基于Sobol全局敏感性分析与粒子群优化的无人机发射环境特征识别参数优化方法

《Aerospace》:Parameter Optimization Method for UAV Launch Environment Feature Recognition Based on Sobol Global Sensitivity Analysis and Particle Swarm Optimization

【字体: 大 中 小 】 时间:2026年07月31日 来源:Aerospace 2.5

编辑推荐:

  可靠的发射环境识别对于辅助起飞无人机(UAV)至关重要,因其决定了飞控激活、电机启动与模式切换的时机。然而,识别参数常凭经验选取,其对失效率的影响鲜有量化。研究人员提出一种面向失效率的无人机发射环境识别参数优化框架,融合蒙特卡洛(Monte Carlo)失效率

  
可靠的发射环境识别对于辅助起飞无人机(UAV)至关重要,因其决定了飞控激活、电机启动与模式切换的时机。然而,识别参数常凭经验选取,其对失效率的影响鲜有量化。研究人员提出一种面向失效率的无人机发射环境识别参数优化框架,融合蒙特卡洛(Monte Carlo)失效率建模、Sobol全局敏感性分析与粒子群优化(PSO)。在滑动窗逻辑中三个参数被分析并优化:加速度阈值ath、判断窗内采样点数ns与达阈比例r,覆盖低过载弹射与高过载炮射条件。Sobol分析辨识个体贡献与交互效应,为参数设计提供可解释指引;PSO搜索最小化识别失效率的参数组合。附加多目标优化引入识别延迟、误触发概率与采样频率,评估可靠性与响应速度权衡。结果表明低过载下ns主导(贡献54.88%),高过载下r主导(贡献37.06%);PSO将失效率95%置信区间上限分别降低88.47%与90.22%;多目标优化将平均识别延迟由55.8 ms降至45.5 ms(低过载)及8.8 ms降至4.1 ms(高过载),同时保持低误触发与低失效率。六次低过载与六次高过载发射试验均成功识别。与遗传算法(GA)、差分进化(DE)、随机搜索(RS)的离线耗时比较进一步证明PSO计算高效。
研究背景方面,辅助起飞无人机在民用应急、农情监测与军用侦察、舰载、弹射、管射、炮射等场景中依赖发射瞬态加速度过载判定飞控激活时机,识别参数多凭经验设定,既有“单阈值+时间窗”或“双阈值+时间窗”方法难以滤除尖峰噪声,且参数与识别失效率之间缺乏定量关联,大样本安全性无法评估,参数间耦合交互影响未知。为解决该问题,研究人员以滑动时间窗识别逻辑中的加速度阈值ath、窗口采样点数ns、达阈比例r为对象,建立蒙特卡洛(Monte Carlo)失效率模型,采用Sobol全局敏感性分析(方差分解法)量化一阶、总阶与二阶交互指数,再以粒子群优化(PSO,带线性递减惯性权重)搜索失效概率最小组合,并扩展多目标函数兼顾识别延迟、误触发概率与采样频率,最后通过低过载弹射(峰值约15 g、1 kHz)与高过载炮射(峰值约11000 g、40 kHz)实测加速度序列加高斯白噪进行仿真与实物试验验证。该文发表于《Aerospace》。
关键技术方法上,研究人员首先以实测发射加速度叠加大斯白噪X~N(0,σ2)做蒙特卡洛大样本复现,定义未输出识别信号比例为失效率F;以Sobol序列生成A、B及混合矩阵ABi,按方差分解公式算一阶Si、总阶STi与高阶占比,低过载取MC=10000、Sobol N=1500,高过载取MC=8000、N=1500;以PSO(种群20、迭代50、ω由0.9线性降至0.4)把失效率作为适应度寻优;多目标阶段将识别延迟τd、误触发概率Pfalse、失效率F归一化加权合成标量适应度;置信区间用Wilson法估计;样本来自低过载弹射测试与高过载炮射测试两组实测队列。
研究结果部分,第2节给出滑动窗识别原理与失效率模型:窗内最新值超ath则有效点D加1、被替旧点超阈则D减1,D/ns≥r即判识别成功,叠加高斯白噪的蒙特卡洛未识别比即为F。第3节Sobol敏感性分析显示,低过载下ns一阶敏感0.416、贡献率54.88%,r与ath分别为34.32%与10.80%,ns–r二阶交互0.194最高,平均高阶占比68.71%;高过载下ath一阶0.152、r总贡献37.06%、ath–r交互0.170最高,平均高阶占比81.05%,说明高过载强依赖阈值与比例协同。第4节PSO优化表明,低过载最优ath=6.53 g、ns=63、r=60%,失效率95% CI上限由0.333%降至0.0384%(降88.47%);高过载最优ath=2081.234 g、ns=401、r=74.13%,CI上限降90.22%;多目标优化使低过载平均延迟55.8→45.5 ms、高过载8.8→4.1 ms,误触发与失效率CI上限仍≤0.0384%;复杂度分析指出PSO/GA/DE同阶O(NmcLnsNPiter),但实测PSO离线耗时最低。第5节试验验证中,低过载固定翼无人机(1500 g、1 kHz、DA217加速度计)6次弹射全部在63点窗内38点超阈(60%)成功输出;高过载炮射专用体(40 kHz、Endevco 7270A-20K)6次均401点窗内298点超阈(74.13%)成功识别;离线回放非优参数可复现漏识(ath=9 g等)与误触(ath=1.2 g等)。
讨论与结论翻译:无人机发射环境特征识别参数多凭经验选取且敏感性研究不充分,不合理设计会抬高失效率甚至引发失控。研究人员基于滑动时间窗逻辑,用Sobol全局敏感性分析定量揭示ath、ns、r的独立与协同效应,再以PSO最小化失效率获得低/高过载双工况最优组合并试验验证。结论(1)低过载ns一阶敏感0.416最高,r总阶与一阶差0.315显示交互强,高过载ath一阶0.152转为主控;(2)低过载贡献ns 54.88% > r 34.32% > ath 10.80%,平均高阶占比68.71%,高过载平均高阶占比81.05%;(3)PSO使低过载失效率95% CI上限降88.47%、高过载降90.22%,多目标使延迟低过载55.8→45.5 ms、高过载8.8→4.1 ms且误触与失效CI上限维持0.0384%,PSO离线耗时低于GA/DE/RS;(4)低过载6试ath=6.53 g、ns=63、r=60%全识别,高过载6试ath=2081.234 g、ns=401、r=74.13%全识别。该研究为不同过载条件下无人机发射环境识别参数设计提供可迁移的定量框架,但优化值属被测平台与工况专用,换新平台须重采加速度、重定范围并重跑Sobol-PSO。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号