本发明涉及一种航空系统控制领域的技术，具体是一种用于民机设计及适航审定的智能座舱系统实现方法。
背景技术：
：飞行安全是民用航空领域永恒的主题，每一架民用飞机都必须经过适航审定后取得适航合格证书才可以执行民用航空飞行任务。中国民用航空规章(ccar)提出了最小飞行机组准则，将飞行机组的任务分解成与操作相关的任务需求来验证飞机的适航符合性。智能座舱系统描述机组，飞机，环境之间的动态关系，是飞机系统中人机交互的唯一界面。设计与开发一种用于民机设计及适航审定的智能座舱系统的技术对于飞机适航审定的顺利进行是十分有意义的。在适航审定时，需要大量综合，全面可靠的基于各种飞行场景的飞行数据，以确保适航审定的客观性与准确性。而在飞机设计的各个阶段，也需要大量可涵盖小概率飞行事件的经验证可靠的全面飞行数据来评估飞机系统设计的合理性和有效性。综合来说，不论是在民用飞机的适航审定过程中，还是在民机系统设计的各个阶段，建立一个智能座舱系统都具有重要意义。开发智能座舱系统的直接目的在于根据各种机型以及人机环参数下的多种飞行条件快速实现基于各种飞行场景的飞行任务。座舱系统快速自动产生的飞行数据经与在高仿真驾驶舱中真实机组执行相同的飞行任务产生的飞行数据的比较，经验证是可靠且全面的。智能座舱系统可以用于描述在各种飞行条件下飞行任务与机组干预，工作负荷分配，异常事件的处置程序等因素之间的动态关系与适应性。因此有必要开发一种用于民机设计及适航审定的智能座舱系统。目前已有的智能座舱控制系统仅仅是对民机飞控系统的简单调控，但是这类系统的数据覆盖面较小，可移植性和复用性较差。无法重现飞行机组，环境与飞机的动态交互影响，缺少必要的自动化设备，特别是执行飞行任务时与真实飞行机组执行的真实数据相差较大，无法用于民机的实际适航审定及设计过程。技术实现要素：本发明针对现有技术的不足，提出一种用于民机设计及适航审定的智能座舱系统实现方法，具有必要的可重复性，可快速得到真实，全面，可靠可信的大量飞行数据的智能座舱系统开发方法。本发明通过以下技术方案实现：本发明包括以下步骤：步骤1、构建智能座舱系统中六自由度飞机动力学模型，赋予各飞机参数真实有效的民用飞机机型实现可进行数值计算的飞机动力学仿真模型，其中飞机的参数可根据不同的民机机型灵活赋予，可表征大多数在役的民用飞机动力学模型。步骤2、采用matlab/simulink和c#混合编程方法搭建智能座舱系统平台：在matlab/simulink中实现飞机的非线性动力学模型，该模型会根据舵面和油门的控制量输入解算出飞机状态量的变化，并能外接自动控制器进行联合数值仿真。在c#中主要完成座舱系统显示平台的界面设计以及功能划分等工作。步骤3、飞机自动控制器的设计：自动控制器控制的操作机理可类似于飞行员对飞机的操作，即用于纵向控制的升降舵，油门杆和用于横向/舵向控制的方向舵和副翼。本发明针对座舱系统中自动驾驶仪的高度保持，俯仰姿态保持，速度保持三种控制，在matlab/simulink中设计了相应的自动控制器。步骤4、模型的有效性与可靠性验证：根据智能座舱系统产生的飞行数据，选取在一次飞行中飞机实际着陆点与期望着陆点之间的差值的绝对值，即着陆偏差为评价指标。并通过半物理飞行测试，比较高仿真驾驶舱系统中真实飞行机组操纵飞机产生的飞行数据与智能座舱系统中自动驾驶产生的飞行数据验证了智能座舱系统的有效性与精确性。所述的智能座舱系统可依靠智能座舱系统中机型的配置以及控制器的设计快速产生大量综合，全面可靠的基于各种飞行场景的飞行数据，以确保适航审定的客观性与准确性。技术效果与现有技术相比，本发明针对现有座舱系统自动驾驶的局限性进行了改进，搭建了新的用于民机设计及适航审定的智能座舱系统平台。采用matlab/simulink和c#混合编程方法搭建智能座舱系统平台，完成一次最后进近着陆飞行任务实际用时约为320s，在pc机上仿真时间可缩短至20s甚至更短。因此本发明能在短时间内产生大量经验证可靠的飞行样本数据是可行的，提高了系统的运行效率与可靠性。通过高仿真驾驶舱系统中真实飞行机组操纵飞机产生的飞行数据与智能座舱系统中自动驾驶产生的飞行数据的对比，验证了智能座舱系统的有效性与精确性。