CN110413000A - 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，属于飞行器导航制导与控制技术领域。首先在故障条件下配平飞行器舵偏，在可行攻角范围内选取攻角剖面，同时求得飞行器的升、阻力系数。然后将攻角剖面代入再入过程约束方程中，得到满足要求的再入走廊，转化为倾侧角幅值约束；实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔC_L和ΔC_D，结合再入终端约束方程，求倾侧角幅值；利用基于航向角误差走廊的倾侧角反转逻辑求得倾侧角符号；最后由倾侧角幅值和倾侧角符号计算出倾侧角剖面，并结合攻角剖面，求出故障后满足要求的制导指令。本发明制导精度高、算法实时性好，满足容错制导的要求。

Description

一种基于深度学习的高超声速飞行器再入预测校正容错制导 方法

技术领域

本发明涉及一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，属于飞行器导航制导与控制技术领域。

背景技术

高超声速飞行器是一个强非线性、强耦合、快时变以及强不确定性的多约束多变量系统，复杂的再入环境、严格的过程约束、终端落点和姿态跟踪的高精度要求以及由于恶劣环境容易导致的执行机构故障，给飞行器的制导和控制研究带来了前所未有的挑战，容错制导与控制研究对于提升高超声速飞行器的容错能力、提高和增强高超声速飞行器的安全性和稳定性具有重要意义。

在故障没那么严重的情况下，从姿态环出发的容错控制可以使飞行器从故障中恢复。然而，对于很多故障场景，尤其是故障较为严重时，仅从姿态环进行容错仍然无法使飞行器有效跟踪期望的制导指令，此时有必要结合制导环的容错制导以获得更大限度的容错能力。

然而，从目前国内外研究现状来看，关于高超声速飞行器容错制导的研究目前还非常少，归纳起来，再入容错制导算法主要有：基于待飞最优路径法的容错制导、基于故障下气动参数估计的伪谱法、基于轨迹存在定理或轨迹鲁棒性定理的轨迹重构法和基于状态依赖制导逻辑的轨迹重构法。从现有文献看，目前的容错制导算法主要存在以下两个方面的问题：①编码复杂，需离线生成和存储大量轨迹，对机载计算机存储空间要求较高，比如基于待飞最优路径法的容错制导方法；②算法实时性问题，比如基于故障下气动参数估计的伪谱法。

分析现有文献可知，容错制导的一个关键问题是确定故障后可配平的飞行包线区域和升、阻力系数。一旦求解出这些数据，就可以借助现有成熟的预测校正制导技术实现故障下的容错制导。

发明内容

基于上述分析，本发明针对故障条件下的高超声速飞行器的容错制导问题，借助预测校正制导算法抗扰性强、精度高的优势，提出了一种基于深度学习的高超声速飞行器再入预测校正容错制导方法。在纵向制导律设计中，考虑执行机构故障导致部分攻角情况下飞行器没法旋转配平的情形，给出了可行攻角剖面。构建深度神经网络预测落点，深度神经网络的输入端包含升、阻力系数变化量，由设计的扩张状态观测器实时估计获取，并采用割线法求倾侧角幅值；接着设计了侧向制导律。

具体包括如下步骤：

步骤一、定义再入制导问题，包含三自由度运动方程、再入过程约束和再入终端约束；

高超声速飞行器三自由度无量纲运动方程如下：

其中，r为无量纲地心距；v为飞行器相对地球的无量纲速度；γ表示飞行器的航迹倾角；λ为地球的经度；ξ表示飞行器的航迹偏角；φ为地球的纬度；μ为飞行器的倾侧角，L为无量纲升力加速度；D为无量纲阻力加速度。

高超声速飞行器再入过程约束公式表示如下：

其中，表示热流密度的最大幅值；q_max表示动压q的最大幅值；n_max表示过载n的最大幅值，K_Q是与飞行器相关的常值参数。R₀为地球半径；g₀为海平面引力加速度。

