CN109901387B - 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 - Google Patents
一种航空器自动近地防撞系统自适应飞行轨迹预测方法 Download PDFInfo
- Publication number
- CN109901387B CN109901387B CN201711313139.1A CN201711313139A CN109901387B CN 109901387 B CN109901387 B CN 109901387B CN 201711313139 A CN201711313139 A CN 201711313139A CN 109901387 B CN109901387 B CN 109901387B
- Authority
- CN
- China
- Prior art keywords
- flight
- aircraft
- output
- state
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Abstract
本发明公开一种航空器自动近地防撞系统自适应飞行轨迹预测方法，包括以下步骤：步骤A：从飞行管理系统采集飞行状态及位置信息数据，作为步骤B状态输入量；步骤B：根据规避机动基础控制律对状态输入量进行解算得出基础输出；步骤C：利用基于泛函神经网络的干扰观测器对航空器模型的未建模动态不确定及外部干扰逼近得到补偿输出，采用鲁棒增益自适应调整的RC环节辅助控制得到补偿输出；步骤D：将步骤B和C输出之和作为飞行模型输入量，解算第i步长的状态和位置信息；本发明方法建立更完备的状态方程，改善飞行轨迹预测精度，降低Auto‑GCAS虚警率，提高Auto‑GCAS有效性，与飞行管理系统、飞行控制系统等航电系统相结合为航空器飞行安全提供了有力保障。
Description
技术领域
本发明涉及航空控制技术领域，尤其是航空中应用的自动近地防撞类系统中涉及的一种自适应飞行轨迹预测技术，此类系统包括但不限于自动近地防撞系统、近地告警系统、地形提示与警告系统等具体产品。
背景技术
自动近地防撞系统(Auto Ground Collision Avoidance System,简称 Auto-GCAS)提高飞机飞行安全性，减小可控飞行撞地事故(Controlled Flight Into Terrain，简称CFIT)的航空电子系统。其核心是基于基于飞机的动力学特性，根据飞机当前状态信息，实时解算并预测飞机的飞行轨迹；利用机载数字地形数据，并根据飞机的飞行轨迹，通过地形扫描算法，实时解算出预计的撞地区域；通过撞地评估算法解算，将飞行轨迹与预计的撞地区域进行比对；在满足撞地评估阈值时，立即向飞控系统发出地面防撞的请求；在无驾驶员超控的情况下，触发飞机改平、拉起的机动，以确保飞行安全；同时，向驾驶舱显控系统发出地面防撞的告警信息。能够在飞行员高过载意识丧失或方位迷失等极端情况下，降低CFIT发生率，主要应用于高速飞行、大机动低空作战任务的战斗机。
Auto-GCAS在国内尚属于新技术，在国外已开展多年研究，并应用于战斗机，对飞行安全起到了重要作用。美国Lockheed Martin航空公司是全球主要的自动近地防撞系统设备的研发生产商。最新资料表明，2014年实现了美空军F-16战机的全面装配。同时，据美国空军飞行实验室(AFRL)2006年发布的题为“Fight/Attack Automatic CollisionAvoidance Systems Business Case”报告中指出，Auto-GCAS系统可以有效防止98％的CFIT发生，结合过去的战斗机 /攻击机的事故发生率，仅F-16型战机就可以降低$614,690,761的经济损失。发展Auto-GCAS系统具有重要的战略和经济意义。
Auto-GCAS相较于GPWS、TWAS等产品，取消了如过大下降速率、过大近地速率、起飞后掉高度、过大下滑道偏差告警、高度呼叫等基于无线电高度的基本告警模式，而只根据飞行预测轨迹与地形扫描生成包线进行算法评估，因而为了尽可能的减少虚警和漏警，对飞行预测轨迹的准确性和精确性都具有极高的要求。
然而在飞行轨迹预测解算过程中，由于非线性方程解算的累积误差、未建模动态不确定性和外部干扰力矩、大气环境(风切变、紊流)等因素都是建立飞行模型时需要解决又无法完全解决的问题，这将直接影响轨迹预测精度。因而发现一种可以改善数学模型，同时满足在线实时计算性能的，提高轨迹预测精度的方法具有重大意义。
发明内容
本发明公开了一种航空器自动近地防撞系统自适应飞行轨迹预测方法，航空器自动近地告警系统需要航空器在飞行过程中，在设定的时间周期内(如 40毫秒)，基于航空器飞行管理系统提供的当前状态和位置信息，利用已建立的六自由度十二状态非线性数学模型预测其未来一段短时间内(如5秒)执行规定的规避机动时的飞行轨迹，采用泛函神经网络干扰观测器逼近不确定和外部干扰，同时加入鲁棒增益自适应调整的RC环节改善飞行轨迹预测精度。
本发明提供了一种航空器自动近地告警系统自适应飞行轨迹预测方法，其特征在于，包括以下步骤：
