CN111414011B - 考虑执行机构故障的高超声速飞行器保性能容错控制方法 - Google Patents

Abstract

本发明公开了一种考虑执行机构故障的高超声速飞行器保性能容错控制方法，涉及飞行器控制领域，主要解决高超声速飞行器有限故障条件下对于给定高度/速度指令的精确跟踪控制问题。构造基于韩式跟踪微分器的新型预设性能机制以实现误差的先验调节，并克服传统预设性能控制快速约束导致的暂态抖震难题；设计低计算复杂度的最小参数学习(MLP)神经网络学习器实时消除集总扰动对AHV模型的影响；最后，综合MLP观测器与新型预设性能机制，实现有限故障条件下对于给定高度/速度指令的精确跟踪控制。本发明综合了MLP观测器与新型预设性能机制，对有限故障条件下实现给定高度/速度指令的精确跟踪控制有重要意义。

Description

考虑执行机构故障的高超声速飞行器保性能容错控制方法

技术领域

本发明涉及飞行器控制领域，具体为一种考虑执行机构故障的高超声速飞行器保性能容错控制方法，主要解决高超声速飞行器有限故障条件下对于给定高度/速度指令的精确跟踪控制问题。

背景技术

吸气式高超声速飞行器(Airbreathing Hypersonic Vehicle，AHV)，一般是指飞行马赫数不小于5Ma，且以吸气式超燃冲压发动机为动力的飞行器。AHV有重要的民用、军事价值和战略意义，具有高速度、高机动性、大飞行包线等众多优势。随着飞行时间的增加和控制损耗的出现，AHV作动器可靠性下降，不可避免发生诸如精度损失、效率衰减等故障模式，严重影响AHV飞行安全和稳定性。亟需设计具有容错能力的控制系统，使AHV能在非健康条件下保持其自身的稳定性并快速恢复跟踪性能，对于外部环境和突发故障具备较好的适应性。

现有的AHV容错控制方法大多仅能实现所有误差信号最终一致有界，难以确保突发故障和未知干扰作用下系统性能在可预期的边界范围内。当前预设性能机制可以纳入容错控制策略，用以解决上述问题。然而，由于已有的预设性能函数大多选取指数衰减形式，仅能保证系统状态在无穷时间意义下收敛于稳态，不利于故障条件下系统状态有限时间自修复。此外，指数形式的边界函数对时间的微分项在初始状态时会出现快速的波动，控制器中的相应控制律将导致执行器在暂态阶段具有高频振荡，这将不可避免地阻碍AHV实现稳定的快速跟踪性能。在故障估计和补偿方面，传统的神经网络往往耗时较多，计算复杂度较大，无法满足AHV高实时性抗干扰要求。因此，迫切需要新的解决方案来弥补传统预设性能在保证AHV快速自修复跟踪能力方面的不足。

发明内容

本发明为了解决高超声速飞行器在有限故障条件下对于给定高度/速度指令的精确跟踪控制的问题，提供了一种考虑执行机构故障的高超声速飞行器保性能容错控制方法。

本发明是通过如下技术方案来实现的：一种考虑执行机构故障的高超声速飞行器保性能容错控制方法，包括如下步骤：

(1)建立考虑执行机构故障的AHV参数化动力学模型：

其中：

其中h为高度，V为速度，α为攻角AOA，γ为弹道角FPA，Q为俯仰角速度PR，f_i,g_i(i＝V,α,γ,Q)分别代表集总干扰和AHV标称模型；d_Ve,d_γe,d_αe和d_Qe代表外部扰动，Δ代表气动扰动的系数；g代表引力常数；m和I_yy分别代表飞行器质量和转动惯量；p＝0.5ρ_αV²是动态压力，ρ_a＝ρ_a0exp(-(h-h₀)/h_s)是空气密度，h₀为初始近似高度，ρ_a0为高度为h₀时的空气密度，h_s表示空气密度衰减率的倒数；z_T,S和