再入飞行终端约束主要包括高度约束、速度约束和经纬度约束，用公式表示如下：

其中，e_f表示飞行器的终端能量，r_f为飞行器的终端高度，v_f为飞行器的终端速度，λ_f为飞行器的终端经度，φ_f为飞行器的终端纬度。

步骤二、在故障条件下，利用控制分配算法配平飞行器舵偏，并求取配平条件下的可行攻角范围，在范围内选取攻角剖面；同时求得故障后飞行器的升、阻力系数；

配平飞行器舵偏的公式如下：

满足

其中，为控制面舵偏产生的滚转力矩系数，为控制面舵偏产生的俯仰力矩系数，为控制面舵偏产生的偏航力矩系数，C_m,α为翼身组合体俯仰力矩，δ为飞行器舵偏下界，为飞行器舵偏上界。

当非零，则表明飞行器不可旋转配平，处于失控状态，设计可行攻角剖面时应避免配平不足的区域。

当为零，则引入控制分配优化算法来最小化飞行器舵偏，并求取飞行器配平条件的可行攻角α范围，在范围内选取最优值作为攻角剖面；最优值人为根据实际条件选定。

最小化飞行器舵偏的公式表示为：

满足

其中，W为权重向量。

故障后的升、阻力系数，用如下公式表示：

C_L为飞行器的升力系数，C_D为飞行器的阻力系数，C_L,α为飞行器翼身组合体产生的升力系数，C_D,α为飞行器翼身组合体产生的阻力系数，为飞行器舵偏产生的升力系数，飞行器舵偏产生的阻力系数。

步骤三、将攻角剖面代入再入过程约束方程中，得到满足要求的再入走廊，并利用拟平衡滑翔条件将再入走廊的约束转化为倾侧角幅值约束；

再入走廊为满足再入过程约束的高度-速度剖面；

拟平衡滑翔条件公式为：(1/r-v²)/r-Lcosμ＝0；

倾侧角幅值约束条件为：μ_EQ≤|μ|≤|μ|_max；

μ_EQ为给定的倾侧角下边界约束值；|μ|_max为满足再入过程约束时倾侧角最大幅值；

步骤四、结合三自由度运动方程设计扩张状态观测器，实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔC_L和ΔC_D；

扩张状态观测器估计阻力相关项：

其中，z_1V为速度v的估计值，z_2V为阻力相关项-D的估计值，e_V为速度估计误差，β_1V和β_2V均为速度扩张状态的观测器增益。

阻力系数参数变化量ΔC_D估计为：

其中，K＝0.5R₀S/m，S为飞行器机翼参考面积，m为飞行器质量。

类似地，估计升力相关项：

其中，z_1γ为航迹倾角γ的估计值，z_2γ为升力相关项Lcosμ/v的估计值，e_γ为航迹倾角估计误差，β_1γ和β_2γ均为航迹倾角扩张状态的观测器增益。

升力系数参数变化量ΔC_L估计为：

步骤五、构建训练深度神经网络，并设定包括升力系数变化量ΔC_L和阻力系数变化量ΔC_D的输入参数和输出参数；

输入参数包括：地心距r、经度λ、纬度φ、速度v、航迹倾角γ、航迹偏角ξ、攻角α、倾侧角μ、升力系数变化量ΔC_L和阻力系数变化量ΔC_D。

输出参数为当前位置到预测落点的待飞航程s_{togo_p}；

定义深度神经网络每层的变量为f_n(1≤n≤7)，输入层为f₁＝[r,λ,φ,v,γ,ξ,α,μ,ΔC_L,ΔC_D]^T，输出层为f₇＝s_{togo_p}。

前向传播计算过程为：

f_n＝f_e(f_n-1W_n-1+B_n-1)(2≤n≤7)

