|
1 摘要 學習飛行(Learn-to-Fly, L2F)是一項先進的技術(shù)開發(fā)工作，旨在評估實時、自學習飛行工具的可行性。具體來說，此研究將實時空氣動力學建模、學習自適應(yīng)控制等內(nèi)容結(jié)合起來，目的是用這種“學會飛行”的方法取代目前的迭代式飛行器的開發(fā)模式，大幅度降低典型地面、飛行測試對飛行器設(shè)計的要求。最近的研究活動包括一個開創(chuàng)性的飛行測試計劃，有獨特的全自主飛行測試的飛行器，以快速推進L2F技術(shù)。本文介紹了該項目的概況和關(guān)鍵組成部分。 2 介紹 美國國家航空航天局(NASA)在變革航空概念計劃（TACP）中發(fā)展了“學會飛行”方法，目的是改變飛行器的開發(fā)模式。傳統(tǒng)的飛行器開發(fā)過程包括風洞試驗及流體動力學計算（CFD）、仿真開發(fā)、控制律設(shè)計、最后飛行測試的順序迭代過程。不可避免的是，在飛行測試中，需要更新空氣動力學模型，然后前面所述的過程就需要重復?！皩W會飛行”將實時非線性氣動建模與自主控制律設(shè)計相結(jié)合。這兩種模式如圖1所示。其優(yōu)點包括在控制律設(shè)計中使用基于飛行數(shù)據(jù)的氣動模型——因此，不需要修正雷諾數(shù)(如果飛行是全尺寸的)、堵塞、邊界層湍流等——控制系統(tǒng)設(shè)計是根據(jù)實際飛行動力學響應(yīng)而不是仿真結(jié)果開發(fā)的。隨著L2F技術(shù)和工藝的成熟，新的飛行器設(shè)計可能不需要地面測試就可以飛行。L2F理論的三大支柱是近年來研究的熱點:1)實時非線性氣動建模;2)“學習”控制律設(shè)計方法;3)制導算法。在L2F研究中，將飛行試驗空氣動力學建模方法與飛行器上的實時制導和學習控制律設(shè)計方法相結(jié)合，應(yīng)用于飛行中。這些技術(shù)使飛行器能夠?qū)W會如何飛行。 圖 1 傳統(tǒng)飛行器開發(fā)過程與“學會飛行”概念 從經(jīng)驗上說，飛行試驗數(shù)據(jù)氣動建模是一個多步驟的過程，需要進行飛行試驗，然后對數(shù)據(jù)進行離線分析。在離線分析過程中，往往發(fā)現(xiàn)數(shù)據(jù)內(nèi)容的豐富性不足，無法開發(fā)出所需要的模型，因此需要進行額外的飛行測試來填補數(shù)據(jù)缺口。這使得飛行試驗數(shù)據(jù)氣動建模是一個非常耗時的過程，可能涉及大量架次的飛行測試，以獲取足夠空氣動力模型開發(fā)所需的數(shù)據(jù)。最近在遞推總體非線性空氣動力學建模方面的進展，使得這一過程能夠在飛行器上實時執(zhí)行，其所需的計算能力僅略高于一臺普通的筆記本電腦。在近實時的情況下，在指揮系統(tǒng)識別機動時，可以對機動中的數(shù)據(jù)內(nèi)容進行分析處理，這個過程可以一直進行，直到生成有效的氣動模型。飛行器在飛行過程中生成空氣動力學模型的能力，為自主修改控制規(guī)律和控制分配方案開啟了可能性，使飛行器能夠自主“學習飛行”，并且，隨著飛行時間的增加，性能不斷提高。 學習飛行項目的目標是通過回答以下問題來證明這一概念的可行性:能否將實時空氣動力學建模、實時制導和學習自適應(yīng)控制與傳統(tǒng)的現(xiàn)成計算硬件相結(jié)合？在沒有先驗空氣動力學知識的情況下，能否識別飛行器的空氣動力學模型，然后穩(wěn)定、控制、自主導航飛行器？ 3 方法 圖2給出了學習飛行算法框圖。在標稱飛行控制指令中增加了激勵輸入。這些激勵輸入，或可編程測試輸入(PTIs)，由優(yōu)化正交多正弦信號組成，用于激勵飛行器的自然動態(tài)模型。實時的總體空氣動力學建模，能夠?qū)w行器的動態(tài)響應(yīng)歸結(jié)于各個控制面，生成包括穩(wěn)定性、控制導數(shù)和性能參數(shù)在內(nèi)的空氣動力學模型。制導指令是根據(jù)估計的最大L/D(僅限滑翔機)計算的。然后根據(jù)實時空氣動力學建模結(jié)果，更新所需要的動力，來實現(xiàn)飛行器的計劃。然后根據(jù)估計的飛行器動力，計算控制命令，同樣是根據(jù)實時空氣動力學模型。最后，根據(jù)估計的控制效率，將命令分配給控制面。 圖 2 學習飛行算法框圖 A.飛行試驗飛行器 為了降低飛行操作的復雜性和成本，四架飛行器中有三架選擇為無動力滑翔機，Foamie(圖3)、Super Guppy Foamie(圖4)和Woodstock(圖5)，飛行實驗時，從系住的氣球上釋放出來，只有基本的著陸滑塊。而E1(圖6)是一架電動螺旋槳驅(qū)動飛機。盡管它們有明顯的結(jié)構(gòu)差異，所有飛行器都被設(shè)計成能夠完全自主飛行或在傳統(tǒng)的R/C飛行員控制下飛行。進一步的細節(jié)可以在參考文獻[2]中找到。 圖 3 Foamie滑翔機 圖 4 Super Guppy Foamie滑翔機 圖 5 Woodstock滑翔機 圖 6 E1螺旋槳驅(qū)動飛機 B.實時總體氣動建模 學習飛行測試的一個主要目標是，在一個全局或大范圍的飛行包絡(luò)線飛行過程中，實時識別一個六自由度的數(shù)學模型，即每個無量綱空氣動力和力矩系數(shù)。無量綱氣動力和力矩系數(shù)不能在飛行中直接測量，必須根據(jù)飛行器的測量狀態(tài)和已知的飛行器幾何及質(zhì)量特性進行計算。測量變量為攻角、側(cè)滑角、無量綱體軸角速度和控制面位置。實時建立精確的總體空氣動力學模型涉及兩個主要因素:1) 在一個大范圍的飛行包絡(luò)線內(nèi)，設(shè)計有效且高效的飛行演習充分激發(fā)所需的飛行器飛行動態(tài)；2)實現(xiàn)實時遞推系統(tǒng)辨識方案，在測量飛行器狀態(tài)量和控制量的基礎(chǔ)上，估計總體模型的氣動力和氣動力矩。 在飛行試驗階段，將正交相位優(yōu)化多正弦信號輸入到控制面的指令中。這些PTIs均為零均值，振幅有限，可以同時在多個軸上辨識每個控制面效果，以及飛行器的穩(wěn)定性和性能特征，而只會對飛行器標稱飛行軌跡造成微小的擾動。所有的L2F飛行試驗采用了一種使用多元正交函數(shù)(MOF)的實時總體氣動建模方法。詳見文獻[3]。 C.實時導航 該實時制導算法實現(xiàn)了航路點導航、自主著陸的能量管理等功能，作為一個飛行“主管”，協(xié)調(diào)自主飛行包絡(luò)線擴展和有限包絡(luò)線保護。 E1飛機，由飛行員提供動力并證明可以飛行，允許使用更簡單意義下的操作制導。它不需要自動著陸，因為R/C飛行員可以執(zhí)行這項功能。R/C飛行員也執(zhí)行了起飛和爬升到初始測試高度的操作。飛行員將飛機飛行到各種條件下，包括失速，然后切換到自動模式?？刂葡到y(tǒng)必須恢復和跟蹤制導指令，以達到與之前滑翔機一樣的期望的地面軌跡，而動力制導包括預設(shè)的高度和空速目標。詳見文獻[4]。 D.學習控制規(guī)律 任何控制律的主要功能都是穩(wěn)定飛行器和跟蹤制導指令。而控制律的體系結(jié)構(gòu)可以有很大的不同。本研究探討了兩種能夠利用實時氣動模型來穩(wěn)定飛行器和提高制導指令跟蹤性能的設(shè)計——廣義導頻(GP)控制律設(shè)計、自適應(yīng)非線性動態(tài)逆控制器設(shè)計，詳見文獻[5]。通過實時空氣動力學建模的“學習”，實現(xiàn)了穩(wěn)定性和跟蹤性能的改善。學習意味著從過去的經(jīng)驗中保留知識，以便影響未來的行為或表現(xiàn)。兩種設(shè)計都能夠利用空氣動力模型的實時改進來“學習”，從而改進它們自己提供更強的控制效果。每一種結(jié)構(gòu)都利用從不斷改進和擴展的空氣動力學模型中得到的線性模型來調(diào)整增益，以滿足預定的穩(wěn)定性指標或達到預期動作。 目前，“學習飛行”的概念是在飛行器上在穩(wěn)定和不穩(wěn)定兩種配置的情況下測試的，所用的飛行器都沒有任何空氣動力學的先驗知識。結(jié)果表明，利用當前的低端計算硬件，可以在50赫茲的飛機上實現(xiàn)實時總體空氣動力學建模、自適應(yīng)學習控制和實時制導。E1飛行測試，特別是失穩(wěn)的E1飛行，最終證明了學習飛行的概念是可行的。 [1] Eugene H. D. Heim, Erik M. Viken, Jay M. Brandon, and Mark A. Croom,“NASA’s Learn-to-Fly Project Overview”, AIAA Atmospheric Flight Mechanics Conference,AIAA Aviation Forum， June, 2018, [2] Riddick, S. E., Busan, R. C., Cox, D. E., and Laughter, S. A., “Learn-to-Fly Test Setup and Concept of Operations,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [3] Morelli, E. A., “Practical Aspects of Real-Time Modeling for the Learn-to-Fly Concept,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [4] Foster, J. V., “Autonomous Guidance Algorithms for NASA Learn-to-Fly Technology Development,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. [5] Snyder, S. M., Bacon, B. J., Morelli, E. A., Frost, S. A., Teubert, C. A., and Okolo, W. A., “Online Control Design for Learnto-Fly,” AIAA Atmospheric Flight Mechanics Conference, AIAA Aviation Forum, June, 2018. end |
|
|
來自： 生清凈心不 > 《前沿技術(shù)》
