CN114859712B - 面向油门约束的飞行器制导控制一体化方法 - Google Patents

Abstract

本发明提出的一种面向油门约束的飞行器制导控制一体化方法，属于飞行控制领域，用于处理飞行器机身推进系统耦合带来的油门强约束问题。该方法面向飞行器纵向动力学模型，分析动力学内在机理基于反步法框架思路设计控制律，结合油门约束指标为速度制导系统建立二次规划的约束模型，定义损失函数利用KKT算法求解优化。采用神经网络技术学习动力学不确定性，建立串并行模型设计预测误差，建立制导系统和控制系统的交互参数，结合跟踪误差、预测误差和交互参数设计神经网络权重的自适应更新律，实现了油门约束下的飞行稳定和复杂环境下的高精度飞行状态跟踪。

Description

面向油门约束的飞行器制导控制一体化方法

技术领域

本发明涉及一种飞行器控制方法，特别是涉及一种面向油门约束的飞行器制导控制一体化方法，属于飞行控制领域。

背景技术

由于飞行器动力学的复杂性以及机身推进系统之间的耦合，飞行器控制输入上存在不可避免的约束的存在，这将加剧控制系统的设计困难。飞行器发动机进气道易发生热壅塞而增大飞行器的阻力减少发动机推力，严重影响飞行安全；同时这种油门的限制是由于推进系统的本质所强加的，它是维持发动机特别是超燃冲压发动机运行的必需条件，因此这是一个严格的约束，必须协调制导和控制系统来解决，以避免发动机热壅塞。

《Integrated Adaptive Guidance and Control of Constrained NonlinearAir-breathing Hypersonic Vehicle Models》(Andrea Serrani，《Conference onAmerican Control Conference》，2009年)针对高超声速飞行器的油门约束问题，开展制导控制一体化的优化控制方法。论文解耦飞行器动力学模型为速度、高度和攻角三个子系统设计动态逆控制算法，结合油门壅塞条件建立速度优化制导律，基于优化指标建立制导控制交互信号，实现速度和高度的跟踪控制。但是论文未针对动力学模型机理开展控制器设计，且在设计中未考虑气动参数变化所带来的强不确定性问题，在复杂的飞行环境中难以实现高精度的飞行状态跟踪。

发明内容

要解决的技术问题

针对飞行器机身推进系统耦合带来的油门强约束问题，本发明提出了一种面向油门约束的飞行器制导控制一体化方法，该方法面向飞行器纵向动力学模型，分析动力学内在机理基于反步法框架思路设计控制律，结合油门约束指标为速度制导系统建立二次规划的约束模型，定义损失函数利用KKT算法求解优化。采用神经网络技术学习动力学不确定性，建立串并行模型设计预测误差，建立制导系统和控制系统的交互参数，结合跟踪误差、预测误差和交互参数设计神经网络权重的自适应更新律，实现了油门约束下的飞行稳定和复杂环境下的高精度飞行状态跟踪。

技术方案

一种面向油门约束的飞行器制导控制一体化方法，其特征在于步骤如下：

步骤1：采用飞行器的纵向动力学模型为：

其中，V为速度，h为高度，γ为航迹角，α为攻角，q为俯仰角速度，g为重力加速度，m为飞行器质量，I_y为转动惯量，T为推力，D为阻力，L为升力和M_y为俯仰力矩；

定义俯仰角为θ＝α+γ；定义考虑力和力矩的函数表达式，飞行器动力学模型可转换为：

其中，Φ为油门，δ_e为升降舵偏角，和/>为未知光滑函数，g_v(α)、g_γ(α)和g_q(α)为已知函数；

步骤2：超燃冲压发动机的热壅塞条件的曲线拟合函数的解析表达式为：

其中，M_a为马赫数，为动压；

采用神经网络逼近动力学不确定函数f_i(Z)

其中，为最优权重，/>为基函数，ε_fi为神经网络的逼近误差，ι为神经网络节点数，且i＝v,γ,q；

函数Proj(b)表达式为：

其中，a和b为矩阵，c＞0为待设计的常数，/>和/>分别为矩阵范数||a||的上下界；

步骤3：设计速度子系统的制导律为：

其中，V_ref为速度参考信号，为期望速度，κ为滤波器增益函数；

选择对数障碍函数为b(Φ,Φ_M)为：

b(Φ,Φ_M)＝b₀-ln(Φ-Φ₀)-ln(Φ_M-Φ) (7)

