CN108303940B - 一种过驱动飞行器自适应控制分配方法 - Google Patents

Abstract

本发明涉及一种过驱动飞行器自适应控制分配方法，包括以下步骤：1)建立带有维度约束的冗余飞行器系统描述模型；2)利用参考模型生成顶层控制律；3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配。与现有技术相比，本发明具有实时性好，分配准确度高，容错性高等优点。

Description

一种过驱动飞行器自适应控制分配方法

技术领域

本发明涉及飞行器控制技术领域，尤其是涉及一种过驱动飞行器自适应控制分配方法。

背景技术

为保障飞行器飞行作业的可靠性，飞行器的执行器设计一般采用冗余配置设计方案。这样的设计方案直接导致了飞行器系统的动力学呈现出过驱动系统的特点，即期望输出与各个执行器之间的对应关系不再明确且唯一。为了获得满足执行器约束和系统性能要求的执行器控制信号，需要采用合适的控制分配方法确定各执行器的控制指令。

对于飞行器控制系统而言，控制分配的目标可描述为，(1)操控性：能够实现飞行器系统输出对参考轨迹的跟踪；(2)可实现性：分配的控制信号满足执行器输入信号的约束要求；(3)容错性：在某些执行器发生未知的故障时，能够分配给未发生故障的控制器合适的指令，以降低故障对整体控制性能的影响。另一方面，衡量控制分配方法性能的指标主要包括，(1)时效性：能够在较短的时间内实现控制分配，实现实时控制；(2)准确性：能够较为精准地实现参考轨迹的跟踪。

目前主流的控制分配方法可简略分为两大类：非优化分配法和优化分配法。非优化分配法主要包括广义逆分配、链式递增方法；优化分配法则存在多种形式，依照分配准则的不同可分为最小误差分配、最小控制分配和混合分配等。非优化分配法的时效性好，但准确性由于受执行器约束的影响一般较差；优化分配法的准确性高，但时效性往往较差。考虑到目前使用的飞行器控制分配方法多采用单一的分配方法，很难实现控制分配时效性和准确性的兼顾，因此需要一种有效的自适应控制分配方法实现时效性和准确性的权衡设计。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种过驱动飞行器自适应控制分配方法。

本发明的目的可以通过以下技术方案来实现：

一种过驱动飞行器自适应控制分配方法，包括以下步骤：

1)建立带有维度约束的冗余飞行器系统描述模型；

2)利用参考模型生成顶层控制律；

3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配。

优选地，所述的1)建立带有维度约束的冗余飞行器系统描述模型具体为：

将飞行器系统描述模型及参数建立为如下多输入多输出标准形式：

其中

是系统状态变量，

是系统输入信号，

是系统输出变量，u(t)＝[u₁(t),u₂(t),...,u_m(t)]^T，

是第i个执行器在t时刻的输入信号，其中

分别表示维数为n、m、l、1的实数向量空间，n为系统状态变量维数，m为执行机构的个数，l是系统输出变量维数，A为描述模型系统矩阵，C为描述模型输出矩阵，B_u为满足B_u＝[b₁,b₂,…,b_m]，rank(b_i)＝1对于i＝1,...,m，rank(B_u)＝n_u＜m的描述模型输入矩阵，且(A,B_u)能控。

优选地，所述的2)利用参考模型生成顶层控制律具体为：

考虑参考模型，即给定跟踪轨迹的模型：

其中

是参考模型状态变量，

是参考模型输入信号，

是参考模型输出变量，A_m为参考模型系统矩阵，B_m为参考模型输入矩阵，C为描述模型输出矩阵；

同时考虑如下的执行器约束：

其中α_i(t)为第i个执行器在t时刻输入信号约束的下确界，β_i(t)为第i个执行器在t时刻输入信号约束的上确界，其中α_i(t)≤β_i(t)，Ω为所有满足执行器约束的输入信号组成的集合；

