CN112034702A - 一种使用继电式舵机的制导弹药的智能控制方法 - Google Patents

Abstract

本发明公开了一种新型的使用继电式舵机的制导弹药的智能控制方法。借用神经网络技术的优势，只需实时获取弹药的高度、速度和转速，即可以将需用加速度转化为正确的舵机调宽信号。使得实际的加速度值与需用加速度值匹配良好，说明弹药基本沿着制导律规划的弹道运动。显然，本专利提出的控制方法极大的提高了对有控段的全段的适应性，使得弹药可沿预想轨迹飞行，有利于制导精度的提高。

Description

一种使用继电式舵机的制导弹药的智能控制方法

技术领域：

本发明属于导弹控制领域，涉及一种新型的使用继电式舵机的制导弹药的智能控制方法。

背景技术

继电式舵机是目前制导弹药常用的一种舵机系统，其相对于电动式舵机系统，技术成熟度较高，并具有较强的抗高过载能力，目前广泛应用于国内多种口径，如120mm、122mm、155mm的制导弹药上。制导弹药在有控段，根据制导律实时计算需用加速度，并将需用加速度信号进行等幅调宽，以驱动继电式舵机工作，控制弹药飞向目标。因此，等幅调宽的方法是控制环节的关键所在。目前，工程常用的等幅调宽方法是根据已有的工程经验，在需用加速度信号上直接乘以一个增益值(可称为经验增益)，得到相应的舵机宽度信号。由于之前的制导弹药弹道高较低，在有控段速度稳定，飞行状态的变化幅度很小，因此，加速度信号乘以经验增益的方法具有一定的可行性，也可以满足大部分制导弹药的使用要求。但是，随着目前制导弹药的远程化，弹道高增加，降弧段拉长，启控点变高，在有控段弹药速度的波动将达到均值的10％甚至更高。这种情况下，单纯靠经验增益的方法很容易输出错误的舵机宽度，弹体实际得过载偏离需用加速度，导致通道耦合增大、制导精度恶化甚至失稳掉弹。

神经网络技术是一种类似于人类神经网络系统的信息处理技术，具有强大的模式识别和数据拟合能力，其非线性逼近性能优秀，使得它在众多领域中都有出色的表现。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种新型的使用继电式舵机的制导弹药的智能控制方法。借用神经网络技术的优势，只需实时获取弹药的高度、速度和转速，即可以将需用加速度转化为正确的舵机调宽信号。

一种使用继电式舵机的制导弹药的智能控制方法：

(1)在已知力矩系数的情况下M(δ,α,Ma)，设定一个等效舵插值点集合{δ_i}和马赫数插值点集合{Ma_i}，求解相应的平衡攻角集合{α_i}；

(2)已知等效舵插值点集合{δ_i}、平衡攻角插值点集合{α_i}、马赫数插值点集合{Ma_i}，插值得到对应的升力系数CY_i(δ_i,α_i,Ma_i)；

(3)由于等效舵插值点集合{δ_i}与平衡攻角集合{α_i}存在一一对应关系，可以消除攻角维：CY_i(δ_i,Ma_i)；

(4)显然，δ_i、Ma_i与CY_i之间存在一一对应关系，所以，使用数据分析方法得到插值数据矩阵δ(Ma,CY)；

(5)以[Ma,CY]为神经网络输入、δ为神经网络输出，构建BP神经网络，一般情况下，构建单层BP神经网络已经足够实现δ(Ma,CY)的映射关系，设神经元数量设计为n(n≥3)。将δ(Ma,CY)的全部映射关系用于神经网络训练，设得到的训练结果为：