其中，f_e(x)为激活函数；W_n-1表示变量f_n-1和变量f_n之间的权重矩阵，B_n-1表示变量f_n的偏置向量。

利用输入变量对三自由度运动方程方程进行积分，得到预测落点，并计算当前位置到预测落点的待飞航程。

步骤六、根据深度神经网络的输出待飞航程s_to_go__p，结合再入终端约束方程，利用割线法求满足倾侧角幅值约束条件的倾侧角幅值；

利用割线法迭代计算倾侧角幅值，公式如下：

其中，|μ_i|为第i次迭代的倾侧角幅值，g_i为待飞航程偏差关于倾侧角幅值的函数。

步骤七、利用基于航向角误差走廊的倾侧角反转逻辑求得倾侧角符号；

倾侧角反转逻辑为：当航向角误差超出误差上界Δξ_M时，倾侧角符号为负；

当航向角误差满足误差范围-Δξ_M≤Δξ≤Δξ_M时，倾侧角符号保持不变；

当航向角误差超出误差下界-Δξ_M时，倾侧角符号为正。

步骤八、由倾侧角幅值和倾侧角符号计算求出倾侧角剖面，并结合攻角剖面，即可求出故障后满足要求的制导指令，实现容错制导。

本发明的优点在于：

本发明提供的方法制导精度高、算法实时性好，且当存在执行机构故障和参数摄动时，能实时解算出满足飞行要求的制导指令，满足容错制导的要求。

附图说明

图1是本发明一种基于深度学习的高超声速飞行器再入预测校正容错制导方法流程图。

图2是本发明右内侧升降舵δ₁、右外侧升降舵δ₂均卡死在-20度时的配平不足曲线。

图3是本发明故障和干扰条件下的100次Monte Carlo仿真的飞行器三维轨迹图。

图4是本发明故障和干扰条件下传统预测校正制导方法和基于深度学习的预测校正容错制导方法的100组Monte Carlo仿真的落点经纬度散布图。

图5是本发明故障和干扰条件下传统预测校正制导方法和基于深度学习的预测校正容错制导方法从初始点到终端点的制导指令解算时间的100组仿真数据。

具体实施方式

下面将结合附图和实例对本发明作进一步的详细说明。

本发明公开了一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，首先，定义再入制导问题；设计可行攻角剖面和故障后的升、阻力系数；并求取倾侧角幅值约束；然后，设计扩张状态观测器，估计升、阻力系数变化量作为深度神经网络的输入参数；构建、训练和测试深度神经网络以代替传统预测校正制导算法中的预测环节，求得当前位置到预测落点的待飞航程；利用割线法求倾侧角幅值；同时设计侧向制导律，求得倾侧角符号；最后，利用倾侧角幅值和符号求出倾侧角剖面，并结合攻角剖面，即可求出故障后满足要求的制导指令，实现容错制导。

如图1所示，具体包括如下步骤：

步骤一、定义再入制导问题，包含三自由度运动方程、再入过程约束和再入终端约束。

不考虑地球自转的影响，建立高超声速飞行器三自由度无量纲运动方程如下：

其中，r为无量纲地心距，无量纲参数为地球半径R₀，即r＝r′/R₀，r′为地心距；

v为飞行器相对地球的无量纲速度，无量纲参数为即v′为飞行器相对地球的速度；g₀为海平面引力加速度；

γ表示飞行器的航迹倾角；λ为地球的经度；ξ表示飞行器的航迹偏角；φ为地球的纬度；μ为飞行器的倾侧角，L为无量纲升力加速度；D为无量纲阻力加速度。

为保证高超声速飞行器再入过程中热防护和结构上的安全可靠，必须满足热流密度动压q和过载n等硬约束，用公式表示如下：

其中，表示热流密度的最大幅值；q_max表示动压q的最大幅值；n_max表示过载n的最大幅值，K_Q是与飞行器相关的常值参数。

此外，再入过程中航迹倾角很小且变化缓慢，故可认为cosγ＝1，忽略地球自转，则方程组(1)中关于航迹倾角的公式可以简化为如下的拟平衡滑翔条件：

(1/r-v²)/r-Lcosμ＝0 (3)