根据参考模型生成的顶层控制律为：

v＝K_xx+K_rr

其中r为参考模型参考输入，x为冗余系统当前状态，K_x为满足A_m＝A+B_vK_x的状态反馈矩阵，K_r为满足B_m＝B_vK_r的参考输入反馈矩阵，A为描述模型系统矩阵，A_m为参考模型系统矩阵，B_m为参考模型输入矩阵，B_v为满足B_vB_c＝B_u为输入矩阵B_u满秩分解的列满秩矩阵，B_c为相应的行满秩矩阵。

优选地，所述的3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配具体为：

第一步，获取t时刻的系统状态值x(t)和参考模型输入信号值r(t)；

第二步，计算顶层控制律v(t)＝K_xx(t)+K_rr(t)；

第三步，利用分配阵方法计算候选输入变量

第四步，若u_c(t)∈Ω，则分配u(t)＝u_c(t)，此次分配任务结束；

第五步，若

启用遗传算法控制分配方法。

优选地，所述的启用遗传算法控制分配方法具体为：

(1)确定优化问题：

其中||.||_p为向量的p范数，选为1或2；

(2)将问题结构转换为位串形式：以执行器输入变量u_i为遗传染色体，遗传编码直接使用实数编码，适应度函数选取为f(P¹,P²,...,P^m)＝||B_cu(t)-v(t)||_p，其中Pⁱ为u_i经过实数编码的结果；

(3)对于每个执行器输入变量u_i,i∈{1,...,m}，初始化染色体簇集合

其中

为按均匀分布在[α_i(t),β_i(t)]区间内随机抽取的N点的遗传编码，N为人为设置的遗传算法群体个数，初始化遗传代数k＝0，初始化变异步长δ_m为人为设定值，取搜索网格粒度N_poll＝1/δ_m，初始化变异次数标记l＝0；

(4)根据染色体生成个体

j∈{1,...,N}，并得到当前种群Q_k＝{P₁,P₂,...,P_N}；

(5)计算种群Q_k＝{P₁,P₂,...,P_N}的最佳适应度值，记为

(6)进行交叉操作生成繁殖个体：对每一个i∈{1,...,m}，取Q_k中随机两个个体的对应染色体

和

进行交叉操作，其中a,b∈{1,...,N}，若记

对应的第h位的基因编码为

则第h位的交叉操作方法即为：

式中α∈[0,1]为满足均匀分布随机数，并由此生成子代种群Q_k+1；

(7)对得到的Q_k+1中的个体进行变异操作：对于Q_k中每个个体P_i，区分边界约束式对u_i是否作用，在可行方向和搜索网格的交集中随机选取一系列的变异方向Δu_i，并通过下式尝试获得变异子代

式中δ_m为变异步长，

为通过变异获得的子代输入，并生成变异子种群

其中

为

对应的遗传编码结果，计算种群

的最佳适应度值，记为

同时令l＝l+1；

(8)若

则加倍变异步长δ_m＝2δ_m并且搜索网格粒度变大N_poll＝1/δ_m；否则，变异步长减小

并且搜索网格粒度变细N_poll＝1/δ_m，其中∈为人为设定的优化精度数值；

(9)令

如果l＜l_m，则转到步骤(7)，否则进入(10)，其中l_m为人为设定变异次数；

(10)令k＝k+1，判断是否满足终止条件：若满足则进入(11)，否则进入(5)；

(11)输出种群中适应度值最优的个体，并反编码为u(t)。

优选地，所述的终止条件为：满足以下任一条件：

种群Q_k进化达到限制遗传代数k＝N_Pmax，种群最优个体的适应度函数值连续限制变化代数N_stall没有改善，算法运行时间超过限制时间T_limit，其中限制遗传代数N_Pmax，限制变化代数N_stall，限制时间T_limit为人为设定值。

与现有技术相比，本发明具有实时性好，分配准确度高，容错性高等优点。

附图说明

图1为本发明的整体方法流程图；

图2为本发明的遗传算法控制分配方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示，一种过驱动飞行器自适应控制分配方法，包括以下步骤：

