飞行器气动参数辨识方法、装置、计算机设备及存储介质

技术领域

本发明涉及飞行器技术领域，具体而言，涉及一种飞行器气动参数辨识方法、装置、计算机设备及存储介质。

背景技术

飞行器是个极其复杂的系统，随着对飞行器设计领域的深入研究，获取飞行器准确的空气动力学特性变得尤为重要，而且获得其准确的气动力参数也是建立其飞行器模型、设计性能优良的飞行器控制系统以及开展飞行品质评估的重要前提和基础。

通常飞行器气动力参数的获取方法包括：数值计算、风洞试验及参数辨识试验，数值计算可以大大降低设计周期和研发成本，但会受到计算机性能和不完善的理论研究限制，使计算结果不准确；风洞试验相较于参数辨识试验，灵活性较大，便于控制并且易于获得数据，但风洞试验费用较高，且存在洞壁干扰和支架干扰等情况；参数辨识试验直接基于真实飞行数据辨识气动力参数和动力学特性，是对数值计算和风洞试验结果进行校验的重要手段，相较于风洞试验与数值计算方法，该方法能够获取飞行器真实飞行状态下的数据，但在飞行过程中无法直接测量飞行器的气动特性参数，因此如何更准确地将真实的气动特性从飞行试验数据中辨识出来，是飞行器气动参数辨识试验的关键问题。

因此，需要寻求一种低成本、高效率且能更加准确辨识飞行器气动参数的方法。

发明内容

本发明的目的在于，针对上述现有技术中的不足，提供一种飞行器气动参数辨识方法、装置、计算机设备及存储介质，以便实现低成本、高效率并准确地计算气动力参数。

为实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供了一种飞行器气动参数辨识方法，所述方法包括：

获取预设飞行器随样本飞行时间变化的多组样本动力学数据；

根据所述样本飞行时间和所述样本动力学数据，对预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型；

根据所述目标气动参数辨识模型的模型参数确定所述预设飞行器的气动力参数。

可选的，所述获取预设飞行器随样本飞行时间变化的多组样本动力学数据，包括：

根据所述预设飞行器的动力学参数，构建所述预设飞行器的动力学模型，所述动力学模型包括：未知的气动力参数；

根据参考气动力参数和所述动力学模型，计算所述预设飞行器随所述样本飞行时间变化的多组所述样本动力学数据。

可选的，所述根据所述样本飞行时间和所述样本动力学数据对所述预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型，包括：

根据所述样本飞行时间对所述初始气动参数辨识模型进行训练，输出多组训练动力学数据；

根据预设损失函数、所述多组样本动力学数据和所述多组训练动力学数据，计算训练残差值；

若所述训练残差值满足预设训练停止条件，得到所述目标气动参数辨识模型。

可选的，所述根据预设损失函数和所述多组训练动力学数据，计算训练残差值之前，所述方法还包括：

根据动力学模型的残差函数和动力学数据的残差函数，生成所述损失函数，所述动力学数据的残差函数为：所述样本动力学数据和所述训练动力学数据之间的残差函数。

可选的，所述根据动力学模型的残差函数和动力学数据的残差函数，生成所述损失函数之前，所述方法还包括：

将所述动力学模型转换为常微分方程组；

根据所述常微分方程组，生成所述动力学模型的残差函数。

可选的，所述若所述训练残差值满足预设训练停止条件，得到所述目标气动参数辨识模型，包括：

根据所述样本飞行时间和所述样本动力学数据分别对多次初始化的所述初始气动参数辨识模型进行训练，得到多次训练后的气动参数辨识模型；

根据所述多次训练后的气动参数辨识模型满足所述预设训练停止条件的训练残差值进行比较，确定所述训练残差值最小的气动参数辨识模型为所述目标气动参数辨识模型。

可选的，所述根据参考气动力参数和所述动力学模型，计算所述预设飞行器随所述样本飞行时间变化的多组所述样本动力学数据，包括：

根据所述参考气动力参数和所述动力学模型，计算所述预设飞行器随所述样本飞行时间变化的多组观测动力学数据；

根据预设数据噪声，对多组所述观测动力学数据进行扩展，得到多组噪声动力学数据，所述样本动力学数据包括：所述观测动力学数据和所述噪声动力学数据。

第二方面，本申请实施例还提供一种飞行器气动参数辨识装置，所述装置包括：

样本数据获取模块，用于获取预设飞行器随样本飞行时间变化的多组样本动力学数据；

模型训练模块，用于根据所述样本飞行时间和所述样本动力学数据，对预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型；

