Die Modellierung der Aerodynamik eines Flugzeugs führt auf ein nichtlineares System. Neben der Beschreibung der physikalischen Zusammenhänge durch eine Modellstruktur stellt die Bestimmung der aerodynamischen Parameter die größte Ungewissheit dar. In mehreren Schritten werden diese Parameter durch Windkanalmessungen und numerische Verfahren ermittelt. Die letzten Ungenauigkeiten können mit Hilfe von Testflügen eines Prototypen und einem Verfahren zur Parameteridentifikation (PID) ausgeräumt werden. Diese PID- Aufgabe wird hier durch ein Modulares Neuronales Netzwerk gelöst. Für jeden aerodynamischen Parameter wird ein Modul eingesetzt. Durch den Einsatz von Eingabeverbindungen ist es nun möglich, nichtlineare Derivative zu identifizieren. Ein Neuronales Netz bietet einige Vorteile gegenüber vergleichbaren Ansätzen. So kann es zum Beispiel in einen Echtzeit- Flugsimulator integriert werden. Durch einen objektiven Vergleich von Flugtestdaten und Simulationsergebnissen werden die Auswirkungen der aerodynamischen Optimierung aus flugmechanischer Sicht beurteilt. «
Die Modellierung der Aerodynamik eines Flugzeugs führt auf ein nichtlineares System. Neben der Beschreibung der physikalischen Zusammenhänge durch eine Modellstruktur stellt die Bestimmung der aerodynamischen Parameter die größte Ungewissheit dar. In mehreren Schritten werden diese Parameter durch Windkanalmessungen und numerische Verfahren ermittelt. Die letzten Ungenauigkeiten können mit Hilfe von Testflügen eines Prototypen und einem Verfahren zur Parameteridentifikation (PID) ausgeräumt werd... »
Übersetzte Kurzfassung:
Modelling an aircraft´s aerodynamics leads to a nonlinear system. The depiction of physical relations is a complex inaccuracy task, however the determination of aerodynamic parameters is even more complex. It takes several steps to obtain these parameters from wind tunnel tests and numeric methods. Remaining discrepancies can be reduced by flight test and parameter identification methods (PID). In this paper, this PID task is solved with a Modular Neural Network. Each aerodynamic parameter is represented by one module. Using so called input-weights allows the identification of nonlinear derivatives. A Neural Network offers some advantages towards comparable methods. For example, it is possible to integrate an adaptive model into a realtime flight simulator. The effects of optimized aerodynamic parameters on flight mechanics are assessed by objective comparison of flight test data and simulation results. «
Modelling an aircraft´s aerodynamics leads to a nonlinear system. The depiction of physical relations is a complex inaccuracy task, however the determination of aerodynamic parameters is even more complex. It takes several steps to obtain these parameters from wind tunnel tests and numeric methods. Remaining discrepancies can be reduced by flight test and parameter identification methods (PID). In this paper, this PID task is solved with a Modular Neural Network. Each aerodynamic parameter is re... »