申请/专利权人：北京航空航天大学

申请日：2024-04-15

公开（公告）日：2024-06-04

公开（公告）号：CN118133429A

主分类号：G06F30/15

分类号：G06F30/15;G06F30/27;G06F30/28;G06N3/092;G06F17/13;G06N3/084;G06F18/25;G06F113/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.21#实质审查的生效;2024.06.04#公开

摘要：本发明公开了基于强化学习与变弯度后缘的颤振抑制设计与验证方法，涉及智能飞行器设计与流固耦合主动控制领域；具体为：针对带有俯仰自由度及主动连续后缘偏转的翼型模型，在主动控制的失速颤振运动中，做俯仰与后缘偏转的复合运动；然后，建立包括非定常气动力与气动弹性系统的变弯度后缘翼型快速响应失速颤振模型；基于强化学习DQN，设计对快速响应失速颤振模型fSF的离线闭环控制方案；并将离线训练的全连接神经网络应用于CFD，对高精度流固控的闭环主动控制方案在线验证；本发明通过变弯度后缘气动力降阶、快速响应失速颤振模型建模、设计强化学习控制方案等环节，实现变弯度后缘失速颤振抑制。

主权项：1.基于强化学习与变弯度后缘的颤振抑制设计与验证方法，其特征在于，具体步骤如下：步骤一、针对带有俯仰自由度及主动连续后缘偏转的翼型模型，在主动控制的失速颤振运动中，做俯仰与后缘偏转的复合运动；步骤二、建立包括非定常气动力与气动弹性系统的变弯度后缘翼型快速响应失速颤振模型；所述建模过程为：首先，针对当前时间t，以正弦叠加的方式建立翼型模型的俯仰运动迎角θ与后缘偏转β； 其中，Ai与ωi为随机生成的正弦函数幅值与角速度；然后，利用CFD计算，分别得到俯仰运动与后缘偏转对应的时序气动力矩系数，即：Mpit＝fCFDθ,t2Mtem＝fCFDβ,t此后，以时域来流速度U∞t、俯仰角、后缘偏转和各自的时序气动力矩系数作为训练集；具体为：训练集1:Mpitt,θt,U∞t3训练集2:Mtemt,βt,U∞t接着，利用两个NARX神经网络分别以误差反向传播方式，拟合两种运动下的非定常气动力，得到两个降阶模型：降阶模型1:Mpit＝fROM1U∞,θ,t4 M＝Mpit+Mtem其中，I为翼型转动惯量，C为翼型俯仰运动阻尼，K为翼型俯仰运动刚度，为俯仰运动角加速度，为俯仰运动角速度；通过四阶龙格库塔方法求解公式7，得到俯仰角θt和俯仰角速度并联合降阶模型得到当前时间t的失速颤振模型fSF： 即输入任意时序后缘偏转，实现翼型的俯仰运动快速响应，得到对应的时序气动力、俯仰角与俯仰角速度；步骤三、基于强化学习DQN，设计对快速响应失速颤振模型fSF的离线闭环控制方案；DQN算法的奖励函数由奖励项与惩罚项构成；奖励项设置为： 其中，Rt为基于当前观察对上一步动作的奖励，共分为三类情况：i后缘偏转在限制幅值内，迎角与角速度满足θt＜0.1rad，视为接近静止，对上一步动作进行奖励；ii后缘偏转在限制幅值内，但没有达到或θt≥0.1rad，对上一步动作的惩罚幅度为俯仰迎角ωt与角速度θt的线性组合；iii后缘偏转超出允许幅值，无论是否达到抑制效果，均对上一步动作进行大幅惩罚；强化学习代理为具有2层隐藏层的全连接神经网络，输入为环境信息：迎角θt，俯仰角.速度θt，后缘偏转βt，输出为五个可选动作Δβ＝[Δβl,-Δβl,-Δβs,Δβs,0]的Q值，选取最大Q值对应的动作，和当前时刻后缘偏转βt+1＝βt+Δβ作为控制器输出，控制下一步后缘偏转，在离线环境下形成闭环主动控制；步骤四、基于强化学习与CFD结合的高精度流固控的闭环主动控制方案在线验证。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于强化学习与变弯度后缘的颤振抑制设计与验证方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD