The identification of aerodynamic parameters is accomplished through the test data of the dynamic movement of scaled aircraft models flying dynamically in wind tunnel, which can realize the accurate acquisition of the aerodynamic model of the aircraft in the preliminary stage for aircraft design, and it is of great significance for improving the efficiency of aircraft design. However, the translational motion of the test model in the wind tunnel virtual flight is subject to constraints that result in distinct flight dynamics compared to free flight. These constraints have implications for the accuracy of aerodynamic derivatives obtained through the identification of wind tunnel test data. With this issue in mind, the research studies the differences in longitudinal dynamic characteristics between unconstrained free flight and wind tunnel virtual flight, and innovatively proposes an online correction test based wind tunnel virtual flight test technique. The longitudinal trajectory and velocity changes of the model are solved online by the aerodynamic forces measured during the test, and then the coupled relationship between aircraft translation and rotation is used to correct the model's pitch attitude motion online. For the first time, the problem of solving the data approximation for free flight has been solved, eliminating the difference between the dynamics of wind tunnel virtual flight and free flight, and improving the accuracy of the aerodynamic derivative identification results. The experiment's findings show that accurate aerodynamic derivatives can be identified based on the online correction test data, and the observed behaviour of the identified motion model has similarities to that of the free flight motion model.

Icing on an unmanned aerial vehicle (UAV) can degrade aerodynamic performance, reduce flight capabilities, impair maneuverability and stability, and significantly impact flight safety. At present, most flight control methods for icing-affected aircraft adopt a conservative control strategy, in which small control inputs are used to keep the aircraft’s angle of attack and other state variables within a limited range. However, this approach restricts the flight performance of icing aircraft. To address this issue, this paper innovatively proposes a design method of an ice tolerance flight envelope protection control system for a UAV on the base of icing severity detection using a long short-term memory (LSTM) neural network. First, the icing severity is detected using an LSTM neural network without requiring control surface excitation. It relies solely on the aircraft’s historical flight data to detect the icing severity. Second, by modifying the fuzzy risk level boundaries of the icing aircraft flight parameters, a nonlinear mapping relationship is established between the tracking command risk level, the UAV flight control command magnitude, and the icing severity. This provides a safe range of tracking commands for guiding the aircraft out of the icing region. Finally, the ice tolerance flight envelope protection control law is developed, using a nonlinear dynamic inverse controller (NDIC) as the inner loop and a nonlinear model predictive controller (NMPC) as the outer loop. This approach ensures boundary protection for state variables such as the angle of attack and roll angle while simultaneously enhancing the robustness of the flight control system. The effectiveness and superiority of the method proposed in this paper are verified for the example aircraft through mathematical simulation.