附图说明图1为飞机六自由度模型图；图2为飞机非线性动力学模型示意图；图3为仿真平台界面设计图；图4为俯仰姿态保持控制器框图；图5为高度保持控制器框图；图6为速度保持控制器框图；图7为最后进近和着陆阶段飞行场景图；图8为一次飞行中的主要飞行状态数据图；图9为飞机着陆点频率分布图；图10为着陆偏差样本数据图；图11为样本数据qq图；图12为飞行样本数据hill图；图13为gpd拟合检验图；图14为高仿真驾驶舱系统图。具体实施方式实施例1本实施例具体包括以下步骤：步骤1、飞机动力学模型的构建是智能座舱系统的基础。飞机在空中的运动，可看成具有六自由度的刚体，包括三个平动自由度，三个转动自由度。飞机的运动方程主要包括以牛顿第二定律为基础的速度等平动向量，以欧拉方程为基础的角速度等转动向量。六自由度飞行动力学方程模型框架如图1所示。图1中，newton’sequation过程是对飞机运动平动自由度的建模方程；euler’sequation过程是对飞机运动转动自由度的描述；forces&moments过程求解平动自由度和转动自由度的力与力矩；kinematicequations过程给出了在搭建系统模型时所需要初始化的四元数、飞机姿态角以及方向余弦矩阵等内容；模型的输入部分是pilotcontrol过程，直接改变aero&propulsion过程中的升力与阻力的变化。步骤2、基于matlab/simulink和c#混合编程方法搭建智能座舱系统平台，其中：在matlab/simulink中的飞机非线性动力学模型示意图如图2所示，该模型会根据舵面和油门的控制量输入解算出飞机状态量的变化，并能外接自动控制器进行联合数值仿真。在visualstudio中完成界面设计，场景构建，功能划分等工作。座舱显示平台界面设计如图3所示，界面可以清楚地表示一次飞行中各飞行参数的状态信息。步骤3、飞机自动控制器的设计。本发明针对座舱系统中自动驾驶仪的高度保持，俯仰姿态保持，速度保持三种控制，在matlab/simulink中设计了相应的自动控制器。其余舵机，起落架，襟翼等控制器均选取民机系统常用控制器实现。所述的自动控制器包括：用于使得飞机以设定好的俯仰角飞行并保持俯仰角稳定的俯仰姿态保持器、高度保持控制器和速度保持控制器。所述的俯仰姿态保持器为比例-积分式俯仰姿态保持控制器，其控制率为：其中：kθ为俯仰角比例环节系数；te为积分环节时间常数；δθc为平衡点处的俯仰角；δθ为飞机实际俯仰角；为俯仰角速度反馈环节的系数；为俯仰角速度，即q。基于simulink中设计的俯仰姿态保持控制器框图如图4所示。图中stable_delta_e是平衡点处的升降舵角度。stable_theta是平衡点处的俯仰角。实际飞机控制系统中为了削弱铰链力矩对舵机的影响，会用舵回路代替单独的舵机进行舵面偏转的操作，图中的俯仰舵反馈回路是用于模拟飞机位置伺服式电动舵机的控制特性。所述的高度保持控制器直接利用高度信息进行反馈控制，以俯仰姿态保持控制器为内环，然后在外环加一层对高度的比例-积分控制器实现，该高度保持控制器控制律为：其中kh为高度环比例系数；δhc为平衡点处的飞行高度；δh为飞机实际飞行高度。基于simulink中设计的高度保持控制器框图如图5所示。所述的速度保持控制器的控制率为：其中kv为速度环比例系数；δvc为平衡点处的飞机空速；δv为飞机实际空速；a为飞机实际加速度；ka为加速度反馈系数。基于simulink中设计的速度保持控制器框图如图6所示。步骤4、基于最后进近着陆阶段的飞行场景智能座舱系统仿真，具体步骤包括：4.1飞行场景设定假设飞机如图7所示在进近着陆过程中沿着预定的下滑轨迹飞行直至着陆接地。飞行场景可以根据不同飞行任务灵活配置，本发明以事故率高发的最后进近着陆阶段飞行场景为例进行说明。4.2仿真实验流程某型商用飞机参数设置如表1所示。这些飞机基本参数是可以根据具体机型灵活配置的，可表征各种常用型号的商用运输客机。表1飞机机身参数设置表表2飞机气动力系数表4.3受控实验设置及结果分析4.3.1)基础实验及对照实验设置：根据对照实验组别的不同设置，分布探究控制器的选择，系统时滞，高度保持控制器的灵敏度，以及升降舵控制器的误差精度等因子对飞行任务完成效果的影响，其中：相关参数的设置是根据飞行经验设定的。表3基础实验及对照实验设置方法4.3.2)实验结果分析：座舱系统自动驾驶仿真模拟实验产生大量飞行数据，基础实验中一次典型的主要飞行状态数据如图8所示。每组实验仿真1000次，共5000次实验的着陆地点频率分布如图9所示。对照实验1相对于基础实验，自动驾驶系统中垂直高度控制器的弱化，结果着陆点平均值的偏差以及安全率均不如基础实验结果好。