分别表示推力力臂、参考面积和平均气动弦长；δ_e为控制律生成的升降舵偏转角，Φ为控制律生成的节流阀开度FER；升力L、阻力D、推力T、俯仰力矩M系统状态和输入的函数，被定义为：

相关的空气动力/力矩系数可以通过如下拟合公式得到：

速度子系统的执行机构故障可表示为

其中k_ΦΦ代表执行机构效率损失故障，k_Φ表示执行机构效率增益，当t≥t_fΦ时有0＜k_Φ≤1；b_Φ表示多源干扰故障，b_Φ＝b_xΦ+b_yΦ(t)+b_zΦ(t),t≥t_fΦ，其中b_xΦ为偏置故障，/>

b_yΦ(t)为漂移故障，当t≥t_fΦ时，|b_yΦ(t)|＝λ_yΦt,0＜λ_yΦ＜＜1；b_zΦ(t)为精度损失故障，当t≥t_fΦ时，

高度子系统的执行机构故障可表示为

其中/>

代表执行机构效率损失故障，/>

表示执行机构效率增益，当/>

时有/>

表示多源干扰故障，

其中/>

为偏置故障，/>

为漂移故障，当/>

时，/>

为精度损失故障，当/>

时，

(2)对速度和高度两个子系统，分别构造基于韩式跟踪微分器的新型预设性能机制TDPPC以实现误差的先验调节，并克服传统预设性能控制快速约束导致的暂态抖震：

AHV速度与高度子系统的输出跟踪误差定义为e_V(t)＝V(t)-V_d(t)和e_h(t)＝h(t)-h_d(t)，V_d(t),h_d(t)为速度与高度的期望值；速度和高度子系统的预设性能函数定义为：

其中λ _i,

i＝V,h是设计参数，T_j(t),j＝V,h是所设计的性能函数；

采用二阶离散跟踪微分器提供预设的性能边界T_j(t)：

其中f_han(·)定义如下：

其中

是采样周期，/>

代表T_j(t)对时间的微分，r_j是用来控制收敛速度的设计参数，T_ji,T_jd是T_j(t),/>

的初始值；如果选定的T_js值小于T_ji，则预设性能函数随时间单调递减，最终趋于稳态；

采用误差转换函数S_i(·)可以将受约束的跟踪误差转化为无约束的跟踪误差如下：

其中z_i(t)为转换后的跟踪误差，θ_i(t)＝e_i(t)/T_i(t)是归一化误差；

(3)利用最小参数学习MLP方法设计低计算复杂度的神经网络学习器，以实时估计集总扰动对AHV模型的影响；

速度跟踪误差定义为e_V(t)＝V(t)-V_d(t)，FPA的跟踪误差定义为

AOA的跟踪误差定义为/>

PR的跟踪误差定义为/>

为FPA，AOA，PR的参考输入；给出如下基于MLP的集总扰动重构方法：

其中

是理想神经权值，n是MLP的节点数，高斯函数h_ji(e_j),(j＝V,γ,α,Q,i＝1,...n)取如下形式：

其中，c_ji表示接受域中心，b_j代表基函数的宽度；为了近似得到

设计以下自适应权值更新律：

其中Γ_V,Γ_γ,Γ_α,Γ_Q∈R是MLP的自适应增益，k_wV,k_wγ,k_wα,k_wQ∈R为漂移因子；

(4)综合MLP观测器与新型预设性能机制，以实现有限故障条件下对于给定高度/速度指令的精确跟踪控制，即：基于MLP观测结果，构造速度子系统的控制律、高度子系统的虚拟控制律和高度子系统的控制律：

