[发明专利]一种基于深度学习的无动力再入飞行器落区预示方法

权利要求书

1.一种基于深度学习的无动力再入飞行器落区预示方法，其特征在于，具体分为以下步骤：

步骤一、针对某飞行器，建立六自由度模型，同时通过构造扩张状态器，进行飞行器气动力系数估计；

飞行器气动力系数包括升力、阻力和侧力，系数估计值表示为：

其中，分别表示飞行器升力、阻力和侧力系数的估计值；z_2α为升力相关项的估计值，L为升力，m表示飞行器质量，V为飞行器速度，β为飞行器侧滑角，Q＝0.5ρV²表示动压；ρ为空气密度；S为飞行器参考面积；z_2V为阻力相关项f_D＝-D的估计值，D为阻力；z_2β为侧力相关项的估计值，Y为侧向力；

步骤二、考虑飞行器气动力系数不确定性的影响，进行飞行器再入落区范围边界点的求取，并保存飞行器气动力系数的估计值和飞行器再入落区边界点的数据作为离线数据库；

飞行器再入落区边界点的求取方法如下：

(1)当选取升阻比最大的攻角，侧滑角选取为0时，飞行器可达到最大纵程点A(X_A,Z_A)点；

(2)当选取升阻比最大的攻角，侧滑角选取为最大值或最小值时，飞行器可达到正向和负向的最大横程点B(X_B,Z_B)点和E(X_E,Z_E)点；当飞行器飞行方向偏离初始速度方向超过90°后，将侧滑角置零，此后飞行器将沿着垂直于初始速度的方向飞行；

(3)当选取升阻比最小的攻角，侧滑角选取为最小值或最大值时，飞行器可达到最近的回旋点C(X_C,Z_C)或D(X_D,Z_D)点；

(4)当选取升阻比最小的攻角，侧滑角选取为0时，飞行器可达到最小纵程点F(X_F,Z_F)点；

然后，基于上述求得的攻角和侧滑角指令对飞行器进行控制律设计，并对飞行器六自由度方程进行积分迭代，得到用于表征飞行器再入落区边界的点和飞行器的边界范围；

最后，将气动力参数不确定性在给定范围内随机取值，并进行大量的上述过程飞行器再入落区边界范围点的求取，保存飞行器气动力系数的估计值和飞行器再入落区边界点的数据作为离线数据库；

步骤三、构建深度学习网络，并通过离线数据库对深度学习网络进行训练，完成基于深度学习的无动力再入飞行器落区预示方法设计；

选取飞行器当前飞行状态以及扩张状态观测器对飞行器气动力系数的估计项作为深度学习网络的输入，即深度学习网络的输入X₀,Y₀,Z₀和V分别为当前飞行器的位置信息和速度信息；

选取用于表征飞行器再入落点区域边界范围的A、B、C、D、E和F点的坐标作为深度学习网络的输出，即深度学习网络输出设计为：

离线数据库对深度学习网络进行训练的过程为：

采用Adam优化器根据损失函数计算梯度，更新全连接网络的参数；经过充分的训练迭代，最终得到一个进行可达区域边界预示的深度学习网络；

步骤四，将飞行器的当前飞行状态及其气动力系数估计值输入训练好的深度学习网络中，得到其预示的落区边界数据。