表明座舱系统应对高度偏差进行即时校正。对照实验2相对于基础实验，座舱系统中控制器的时滞增长，飞行的性能质量不如基础实验。表明在座舱系统的自动驾驶仪中，时滞是一个重要的影响飞行任务的控制因子。对照实验3相对于基础实验，飞机在进近着陆过程中，高度控制器灵敏度更高，实验结果显示对照实验3是五组实验中着陆点平均偏差最小的，但是却在安全率方面低于基础实验。表明在飞行中自动驾驶系统应避免不必要的升降舵以及副翼的偏转调整等，飞行过程中对飞机短时间稍稍偏离下滑道的情况是可容忍的。对照实验4比基础实验的升降舵控制器误差精度要差，允许更大的升降舵操作量可能会使着陆点向后移动并带来更低的安全率，表明在系统中各类舵机系统的精度保证是必要的。在一定的开发周期内，产生能够灵活配置飞行任务，飞机机型以及适应各种飞行场景的可靠飞行数据保障民机的适航审定具有重要意义。实施例2智能座舱系统的可靠性验证：基于极值理论中的pot模型，基于已建立的智能座舱自动驾驶系统，选取在一次飞行中飞机实际着陆点与期望着陆点之间的差值的绝对值，即着陆偏差为评价指标。通过半物理飞行测试，比较高仿真驾驶舱系统中真实飞行机组操纵飞机产生的飞行数据与智能座舱系统中自动驾驶产生的飞行数据验证了智能座舱系统的有效性与精确性。1极值理论与pot模型20世纪40年代gnedendo提出的极值定理是极值理论的研究基础。极值理论研究的对象是风险分布的尾部情况，具有低频高危特点的风险分布大多数呈现出厚尾分布的特征，即这些样本数据中极端值出现的概率要大于正态分布中极端值的发生概率。bmm模型和pot模型是极值理论最具代表性的两种模型。bmm模型对样本分块后的分块极大值数据进行建模，bmm模型适用于具有明显分块性特征的极值问题分析。pot模型是对一组样本中所有超过某一个阈值的极端数据进行建模，它可以有效地运用极端样本数据而被认为是在实际应用中最为有效的模型。pot模型是pickands在1975年根据极值理论的框架提出的，pot模型指出在一组样本数据中，对于一个充分大的阈值μ，所有超出阈值μ的样本数据近似服从于gpd分布，即广义帕累托分布。gpd分布是具有如下形式的双参数分布函数：其中：ζ是形状参数，λ(λ＞0)是gpd分布的尺度参数。当ζ≥0时，x≥0；当ζ＜0时，0≤x≤--λ/ζ。当且仅当ζ＞0时，gpd符合风险损失分布的厚尾特性。假设x1，x2，...，xn为n个独立同分布的观测样本数据，样本尾部的分布函数为f(x)，设μ为阈值，超过阈值μ的样本个数为nu，则超过阈值μ的随机变量x的分布函数：fμ(y)＝p(x-μ≤y|x＞μ)＝[f(μ+y)-f(μ)]/[1-f(μ)]，对于x-μ≥0，在pot模型的应用中，首先是对阈值μ的确定。当阈值确定后，通过(n-nμ)/n来近似估计f(μ)，fμ(x-μ)可以用gpd分布近似估计，从而计算得到尾部分布的概率函数f(x)的分布：f(x)＝1-(nμ/n)[1+ζ(x-μ)/λ]-1/ζ。2基于pot模型的飞行事故风险度量根据已建立的智能座舱自动驾驶系统，选取在一次飞行中的飞机着陆偏差为评价指标。在飞机着陆过程中，如果着陆点偏差过大，可能造成飞机冲出跑道的后果，对飞行安全构成重大威胁。(1)厚尾检验仿真模拟自动驾驶飞行进行500次，得到500次飞行的着陆偏差样本数据图如图10所示。对500次飞行着陆偏差的样本数据进行偏态检验，做qq图分析，如图11所示。根据图10与图11看出飞机着陆点偏差具有厚尾特性，可以利用极值理论的pot模型来描述这500个样本数据的尾部分布形式。极值理论中pot模型的应用主要分为两块内容：第一块是首先对样本数据中的阈值μ的确定；第二块是gpd分布中的参数估计。(2)pot模型中的阈值选取阈值μ的选取是第一步，也是关键步骤。阈值μ的估计方法有很多种，本发明采用常用的hill图法估计阈值。设x1，x2，...，xn是n个按降序排列的正值独立同分布随机变量，即满足x1≥x2≥...≥xn。定义hk为其hill估计：其中：点(k，hk)构成的曲线即为hill图。在hill图中，选取曲线呈现出稳定区域的起点，确定相对应的阈值μ。本实施例中500个飞行样本数据，绘制成hill图如图12所示。由图观察出，在阈值1000附近时，曲线出现趋于稳定的区域。本实例中，本发明近似可取pot模型中阈值μ为1000。