速度子系统的控制律如下：

其中，k_V表示控制器增益，

表示参考信号对时间的微分，/>

是f_V的估计值；

高度子系统中γ,α,Q的虚拟控制律如下：

其中，k_h,k_γ,k_α表示控制器增益，

表示各回路参考信号对时间的微分，

分别是f_γ,f_α的估计值；

由此得到高度子系统的控制律：

其中，k_Q表示控制器增益，

表示俯仰角速率指令的微分，/>

是f_Q的估计值。

本发明针对高超声速飞行器在执行机构故障下实现对给定速度和高度指令的精确控制，首先，选取乘波体构型高超声速飞行器，建立考虑执行机构故障的纵向刚体运动AHV模型；其次，构造基于韩式跟踪微分器的新型预设性能机制以实现高度/速度误差的先验调节，并克服传统预设性能控制快速约束导致的暂态抖震难题；然后，将执行机构故障、参数化不确定性和外部干扰视为集总干扰，设计低计算复杂度的最小参数学习(MLP)神经网络学习器实时消除集总扰动对AHV模型的影响；最后，综合MLP观测器与新型预设性能机制，实现有限故障条件下对于给定高度/速度指令的精确跟踪控制。

与现有技术相比本发明具有以下有益效果：本发明所提供的一种考虑执行机构故障的高超声速飞行器保性能容错控制方法：(1)构造了基于韩式跟踪微分器的新型预设性能机制，实现了误差的先验调节，克服了传统预设性能控制快速约束导致的暂态抖震难题；(2)将执行机构效率损失以及多源干扰视为总不确定性，设计了低计算复杂度的最小参数学习(MLP)神经网络学习器实时消除各种扰动和故障对控制系统的影响；(3)通过MLP观测器与新型预设性能机制的综合，实现了AHV在有限故障条件下对于给定高度/速度指令的精确跟踪控制。

附图说明

图1是本发明一种考虑执行机构故障的高超声速飞行器保性能容错控制方法的设计流程图。

具体实施方式

以下结合具体实施例对本发明作进一步说明。

一种考虑执行机构故障的高超声速飞行器保性能容错控制方法，流程如图1所示，包括如下步骤：

(1)建立考虑执行机构故障的AHV参数化动力学模型：

其中：

其中h为高度，V为速度，α为攻角AOA，γ为弹道角FPA，Q为俯仰角速度PR，N_i为混合动力作用下的广义上的力，f_i,g_i(i＝V,α,γ,Q)分别代表集总干扰和AHV标称模型；d_Ve,d_γe,d_αe和d_Qe代表外部扰动，Δ代表气动扰动的系数；高超声速飞行器的初始条件为V(0)＝7685ft/s，h(0)＝86030ft，γ(0)＝0rad，α(0)＝0.27rad，Q(0)＝0rad/s；g＝32代表引力常数；m＝300和I_yy＝86722.54分别代表飞行器质量和转动惯量；p＝0.5ρ_αV²是动态压力，ρ_a＝ρ_a0exp(-(h-h₀)/h_s)是空气密度，h₀＝85000为初始近似高度，ρ_a0＝6.7429×10^-5为高度为85000时的空气密度，h_s＝21358.8表示空气密度衰减率的倒数；z_T＝8.36表示推力力臂，S＝17表示参考面积，

平均气动弦长；δ_e为控制律生成的升降舵偏转角，Φ为控制律生成的节流阀开度FER；升力L、阻力D、推力T、俯仰力矩M系统状态和输入的函数，被定义为：

相关的空气动力/力矩系数可以通过如下拟合公式得到：

d_Ve,d_γe,d_αe,d_Qe为外部扰动，具体定义如下:

其中

速度子系统的执行机构故障可表示为

其中k_ΦΦ代表执行机构效率损失故障，k_Φ＝0.95表示执行机构效率增益，当t≥t_fΦ时，有0＜k_Φ≤1；b_Φ表示多源干扰故障，b_Φ＝b_xΦ+b_yΦ(t)+b_zΦ(t),t≥8，其中b_xΦ＝3为偏置故障；b_yΦ(t)为漂移故障，当t≥8时，|b_yΦ(t)|＝0.78t；b_zΦ(t)＝0.94t为精度损失故障，当t≥8时，|b_zΦ(t)|＜5；

