验，通过控制绳长变化量，最终控制飞机模型完成运动；牵引绳索的长度变化速度矢量和飞机模型运动速度矢量之间的关系为：
3.如权利要求1所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤2)中，所述飞机模型运动状态数据包括攻角、侧滑角、三轴角速度与角加速度、三轴速度与加速度；所述绳牵引并联支撑机构运动数据包括绳长和绳拉力；所述气动力数据包括升力、阻力、侧向力、俯仰力矩、滚转力矩和偏航力矩。
4.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于所述飞机模型运动状态数据通过ahrs测得；所述绳牵引并联支撑机构运动数据通过编码器和绳拉力传感器测得；所述气动力数据通过测力天平测得。
5.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤3)中，所述对风洞试验数据预处理，包括：数据清洗和数据归一化；数据清洗用于对数据进行清洗，去除无效、异常或重复的数据；数据归一化用于使不同特征的数据在同一尺度上进行比较。
6.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤3)中，所述分割数据集，采用7︰3的比例对所获得的数据集进行划分，70％的数据作为训练集，用于调整模型中的参数；30％的数据作为测试集，用于测试所建立模型的准确性。
7.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤4)中，所述神经网络用于气动力建模，神经网络包括1层输入层，1层长短时记忆神经网络层，2层全连接层和1层输出层。
8.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤4)中，所述神经网络气动力预测模型的误差函数loss包括数据误差项lossdata和物理方程误差项lossphysic：
9.如权利要求3所述一种融合绳系支撑动力学方程的神经网络气动建模方法，其特征在于在步骤5)中，所述神经网络气动力模型的训练过程中来自于数据误差项和绳牵引物理方程项的误差经过梯度反向传播方法，迭代调整神经网络模型内部的权重和偏置项，最终使得神经网络在物理方程的约束下降低模型预测值与真值的差异程度，提升神经网络的精度，完成神经网络飞机气动力模型的构建。