步骤A：从飞行管理系统采集所需飞行状态及位置信息数据，并作为步骤B 的状态输入量yr(0)；
步骤B：根据既定的规避机动基础控制律对状态输入量进行解算得出基础输出ur；
步骤C：利用基于泛函神经网络干扰观测器对航空器模型的未建模动态不确定及外部干扰进行逼近得到补偿输出uc，同时采用鲁棒增益自适应调整的RC环节辅助控制得到补偿输出ua；
步骤D：将u＝ur+uc+ua作为飞行模型输入量，解算第i步长的状态和位置信息y(i),i＝1,2,…,n；
步骤D解算得到的状态量y(i)将作为单个预测周期内第i+1步长的步骤B 的状态输入量yr(i)，循环迭代至单个预测周期结束；并且，步骤D的所有输出量即为单个预测周期内的飞行预测轨迹
进一步的，所述步骤A中的飞行状态机位置信息数据包括了卫星定位系统或者惯性导航设备所提供的经度、纬度、航迹倾角、地速等数据；大气数据计算机所提供的气压高度、真空速以及温度等数据；以及航向姿态计算设备所提供的姿态角及姿态角速率数据。
进一步的，所述步骤B中的既定规避机动动作为横滚改平和以定过载值拉起。其中，当航空器的(左或右)滚转角小于或等于90°时，横滚该平和拉起作为一个复合机动同时执行；当(左或右)滚转角大于90°时，则先将航空器横滚改至水平位置，接着以定过载拉起。
进一步的，所述步骤C中的基于泛函神经网络干扰观测器对复合干扰D的逼近方法如下：
Yd＝ρ(WTΛ(X))＝D-ε，||ε||≤κε
其中，
是FLANN的权值矩阵，X是 FLANN的输入向量，Λ(X)＝(Λ1(X) Λ2(X) … ΛN(X))T∈RN是一组正交的基函数矩阵，取Sigmoid函数sig(·)作为输出的非线性变换函数ρ(*)。D为复合干扰，ε表示FLANN逼近实际复合干扰的误差，κε＞0为未知的误差上界值。
当FLANN的输出最接近复合干扰D时的权值即为FLANN的最有权值矩阵，此时的泛函神经网络的输出就是最优输出。然而，此时的干扰观测器的输出uc与复合干扰D之间还存在一个有界误差，因此，采用自适应RC项调整消除误差。
至此，所述步骤C完成了对飞行轨迹预测系统中由未建模动态不确定性和外部干扰力矩等影响因子的逼近估计。
进一步的，所述步骤D中航空器飞行模型是以航空器为质点，分析其所受力及力矩等关系，建立了如下六自由度十二状态的全量模型，其中，
姿态运动方程组：
其中，φ为滚转角，θ为俯仰角，ψ为偏航角；p为滚转角速率，q为俯仰角速率，r为偏航角速率；
力方程组：
其中，u、v、w分别表示在机体轴系X、Y、Z轴上的飞行速度分解量； Fx、Fy、Fz分别表示在机体轴系X、Y、Z轴上的合外力；
力矩方程组：
其中，L、M、N分别表示机体轴系X、Y、Z轴上的合外力矩；Ix、Iy、Iz分别表示在机体轴系X、Y、Z轴的转动惯量；
导航方程组：
其中，
为航迹速度；
为高度变化率。
本发明的自适应飞行轨迹预测方法，能够提高飞行轨迹预测的准确性，为自动近地防撞系统中的近地防撞评估模块提供精准的输入信号源，降低系统虚警率，减轻了飞行员的操作负荷，又提升了飞行员的操作信心，充分发挥战斗机的作战效能，与飞行管理系统、飞行控制系统等航电系统相结合，全方位保障航空器飞行安全。
附图说明
以下将结合附图对本发明作进一步的说明。
图1图示了根据本发明的实施例的自动近地防撞系统框图。
图2图示了根据本发明的实施例的自适应飞行轨迹预测方法结构图。
图3图示了根据本发明的实施例的泛函神经网络的结构图。
图4图示了根据本发明的实施例的飞行轨迹预测功能实现图。
具体实施方式
以下通过较佳实施例对本发明的技术方案进行说明，但下述实施例并不能限制本发明的保护范围。
本发明所提供的自适应飞行轨迹预测方法以软件的形式内置于飞行器上的任一具有数据采集、处理，输出和存储功能的任一装置，如近地告警设备、飞行控制系统、飞行管理系统，综合环境监测系统等航电设备。此外，本发明提供的自适应飞行轨迹预测方法不仅可用于战斗机，也可应用于无人机等具有近地防撞保护需求的航空器。
附图1为根据本发明的一个实施例形成的典型航空器自动近地防撞系统框图。本发明所述方法按照规定的时间间隔预测评估一次即为一个周期，例如 40ms。在每个周期内，信号模块流转按照图1所示执行。
附图2为根据本发明的一个实施例形成的航空器自适应飞行轨迹预测方法结构图。附图3为根据本发明的一个实施例形成的描述所设计泛函神经网络方法的结构图。附图4为根据本发明的一个实施例形成的飞行轨迹预测与地形包线之间进行撞地评估的二维平面示意图。下面结合附图1、附图2、附图3和附图4，说明本发明的方法。
参照图1，飞行轨迹预测模块的初始输入信号是从飞行管理模块采集算法所需的航空器当前飞行数据，该类数据包括了卫星定位系统或者惯性导航设备所提供的经度、纬度、航迹倾角、地速等数据；大气数据计算机所提供的气压高度、真空速以及温度等数据；以及航向姿态计算设备所提供的姿态角及姿态角速率数据。
对飞行轨迹预测模块中所建立的六自由度十二状态全量飞行模型如下：
1)姿态运动方程组：
其中，φ为滚转角，θ为俯仰角，ψ为偏航角；p为滚转角速率，q为俯仰角速率，r为偏航角速率；
2)力方程组：
其中，u、v、w分别表示在机体轴系X、Y、Z轴上的飞行速度分解量； Fx、Fy、Fz分别表示在机体轴系X、Y、Z轴上的合外力；
3)力矩方程组：