气动力参数确定模块，用于根据所述目标气动参数辨识模型的模型参数确定所述预设飞行器的气动力参数。

可选的，所述样本数据获取模块，包括：

动力学模型构建单元，用于根据所述预设飞行器的动力学参数，构建所述预设飞行器的动力学模型，所述动力学模型包括：未知的气动力参数；

样本数据获取单元，用于根据参考气动力参数和所述动力学模型，计算所述预设飞行器随所述样本飞行时间变化的多组所述样本动力学数据。

可选的，所述模型训练模块，包括：

模型训练单元，用于根据所述样本飞行时间对所述初始气动参数辨识模型进行训练，输出多组训练动力学数据；

残差值计算单元，用于根据预设损失函数、所述多组样本动力学数据和所述多组训练动力学数据，计算训练残差值；

模型确定单元，用于若所述训练残差值满足预设训练停止条件，得到所述目标气动参数辨识模型。

可选的，所述残差值计算单元之前，所述装置还包括：

损失函数确定单元，用于根据所述动力学模型的残差函数和动力学数据的残差函数，生成所述损失函数，所述动力学数据的残差函数为：所述样本动力学数据和所述训练动力学数据之间的残差函数。

可选的，所述损失函数确定单元之前，所述装置还包括：

常微分方程转换单元，用于将所述动力学模型转换为常微分方程组；

残差函数确定单元，用于根据所述常微分方程组，生成所述动力学模型的残差函数。

可选的，所述模型确定单元，包括：

模型多次训练子单元，用于根据所述样本飞行时间和所述样本动力学数据分别对多次初始化的所述初始气动参数辨识模型进行训练，得到多次训练后的气动参数辨识模型；

目标模型确定子单元，用于根据所述多次训练后的气动参数辨识模型满足所述预设训练停止条件的训练残差值进行比较，确定所述训练残差值最小的气动参数辨识模型为所述目标气动参数辨识模型。

可选的，所述样本数据获取单元，包括：

观测数据获取单元，用于根据所述参考气动力参数和所述动力学模型，计算所述预设飞行器随所述样本飞行时间变化的多组观测动力学数据；

噪声数据获取单元，用于根据预设数据噪声，对多组所述观测动力学数据进行扩展，得到多组噪声动力学数据，所述样本动力学数据包括：所述观测动力学数据和所述噪声动力学数据。

第三方面，本申请实施例还提供一种计算机设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的程序指令，当所述计算机设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述程序指令，以执行如第一方面任一所述的飞行器气动参数辨识方法的步骤。

第四方面，本申请实施例还提供一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如第一方面任一所述的飞行器气动参数辨识方法的步骤。

本申请的有益效果是：

本申请提供一种飞行器气动参数辨识方法、装置、计算机设备及存储介质，利用神经网络模型的训练，实现模型训练和参数辨识一体化，在模型训练完成后即可从模型的模型参数中确定气动力参数，由于模型在训练时会随机初始化模型参数，可以避免对初值的依赖问题，且神经网络模型可以以任意精度逼近任意函数，其结果收敛于全局最优解，实现低成本、高效率、高精度的气动力参数辨识。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本申请实施例提供的飞行器气动参数辨识方法的流程示意图一；

