本发明属于航空飞行器设计与系统辨识领域，是一种针对快速预测飞行器失速颤振特性，提高计算效率而发展出的非线性降阶模型。
背景技术：
失速颤振是飞行器翼面或舵面处于大攻角时，气流分离引起的非线性气动力和弹性结构耦合所发生的自激振动，失速颤振体现出强非线性特性。飞行器大攻角飞行(比如歼击机或者导弹具有高机动性和敏捷性，需要大迎角范围内飞行)或遭遇阵风时，可能会使升力面处于失速状态，当迎角达到某一临界值时容易导致气动失速，进而可能发生失速颤振，影响飞行器的结构安全；尤其是螺旋桨叶和直升机叶片，桨尖较易发生失速及失速颤振的现象。
目前对机翼失速颤振的研究方法有试验研究、经验模型和CFD-CSD流固耦合仿真。试验方法耗时耗力，成本较高。经验模型计算依赖模型和试验数据，结果精度不高。CFD-CSD计算能获得高精度的结果，但是计算量巨大，耗时很长，增加计算成本和飞机研制周期。
要实现飞行器失速颤振的预测，首先要解决的关键技术问题是对大攻角非线性气动力的准确辨识，主要存在以下问题：
1.传统的信号在非设计点的非线性气动力预测效果较差。要准确捕捉大攻角极限环振动的特性，需合理设计合理的辨识输入信号，设计的辨识输入信号需准确刻画极限环振动的规律、大运动幅值和频率要求。
2.对于设计好的辨识输入信号，需要发展鲁棒的泛化的降阶模型和算法来准确辨识动态的大攻角分离的非线性气动力的数学模型。
基于上述情况，需要在输入信号设计和辨识算法上提出新的模型。
技术实现要素：
针对上述问题，为了节省飞行器设计成本，提高失速颤振设计效率，提出了一种适用于失速颤振的大攻角非线性气动力降阶模型，从而快速预测失速颤振。
本发明适用于失速颤振的大攻角非线性气动力降阶模型，通过下述步骤得到：
步骤1：根据机翼极限环振动时的幅值、频率和振动规律，设计左右对称的多级正弦信号，作为深度学习模型系统的输入数据。
步骤2：将步骤1种设计好的正弦信号输入到CFD软件中，获得不同速度下的机翼在该信号激励下的气动力系数，作为深度学习模型系统的输出数据。
步骤3：基于深度学习的循环神经网络模型进行非线性气动力辨识，得到大攻角非线性气动力降阶模型。
将上述的大攻角非线性气动力降阶模型带入到结构和气动力耦合计算方程中，利用4阶龙格-库塔方法进行时域推进计算，预测各模态随时间的响应过程，从而达到预测失速颤振的目的。
本发明的优点在于：
1、本发明适用于失速颤振的大攻角非线性气动力降阶模型，通过对失速颤振振动特点的分析，设计了多级正弦辨识信号，这种信号覆盖了振动的幅值、频率范围，能够很好的预测振动过程的非线性气动力。
2、本发明适用于失速颤振的大攻角非线性气动力降阶模型，是基于深度学习的循环神经网络模型的非线性气动力辨识模型，在动态非线性流场建模方面具有巨大的优势和应用前景。
3、本发明适用于失速颤振的大攻角非线性气动力降阶模型，适应强，辨识精度高，操作方法比较简单，利用MATLAB编程即可实现。
4、本发明适用于失速颤振的大攻角非线性气动力降阶模型，随着CFD技术的发展，省去了复杂的实验研究，同时计算效率又可比CFD计算提高一到两个数量级，辨识方法亦可用在其他非线性气动力辨识系统中，具有一定的通用性。
附图说明
图1为本发明适用于失速颤振的大攻角非线性气动力降阶模型设计流程图；
图2为本发明适用于失速颤振的大攻角非线性气动力降阶模型的辨识信号示意图；
图3为本发明适用于失速颤振的大攻角非线性气动力降阶模型中采用的基于深度学习的循环神经网络模型结构图；
图4为基于深度学习的循环神经网络模型中神经元单元展开计算结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明适用于失速颤振的大攻角非线性气动力降阶模型，如图1所示，通过下述步骤得到：
步骤1：设计输入信号。
输入信号是为预测机翼失速颤振而设计的，机翼发生大攻角极限环振动时，每一个周期的振动形式为正弦振动。本发明设计方法为，针对一种机翼模型，根据其极限环振动时的幅值、频率和振动规律，设计左右对称的多级正弦信号，这些正弦包含了不同的幅值和频率信息，且覆盖了所需的幅值和频率信息；其中，频率一般为低频振动，因此信号频率范围覆盖失速颤振振动频率的范围即可。如图2所示。在针对具体的模型时，需要根据振动幅值和频率的需要来设计。
步骤2：开发CFD求解器，计算气动力系数。
将步骤1种设计好的正弦信号输入到CFD软件中，考虑到大攻角条件下，不同的来流速度对计算出的气动力参数会有影响，因此通过CFD软件获得不同速度下的机翼在该信号激励下的气动力系数，包括升力系数、力矩系数、阻力系数等。上述气动力系数为深度学习模型系统的输出数据，而设计的正弦信号为深度学习模型系统的输入数据。
步骤3：非线性气动力辨识。
本发明中，非线性气动力辨识基于深度学习的循环神经网络模型，即步骤2中的深度学习模型，如图3所示。由于非线性流场的复杂性，传统模型对经验要求很高，很难给出一个合适的显式表达式，而基于深度学习的神经网络(Neural Network,NN)模型具有不需要给出辨识系统输入/输出之间的显示数学表达式的优点。该神经网络模型通过学习训练型号中输入/输出的特征，以及输入影响输出的方式，从而获取带辨识系统的特征，并用学习的“经验”预测新的输入下的输出。
基于深度学习的循环神经网络模型分为输入层、隐含层和输出层。其中，隐含层数大于4层，具体层数可以根据实际模型进行调整。从输入层到输出层，每层神经元单元和前后层的神经元单元连接并传输数据。隐含层的每一个神经元单元会反馈回来作为自身的输入。
上述每个的神经元单元的内部结构展开图如图4所示。
神经元单元是按时间序列展开，对该展开图做以下说明：
1)x(t)为t时刻训练样本的输入，同样的，x(t-1)和x(t+1)分别为t-1时刻和t+1时刻训练样本的输入。
2)h(t)为t时刻模型的隐藏状态，h(t)由x(t)和h(t-1)共同决定。
3)o(t)代表t时刻模型的输出，o(t)只由模型当前的隐藏状态h(t)决定。
4)L(t)代表t时刻模型的损失函数。
5)y(t)代表t时刻训练样本的真实输出。
6)U,W,V这三个矩阵是模型的线性关系参数，它在整个循环网络中是共享的，体现了循环网络模型的“循环反馈”的思想。
应用上述基于深度学习的循环神经网络模型，可以逼近任意的动态非线性映射系统，可很好的辨识动态非线性非定常气动力模型。整个循环神经网络的前向传播算法和普通前馈神经网络相同，其中隐含层激活函数选用连续双曲正切函数，输出层激活函数选用softmax函数。循环神经网络参数训练时选用误差反向传播算法中的梯度下降法，通过反复调整循环神经网络内部的连接权值和阀值，最终使网络输出逼近实际的输出。
步骤4：利用训练好的网络模型，预测机翼的失速颤振。将网络模型带入到结构和气动力耦合计算方程中，利用4阶龙格-库塔方法进行时域推进计算，预测各模态随时间的响应过程，从而达到预测失速颤振的目的。