其中，L、M、N分别表示机体轴系X、Y、Z轴上的合外力矩；Ix、Iy、Iz分别表示在机体轴系X、Y、Z轴的转动惯量；
4)导航方程组：
其中，
为航迹速度；
为高度变化率。
在飞行轨迹预测模块内部，预测飞行器在未来一段时间内执行横滚改平并定过载拉起机动的飞行轨迹，具体方法按照附图2所示方法进行计算，其中以航空器力方程组为例进行实施方法的说明如下：
改写力方程组以如下表达形式
则改写后非线性方程式为
其中，状态变量x＝[u v w]T，控制变量u＝[p q r]T， D(x,t)＝Δf(x)+Δg(x)u+d(t)为力方程组动态变化的复合干扰，Δf(x)+Δg(x)u表示各种不确定因素，d(t)代表外部干扰。
设计泛函神经网络干扰观测器的动态系统
其中，σ是一个正常数，Λ(x,W)＝σx+f(x)+g(x)·u(t)+ua+uc，z 是神经网络状态变量，则观测器的误差动态特性
泛函神经网络Yd＝ρ(WTΛ(X))＝D-ε，||ε||≤κε其中，X是FLANN的输入向量，
是权值矩阵，取Sigmoid函数 sig(·)作为输出的非线性变换函数ρ(*)，
Λ(X)＝(Λ1(X) Λ2(X) … ΛN(X))T∈RN是一组正交的基函数矩阵。ε表示FLANN逼近实际复合干扰的误差，κε＞0为未知的误差上界值。
当FLANN的输出最接近复合干扰D时的权值即为FLANN的最有权值矩阵，此时的泛函神经网络的输出就是最优输出。然而，此时的干扰观测器的输出uc与复合干扰D之间还存在一个有界误差ε，因此，同时加入自适应RC项调整消除有界误差。
将力方程组非线性方程和泛函神经网络干扰观测器的系统方程整理结合后得到误差状态方程：
因此，当系统在ed＝0处指数稳定时，干扰观测器的输出ua+uc无限逼近复合干扰D，实现了对飞行轨迹预测系统中由未建模动态不确定性和外部干扰力矩等影响因子的逼近估计。
在附图3中，泛函神经网络的权值学习不需要离线过程，可以通过设定较小的随机数作为网络初始值，进行权值在线学习，相比于多层感知器网络的复杂网络结构，泛函神经网络收敛速度更快，与径向基神经网络的单层学习权值相比较，附图3中的泛函神经网络方法更适用于航空器复杂干扰的非线性函数的学习。
根据已知航空器的构型特征参数，以及从飞行管理系统获得的飞行状态、高度、马赫数等数据，可以确定航空器所受力及力矩，结合飞行控制系统的控制律和加入了自适应干扰逼近补偿的飞行模型，通过对多状态微分方程的数值求解，即可获得自动近地防撞评估所需的飞行预测轨迹，如附图4所示，将飞行预测轨迹转换至二维平面与地形扫描功能模块生成的二维地形包线进行实时匹配，同时加入防撞评估环节，已达到防撞系统的预测性。
值得说明的是，上述描述是基于发明的具体实施例而进行的，尽管参照较佳实施例在本发明进行了详细描述，但本领域的技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。
Claims (1)
1.一种航空器自动近地防撞系统自适应飞行轨迹预测方法，其特征在于，包括以下步骤：
步骤A，从飞行管理系统采集所需飞行状态及位置信息数据，并作为步骤B的状态输入量yr(0)；
步骤B，根据既定的规避机动基础控制律对状态输入量进行解算得出基础输出ur；步骤C，利用基于泛函神经网络的干扰观测器对航空器模型的未建模动态不确定及外部干扰进行逼近得到补偿输出uc，同时采用鲁棒增益自适应调整的RC环节辅助控制得到补偿输出ua；
步骤D，将u＝ur+uc+ua作为飞行模型输入量，解算第i步长的状态和位置信息y(i),i＝1,2,…,n；
步骤D解算得到的状态量y(i)将作为单个预测周期内第i+1步长的步骤B的状态输入量yr(i)，循环迭代至单个预测周期结束；并且，步骤D的所有输出量即为单个预测周期内的飞行预测轨迹；
所述步骤A中的飞行状态机位置信息数据包括了卫星定位系统或者惯性导航设备所提供的经度、纬度、航迹倾角、地速数据；大气数据计算机所提供的气压高度、真空速以及温度数据；以及航向姿态计算设备所提供的姿态角及姿态角速率数据；
所述步骤B中的既定规避机动动作为横滚改平和以定过载值拉起，其中，当航空器的滚转角小于或等于90°时，横滚该平和拉起作为一个复合机动同时执行；当滚转角大于90°时，则先将航空器横滚改至水平位置，接着以定过载拉起；所述步骤C中的基于泛函神经网络干扰观测器对复合干扰D的逼近方法如下：
Yd＝ρ(WTΛ(X))＝D-ε，||ε||≤κε
其中，
是FLANN的权值矩阵，X是FLANN的输入向量，Λ(X)＝(Λ1(X)Λ2(X)…ΛN(X))T∈RN是一组正交的基函数矩阵，取Sigmoid函数sig(·)作为输出的非线性变换函数ρ(*)，D为复合干扰，ε表示FLANN逼近实际复合干扰的误差，κε>0为未知的误差上界值；所述步骤D中航空器飞行模型是以航空器为质点，分析其所受力及力矩关系，建立了如下六自由度十二状态的全量模型，其中，
姿态运动方程组：
其中，φ为滚转角，θ为俯仰角，ψ为偏航角；p为滚转角速率，q为俯仰角速率，r为偏航角速率；
力方程组：
其中，u、v、w分别表示在机体轴系X、Y、Z轴上的飞行速度分解量；Fx、Fy、Fz分别表示在机体轴系X、Y、Z轴上的合外力，g为重力加速度，m为航空器质量；力矩方程组：