第一步，通过实验数据辨识出飞行器的模型参数A,B_u,C；

第二步，根据跟踪性能要求给出参考信号r和参考模型参数A_m,B_m；

第三步，确定控制输入约束α_i,β_i,i＝1,2,...,m；

第四步，在t时刻，将参考信号数值r(t)和通过测量获得的飞行器状态x(t)作为输入代入算法，并执行发明内容中的算法程序；

第五步，获取算法程序的输出u(t)，根据u(t)＝[u₁(t),u₂(t),...,u_m(t)]^T，

是第i个执行器在t时刻的输入信号，将u_i(t)作为控制指令施加到第i个执行器，i＝1,...,m。

建立带有维度约束的冗余飞行器系统描述模型具体为：

将飞行器系统描述模型及参数建立为如下多输入多输出标准形式：

其中

是系统状态变量，

是系统输入信号，

是系统输出变量，u(t)＝[u₁(t),u₂(t),...,u_m(t)]^T，

是第i个执行器在t时刻的输入信号，其中

分别表示维数为n、m、l、1的实数向量空间，n为系统状态变量维数，m为执行机构的个数，l是系统输出变量维数，A为描述模型系统矩阵，C为描述模型输出矩阵，B_u为满足B_u＝[b₁,b₂,…,b_m]，rank(b_i)＝1对于i＝1,...,m，rank(B_u)＝n_u＜m的描述模型输入矩阵，且(A,B_u)能控。

利用参考模型生成顶层控制律具体为：

考虑参考模型，即给定跟踪轨迹的模型：

其中

是参考模型状态变量，

是参考模型输入信号，

是参考模型输出变量，A_m为参考模型系统矩阵，B_m为参考模型输入矩阵，C为描述模型输出矩阵；

同时考虑如下的执行器约束：

其中α_i(t)为第i个执行器在t时刻输入信号约束的下确界，β_i(t)为第i个执行器在t时刻输入信号约束的上确界，其中α_i(t)≤β_i(t)，Ω为所有满足执行器约束的输入信号组成的集合；

根据参考模型生成的顶层控制律为：

v＝K_xx+K_rr

其中r为参考模型参考输入，x为冗余系统当前状态，K_x为满足A_m＝A+B_vK_x的状态反馈矩阵，K_r为满足B_m＝B_vK_r的参考输入反馈矩阵，A为描述模型系统矩阵，A_m为参考模型系统矩阵，B_m为参考模型输入矩阵，B_v为满足B_vB_c＝B_u为输入矩阵B_u满秩分解的列满秩矩阵，B_c为相应的行满秩矩阵。

采用分配阵和遗传算法自适应混合控制分配算法进行控制分配具体为：

第一步，获取t时刻的系统状态值x(t)和参考模型输入信号值r(t)；

第二步，计算顶层控制律v(t)＝K_xx(t)+K_rr(t)；

第三步，利用分配阵方法计算候选输入变量

第四步，若u_c(t)∈Ω，则分配u(t)＝u_c(t)，此次分配任务结束；

第五步，若

启用遗传算法控制分配方法。

如图2所示，所述的启用遗传算法控制分配方法具体为：

(1)确定优化问题：

其中||.||_p为向量的p范数，选为1或2；

(2)将问题结构转换为位串形式：以执行器输入变量u_i为遗传染色体，遗传编码直接使用实数编码，适应度函数选取为f(P¹,P²,...,P^m)＝||B_cu(t)-v(t)||_p，其中Pⁱ为u_i经过实数编码的结果；

(3)对于每个执行器输入变量u_i,i∈{1,...,m}，初始化染色体簇集合

其中

为按均匀分布在[α_i(t),β_i(t)]区间内随机抽取的N点的遗传编码，N为人为设置的遗传算法群体个数，初始化遗传代数k＝0，初始化变异步长δ_m为人为设定值，取搜索网格粒度N_poll＝1/δ_m，初始化变异次数标记l＝0；