iw——神经元层权值矩阵，维数n×2

bi——神经元层偏置矩阵，维数n×1

lw——输出层权值，维数1×n

bw——输出层偏置量，常数；

(6)制导弹药飞行时，由相关的测量元件或系统得到实时的高度 H和速度V，输入到弹载计算机中；

(7)弹载计算机计算舵机调宽时间τ；

(8)控制系统按舵机调宽时间τ驱动舵机偏转，循环以上过程。

2.如权利要求1所述的智能控制方法，其特征在于，步骤(7)弹载计算机执行如下步骤：

(7.1)动压计算：

计算虚温：vir＝288.9-0.006328H；

计算气压：inp＝1000(1-2.1904×10^-5H)^5.4；

计算密度：

计算动压：

计算声速：

计算马赫数：

(7.2)根据制导律计算实时的需用加速度a_c；

(7.3)计算实时的需用升力系数

(7.4)神经网络计算：

构建神经网络输入：input＝[Ma,c_y]^T；

经过神经元层，设神经元层传递函数为

则计算神经元层输出：

维数n×1；

经过输出层，设输出层传递方式为直接传递，则输出层输出：δ_out＝bw+lw×f_out；

(7.5)结合实时转速ω_x，计算舵机调宽时间τ：

概念定义

二符号列表

有益效果：本专利提出一种新型的使用继电式舵机的制导弹药的智能控制方法。借用神经网络技术的优势，只需实时获取弹药的高度、速度和转速，即可以将需用加速度转化为正确的舵机调宽信号。

附图说明：

图1为舵机调宽示意图；

图2BP神经网络的结构示意图；

图3为控制方法示意图；

图4传统的控制方法；

图5本专利控制方法；

图6神经网络输出值与理论值之间的差值分布验证图。

具体实施方式：

下面结合附图对本发明做进一步详细描述：

力矩系数M(δ,α,Ma)、升力系数CY(δ,α,Ma)，M与舵偏角δ、攻角α、马赫数Ma有关。

需用加速度：弹药按给定弹道飞行所需要的加速度，用a_c表示，单位为m/s²。

舵机调宽的相关概念：

继电式舵机的工作方式，是在一段连续的时间内偏转固定的角度δ₀，其等效作用力的产生如图1所示。F为等效作用力，它的方向沿着舵机宽度的中点方向，符号与舵机的偏转方向有关。图中，舵机连续工作一次的时间称为舵机调宽时间，用τ表示。

等效舵δ_等效：将舵机在一个控制周期内的控制效果等效为一个固定的舵机偏转角，称为等效舵。

平衡攻角α_平衡：与等效舵匹配的，使得弹体姿态稳定的攻角。平衡攻角与等效舵间有如下关系：

M(δ_等效,α_平衡,Ma)≈0

此外，还将用到以下符号：

m——质量，S——弹体特征面积，q——动压

BP神经网络属于多层前向神经网络模型的一种，包含输入层、隐藏层、输出层，隐藏层可包含单层或多层的神经元。

三方法详述

(1)在已知力矩系数的情况下M(δ,α,Ma)，设定一个等效舵插值点集合{δ_i}和马赫数插值点集合{Ma_i}，求解相应的平衡攻角集合{α_i}；

(2)已知等效舵插值点集合{δ_i}、平衡攻角插值点集合{α_i}、马赫数插值点集合{Ma_i}，插值得到对应的升力系数CY_i(δ_i,α_i,Ma_i)；

(3)由于等效舵插值点集合{δ_i}与平衡攻角集合{α_i}存在一一对应关系，可以消除攻角维：CY_i(δ_i,Ma_i)；

(4)显然，δ_i、Ma_i与CY_i之间存在一一对应关系，所以，使用数据分析方法得到插值数据矩阵δ(Ma,CY)；

(5)以[Ma,CY]为神经网络输入、δ为神经网络输出，构建BP神经网络，一般情况下，构建单层BP神经网络已经足够实现δ(Ma,CY)的映射关系，设神经元数量设计为n(n≥3)。将δ(Ma,CY)的全部映射关系用于神经网络训练，设得到的训练结果为：