其中，L、M、N分别表示机体轴系X、Y、Z轴上的合外力矩；Ix、Iy、Iz分别表示在机体轴系X、Y、Z轴的转动惯量；
导航方程组：
其中，
为航迹速度；
为高度变化率；
所述步骤C中当FLANN的输出最接近复合干扰D时的权值即为FLANN的最有权值矩阵，此时的泛函神经网络的输出就是最有输出，然而，此时的干扰观测器的输出uc与复合干扰D之间还存在一个有界误差，因此，采用自适应RC项调整消除误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711313139.1A CN109901387B (zh) | 2017-12-11 | 2017-12-11 | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711313139.1A CN109901387B (zh) | 2017-12-11 | 2017-12-11 | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109901387A CN109901387A (zh) | 2019-06-18 |
| CN109901387B true CN109901387B (zh) | 2023-01-10 |
Family
ID=66942862
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711313139.1A Active CN109901387B (zh) | 2017-12-11 | 2017-12-11 | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109901387B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112911497B (zh) * | 2019-12-02 | 2022-03-29 | 南京航空航天大学 | 一种合作类无人机轨迹实时预测方法及系统 |
| CN112486021B (zh) * | 2020-12-07 | 2021-10-08 | 燕山大学 | 一种针对非对称伺服液压位置跟踪系统的低复杂控制方法 |
| CN113792382A (zh) * | 2021-09-10 | 2021-12-14 | 中国航空工业集团公司西安飞行自动控制研究所 | 一种基于机器学习的多任务模式近地告警方法 |
| CN114627687B (zh) * | 2022-01-19 | 2023-04-07 | 南京航空航天大学 | 一种基于神经网络预测逃逸轨迹的直升机近地告警方法 |
| CN114779828B (zh) * | 2022-06-22 | 2022-09-16 | 四川腾盾科技有限公司 | 基于异构队形基准点无人机集群拓扑控制与智能防撞方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001092974A2 (en) * | 2000-05-27 | 2001-12-06 | Georgia Tech Research Corporation | Adaptive control system having direct output feedback and related apparatuses and methods |
| CN101937233B (zh) * | 2010-08-10 | 2012-05-30 | 南京航空航天大学 | 近空间高超声速飞行器非线性自适应控制方法 |
| EP2902987B1 (en) * | 2014-01-30 | 2016-07-27 | The Boeing Company | Method for modeling aircraft performance through adaptive aircraft performance models |
| CN104049640B (zh) * | 2014-06-27 | 2016-06-15 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
-
2017
- 2017-12-11 CN CN201711313139.1A patent/CN109901387B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109901387A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109901387B (zh) | 一种航空器自动近地防撞系统自适应飞行轨迹预测方法 | |
| EP2182419B1 (en) | Avoidance manoeuvre generator for an aircraft | |
| Accardo et al. | Flight test of a radar-based tracking system for UAS sense and avoid | |