根据实际情况给定一个较小的倾侧角下边界约束值μ_EQ，则式(3)可以转化为如下的拟平衡滑翔约束：

(1/r-v²)/r-Lcosμ_EQ≤0 (4)

高超声速飞行器三自由度无量纲运动方程一般以时间为自变量，然而终端时间的不确定性会给弹道积分带来不便。再入终端高度和速度是已知的，故一般引入类似能量的变量：

再入飞行终端约束主要包括高度约束、速度约束和经纬度约束，用公式表示如下：

其中，e_f表示终端能量，r_f为飞行器的终端高度，v_f为飞行器的终端速度，λ_f为飞行器的终端经度，φ_f为飞行器的终端纬度。

步骤二、故障条件下，利用控制分配算法配平飞行器舵偏，求取故障下配平的可行攻角范围，在范围内选取攻角剖面；同时求得故障后飞行器的升、阻力系数。

能旋转配平飞行器的必要条件是：

所有飞行器舵偏产生的力矩与翼身组合体产生的力矩大小相等，方向相反，用公式表示为：

其中，为飞行器舵偏产生的滚转力矩系数，为飞行器舵偏产生的俯仰力矩系数，为飞行器舵偏产生的偏航力矩系数，C_m,α为飞行器翼身组合体产生的俯仰力矩系数。

控制分配器的首要任务是确定最优飞行器舵偏使得配平不足最小，即式(7)中等式两端的差最小，用公式表示为：

其中，δ为飞行器舵偏下界，为飞行器舵偏上界。

公式(8)中的气动力矩系数是攻角α的函数，根据公式(8)可以求得满足飞行器配平条件的攻角范围，在这个范围内可设计一个满足配平要求的攻角曲线。

如果式(8)值非零，则表明飞行器不可旋转配平(即配平不足)，处于失控状态。如图2所示，此时，攻角的配平不足区域可以绘成一张图，作为限制轨迹的飞行包线界，在设计攻角剖面时应避免配平不足区域。

如果式(8)值为零，则引入第二个控制分配优化算法来最小化控制面偏角，用公式表示为：

其中，W为权重向量。

利用求解公式(9)得到舵偏角δ^*在攻角范围上生成翼身组合体和舵面产生的升、阻力系数，这些系数合起来就是总的升、阻力系数，用如下公式表示：

C_L为飞行器的升力系数，C_D为飞行器的阻力系数，C_L,α为飞行器翼身组合体产生的升力系数，C_D,α为飞行器翼身组合体产生的阻力系数，为飞行器舵偏产生的升力系数，飞行器舵偏产生的阻力系数。

步骤三：将攻角剖面代入再入过程约束方程中，求得满足要求的再入走廊；并利用拟平衡滑翔条件将再入走廊的约束转化为倾侧角幅值约束。

利用式(8)求得的攻角可行区域设计攻角方案，并将攻角方案代入再入过程约束方程(2)，可得到满足再入过程约束的高度-速度剖面，即再入走廊。

然而，在再入飞行过程中，如果在每一点上都计算高度和速度的关系来验证是否处于再入走廊会导致巨大的计算量，通常利用拟平衡滑翔条件(3)将再入走廊的约束转换成倾侧角幅值约束，使得飞行器在倾侧角幅值约束范围内飞行就可以满足再入过程约束。

倾侧角幅值限制表示如下：

即在满足再入过程约束时，倾侧角最大幅值为：

|μ|_max＝min{μ_{max_Q}(v),μ_{max_q}(v),μ_{max_n}(v)} (12)

结合给定的倾侧角下边界约束值μ_EQ，可得倾侧角约束为：

μ_EQ≤|μ≤|μ|_max (13)

步骤四、结合三自由度运动方程设计扩张状态观测器，实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔC_L和ΔC_D；