图2为本申请实施例提供的飞行器气动参数辨识方法的流程示意图二；

图3(a)为本申请实施例提供的迎角与舵偏角随样本飞行时间变化的示意图；

图3(b)为本申请实施例提供的俯仰角和俯仰角速率随样本飞行时间变化的示意图；

图3(c)为本申请实施例提供的速度分量随样本飞行时间变化的示意图；

图3(d)为本申请实施例提供的飞行轨迹随样本飞行时间变化的示意图；

图4为本申请实施例提供的飞行器气动参数辨识方法的流程示意图三；

图5为本申请实施例提供的飞行器气动参数辨识模型的流程示意图四；

图6为本申请实施例提供的飞行器气动参数辨识模型的流程示意图五；

图7为本申请实施例提供的飞行器气动参数辨识模型的流程示意图六；

图8(a)为本申请实施例提供的无数据噪声的训练残差值的变化图；

图8(b)为本申请实施例提供的无数据噪声的训练结果的变化图；

图9(a)为本申请实施例提供的10%数据噪声的训练残差值的变化图；

图9(b)为本申请实施例提供的10%数据噪声的训练结果的变化图；

图10(a)为本申请实施例提供的30%数据噪声的训练残差值的变化图；

图10(b)为本申请实施例提供的30%数据噪声的训练结果的变化图；

图11(a)为本申请实施例提供的50%数据噪声的训练残差值的变化图；

图11(b)为本申请实施例提供的50%数据噪声的训练结果的变化图；

图12(a)为本申请实施例提供的100%数据噪声的训练残差值的变化图；

图12(b)为本申请实施例提供的100%数据噪声的训练结果的变化图；

图13为本申请实施例提供的不同数据噪声的气动力参数的变化图；

图14为本申请实施例提供的不同数据噪声的气动力参数误差的变化图；

图15为本申请实施例提供的法向力系数的变化图；

图16为本申请实施例提供的俯仰力矩系数的变化图；

图17为本申请实施例提供的飞行器气动参数辨识装置的结构示意图；

图18为本申请实施例提供的计算机设备的示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

此外，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请的实施例中的特征可以相互结合。

飞行器气动力参数辨识在飞行器设计过程中发挥着重要作用，例如，验证和校正飞行器气动力参数的风洞试验结果和理论数值计算结果，为地面和空中仿真系统提供正确的飞行器动力学模型，为飞行器控制系统的设计和改进提供基本数据；鉴定定型飞行器的飞行品质；研究高性能飞行器的飞行品质；进行飞行器失事事故分析以及飞行器自适应控制等方面。

目前工程上应用较为广泛的气动力参数辨识方法包括：极大似然法和智能群算法，其中，极大似然法需要提前建立飞行器的气动模型并合理估计待辨识气动力参数的初值，若模型建立不准确则会导致气动力数据拟合结果不理想，若初值估计不合理，则容易导致结果陷入局部最小值。

智能群算法可以解决极大似然法对初值的依赖问题，具有较强的鲁棒性和全局优化能力，但该方法存在收敛慢、计算量大的缺点，且该方法并未考虑飞行器运动过程中所遵循的物理规律且严重依赖观测数据，很难摒除数据噪声的干扰，当观测数据的误差较大时其结果的偏差较大，对气动力参数辨识的精度影响较大。

为解决上述现有技术存在的技术问题，本申请拟提供一种飞行器气动参数辨识方法、装置、计算机设备及存储介质，利用嵌入物理信息神经网络模型的训练，实现模型训练和参数辨识一体化，在模型训练完成后即可从模型的模型参数中确定气动力参数，由于模型在训练时会随机初始化模型参数，可以避免对初值的依赖问题，且神经网络模型可以以任意精度逼近任意函数，其结果收敛于全局最优解，实现低成本、高效率、高精度的气动力参数辨识。

请参考图1，为本申请实施例提供的飞行器气动参数辨识方法的流程示意图一，如图1所示，该方法可以包括：

S10：获取预设飞行器随样本飞行时间变化的多组样本动力学数据。

本实施例中，选择一种常规布局的飞行器作为本方案气动力参数辨识的对象，为了对神经网络模型进行训练，需要获取样本数据，以飞行时间作为神经网络模型的输入，动力学数据作为神经网络模型的输出，其中，样本数据包括：预设飞行器随样本飞行时间变化的多组样本动力学数据，其中，样本飞行时间和样本动力学数据存在对应关系。

在一些实施例中，样本飞行时间和样本动力学数据可以为预设飞行器真实飞行时产生的观测数据；或者也可以为采用预设飞行器的仿真模型对飞行过程进行仿真得到的仿真数据。

以下结合图2对获取样本动力学数据的一种可能的实现方式进行说明。

请参考图2，为本申请实施例提供的飞行器气动参数辨识方法的流程示意图二，如图2所示，上述S10获取预设飞行器随样本飞行时间变化的多组样本动力学数据的过程，可以包括：

