基于UKF的FADS/INS融合大气数据估计

针对飞行器在高速飞行时受气流干扰、惯性数据易发散等问题,从传感器数据融合角度出发,提出了通过无迹卡尔曼滤波(UKF)融合嵌入式大气数据观测系统(FADS)和惯性导航系统(INS)估计飞行器实时大气数据的算法。算法使用高维度非线性方程对惯性系统和大气系统间的关系建模,结合FADS与INS的数据,计算飞行器速度和高度,进而估算出攻角、侧滑角等参数。实验结果显示,与INS直接解算、扩展卡尔曼滤波(EKF)融合等原有估计方法相比,文章所述的算法在估计精度和系统稳定性方面均有所提高。

融合气象观测数据的高精度大气数据估计算法研究

针对嵌入式大气数据观测系统(FADS)与惯性导航系统(INS)在计算飞行器大气数据时易受风速变化造成参数估计不准确的问题,文章提出一种融合FADS/INS/气象观测数据的大气数据解算方法;FADS依靠飞行器外表面的气压分布直接计算大气数据,INS提供姿态角与加速度,气象观测数据包括气压-高度的对应关系与风速矢量;融合过程结合FADS压力模型、飞行器运动模型和大气观测数据构建状态方程与观测方程,并采用滤波预处理、扩展卡尔曼滤波估计出精确的空速矢量和高度,结合INS数据进一步转换得到大气数据;仿真结果表明,文章提出的方法与现有未融合气象观测数据的算法相比,在攻角和侧滑角估计方面,估计误差降低30%,在马赫数估计方面误差降低了89%,在气压高度方面误差降低93%,估计精度得到有效提高。

基于FADS/IMU信息融合的大气数据测量方法研究

对飞行器大气数据进行估计是获取飞行状态的重要一环,是实现飞行器控制和稳定飞行的基础。通过研究嵌入式大气数据传感(FADS)系统,提出了基于容积卡尔曼滤波的惯性测量元件(IMU)数据和FADS数据融合算法。该算法对飞行器运动状态建立高阶滤波模型,使用容积点加权求和逼近的方法估计非线性运动模型,滤波输出值经处理后得到马赫数、攻角、侧滑角等大气数据。经仿真实验,算法计算的大气数据较为准确,马赫数误差小于0.01,攻角和侧滑角的误差小于0.1°。

基于变增益互补滤波的FADS/INS融合方法

针对嵌入式大气数据传感(FADS)系统与惯性导航系统(INS)组合滤波计算攻角/侧滑角时,机动飞行和平飞时对滤波常数的大小需求不一致的问题,提出一种滤波常数能够随着飞行状态自适应调整的变增益互补滤波算法。算法可以随着飞行状态的变化,改变滤波常数τ,保持整个飞行阶段具有更好的攻角融合结果,以提高角度的估计精度。同时将测压孔分组计算攻角,对攻角的延迟进行检测,若延迟过大,则判定为该组攻角失效。仿真结果表明:提出的滤波算法能保持整个飞行阶段内的攻角/侧滑角估计结果误差不超过0.2°,并且相比于固定增益互补滤波器,变增益互补滤波的估计误差更小。