(4)根据染色体生成个体

j∈{1,...,N}，并得到当前种群Q_k＝{P₁,P₂,...,P_N}；

(5)计算种群Q_k＝{P₁,P₂,...,P_N}的最佳适应度值，记为

(6)进行交叉操作生成繁殖个体：对每一个i∈{1,...,m}，取Q_k中随机两个个体的对应染色体

和

进行交叉操作，其中a,b∈{1,...,N}，若记

对应的第h位的基因编码为

则第h位的交叉操作方法即为：

式中α∈[0,1]为满足均匀分布随机数，并由此生成子代种群Q_k+1；

(7)对得到的Q_k+1中的个体进行变异操作：对于Q_k中每个个体P_i，区分边界约束式对u_i是否作用，在可行方向和搜索网格的交集中随机选取一系列的变异方向Δu_i，并通过下式尝试获得变异子代

式中δ_m为变异步长，

为通过变异获得的子代输入，并生成变异子种群

其中

为

对应的遗传编码结果，计算种群

的最佳适应度值，记为

同时令l＝l+1；

(8)若

则加倍变异步长δ_m＝2δ_m并且搜索网格粒度变大N_poll＝1/δ_m；否则，变异步长减小

并且搜索网格粒度变细N_poll＝1/δ_m，其中∈为人为设定的优化精度数值；

(9)令

如果l＜l_m，则转到步骤(7)，否则进入(10)，其中l_m为人为设定变异次数；

(10)令k＝k+1，判断以下任一条件是否满足：种群Q_k进化达到限制遗传代数k＝N_Pmax，种群最优个体的适应度函数值连续限制变化代数N_stall没有改善，算法运行时间超过限制时间T_limit，其中限制遗传代数N_Pmax，限制变化代数N_stall，限制时间T_limit为人为设定值，若有任一条件满足则进入(11)，否则进入(5)；

(11)输出种群中适应度值最优的个体，并反编码为u(t)。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种过驱动飞行器自适应控制分配方法，其特征在于，包括以下步骤：

1)建立带有维度约束的冗余飞行器系统描述模型；

2)利用参考模型生成顶层控制律；

3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配；

所述的2)利用参考模型生成顶层控制律具体为：

考虑参考模型，即给定跟踪轨迹的模型：

其中

是参考模型状态变量，

是参考模型输入信号，

是参考模型输出变量，A_m为参考模型系统矩阵，B_m为参考模型输入矩阵，C为描述模型输出矩阵，其中

分别表示维数为n、q、l的实数向量空间，n为系统状态变量维数，l是系统输出变量维数，q的含义为参考输入信号的维数；

同时考虑如下的执行器约束：

其中α_i(t)为第i个执行器在t时刻输入信号约束的下确界，β_i(t)为第i个执行器在t时刻输入信号约束的上确界，其中α_i(t)≤β_i(t)，Ω为所有满足执行器约束的输入信号组成的集合，m为执行机构的个数；

根据参考模型生成的顶层控制律为：

v＝K_xx+K_rr

其中x为冗余系统当前状态，K_x为满足A_m＝A+B_vK_x的状态反馈矩阵，K_r为满足B_m＝B_vK_r的参考输入反馈矩阵，A为描述模型系统矩阵，B_v为输入矩阵B_u满秩分解的列满秩矩阵，B_u为满足B_vB_c＝B_u的输入矩阵，B_c为相应的行满秩矩阵。

2.根据权利要求1所述的方法，其特征在于，所述的1)建立带有维度约束的冗余飞行器系统描述模型具体为：

将飞行器系统描述模型及参数建立为如下多输入多输出标准形式：

其中

是冗余系统当前状态，

是系统输入信号，

是系统输出变量，u(t)＝[u₁(t),u₂(t),...,u_m(t)]^T，

是第i个执行器在t时刻的输入信号，其中B_u为满足B_u＝[b₁,b₂,…,b_m]，rank(b_i)＝1对于i＝1,...,m，rank(B_u)＝n_u＜m的描述模型输入矩阵，且(A,B_u)能控，其中n_u是矩阵B_u的秩。