其中，b₀＞0为待设计的常数；

自适应制导律的二次规划问题为：

其中，κ^*为期望的速度滤波器增益；

设计滤波器增益κ和KKT乘数∈的自适应更新律为：

其中，

其中，为偏导数，/>和/>为待设计的常数；

步骤4：定义e_v＝V-V_ref；设计速度子系统的控制输入为：

其中，为神经网络最优权重σ_fv的估计值，k_v＞0为待设计的常数；

定义预测误差为建立串并行模型为：

其中，为待设计的参数；

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fv＞0，δ_fv＞0为待设计的常数；

步骤5：设计高度子系统的制导律为：

其中，h_ref为高度参考信号，为高度参考信号的一阶导数，/>为高度参考信号的二阶导数，/>为高度参考信号的三阶导数，/>为期望的高度终值，k_a＞0，k_b＞0和k_c＞0为待设计的常数；

定义e_h＝h-h_ref，设计航迹角的制导律为：

其中，a_p＞0，a_i＞0和a_d＞0为待设计的常数；

步骤6：步骤6-1：定义e_γ＝γ-γ_ref；设计虚拟控制量为：

其中，为神经网络最优权重σ_fγ的估计值，/>为航迹角参考信号γ_ref的导数，k_γ＞0为待设计的常数；

定义预测误差为：建立串并行模型为：

其中，为待设计的常数；

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fγ＞0，δ_fγ＞0为待设计的常数；

步骤6-2：定义e_θ＝θ-θ_ref；设计虚拟控制量为：

其中，虚拟控制量θ_d的导数，k_θ＞0为待设计的常数；

步骤6-3：定义e_q＝q-q_ref；设计控制输入量为：

其中，为神经网络最优权重σ_fq的估计，/>为俯仰角速率参考信号q_ref的导数，k_q为待设计的参数；

定义预测误差为建立串并行模型为：

其中，为待设计的常数；

设计的自适应律为：

其中，λ_fq＞0，δ_fq＞0为待设计的常数；

步骤7：根据得到的控制输入Φ和δ_e，返回到飞行器的动力学模型(1)，对速度和高度制导律生成的参考信号V_ref和h_ref进行跟踪控制。

一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。

一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。

一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。

有益效果

本发明提出的一种面向油门约束的飞行器制导控制一体化方法，该方法结合期望速度滤波带宽建立制导优化目标，基于热壅塞油门限制建立不确定优化指标，采用KKT算法求解二次规划的优化解。基于KKT乘子定义制导系统与控制系统交互参数，集成自适应制导回路到自适应内回路控制系统中；采用神经网络学习动力学不确定，针对动力学不确定性建立串并行模型设计预测误差；结合跟踪误差、预测误差和交互参数设计内外复合与制导控制一体的神经网络权重自适应更新律。分析飞行器纵向动力学模型机理，前馈不确定估计值，以反步法为框架设计自适应控制律，并应用于高超声速飞行器纵向动力学模型中。本发明协调制导控制耦合特性，在控制输入限制时通过修改制导参考模型的带宽以减慢参考轨迹，避免了油门热壅塞带来的控制失稳问题，为提高飞行安全提供了有效途径。相比于现有技术，其有益效果如下：

(1)本发明针对飞行器机身推进系统耦合带来的油门强约束问题，结合制导控制耦合特性，集成自适应制导回路到自适应内回路控制系统中，通过减缓制导律的响应速度来避免油门热壅塞问题，保证飞行安全。

(2)本发明结合期望速度滤波带宽建立制导优化目标，基于热壅塞油门限制建立不确定优化指标，采用KKT算法求解二次规划的优化解；在控制输入限制时通过修改制导参考模型的带宽以减慢参考轨迹，在拥有足够控制权限时恢复期望的响应速度。

(3)本发明分析飞行器纵向动力学模型机理，以反步法为框架设计自适应控制律，针对动力学不确定性建立串并行模型设计预测误差，基于KKT乘子定义制导系统与控制系统交互参数，结合内外复合与制导控制一体的神经网络权重自适应更新律，实现高精度的飞行跟踪控制，提升飞行质量。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1是本发明面向油门约束的飞行器制导控制一体化方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