结合飞行器三自由度运动方程(1)，构造扩张状态观测器估计阻力相关项：

其中，z_1V为速度v的估计，z_2V为阻力相关项-D的估计，e_V为速度估计误差，β_1V和β_2V均为速度扩张状态的观测器增益。

阻力系数参数变化百分比ΔC_D估计为：

其中，K＝0.5R₀S/m，R₀为地球半径，S为飞行器机翼参考面积，m为飞行器质量。

类似地，构造ESO估计升力相关项：

其中，z_1γ为航迹倾角γ的估计，z_2γ为升力相关项Lcosμ/v的估计，e_γ为航迹倾角估计误差，β_1γ和β_2γ均为航迹倾角扩张状态的观测器增益。

升力系数参数变化ΔC_L百分比估计为：

步骤五、构建、训练和测试深度神经网络以代替传统预测校正制导算法中的预测环节，并设定包括升力系数变化量ΔC_L和阻力系数变化量ΔC_D的输入参数和输出参数；

将地心距r、经度λ、纬度φ、速度v、航迹倾角γ、航迹偏角ξ、攻角α、倾侧角μ、升力系数变化量ΔC_L和阻力系数变化量ΔC_D输入深度神经网络时，输出当前位置到预测落点的待飞航程。

传统预测校正算法的预测环节为：根据当前状态变量和控制量，对三自由度运动方程(1)进行积分，得到预测落点。由此可得，深度神经网络预测环节的输入参数为地心距r、经度λ、纬度φ、速度v、航迹倾角γ、航迹偏角ξ、攻角α、倾侧角μ、升力系数变化量ΔC_L和阻力系数变化量ΔC_D；输出参数为当前位置到预测落点的待飞航程s_{togo_p}。

利用全连接神经网络来近似预测环节比较合适。关于隐含层层数和节点数的选取目前尚没有相关理论支撑，随着隐含层层数和节点数的增加，近似精度会提高，但同时也会增加计算量，因此在选择层数和节点数时需要综合考虑。本发明选取5个隐含层，每个隐含层节点数为20。

定义深度神经网络每层的变量为f_n(1≤n≤7)，

其中输入层变量为f₁＝[r,λ,φ,v,γ,ξ,α,μ,ΔC_L,ΔC_D]^T，输出层变量为f₇＝s_to_go__p。选择指数线性单元(ELU)为激活函数：

则前向传播计算过程为：

f_n＝f_e(f_n-1W_n-1+B_n-1)(2≤n≤7) (19)

其中，W_n-1表示变量f_n-1和f_n之间的权重矩阵，B_n-1表示变量f_n的偏置向量。

以三自由度运动方程(1)中的状态变量和攻角、倾侧角以及升、阻力系数变化量为输入量，对微分方程(1)进行积分，得到预测落点，并计算当前位置到预测落点的待飞航程。

当状态变量、攻角和倾侧角以及升、阻力系数变化量在一定范围内不断变化时，可以得到大量的输入输出数据对，用于深度神经网络的训练和测试。

步骤六、求出待飞航程后，结合再入终端约束方程，利用割线法求满足倾侧角幅值约束条件的倾侧角幅值。

利用训练的深度神经网络求出待飞航程s_to_go__p后，计算待飞航程偏差：

g_i(|μ_i|)＝s_{togo_p}-s_{togo_f} (20)

其中，s_{togo_f}为当前位置到终端落点的待飞航程，可用公式表示如下：

s_{togo_f}＝arccos(sinφsinφ_f+cosφcosφ_f cos(λ_f-λ)) (21)

其中，λ为飞行器当前位置所处的经度，φ为飞行器当前位置所处的纬度，λ_f为飞行器终端落点的位置所处的经度，φ_f为飞行器终端落点的位置所处的纬度。

为使待飞航程偏差为零，需求得方程g_i(|μ_i|)＝0的解，可利用如下割线法迭代计算倾侧角幅值：

其中，|μ_i|为第i次迭代的倾侧角幅值，g_i为待飞航程偏差关于倾侧角幅值的函数。

步骤七、利用基于航向角误差走廊的倾侧角反转逻辑设计侧向制导律，求得倾侧角符号。

定义Φ为当前位置到目标点的视线方位角，其计算式由如下公式给出：

则可得航向角误差为Δξ＝ξ-Φ。为使落点达到期望的精度范围，航向角误差需满足如下条件：

-Δξ_M≤Δξ≤Δξ_M (24)