S11：根据预设飞行器的动力学参数，构建预设飞行器的动力学模型，动力学模型包括：未知的气动力参数。

本实施例中，预设飞行器的动力学参数为飞行器的运动参数，根据飞行器的运动参数构建动力学模型，以表示与飞行器的动力参数相关的方程。

在一种可能的实现方式中，采用该预设飞行器在飞行过程中的六自由度运动方程组表示动力学模型。

示例的，六自由度运动方程组可以表示为：

其中，

在一种可能的实现方式中，为了简化计算，选取预设飞行器的纵向运动，针对预设飞行器的纵向气动力参数进行辨识，预设飞行器的动力学模型可以采用如下运动方程组表示：

上式中，

示例的，请参考表1，为预设飞行器的动力学参数的示例性取值。

设定预设飞行器的观测方程组为：

上式中，F为预设飞行器的推力，

其中，设定预设飞行器的气动力参数的数学模型，可以表示为：

上式中，α为预设飞行器的攻角，

S12：根据参考气动力参数和动力学模型，计算预设飞行器随样本飞行时间变化的多组样本动力学数据。

本实施例中，采用仿真软件对公式(2)-(4)的联立方程组进行仿真，仿真得到各动力学参数随时间历程的变化量，确定预设飞行器随样本飞行时间变化的多组样本动力学数据。

示例的，请参考图3(a)，为本申请实施例提供的迎角与舵偏角随样本飞行时间变化的示意图，请参考图3(b)，为本申请实施例提供的俯仰角和俯仰角速率随样本飞行时间变化的示意图，请参考图3(c)，为本申请实施例提供的速度分量随样本飞行时间变化的示意图，请参考图3(d)，为本申请实施例提供的飞行轨迹随样本飞行时间变化的示意图，如图3(a)-(d)所示，设定预设飞行器的操作信号为升降舵的舵偏角

S20：根据样本飞行时间和样本动力学数据，对预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型。

本实施例中，构建初始气动参数辨识模型，初始气动参数辨识模型为基于飞行器的嵌入物理信息神经网络模型(Physics-informed neural networks，PINNs)，以气动力参数作为初始气动参数辨识模型的部分模型参数，该初始气动参数辨识模型包括一个输入、至少一个输出和多个隐藏层，每个隐藏层包括多个神经元节点，其中，该初始气动参数辨识模型的输出的数量以动力学数据的维度为准。

具体的，对初始气动参数辨识模型进行训练的过程为：

对初始气动参数辨识模型中各神经元节点的模型参数进行随机初始化，采用预设的训练方法对初始气动参数辨识模型进行训练，以更新初始气动参数模型中的各个模型参数，判断模型的训练残差是否下降到预设数量级，或者训练迭代次数达到预设值则停止模型训练，得到目标气动参数辨识模型。

S30：根据目标气动参数辨识模型的模型参数确定预设飞行器的气动力参数。

本实施例中，由于本方案是以气动力参数作为气动力参数辨识模型的模型参数，因此飞行器的气动力参数辨识和模型的训练过程是一体的，当模型训练完成后，可以从目标气动参数辨识模型的模型参数中确定气动力参数。

上述提供的飞行器气动参数辨识方法，利用神经网络模型的训练，实现模型训练和参数辨识一体化，在模型训练完成后即可从模型的模型参数中确定气动力参数，由于模型在训练时会随机初始化模型参数，可以避免对初值的依赖问题，且神经网络模型可以以任意精度逼近任意函数，其结果收敛于全局最优解，实现低成本、高效率、高精度的气动力参数辨识。

以下结合图4对训练初始气动参数辨识模型的一种可能的实现方式进行说明。

请参考图4，为本申请实施例提供的飞行器气动参数辨识方法的流程示意图三，如图4所示，上述S20根据样本飞行时间和样本动力学数据，对预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型的过程，可以包括：

S21：根据样本飞行时间对初始气动参数辨识模型进行训练，输出多组训练动力学数据。

本实施例中，将多个样本飞行时间作为输入值输入至初始气动参数辨识模型中，初始气动参数辨识模型根据随机初始化的模型参数对多个样本飞行时间进行计算，分别输出多组训练动力学数据。

在一些实施例中，将多个样本飞行时间作为输入值输入至初始气动参数辨识模型中，采用Adam梯度下降算法对初始气动参数辨识模型进行多轮训练，并更新初始气动参数辨识模型中模型参数的参数值，根据模型参数更新后的气动参数辨识模型输出多组训练动力学数据。

S22：根据预设损失函数、多组样本动力学数据和多组训练动力学数据，计算训练残差值。

本实施例中，根据神经网络参数

S23：若训练残差值满足预设训练停止条件，得到目标气动参数辨识模型。

本实施例中，预设训练停止条件为训练残差值是否下降到预设数量级，当训练残差值下降到预设数量级，确定训练残差值满足预设训练停止条件，停止对模型的训练，得到目标气动参数辨识模型，确定训练好的目标气动参数辨识模型中的气动力参数