| Cappello et al. | A low-cost and high performance navigation system for small RPAS applications | |
| GB2453854A (en) | Fully-automated flight management system for aircraft | |
| Lai et al. | On-board trajectory generation for collision avoidance in unmanned aerial vehicles | |
| Paiva et al. | Sliding mode control approaches for an autonomous unmanned airship | |
| CN111290426B (zh) | 一种航空器自动规避逃逸路径的预测控制方法 | |
| US11360476B1 (en) | Systems and methods for monitoring aircraft control systems using artificial intelligence | |
| Banerjee et al. | Probability of Obstacle Collision for UAVs in presence of Wind | |
| Cappello et al. | Aircraft dynamics model augmentation for RPAS navigation and guidance | |
| Yoon et al. | Pursuit guidance law and adaptive backstepping controller design for vision-based net-recovery UAV | |
| Kurnaz et al. | Autonomous navigation and landing tasks for fixed wing small unmanned aerial vehicles | |
| Banerjee et al. | Risk Assessment of Obstacle Collision for UAVs under off-nominal conditions | |
| Wang et al. | Flight tests of autopilot integrated with fault-tolerant control of a small fixed-wing UAV | |
| Gutierrez et al. | Development of a Simulation Environment for Validation and Verification of Small UAS Operations | |
| AU2022202695A1 (en) | Adaptive detect and avoid system with integrity monitoring | |
| Lee et al. | Guidance and control for autonomous emergency landing of the rotorcraft using the incremental backstepping controller in 3-dimensional terrain environments | |
| Mattei et al. | Uav in-flight awareness: A tool to improve safety | |
| Hamza et al. | Aircraft post-upset flight risk region prediction for aviation safety management | |
| US11175657B1 (en) | Safe system controller for autonomous aircraft | |
| Beary III | Fixed Wing Aircraft Collision Avoidance Using Collision Cone Theory | |
| Wartmann et al. | Sensor fusion and flight path reconstruction of the ACT/FHS rotorcraft | |
| Ben et al. | Evaluation of a radar based three-dimensional detect and avoid system for small unmanned aerial systems | |
| Ben et al. | Radar-assisted three-dimensional operating detect and avoid system for small unmanned aerial system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |