本发明属于航空飞行控制，特别涉及一种智能化飞机转弯调控系统。
背景技术：
1、飞机转弯操作涉及到多个部件和系统的协同工作，例如：在使用副翼使飞机倾斜转弯时，需要通过方向舵进行协调操作。因为飞机倾斜时，会产生偏航力矩，如果不使用方向舵协调，飞机不仅会转弯，还会出现侧滑现象。在现代飞机中，自动驾驶系统可以有效辅助飞行员完成转弯操作，可根据设定的航向、转弯角度等参数协调副翼、方向舵、升降舵等控制面进行精确的转弯操作，但是在复杂气象条件或特殊飞行状态下，实现精确且安全的转弯具有一定难度并且飞行员操控技能的个体差异也会影响转弯效率和安全性。
技术实现思路
1、本发明的目的在于克服现有技术中存在的缺陷，提供一种智能化飞机转弯调控系统。
2、本发明提供了一种智能化飞机转弯调控系统，包括：
3、数据采集与预处理模块，对实际飞行记录、模拟器仿真或风洞实验中的飞行数据进行收集，并对收集的飞行数据进行预处理；所述飞行数据包括不同速度、高度、重量分布、气象条件下的飞行性能参数以及对应的转弯操作细节，所述预处理包括剔除异常值、填充缺失值并转飞行数据格式，使其适用于深度学习模型；
4、dqn智能优化模块，基于飞机状态s输出最佳转弯动作a以实现最优转弯策略；
5、将所述dqn智能优化模块导入机载设备，dqn智能优化模块调整飞机的控制参数，控制飞机完成转弯动作。
6、进一步的方案为，所述dqn智能优化模块包括：
7、deep q-network模型，调整飞机的控制参数，控制飞机完成转弯动作；
8、环境定义单元，用于定义飞行环境状态，并将飞行环境状态量化、离散化为一个有限的状态空间s；s＝{s_1,s_2,...,s_n}，其中s_n表示t时刻的状态；以及定义动作空间a；a＝{a_1,a_2,...,a_m}，其中a_m表示t时刻采取的动作；
9、所述飞行环境包括飞机状态和可执行动作；
10、奖励函数单元，构建奖励函数r(s,a,s')，用于衡量在状态s下执行动作a后达到新状态s'的效果；
11、q值函数单元，用于获取在状态s时，动作a的价值评估q(s,a)；
12、经验回放缓冲单元，用于存储大量的经历(<s,a,r,s'>)，其中s是当前状态，a是采取的动作，r是收到的即时奖励，s'是执行动作后的下一个状态。
13、进一步的方案为，所述q值函数单元通过深度神经网络作为q值函数的近似器，所述深度神经网络输入是状态s，输出是在状态s下的动作a的价值评估q(s,a)；
14、所述深度神经网络的网络架构采用多层感知机，最后一层对应每个动作的价值评估q(s,a)。
15、进一步的方案为，所述deep q-network模型训练过程包括：
16、通过ε-greedy策略探索环境，执行随机动作或者选择当前q值最高的动作；
17、执行动作后，获取新的状态s'以及相应的奖励r，并将经历存入所述经验回放缓冲单元；
18、从经验回放缓冲单元采样一批数据进行学习，更新dqn网络参数，以缩小价值评估q(s,a)与实际回报之间的差距。
19、进一步的方案为，调控系统还包括：动态倾斜转弯控制模块，用于对飞机机体进行连续且平滑的倾斜调整，减小转弯半径并降低过载；
20、所述动态倾斜转弯控制模块包括：
21、运动模型构建单元，基于飞机动力学和空气动力学原理建立飞行器的运动模型，所述运动模型包括六自由度运动状态以及与六自由度运动状态相关的物理量，所述运动模型方程为：
22、m*d^2x/dt^2＝f_x+m*g*sin(θ)
23、m*d^2y/dt^2＝f_y
24、i_z*d^2ψ/dt^2＝l_z
25、其中，m是质量，i_z是转动惯量，(x,y)是位置坐标，ψ是滚转角，(f_x,f_y)是合力在xy平面上的分量，l_z是绕z轴的力矩，θ是俯仰角；
26、指标定义单元，用于定义性能指标，所述性能指标j的二次型形式为：
27、j＝∫[q(x,u)+r(u)]dt
28、其中x是状态向量，u是控制输入向量，q(x,u)是状态成本函数，r(u)是控制输入成本函数；
29、转弯动态调整单元，基于计算出的控制率，在转弯过程中动态调整飞机的姿态和推力分布，以实现基于预设的性能指标j的倾斜转弯动作；
30、闭环控制单元，获取所述deep q-network模型的输出结果，基于输出结构生成动作指令，机载设备接收并执行指令，形成反馈回路。
31、进一步的方案为，所述控制率为根据误差计算出用于控制输入的数学模型，所述数学模型为pid控制器；所述误差为当前的飞机状态参数与目标设定值进行比较的结果。
32、进一步的方案为，调控系统还包括模型实时优化模块，基于闭环控制原理，构建了一个包含多源传感器数据融合、误差检测、实时计算与指令输出的闭环控制系统，所述闭环控制用于监测飞机实际转弯过程中与预定轨迹的偏差，并立即采取补偿措施；
33、所述模型实时优化模块包括：
34、数据融合单元，通过传感器融合技术将多源信息整合，生成飞行状态估计；
35、反馈单元，实时获取误差信号，并在获得误差信号后立即生成并发送控制指令，以控制deep q-network模型的输入，从而持续对deep q-network模型的输出进行调整直至接近或达到预期状态；
36、性能优化单元，实时记录关键性能指标，并利用所述关键性指标评估pid控制器的效果，根据评估结果，采用在线自校正算法或者离线参数整定方法，不断优化pid控制器参数以提升控制性能；
37、安保机制单元，设定安全阈值，状态变量超出安全阈值时，则触发警报或进入安全模式。
38、进一步的方案为，调控系统还包括故障检测模块，与安保机制单元连接，触发警报或进入安全模式后，安保机制单元向所述故障检测模块发送故障码，所述故障检测模块识别故障码并切换至备用系统或采取紧急措施，保障飞行安全。
39、与现有技术相比，本发明的有益效果在于：
40、本发明利用deep q-network(dqn)深度强化学习算法建立一个实时优化模型，该模型能依据飞机当前状态参数、环境因素以及航线规划目标等多元信息，自适应地计算最优转弯角度、坡度和转弯率，实现了飞机在复杂环境下更安全、高效的自主转弯操作。
41、本发明采用三维空间动态倾斜技术的控制系统，能够对飞机机体进行连续且平滑的倾斜调整，在保证飞行稳定性和乘客舒适度的前提下，减小转弯半径并降低过载，减少飞机在转弯过程中的燃料消耗，从而降低了运营成本。还构建了一个包含多源传感器数据融合、误差检测、实时计算与指令输出的闭环控制系统，可以实时监测飞机实际转弯过程中与预定轨迹的偏差，并立即采取补偿措施，确保飞机能够在任何飞行阶段都能保持预定的转弯性能指标，增强了飞机的智能化程度和市场竞争力。