在一种可能的实现方式中，预设训练停止条件也可以为训练迭代次数是否达到设定值，当训练迭代次数达到设定值后，确定训练残差值满足预设训练停止条件，停止对模型的训练。

上述实施例提供的飞行器气动参数辨识方法，利用神经网络模型的训练，实现模型训练和参数辨识一体化，在训练残差值满足预设训练停止条件后，从模型参数中确定气动力参数，实现低成本、高效率、高精度的气动力参数辨识。

在一种可能的实现方式中，在上述S22根据预设损失函数、多组样本动力学数据和多组训练动力学数据，计算训练残差值之前，该方法还可以包括：

根据动力学模型的残差函数和动力学数据的残差函数，生成损失函数。

其中，动力学数据的残差函数为：样本动力学数据和训练动力学数据之间的残差函数。

本实施例中，为了保证模型训练结果的准确性，以预设飞行器的真实运动规律作为模型的约束，构建动力学数据的残差函数，其中，可以根据上述公式(2)-(4)构建的动力学模型对气动参数辨识模型进行约束，并结合动力学数据的残差函数构建损失函数。

在一种可能的实现方式中，动力学数据的残差函数包括：初始条件下的动力学数据残差函数和其他动力学数据残差函数。

示例的，采用如下公式表示预设飞行器纵向运动的气动参数辨识模型的损失函数：

其中，常微分方程残差为动力学模型的残差函数。

以下结合图5对生成动力学模型的残差函数的一种可能的实现方式进行说明。

请参考图5，为本申请实施例提供的飞行器气动参数辨识模型的流程示意图四，如图5所示，上述根据动力学模型的残差函数和动力学数据的残差函数，生成损失函数之前，该方法还可以包括：

S24：将动力学模型转换为常微分方程组。

S25：根据常微分方程组，生成动力学模型的残差函数。

本实施例中，根据上述公式(2)-(4)构建的动力学模型，将动力学模型转换为常微分方程组，以常微分方程组作为动力学模型的残差函数，该常微分方程组为非线性常微分方程组，采用PINNs模型求解非线性微分方程正问题和逆问题的方式，计算动力学模型的训练残差值。

示例的，动力学模型的常微分方程组残差项可以表示为：

上述提供的飞行器气动参数辨识方法，利用神经网络模型的训练，实现模型训练和参数辨识一体化，在模型训练完成后即可从模型的模型参数中确定气动力参数，在模型训练过程中，将动力学模型的方程组以残差的形式添加至初始气动参数辨识模型的损失函数中，使得目标气动参数辨识模型不仅能够逼近样本动力学数据，还能够满足预设飞行器运动的物理规律，提高模型训练的准确率，实现高精度的气动力参数辨识。

以下结合图6对确定目标气动参数辨识模型的一种可能的实现方式进行说明。

请参考图6，为本申请实施例提供的飞行器气动参数辨识模型的流程示意图五，如图6所示，上述S23中若训练残差值满足预设训练停止条件，得到目标气动参数辨识模型的过程，可以包括：

S231：根据样本飞行时间和样本动力学数据分别对多次初始化的初始气动参数辨识模型进行训练，得到多次训练后的气动参数辨识模型。

S232：根据多次训练后的气动参数辨识模型满足预设训练停止条件的训练残差值进行比较，确定训练残差值最小的气动参数辨识模型为目标气动参数辨识模型。

本实施例中，多次对初始气动参数辨识模型的参数进行随机初始化，然后根据样本飞行时间和样本动力学数据对初始气动参数辨识模型进行多次训练，每次训练包括多轮，确定多轮训练后训练残差值满足预设训练停止条件的气动参数辨识模型为每次训练后得到的气动参数辨识模型。

从多次训练得到的气动参数辨识模型中选择训练残差值最小的气动参数辨识模型为目标气动参数辨识模型，确定目标气动参数辨识模型的气动力参数为预设飞行器的气动力参数。

上述提供的飞行器气动参数辨识方法，通过对多次随机初始化后的初始气动参数辨识模型进行训练，从多个训练后的气动参数辨识模型中确定训练残差值最小的模型为目标气动参数辨识模型，可以避免对初值的依赖问题，实现低成本、高效率、高精度的气动力参数辨识。

