[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

说明书

本发明公开了一种基于深度学习的无动力再入飞行器落区预示方法，属于飞行器导航、制导与控制技术领域。首先针对某飞行器建立六自由度模型，同时基于扩张状态器，进行飞行器气动力系数估计；然后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。最后构建深度学习网络，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。本发明提高了无动力再入飞行器的落区预示精准度和实时性，并且具有普适性和拓展性。

技术领域

本发明属于飞行器导航、制导与控制技术领域，具体涉及一种基于深度学习的无动力再入飞行器落区预示方法。

背景技术

无动力再入飞行器落区是指，再入飞行器在末制导段无动力飞行时，能够成功着陆的区域范围。飞行器落区定义了飞行器在末制导段潜在飞行范围，可为飞行任务规划和目标点重新选取提供依据，尤其是飞行器遇到突发的偶然事件时，飞行器落区范围可以为选择或变更目标点提供依据。因此，有必要进行无动力再入飞行器落区计算方法的研究。

目前，研究人员通过轨迹优化、设计制导律以及构造最大和最小阻力剖面等数值或解析方法进行飞行器落区的计算。然而，这些方法或存在优化计算时间长，或存在需要对模型大量简化，或存在需在线重复计算多条轨迹等问题，不适合在线应用。

此外，这些方法对飞行器可能存在的模型不确定性并不能很好的适应，大大降低了飞行器落区计算时的准确性以及实用性。

发明内容

本发明为加快飞行器在线落区计算时的快速性，以及提升飞行器模型不确定性存在时落区计算的准确性，提出了一种基于深度学习的无动力再入飞行器落区预示方法。

基于深度学习的无动力再入飞行器落区预示方法，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；

所述的六自由度模型包括飞行器质心的运动学和动力学方程组，及飞行器绕质心运动的运动学和动力学方程组；

飞行器质心运动的运动学和动力学方程组可表示为：

式中，x,y,z表示飞行器在地面坐标系中的位置；θ表示弹道倾角；ψ_v表示弹道偏角；m表示飞行器质量；L,D,Y分别表示升力、阻力和侧力；γ_v表示倾侧角。升力L、阻力D、和侧向力Y定义如下：

式中，Q＝0.5ρV²表示动压；ρ为空气密度；S为飞行器参考面积；C_L,C_D,C_Y分别为升力系数、阻力系数和侧向力系数。

飞行器绕质心运动的运动学和动力学方程组可表示为：

式中，α,β,γ_v分别表示攻角、侧滑角和倾侧角；w_mx,w_my,w_mz分别表示滚转、偏航和俯仰角速度；M_x,M_y,M_z分别表示飞行器三轴气动力矩；I_x,I_y,I_z分别表示三轴转动惯量。

本发明考虑飞行器气动参数存在模型不确定性，可表示为：