其中Δξ_M为航向角误差上界。

倾侧角反转逻辑为：当航向角误差超出误差上界Δξ_M时，倾侧角符号为负；当航向角误差满足误差范围(24)时，倾侧角符号保持不变；当航向角误差超出误差下界-Δξ_M时，倾侧角符号为正。

上述反转逻辑用公式表示为：

步骤八、由倾侧角幅值和倾侧角符号计算倾侧角剖面，并结合可行攻角剖面，即可求出故障后满足要求的制导指令，实现容错制导。

如图3所示，在故障和干扰条件下，采用基于深度学习的预测校正容错制导算法进行100组Monte Carlo仿真，图3给出了100组仿真的三维航迹图，可以看出，飞行器经过跳跃滑翔后均能在终端约束范围内达到目标点。

如图4所示，在故障和干扰条件下，给出了传统预测校正制导方法和基于深度学习的预测校正容错制导方法的100组Monte Carlo仿真的落点经纬度散布图。采用基于深度学习的预测校正容错制导算法时，飞行器落点位置误差均小于5km。而采用传统预测校正制导算法时，有相当一部分落点位于目标落点10km之外。可见，在故障和干扰条件下，基于深度学习的预测校正容错制导算法具有更高的制导精度，也证明了该方法具有更好的容错性和鲁棒性。

如图5所示，在故障和干扰条件下，给出了传统预测校正制导方法和基于深度学习的预测校正容错制导方法的制导指令解算时间的100组仿真数据，可以看出，基于深度学习的预测校正容错制导算法在制导指令解算上远远快于传统预测校正制导算法。本发明能使传统预测校正制导方法的制导指令解算时间减少95％，大大提高了传统算法的实时性。

Claims (4)

1.一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，其特征在于，具体包括如下步骤：

步骤一、定义再入制导问题，包含三自由度运动方程、再入过程约束和再入终端约束；

高超声速飞行器三自由度无量纲运动方程如下：

其中，r为无量纲地心距；v为飞行器相对地球的无量纲速度；γ表示飞行器的航迹倾角；λ为地球的经度；ξ表示飞行器的航迹偏角；φ为地球的纬度；μ为飞行器的倾侧角，L为无量纲升力加速度；D为无量纲阻力加速度；

高超声速飞行器再入过程约束公式表示如下：

其中，表示热流密度的最大幅值；q_max表示动压q的最大幅值；n_max表示过载n的最大幅值，K_Q是与飞行器相关的常值参数；R₀为地球半径；g₀为海平面引力加速度；

再入飞行终端约束主要包括高度约束、速度约束和经纬度约束，用公式表示如下：

其中，e_f表示飞行器的终端能量，r_f为飞行器的终端高度，v_f为飞行器的终端速度，λ_f为飞行器的终端经度，φ_f为飞行器的终端纬度；

步骤二、在故障条件下，利用控制分配算法配平飞行器舵偏，并求取配平条件下的可行攻角范围，在范围内选取攻角剖面；同时求得故障后飞行器的升、阻力系数；

配平飞行器舵偏的公式如下：

满足

其中，为控制面舵偏产生的滚转力矩系数，为控制面舵偏产生的俯仰力矩系数，为控制面舵偏产生的偏航力矩系数，C_m,α为翼身组合体俯仰力矩，δ为飞行器舵偏下界，为飞行器舵偏上界；

步骤三、将攻角剖面代入再入过程约束方程中，得到满足要求的再入走廊，并利用拟平衡滑翔条件将再入走廊的约束转化为倾侧角幅值约束；

再入走廊为满足再入过程约束的高度-速度剖面；

拟平衡滑翔条件公式为：(1/r-v²)/r-Lcosμ＝0；

倾侧角幅值约束条件为：μ_EQ≤|μ|≤|μ|_max；

μ_EQ为给定的倾侧角下边界约束值；|μ|_max为满足再入过程约束时倾侧角最大幅值；

步骤四、结合三自由度运动方程设计扩张状态观测器，实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔC_L和ΔC_D；