参照图1，本发明面向油门约束的飞行器制导控制一体化应用于高超声速飞行器系统中，通过以下步骤实现：

(a)采用飞行器的纵向动力学模型为：

其中，V为速度，h为高度，γ为航迹角，α为攻角，q为俯仰角速度，g为重力加速度，m为飞行器质量，I_y为转动惯量，T为推力，D为阻力，L为升力和M_y为俯仰力矩。

定义俯仰角为θ＝α+γ。定义考虑力和力矩的函数表达式，飞行器动力学模型可转换为：

其中，Φ为油门，δ_e为升降舵偏角，

其中，T_Φ(α)≈β₁α³+β₃α²+β₅α+β₇，T₀(α)≈β₂α³+β₄α²+β₆α+β₈， M_T≈z_TT，/> ρ₀＝6.7429e-5，h₀＝8.5e4，h_s＝2.1358e4，β₁＝-3.7693e5，β₂＝-3.7225e4，β₃＝2.6814e4，β₄＝-1.7277e4，β₅＝3.5542e4，β₆＝-2.4216e3，β₇＝6.3785e3，β₈＝-1.0090e2，S＝17，/> z_T＝8.36，，/>

(b)超燃冲压发动机的热壅塞条件的曲线拟合函数的解析表达式为：

其中，M_a＝V/320为马赫数，c₀＝1.02e-4，c₁＝9.10e-4，c₂＝6.70e-3，c₃＝-1.03e-3，c₄＝-4.96e-4，c₅＝-4.7e-3，c₆＝-5.67e-6，c₇＝2.5e-4，c₈＝-1.06e-7，c₉＝-1.58e-11，c₁₀＝6.9e-4。

采用神经网络逼近动力学不确定函数f_i(Z)

其中，为最优权重，/>为基函数，ε_fi为神经网络的逼近误差，ι＝147为神经网络节点数，μ_i＝2为神经元宽度，o_v＝[7000,12000]×[-0.1,0.1]×[-0.3,0.4]，o_γ＝[7000,12000]×[80000,10000]×[-0.1,0.1]和o_q＝[7000,12000]×[80000,10000]×[-0.1,0.1]×[-0.3,0.4]×[-2,2]为神经元中心，且i＝v,γ,q。

函数Proj(b)表达式为：

其中，a和b为矩阵，c＝1，/>和/>分别为矩阵范数||a||的上下界。

(c)设计速度子系统的制导律为：

其中，V_ref为速度参考信号，为期望速度，κ为滤波器增益函数。

选择对数障碍函数为b(Φ,Φ_M)为：

b(Φ,Φ_M)＝b₀-ln(Φ-Φ₀)-ln(Φ_M-Φ) (29)

其中，b₀＝1。

自适应制导律的二次规划问题为：

其中，κ^*＝5为期望的速度滤波器增益。

设计滤波器增益κ和KKT乘数∈的自适应更新律为：

其中，

其中，为偏导数，/>和/>

(d)定义e_v＝V-V_ref。设计速度子系统的控制输入为：

其中，为神经网络最优权重σ_fv的估计值，k_v＝5。

定义预测误差为建立串并行模型为：

其中，

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fv＝2，δ_fv＝0.01。

(e)设计高度子系统的制导律为：

其中，h_ref为高度参考信号，为高度参考信号的一阶导数，/>为高度参考信号的二阶导数，/>为高度参考信号的三阶导数，/>为期望的高度终值，k_a＝1，k_b＝1和k_c＝1。

定义e_h＝h-h_ref，设计航迹角的制导律为：

其中，a_p＝0.5，a_i＝0.01和a_d＝0.1。

(f)步骤1：定义e_γ＝γ-γ_ref。设计虚拟控制量为：

其中，为神经网络最优权重σ_fγ的估计值，/>为航迹角参考信号γ_ref的导数，k_γ＝5。

定义预测误差为：建立串并行模型为：

其中，

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fγ＝2，δ_fγ＝0.01。

步骤2：定义e_θ＝θ-θ_ref。设计虚拟控制量为：

其中，虚拟控制量θ_d的导数，k_θ＝5。

步骤3：定义e_q＝q-q_ref。设计控制输入量为：

其中，为神经网络最优权重σ_fq的估计值，/>为俯仰角速率参考信号q_ref的导数，以及k_q＝5。

定义预测误差为建立串并行模型为：

其中，

设计的自适应律为：

其中，λ_fq＝2，δ_fq＝0.01。

(g)根据得到的控制输入Φ和δ_e，返回到高超声速飞行器的动力学模型(1)，对速度和高度制导律生成的参考信号V_ref和h_ref进行跟踪控制。

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公开的技术范围内，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。