以下结合图7对确定样本动力学数据的一种可能的实现方式进行说明。

请参考图7，为本申请实施例提供的飞行器气动参数辨识模型的流程示意图六，如图7所示，上述S12中根据参考气动力参数和动力学模型，计算预设飞行器随样本飞行时间变化的多组样本动力学数据的过程，可以包括：

S121：根据参考气动力参数和动力学模型，计算预设飞行器随样本飞行时间变化的多组观测动力学数据。

S122：根据预设数据噪声，对多组观测动力学数据进行扩展，得到多组噪声动力学数据，样本动力学数据包括：观测动力学数据和噪声动力学数据。

本实施例中，将多个样本飞行时间作为输入值输入至初始气动参数辨识模型中，初始气动参数辨识模型根据随机初始化的模型参数对多个样本飞行时间进行计算，分别输出多组观测动力学数据。

为了提高训练得到的目标气动参数辨识模型对噪声的抗干扰能力，需要对观测动力学数据添加噪声，具体的，在预设范围内生成多个随机数，根据随机数、预设数据噪声和观测动力学数据，生成多组噪声动力学数据。

示例的，在[-0.5,0.5]的范围内生成多个随机数，将多个随机数分别乘以数据噪声和观测动力学数据，生成多组噪声动力学数据。其中，预设数据操作可以为10%、30%、50%和100%。

示例的，请参考图8(a)，为本申请实施例提供的无数据噪声的训练残差值的变化图，如图8(a)所示，气动参数辨识模型的损失函数的训练残差值最终逼近10

请参考表2，为无数据噪声的模型训练得到的气动力参数，如表2所示，模型训练得到气动力参数与参考气动力参数的误差非常小，即通过训练气动力参数辨识模型，可以得到准确的气动力参数。

请参考图9(a)，为本申请实施例提供的10%数据噪声的训练残差值的变化图，如图9(a)所示，气动参数辨识模型的损失函数的训练残差值最终仍然可以逼近10

请参考表3，为10%数据噪声的模型训练得到的气动力参数，如表3所示，模型训练得到气动力参数与参考气动力参数的误差非常小，即通过训练气动力参数辨识模型，可以得到准确的气动力参数。

请参考图10(a)，为本申请实施例提供的30%数据噪声的训练残差值的变化图，如图10(a)所示，气动参数辨识模型的损失函数的训练残差值最终仍然可以逼近10

请参考表4，为30%数据噪声的模型训练得到的气动力参数，如表4所示，模型训练得到气动力参数与参考气动力参数的误差非常小，即通过训练气动力参数辨识模型，可以得到准确的气动力参数。

请参考图11(a)，为本申请实施例提供的50%数据噪声的训练残差值的变化图，如图11(a)所示，气动参数辨识模型的损失函数的训练残差值最终仍然可以逼近10

请参考表5，为50%数据噪声的模型训练得到的气动力参数，如表5所示，模型训练得到气动力参数与参考气动力参数的误差非常小，即通过训练气动力参数辨识模型，可以得到准确的气动力参数。

请参考图12(a)，为本申请实施例提供的100%数据噪声的训练残差值的变化图，如图12(a)所示，气动参数辨识模型的损失函数的训练残差值最终仍然可以逼近10

请参考表6，为100%数据噪声的模型训练得到的气动力参数，如表6所示，模型训练得到气动力参数与参考气动力参数的误差非常小，即通过训练气动力参数辨识模型，可以得到准确的气动力参数。

示例的，请参考图13，为本申请实施例提供的不同数据噪声的气动力参数的变化图，请参考图14，为本申请实施例提供的不同数据噪声的气动力参数误差的变化图，如图13和图14所示，将预设飞行器的物理运动规律即动力学模型以微分方程的形式添加到气动参数辨识模型的训练过程中，可以很好地抑制数据噪声的影响目标气动参数辨识模型在含有较大数据噪声的情况下依然有很好的辨识效果，并不会随着数据噪声的增加，使得参数辨识效果大打折扣。

从无数据噪声、10%数据噪声、30%数据噪声、50%数据噪声和100%数据噪声的训练结果中可以确定，随着数据噪声的增加，气动力参数的辨识结果的误差并不随着噪声误差线性增长，