扩张状态观测器估计阻力相关项：

其中，z_1V为速度v的估计值，z_2V为阻力相关项-D的估计值，e_V为速度估计误差，β_1V和β_2V均为速度扩张状态的观测器增益；

阻力系数参数变化量ΔC_D估计为：

其中，K＝0.5R₀S/m，S为飞行器机翼参考面积，m为飞行器质量；

类似地，估计升力相关项：

其中，z_1γ为航迹倾角γ的估计值，z_2γ为升力相关项Lcosμ/v的估计值，e_γ为航迹倾角估计误差，β_1γ和β_2γ均为航迹倾角扩张状态的观测器增益；

升力系数参数变化量ΔC_L估计为：

步骤五、构建训练深度神经网络，并设定包括升力系数变化量ΔC_L和阻力系数变化量ΔC_D的输入参数和输出参数；

输入参数包括：地心距r、经度λ、纬度φ、速度v、航迹倾角γ、航迹偏角ξ、攻角α、倾侧角μ、升力系数变化量ΔC_L和阻力系数变化量ΔC_D；

输出参数为当前位置到预测落点的待飞航程s_{togo_p}；

定义深度神经网络每层的变量为f_n(1≤n≤7)，输入层为f₁＝[r,λ,φ,v,γ,ξ,α,μ,ΔC_L,ΔC_D]^T，输出层为f₇＝s_{togo_p}；

前向传播计算过程为：

f_n＝f_e(f_n-1W_n-1+B_n-1)(2≤n≤7)

其中，f_e(x)为激活函数；W_n-1表示变量f_n-1和变量f_n之间的权重矩阵，B_n-1表示变量f_n的偏置向量；

利用输入变量对三自由度运动方程方程进行积分，得到预测落点，并计算当前位置到预测落点的待飞航程；

步骤六、根据深度神经网络的输出待飞航程s_{togo_p}，结合再入终端约束方程，利用割线法求满足倾侧角幅值约束条件的倾侧角幅值；

步骤七、利用基于航向角误差走廊的倾侧角反转逻辑求得倾侧角符号；

步骤八、由倾侧角幅值和倾侧角符号计算求出倾侧角剖面，并结合攻角剖面，即可求出故障后满足要求的制导指令，实现容错制导。

2.如权利要求1所述的一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，其特征在于，所述的步骤二中，当非零，则表明飞行器不可旋转配平，处于失控状态，设计可行攻角剖面时应避免配平不足的区域；

当为零，则引入控制分配优化算法来最小化飞行器舵偏，并求取飞行器配平条件的可行攻角α范围，在范围内选取最优值作为攻角剖面；最优值人为根据实际条件选定；

最小化飞行器舵偏的公式表示为：

满足

其中，W为权重向量；

故障后的升、阻力系数，用如下公式表示：

C_L为飞行器的升力系数，C_D为飞行器的阻力系数，C_L,α为飞行器翼身组合体产生的升力系数，C_D,α为飞行器翼身组合体产生的阻力系数，为飞行器舵偏产生的升力系数，飞行器舵偏产生的阻力系数。

3.如权利要求1所述的一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，其特征在于，所述的步骤六中，利用割线法迭代计算倾侧角幅值，公式如下：

其中，|μ_i|为第i次迭代的倾侧角幅值，g_i为待飞航程偏差关于倾侧角幅值的函数。

4.如权利要求1所述的一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，其特征在于，所述的步骤七中，倾侧角反转逻辑为：当航向角误差超出误差上界Δξ_M时，倾侧角符号为负；

当航向角误差满足误差范围-Δξ_M≤Δξ≤Δξ_M时，倾侧角符号保持不变；

当航向角误差超出误差下界-Δξ_M时，倾侧角符号为正。