Transfer learning-driven adaptive physics-informed neural networks acceleration method for aerodynamic identification1. 研究背景与痛点为什么要做场景特殊舰载机着舰时空紧张、环境干扰大且采用“直接升力控制”引入襟翼等多舵面导致全机气动特性难以精确建模模型不确定性严重。传统方法局限传统辨识如最小二乘、卡尔曼滤波需预先假设模型结构在复杂噪声下处理能力差。纯数据驱动BP神经网络依赖数据质量且是“黑箱”可解释性差。标准PINN物理信息神经网络虽引入物理方程增强可解释性但训练极慢物理损失计算复杂且离线模型难以覆盖在线飞行的所有不确定性。2. 核心创新点三步走策略论文提出了一套三步走的方法论协同优化效率与精度第一步建立带物理约束的PINN基座保精度将飞行力学方程俯仰力矩方程作为物理损失Physics Loss硬约束嵌入神经网络。作用相当于给网络加上了“物理规则”的紧箍咒使得在小样本或导数计算如气动导数时不会出现纯数据驱动那种离谱的误差文中DNN最大相对误差达70.8%而PINN降至19.1%。第二步引入自适应激活函数提效率针对PINN收敛慢的难题在激活函数Sigmoid中引入可训练参数 a 和缩放因子 d公式15。作用让激活函数的斜率可以随着训练动态调整。实验证明这使得网络在1861轮就达到收敛阈值标准PINN需2000轮且单次训练耗时从291秒降至253秒导数辨识误差大幅降低从15.7%降至7.1%。第三步迁移学习实现“秒级”在线微调核心精髓冻结策略将离线预训练好的A-PINN网络前几层冻结保留源域提取的通用气动特征只在线更新最后一层或最后两层的参数。效果在线单次迭代时间压缩至 1.13毫秒仅微调1层。相比传统的“离线学习在线增量OLOL”方法在模型不确定性如升降舵效率下降20%的条件下最大相对误差仍控制在13.5%远优于OLOL的15.1%。3. 实验验证亮点数据来源参考“魔毯”MAGIC CARPET着舰系统设计控制器并引入传感器随机噪声采用Butterworth滤波器消噪对比发现2.5Hz截止频率最优。硬件在环HIL验证不只是纯仿真还搭建了硬件在环实时仿真平台CPU i9-14900KF RTX 4070增强了工程说服力。稳定性测试通过30次独立重复实验给出了均值和95%置信区间证明该方法方差小、鲁棒性强。4. 不足之处与未来展望论文自省当前局限目前仅完成纵向Longitudinal气动辨识尚未覆盖横向/航向。未来方向扩展至飞翼布局等更复杂机型应对激波干扰等强非线性场景。探索“迁移学习实时硬件部署”的深度融合真正落地机载嵌入式GPU满足飞控系统的硬实时要求。