高度子系统的执行机构故障可表示为

其中/>

代表执行机构效率损失故障，/>

表示执行机构效率增益；/>

表示多源干扰故障，/>

其中/>

为偏置故障；/>

为漂移故障，当t≥8时，/>

为精度损失故障，当t≥8时，/>

(2)对速度和高度两个子系统，分别构造基于韩式跟踪微分器的新型预设性能机制TDPPC以实现误差的先验调节，并克服传统预设性能控制快速约束导致的暂态抖震：

AHV速度与高度子系统的输出跟踪误差定义为e_V(t)＝V(t)-V_d(t)和e_h(t)＝h(t)-h_d(t)，V_d(t),h_d(t)为速度与高度的期望值；速度和高度子系统的预设性能函数定义为：

其中

表示设计参数，T_j(t),j＝V,h是所设计的性能函数；

采用二阶离散跟踪微分器提供预设的性能边界T_j(t)：

其中f_han(·)定义如下：

其中

表示采样周期，/>

k∈Z^*，/>

代表T_j(t)对时间的微分，r_V＝4,r_h＝35表示控制收敛速度的设计参数，T_Vi＝200,T_hi＝266和T_Vd＝0,T_hd＝0表示T_j(t)和/>

的初始值，T_Vs＝15,T_hs＝45；

采用误差转换函数S_i(·)可以将受约束的跟踪误差转化为无约束的跟踪误差如下：

其中z_i(t)为转换后的跟踪误差，θ_i(t)＝e_i(t)/T_i(t)是归一化误差；

(3)利用最小参数学习MLP方法设计低计算复杂度的神经网络学习器，以实时估计集总扰动对AHV模型的影响；

速度跟踪误差定义为e_V(t)＝V(t)-V_d(t)，FPA的跟踪误差定义为

AOA的跟踪误差定义为/>

PR的跟踪误差定义为/>

为FPA，AOA，PR的参考输入；给出如下基于MLP的集总扰动重构方法：

其中

是理想神经权值，n是MLP的节点数，这里取10；高斯函数h_ji(e_j),(j＝V,γ,α,Q,i＝1,...n)取如下形式：

其中，接受域中心

基函数的宽度

为了近似得到/>

设计以下自适应权值更新律：

其中Γ_V＝40,Γ_γ＝9610,Γ_α＝14610,Γ_Q＝1057610为MLP的自适应增益，k_wV＝1,k_wγ＝0.1,k_wα＝0.01,k_wQ＝1×10^-3为漂移因子；

为/>

的估计值；(4)基于MLP观测结果，构造速度子系统的控制律、高度子系统的虚拟控制律和高度子系统的控制律：

速度子系统的控制律如下：

其中，k_V＝42.55表示控制器增益，

表示参考信号对时间的微分，/>

是f_V的估计值；

高度子系统中γ,α,Q的虚拟控制律如下：

其中k_h＝2.1,k_γ＝2.5,k_α＝2.3表示控制器增益，

表示各回路参考信号对时间的微分，/>

分别是f_γ,f_α的估计值；

由此得到高度子系统的控制律：

其中，k_Q＝15表示控制器增益，

表示俯仰角速率指令的微分，/>

是f_Q的估计值。

本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。

Claims (1)

1.一种考虑执行机构故障的高超声速飞行器保性能容错控制方法，其特征在于：包括如下步骤：

(1)建立考虑执行机构故障的AHV参数化动力学模型：

其中：

其中h为高度，V为速度，α为攻角AOA，γ为弹道角FPA，Q为俯仰角速度PR，f_i,g_i分别代表集总干扰和AHV标称模型，i＝V,α,γ,Q；d_Ve,d_γe,d_αe和d_Qe代表外部扰动，Δ代表气动扰动的系数；g代表引力常数；m和I_yy分别代表飞行器质量和转动惯量；p＝0.5ρ_αV²是动态压力，ρ_a＝ρ_a0exp(-(h-h₀)/h_s)是空气密度，h₀为初始近似高度，ρ_a0为高度为h₀时的空气密度，h_s表示空气密度衰减率的倒数；z_T,S和

分别表示推力力臂、参考面积和平均气动弦长；δ_e为控制律生成的升降舵偏转角，Φ为控制律生成的节流阀开度FER；升力L、阻力D、推力T、俯仰力矩M系统状态和输入的函数，被定义为：