Claims (3)

1.一种面向油门约束的飞行器制导控制一体化方法，其特征在于步骤如下：

步骤1：采用飞行器的纵向动力学模型为：

其中，V为速度，h为高度，γ为航迹角，α为攻角，q为俯仰角速度，g为重力加速度，m为飞行器质量，I_y为转动惯量，T为推力，D为阻力，L为升力和M_y为俯仰力矩；

定义俯仰角为θ＝α+γ；定义考虑力和力矩的函数表达式，飞行器动力学模型可转换为：

其中，Φ为油门，δ_e为升降舵偏角，和/>为未知光滑函数，g_v(α)、gγ(α)和g_q(α)为已知函数；

步骤2：超燃冲压发动机的热壅塞条件的曲线拟合函数的解析表达式为：

其中，M_a为马赫数，为动压；c₀＝1.02e-4，c₁＝9.10e-4，c₂＝6.70e-3，c₃＝-1.03e-3，c₄＝-4.96e-4，c₅＝-4.7e-3，c₆＝-5.67e-6，c₇＝2.5e-4，c₈＝-1.06e-7，c₉＝-1.58e-11，c₁₀＝6.9e-4；

采用神经网络逼近动力学不确定函数f_i(Z)

其中，为最优权重，/>为基函数，ε_fi为神经网络的逼近误差，l为神经网络节点数，且i＝v,γ,q；

函数Proj(b)表达式为：

其中，a和b为矩阵，c＞0为待设计的常数，和/>分别为矩阵范数||a||的上下界；

步骤3：设计速度子系统的制导律为：

其中，V_ref为速度参考信号，为期望速度，κ为滤波器增益函数；

选择对数障碍函数为b(Φ,Φ_M)为：

b(Φ,Φ_M)＝b₀-ln(Φ-Φ₀)-ln(Φ_M-Φ) (7)

其中，b₀＞0为待设计的常数；

自适应制导律的二次规划问题为：

其中，κ^*为期望的速度滤波器增益；

设计滤波器增益κ和KKT乘数∈的自适应更新律为：

其中，

其中，为偏导数，/>和/>为待设计的常数；

步骤4：定义e_v＝V-V_ref；设计速度子系统的控制输入为：

其中，为神经网络最优权重σ_fv的估计值，k_v＞0为待设计的常数；

定义预测误差为建立串并行模型为：

其中，为待设计的参数；

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fv＞0，δ_fv＞0为待设计的常数；

步骤5：设计高度子系统的制导律为：

其中，h_ref为高度参考信号，为高度参考信号的一阶导数，/>为高度参考信号的二阶导数，/>为高度参考信号的三阶导数，/>为期望的高度终值，k_a＞0，k_b＞0和k_c＞0为待设计的常数；

定义e_h＝h-h_ref，设计航迹角的制导律为：

其中，a_p＞0，a_i＞0和a_d＞0为待设计的常数；

步骤6：步骤6-1：定义e_γ＝γ-γ_ref；设计虚拟控制量为：

其中，为神经网络最优权重σ_fγ的估计值，/>为航迹角参考信号γ_ref的导数，k_γ＞0为待设计的常数；

定义预测误差为：建立串并行模型为：

其中，为待设计的常数；

采用KKT乘数定义制导系统与控制系统交互参数为设计/>的自适应律为：

其中，λ_fγ＞0，δ_fγ＞0为待设计的常数；

步骤6-2：定义e_θ＝θ-θ_ref；设计虚拟控制量为：

其中，虚拟控制量θ_d的导数，k_θ＞0为待设计的常数；

步骤6-3：定义e_q＝q-q_ref；设计控制输入量为：

其中，为神经网络最优权重σ_fq的估计，/>为俯仰角速率参考信号q_ref的导数，k_q为待设计的参数；

定义预测误差为建立串并行模型为：

其中，为待设计的常数；

设计的自适应律为：

其中，λ_fq＞0，δ_fq＞0为待设计的常数；

步骤7：根据得到的控制输入Φ和δ_e，返回到飞行器的动力学模型(1)，对速度和高度制导律生成的参考信号V_ref和h_ref进行跟踪控制。

2.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。

3.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。