(3)pot模型中参数的估计gpd模型中参数的估计方法有很多种，本实施例采用矩估计法估计参数ζ和λ。gpd分布的参数ζ和λ的矩估计为：假设y为服从gpd分布的随机变量，由y＝-λ/ζ[1-exp(ζx)]得：当1-ζ×r＞0，即ζ＜1/r时，上述矩估计存在。分别取r＝1，r＝2得到y的一、二阶矩为：当和s2为观测样本数据的均值和方差。用和s2代替总体的均值ey和方差dy。可得到gpd分布参数ζ和λ的估计：进一步得到f(x]的分布函数：(4]pot模型的var和es估计var(valueatrisk]为风险价值，也被称为风险度量方法，是指在某一置信水平下，某资产或风险在未来特定时间段内的最大可能损失。设x为一个随机变量，其分布函数为f(x]，在给定的置信水平为p时，本发明定义var为：varp＝inf{x|f(x≤x)＞p}，当函数f(x]是连续函数时，本发明定义f-1为分布函数的反函数，p为置信区间。基于pot模型的定义，计算得到varp即为损失分布的p分位数：其中：var是风险度量的有效方法，但是var无法对超出置信区间的损失进行描述。基于var的研究基础，artzner提出了预期损失es的概念。es的定义为当风险损失大于置信度p的varp的条件期望：esp＝e(x|x＞varp)(18]由pot模型的定义可知，当阈值μ足够大时，超出阈值的样本观测数据近似服从于gpd分布。本发明得出esp的估计为：从而计算得到风险价值var和预期损失es的估计。对仿真平台产生的500个飞行数据样本进行分析，计算500次实验的着陆偏差的均值飞行着陆偏差的方差s2＝213546.7。由公式(9]可得到gpd分布参数ζ和λ的估计为：由阈值的选取，定义着陆绝对值偏差在1000米以上的为航空飞行大隐患事件。图13是根据阈值的选取与gpd参数的估计拟合出的阈值取值1000时的gpd拟合检验图。图13中，gpd分布模型用平滑曲线表示，45个超额分布极值的hs经验分布值用散点表示。由图中可以看出，超过选定阈值1000的极值分布可以较好地用gpd分布拟合，gpd拟合模型是有效的。总观测样本数为n＝500，超出阈值的样本数为nu＝45。将这里的各参数代入公式(10)，计算得到该实验中飞机着陆偏差分布函数为：f(x)＝1-0.09[1+6.22×10-5(x-1000)]-36.7647x＞1000，在给定置信区间p下，计算得到varp为：varp＝1000+16071.3824{[11.1111(1-p)]-0.0272-1}；通过varp，进一步得到esp的估计为：当置信区间p＝0.95时，varp＝1259.0110，esp＝1715.6174。可理解为在此飞行任务中，飞机着陆偏差不超过1259.0110米的概率为95％。当着陆偏差的绝对值大于置信度0.95时的风险价值1259.0110米时的着陆偏差条件期望为1715.6174米。当置信区间p＝0.975时，varp＝1569.8189，esp＝2035.1157。可理解为在此飞行任务中，飞机着陆偏差不超过1569.8189米的概率为97.5％。当着陆偏差的绝对值大于置信度0.975时的风险价值1569.8189米时的着陆偏差条件期望为2035.1157米。当置信区间p＝0.99时，varp＝1989.7806，esp＝2466.8197。可理解为在此飞行任务中，飞机着陆偏差不超过1989.7806米的概率为99％。当着陆偏差的绝对值大于置信度0.99时的风险价值1989.7806米时的着陆偏差条件期望为2466.8197米。为了验证模型的有效性，通过半物理飞行测试，收集在高仿真驾驶舱系统中真实飞行机组操作飞机产生500次相同飞行任务的飞行数据。图14为智能座舱系统开发的实景图，所有实验均在此模拟机上进行。根据模型计算出飞机着陆偏差绝对值超过var值的次数n，这里定义溢出率为e，e＝n/n，其中n为样本数据总数，即500。将计算出的溢出率e与1-p比较来判断pot-gpd模型的有效性，表4为模型的验证结果。表4模型的验证模型验证结果表明基于pot-gpd模型的var计算方法是合理且有效的。本发明可依靠智能座舱系统中机型的配置以及控制器的设计快速产生大量综合，全面可靠的基于各种飞行场景的飞行数据，以确保适航审定的客观性与准确性。上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。当前第1页12当前第1页12