iw——神经元层权值矩阵，维数n×2

bi——神经元层偏置矩阵，维数n×1

lw——输出层权值，维数1×n

bw——输出层偏置量，常数

(6)制导弹药飞行时，由相关的测量元件或系统得到实时的高度H 和速度V，输入到弹载计算机中；

(7)弹载计算机执行如下步骤：

(7.1)动压计算：

计算虚温：vir＝288.9-0.006328H；

计算气压：inp＝1000(1-2.1904×10^-5H)^5.4；

计算密度：

计算动压：

计算声速：

计算马赫数：

(7.2)根据制导律计算实时的需用加速度a_c；

(7.3)计算实时的需用升力系数

(7.4)神经网络计算：

构建神经网络输入：input＝[Ma,c_y]^T；

经过神经元层，设神经元层传递函数为

(也可选择其他传递函数)，则计算神经元层输出：

维数n×1；

经过输出层，设输出层传递方式为直接传递(也可选择其他传递方式)，则输出层输出：δ_out＝bw+lw×f_out；

(7.5)结合实时转速ω_x，计算舵机调宽时间τ：

(8)控制系统按舵机调宽时间τ驱动舵机偏转，循环以上过程。

控制方法的全部流程如图2所示：

实施方法案例

(1)已知力矩系数如下表：

其中：

舵偏角插值点：0、5度；

攻角插值点：8、6、4、2、1、0、-1、-2、-4、-6、-8度

马赫数插值点：0.5、0.6、0.7、0.8

设定等效舵插值点集合：

{δ_i}＝{0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,4.5,5.0}

设定马赫数插值点集合：

{Ma_i}＝{0.5,0.55,0.6,0.65,0.7,0.75,0.8}

根据M(δ_等效,α_平衡,Ma)≈0求解得到平衡攻角集合{α_i}：

(2)已知升力系数如下表：

舵偏角插值点：0、5度；

攻角插值点：8、6、4、2、1、0、-1、-2、-4、-6、-8度

马赫数插值点：0.5、0.6、0.7、0.8

根据等效舵、平衡攻角、马赫数，插值得到动态平衡下的升力系数集合(由于平衡攻角与等效舵一一匹配，故不再显示攻角维)：

(3)利用动态平衡下的升力系数集合与等效舵插值点、马赫数插值点的一一对应关系，反插值得到等效舵集：

其中：

升力系数插值点：0～1.7，间隔0.1

马赫数插值点集合：0.5～0.8，间隔0.05

(4)利用上述映射关系，训练BP神经网络，设定神经元层包含5个神经元，训练结果如下：

神经元层权值：

神经元层偏置：

神经元层传递函数：

输出层权值：lw＝[-0.0813 -0.3819 -0.0232 0.0194 0.8255]