相关的空气动力/力矩系数可以通过如下拟合公式得到：

速度子系统的执行机构故障可表示为

其中k_ΦΦ代表执行机构效率损失故障，k_Φ表示执行机构效率增益，当t≥t_fΦ时有0＜k_Φ≤1；b_Φ表示多源干扰故障，b_Φ＝b_xΦ+b_yΦ(t)+b_zΦ(t),t≥t_fΦ，其中b_xΦ为偏置故障，/>

b_xΦ(t_fΦ)≠0；b_yΦ(t)为漂移故障，当t≥t_fΦ时，|b_yΦ(t)|＝λ_yΦt,0＜λ_yΦ＜＜1；b_zΦ(t)为精度损失故障，当t≥t_fΦ时，

高度子系统的执行机构故障可表示为

其中/>

代表执行机构效率损失故障，/>

表示执行机构效率增益，当/>

时有/>

表示多源干扰故障，

其中/>

为偏置故障，/>

为漂移故障，当/>

时，/>

为精度损失故障，当/>

时，

(2)对速度和高度两个子系统，分别构造基于韩式跟踪微分器的新型预设性能机制TDPPC以实现误差的先验调节，并克服传统预设性能控制快速约束导致的暂态抖震：

AHV速度与高度子系统的输出跟踪误差分别定义为e_V＝V-V_d和e_h＝h-h_d，V_d,h_d为速度与高度的期望值；速度和高度子系统的预设性能函数定义为：

其中

λ _V∈(0,1]是设计参数，/>

λ _h∈(0,1]是设计参数，T_j(t),j＝V,h是所设计的性能函数；

采用二阶离散跟踪微分器提供预设的性能边界T_j(t)：

其中f_han定义如下：

其中

是采样周期，/>

代表T_j(t)对时间的微分，r_j是用来控制收敛速度的设计参数，/>

是T_j(t),/>

的初始值；如果选定的T_js值小于/>

则预设性能函数随时间单调递减，最终趋于稳态；

采用误差转换函数S_j可以将受约束的跟踪误差转化为无约束的跟踪误差如下：

其中z_j(t)为转换后的跟踪误差，θ_j(t)＝e_j/T_j(t)是归一化误差；

(3)利用最小参数学习MLP方法设计低计算复杂度的神经网络学习器，以实时估计集总扰动对AHV模型的影响；

速度跟踪误差定义为e_V＝V-V_d，弹道角FPA的跟踪误差定义为

攻角AOA的跟踪误差定义为/>

俯仰角速度PR的跟踪误差定义为/>

为弹道角FPA，攻角AOA，俯仰角速度PR的参考输入；给出如下基于最小参数学习MLP的集总扰动重构方法：

其中

是理想神经权值，n是MLP的节点数，高斯函数h_is(e_i),i＝V,γ,α,Q,s＝1,...n，取如下形式：

其中，c_is表示接受域中心，b_i代表基函数的宽度；为了近似得到

设计以下自适应权值更新律：

其中Γ_V,Γ_γ,Γ_α,Γ_Q∈R是MLP的自适应增益，k_wV,k_wγ,k_wα,k_wQ∈R为漂移因子；

(4)综合MLP观测器与新型预设性能机制，以实现有限故障条件下对于给定高度/速度指令的精确跟踪控制，即：基于MLP观测结果，构造速度子系统的控制律、高度子系统的虚拟控制律和高度子系统的控制律：

节流阀开度FER控制律设计如下：

其中，k_V表示控制器增益，

表示参考信号对时间的微分，/>

是f_V的估计值；

高度子系统中γ,α,Q的虚拟控制律如下：

其中，k_h,k_γ,k_α表示控制器增益，

表示各回路参考信号对时间的微分，/>

分别是f_γ,f_α的估计值；

升降舵偏角的控制律设计如下：

其中，k_Q表示控制器增益，

表示俯仰角速率指令的微分，/>

是f_Q的估计值。

Images