一种无测试点的基于数据的飞行测试架构

“测试点”的合理性源于试飞员有义务忠实地再现某些模型预测的预设条件。飞行员偏离这些条件会使模型假设失效。已有研究提出飞行测试辅助工具以提高在更具挑战性的测试点上的准确性。然而，数据带和容差的存在本身是比飞行员技术不足更根本的问题。我们提出了一种消除测试点的新方法。我们从一个飞行器的高保真数字模型开始。我们不使用该模型来生成点预测，而是使用机器学习方法生成降阶模型（ROM）。该ROM具有两个重要特性。首先，它可以根据飞行员飞行的任何条件集生成预测。其次，如果这些条件下的测试结果与预测不同，可以使用新数据更新ROM。因此，飞行测试的结果是在所飞行的任何条件下的精炼ROM。该ROM反过来更新并验证高保真模型。我们给出了这种“无点”架构的一个实例，使用 T-38C 飞行测试数据。我们首先使用通用飞机模型构建纵向俯仰运动的ROM作为超曲面。然后我们吸收无约束飞行测试数据，并使用高斯过程回归来更新和调节超曲面。通过为 T-38C 提出二阶等效系统，该超曲面随后生成评估纵向动力学 MIL-STD-1797B 适航符合性所需的参数。