输出层偏置：bw＝0.0834

输出层传递函数：直接传递

(5)使用(4)训练的神经网络即可在弹载计算机中进行舵机宽度计算，计算例如下：

(5.1)设某时刻弹载计算机通过相关测量元件或系统获取当前的高度为1000m，速度为 170m/s；

(5.2)计算虚温：vir＝288.9-0.006328×1000＝282.572；

计算气压：inp＝1000(1-2.1904×10^-5×1000)^5.4246＝887.3；

计算密度：

计算动压：

计算声速：

计算马赫数：

(5.3)设根据制导律计算得到的需用加速度为8m/s²；

(5.4)设弹体质量为30kg，特征面积为0.01m²，计算实时的需用升力系数

(5.5)则该时刻，神经网络的输入可以确定为input＝[0.5045,0.9489]^T，通过神经网络计算得到相应的等效舵为2.1267度；

(5.6)设弹体的实时转速为31.4159rad/s，舵机固定偏转角5度，计算舵机调宽时间τ：

则计算得到舵机宽度为0.0466s。

3.2神经网络的有效性验证

设定神经网络输入点为：

升力系数：0.3～1.5，间隔0.15

马赫数插值点集合：0.5～0.8，间隔0.02

将上述输入到神经网络中，将输入值与理论插值点相减得到的差值如下图所示：

如结果所示，神经网络的输出偏差值基本在0.15度以内，对于实际应用场景来说，这种微小差距对控制基本无影响。故证明神经网络有效。

3.3实际应用效果

使用本专利可以大幅提高弹体实际加速度与需用加速度之间的匹配程度，提高制导精度，提升武器装备的智能化水平。应用此专利可以使制导弹药的全射程平均CEP降低20～30％，对于制导时间较短的情况(制导时间<8s)，改善效果尤其显著，可使该条件下CEP降低30～40％。

三仿真案例

以下为某制导弹药的仿真例，制导弹药在32s启控，需用加速度和实际加速度的对比如下所示：

由图3、图4可知，传统的控制方法由于传递比是固定值，对有控段全段的适应性很差，弹体实际的加速度值与需用加速度值并不匹配；专利改进后的控制方法使得实际的加速度值与需用加速度值匹配良好，说明弹药基本沿着制导律规划的弹道运动。显然，本专利提出的控制方法极大的提高了对有控段的全段的适应性，使得弹药可沿预想轨迹飞行，有利于制导精度的提高。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内，当可利用上述揭示的方法及技术内容作出些许的更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，仍属于本发明技术方案的范围内。

Claims (2)

1.一种使用继电式舵机的制导弹药的智能控制方法，其特征在于：

(1)在已知力矩系数的情况下M(δ,α,Ma)，设定一个等效舵插值点集合{δ_i}和马赫数插值点集合{Ma_i}，求解相应的平衡攻角集合{α_i}；

(2)已知等效舵插值点集合{δ_i}、平衡攻角插值点集合{α_i}、马赫数插值点集合{Ma_i}，插值得到对应的升力系数CY_i(δ_i,α_i,Ma_i)；

(3)由于等效舵插值点集合{δ_i}与平衡攻角集合{α_i}存在一一对应关系，可以消除攻角维：CY_i(δ_i,Ma_i)；

(4)显然，δ_i、Ma_i与CY_i之间存在一一对应关系，所以，使用数据分析方法得到插值数据矩阵δ(Ma,CY)；

(5)以[Ma,CY]为神经网络输入、δ为神经网络输出，构建BP神经网络，一般情况下，构建单层BP神经网络已经足够实现δ(Ma,CY)的映射关系，设神经元数量设计为n(n≥3)。将δ(Ma,CY)的全部映射关系用于神经网络训练，设得到的训练结果为：

iw——神经元层权值矩阵，维数n×2

bi——神经元层偏置矩阵，维数n×1

lw——输出层权值，维数1×n

bw——输出层偏置量，常数；

(6)制导弹药飞行时，由相关的测量元件或系统得到实时的高度H和速度V，输入到弹载计算机中；

(7)弹载计算机计算舵机调宽时间τ；

(8)控制系统按舵机调宽时间τ驱动舵机偏转，循环以上过程。

2.如权利要求1所述的智能控制方法，其特征在于，步骤(7)弹载计算机执行如下步骤：

(7.1)动压计算：

计算虚温：vir＝288.9-0.006328H；

计算气压：inp＝1000(1-2.1904×10^-5H)^5.4；

计算密度：

计算动压：

计算声速：

计算马赫数：

(7.2)根据制导律计算实时的需用加速度a_c；

(7.3)计算实时的需用升力系数

(7.4)神经网络计算：

构建神经网络输入：input＝[Ma,c_y]^T；

经过神经元层，设神经元层传递函数为

则计算神经元层输出：

维数n×1；

经过输出层，设输出层传递方式为直接传递，则输出层输出：δ_out＝bw+lw×f_out；

(7.5)结合实时转速ω_x，计算舵机调宽时间τ：

Images