3.根据权利要求1所述的方法，其特征在于，所述的3)采用分配阵和遗传算法自适应混合控制分配算法进行控制分配具体为：

第一步，获取t时刻的系统状态值x(t)和参考模型输入信号值r(t)；

第二步，计算顶层控制律v(t)＝K_xx(t)+K_rr(t)；

第三步，利用分配阵方法计算候选输入变量

第四步，若u_c(t)∈Ω，则分配u(t)＝u_c(t)，此次分配任务结束；

第五步，若

启用遗传算法控制分配方法。

4.根据权利要求3所述的方法，其特征在于，启用遗传算法控制分配方法具体为：

(1)确定优化问题：

其中||.||_p为向量的p范数，选为1或2；

(2)将问题结构转换为位串形式：以执行器输入变量u_i为遗传染色体，遗传编码直接使用实数编码，适应度函数选取为f(P¹,P²,...,P^m)＝||B_cu(t)-v(t)||_p，其中Pⁱ为u_i经过实数编码的结果；

(3)对于每个执行器输入变量u_i,i∈{1,...,m}，初始化染色体簇集合

其中

为按均匀分布在[α_i(t),β_i(t)]区间内随机抽取的N点的遗传编码，N为人为设置的遗传算法群体个数，初始化遗传代数k＝0，初始化变异步长δ_m为人为设定值，取搜索网格粒度N_poll＝1/δ_m，初始化变异次数标记l^/＝0；

(4)根据染色体生成个体

并得到当前种群Q_k＝{P₁,P₂,...,P_N}；

(5)计算种群Q_k＝{P₁,P₂,...,P_N}的最佳适应度值，记为

(6)进行交叉操作生成繁殖个体：对每一个i∈{1,...,m}，取Q_k中随机两个个体的对应染色体

和

进行交叉操作，其中a,b∈{1,...,N}，若记

对应的第h位的基因编码为

对应的第h位的基因编码为

则第h位的交叉操作方法即为：

式中α∈[0,1]为满足均匀分布随机数，并由此生成子代种群Q_k+1；

(7)对得到的Q_k+1中的个体进行变异操作：对于Q_k中每个个体P_i，区分边界约束式对u_i是否作用，在可行方向和搜索网格的交集中随机选取一系列的变异方向Δu_i，并通过下式尝试获得变异子代

式中δ_m为变异步长，

为通过变异获得的子代输入，并生成变异子种群

其中

为

对应的遗传编码结果，计算种群

的最佳适应度值，记为

同时令l^/＝l^/+1；

(8)若

则加倍变异步长δ_m，其中δ_m＝2δ_m，并且搜索网格粒度N_poll变大，其中N_poll＝1/δ_m；否则，变异步长δ_m减小，其中

并且搜索网格粒度N_poll变细，其中变细后的N_poll＝1/δ_m，其中∈为人为设定的优化精度数值；

(9)令

如果l^/＜l^/ _m，则转到步骤(7)，否则进入(10)，其中l^/ _m为人为设定变异次数；

(10)令k＝k+1，判断是否满足终止条件：若满足则进入(11)，否则进入(5)；

(11)输出种群中适应度值最优的个体，并反编码为u(t)。

5.根据权利要求4所述的方法，其特征在于，所述的终止条件为：满足以下任一条件：

种群Q_k进化达到限制遗传代数k＝N_Pmax，种群最优个体的适应度函数值连续限制变化代数N_stall没有改善，算法运行时间超过限制时间T_limit，其中限制遗传代数N_Pmax，限制变化代数N_stall，限制时间T_limit为人为设定值。

Images