需要说明的是，在纵向运动中，短周期运动模态包括俯仰角速率和俯仰角，而预设飞行器的飞行速度属于长周期模态，短时间内基本不发生变化。本次选择的样本时间范围只有1秒，可以认为

将通过训练目标气动参数辨识模型得到的气动力参数代入预设飞行器的气动力参数的数学模型即公式(4)中，分别得到了法向力系数和俯仰力矩系数的辨识效果对比图。

示例的，请参考图15，为本申请实施例提供的法向力系数的变化图，请参考图16，为本申请实施例提供的俯仰力矩系数的变化图，如图15和图16所示，法向力系数预测基本无误；但当数据噪声误差>=30%后，采用这组观测数据辨识的气动导数所求解的俯仰力矩系数的误差较为明显地偏离了参考值。一方面是俯仰力矩系数本身数值较小，气动力参数稍微偏差，便会产生较大趋势偏差；另一方面是俯仰力矩系数对

在上述实施例的基础上，本申请实施例还提供一种飞行器气动参数辨识装置。请参考图17，为本申请实施例提供的飞行器气动参数辨识装置的结构示意图，如图17所示，该装置包括：

样本数据获取模块10，用于获取预设飞行器随样本飞行时间变化的多组样本动力学数据；

模型训练模块20，用于根据样本飞行时间和样本动力学数据，对预设的初始气动参数辨识模型进行训练，得到目标气动参数辨识模型；

气动力参数确定模块30，用于根据目标气动参数辨识模型的模型参数确定预设飞行器的气动力参数。

可选的，样本数据获取模块10，包括：

动力学模型构建单元，用于根据预设飞行器的动力学参数，构建预设飞行器的动力学模型，动力学模型包括：未知的气动力参数；

样本数据获取单元，用于根据参考气动力参数和动力学模型，计算预设飞行器随样本飞行时间变化的多组样本动力学数据。

可选的，模型训练模块20，包括：

模型训练单元，用于根据样本飞行时间对初始气动参数辨识模型进行训练，输出多组训练动力学数据；

残差值计算单元，用于根据预设损失函数、多组样本动力学数据和多组训练动力学数据，计算训练残差值；

模型确定单元，用于若训练残差值满足预设训练停止条件，得到目标气动参数辨识模型。

可选的，残差值计算单元之前，装置还包括：

损失函数确定单元，用于根据动力学模型的残差函数和动力学数据的残差函数，生成损失函数，动力学数据的残差函数为：样本动力学数据和训练动力学数据之间的残差函数。

可选的，损失函数确定单元之前，装置还包括：

常微分方程转换单元，用于将动力学模型转换为常微分方程组；

残差函数确定单元，用于根据常微分方程组，生成动力学模型的残差函数。

可选的，模型确定单元，包括：

模型多次训练子单元，用于根据样本飞行时间和样本动力学数据分别对多次初始化的初始气动参数辨识模型进行训练，得到多次训练后的气动参数辨识模型；

目标模型确定子单元，用于根据多次训练后的气动参数辨识模型满足预设训练停止条件的训练残差值进行比较，确定训练残差值最小的气动参数辨识模型为目标气动参数辨识模型。

可选的，样本数据获取单元，包括：

观测数据获取单元，用于根据参考气动力参数和动力学模型，计算预设飞行器随样本飞行时间变化的多组观测动力学数据；

噪声数据获取单元，用于根据预设数据噪声，对多组观测动力学数据进行扩展，得到多组噪声动力学数据，样本动力学数据包括：观测动力学数据和噪声动力学数据。

上述装置用于执行前述实施例提供的方法，其实现原理和技术效果类似，在此不再赘述。

以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路（Application Specific Integrated Circuit，简称ASIC），或，一个或多个微处理器，或，一个或者多个现场可编程门阵列（Field Programmable Gate Array，简称FPGA）等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器（Central Processing Unit，简称CPU）或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统（system-on-a-chip，简称SOC）的形式实现。

请参考图18，为本申请实施例提供的计算机设备的示意图，如图18所示，该计算机设备100包括：处理器101、存储介质102和总线，存储介质102存储有处理器101可执行的程序指令，当计算机设备100运行时，处理器101与存储介质102之间通过总线通信，处理器101执行程序指令，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

可选地，本发明还提供一种计算机可读存储介质，存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（英文：processor）执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（英文：Read-Only Memory，简称：ROM）、随机存取存储器（英文：Random Access Memory，简称：RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。