CN115016291A - 一种基于风场信息的飞行器抗干扰姿态控制系统和方法 - Google Patents

Abstract

本发明公开了一种基于风场信息的飞行器抗干扰姿态控制系统和方法，包括对风干扰影响下飞行器姿态动力学建模；对风场信息的智能估计，得到风向和风速的估计值；基于风向和风速的估计值，得到飞行器受到的水平风和垂直风的估计值，从而得到风影响下的附加干扰力矩，将飞行器的姿态动力学模型分为内环和外环两个回路，基于风场信息的智能估计设计增强抗干扰控制器；最后通过稳定性分析和仿真验证表明了所公开的控制方法的有效性，实现了风干扰和参数不确定情形下，将飞行器的姿态调整到期望值的目标。

Description

一种基于风场信息的飞行器抗干扰姿态控制系统和方法

技术领域

本发明属于飞行器控制技术领域，具体涉及一种基于风场信息的飞行器抗干扰姿态控制系统和方法。

背景技术

飞行器在飞行过程中会遇到各类不确定性的影响，飞行过程中突风和切变风是飞行器控制系统所需面对的主要不确定性之一。由于风场具有高动态、强耦合等特点，如何对抑制风场对飞行器飞行过程中姿态运动产生的干扰影响，成为较大的难题。飞行器在飞行过程中突风和切变风对飞行器稳定性影响最大，传统的飞行器控制算法无法很好地抑制其对飞行器姿态稳定性能产生的影响。因此，研究在风干扰下，飞行器如何实现快速稳定的姿态控制问题具有重要的理论和实践意义。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种基于风场信息的飞行器抗干扰姿态控制系统和方法，以解决现有技术中无法估计突风切变风对飞行器姿态稳定性影响的问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种基于风场信息的飞行器抗干扰姿态控制方法，包括以下步骤：

建立飞行器的姿态动力学模型；结合风干扰产生的气动力矩估计值，对姿态动力学模型进行简化，得到面向控制的系统模型；所述面向控制的系统模型包括内环系统和外环系统；所述风干扰产生的气动力矩估计值通过风场信息的估计值获得；

设定内环系统的抗干扰控制律和外环系统的抗干扰控制律；所述内环系统的抗干扰控制律由常规控制律和干扰观测值组成；所述外环系统的抗干扰控制率由常规控制律、气动力矩估计值和干扰观测值组成；

所述飞行器在飞行过程中执行内环系统的抗干扰控制律和外环系统的抗干扰控制律。

本发明的进一步改进在于：

优选的，步骤1中，所述飞行器的姿态动力学模型为：

其中，α为飞行器的攻角，β为飞行器的侧滑角；

表示气动力矩系数对攻角和侧滑角的导数；δ_z,δ_y表示升降舵方向舵偏差；

表示气动力矩系数对升降舵和方向舵偏差的导数；

表示力矩系数对攻角和侧滑角的导数；ω_z,ω_y分别为飞行器纵向和横向的角速度；Q,S,L分别为飞行器的气动压、参考面积和参考长度；m,V分别为飞行器的质量，速度；F_z,F_y分别为飞行器在纵向和横向上的受力；J_z,J_y分别为飞行器纵向和横向上的转动惯量；f_z(α,β,ω_z,ω_y),f_y(α,β,ω_z,ω_y)为飞行器系统模型中的未建模部分；

为飞行器受到的扰动。

优选的，所述气动力矩为：

其中，Q,S,l分别为飞行器的气动压、参考面积和参考长度；

表示垂直方向和水平方向引起的总的附加攻角的估计值，

表示垂直方向和水平方向引起的总的附加侧滑角的估计值。

优选的，所述内环系统和外环系统分别为：

其中，x₁(t)＝[α β]^T,x₂(t)＝[ω_z ω_y]^T，α为飞行器的攻角，β为飞行器的侧滑角，ω_z,ω_y分别为飞行器纵向和横向的角速度；ΔM代表风干扰产生的纵向和侧向附加气动力矩,f(x₁(t),x₂(t))是控制系统中未知的非线性函数，B为系统参数矩阵，u(t)＝[δ_z,δ_y]^T为系统的控制输入信号，由飞行器的升降舵和方向舵的偏差组成，d₂表示外环系统的不确定性。

优选的，步骤2中，通过风场中风向估计值和风速估计值，基于发射坐标系，获得水平风和垂直风的估计值；

通过水平风和垂直风的估计值，获得总附加攻角和总附加侧滑角的估计值，进而获得附加干扰产生的气动力矩估计值。

优选的，所述水平风和垂直风的估计值为：

所述总附加攻角和总附加侧滑角的估计值为：

其中，

表示垂直方向风速的估计值，

表示水平风向风速的估计值，H表示飞行器的飞行高度，A_d表示飞行方向角，正北方向为0，顺时针为正，

表示垂直方向和水平方向引起的总的附加攻角的估计值，

则分别表示垂直风和水平风引起的附加攻角的估计值；

表示垂直方向和水平方向引起的总的附加侧滑角的估计值，

则表示水平风引起的附加侧滑角的估计值，W₁和W₂分别表示水平方向上的突风W分解的平行于飞行平面的纵风以及垂直于弹道平面的横风，V表示飞行器的速度，θ表示弹道倾角。

优选的，步骤3中，所述内环系统的抗干扰控制律为：

其中，k₁为控制增益，0.5<k₁，e₁为指令跟踪误差，

飞行器期望的姿态信号的导数，

为复合干扰观测器。

优选的，步骤3中，所述外环抗干扰控制律为：

其中，k₂为控制增益，e₂，e₁为指令跟踪误差，

为内环系统的抗干扰控制律的导数，

为外环系统总的不确定性的估计值，

为神经网络拟合的权重的估计值，Φ(x₁,x₂)为神经网络的基函数，

代表风干扰产生的纵向和侧向附加气动力矩的估计值。

优选的，步骤3中，通过李雅普诺夫稳定性定理验证内环系统和外环系统的稳定性。

一种基于风场信息的飞行器抗干扰姿态控制系统，包括：

系统模型建立单元，用于建立飞行器的姿态动力学模型；结合风干扰产生的气动力矩估计值，对姿态动力学模型进行简化，得到面向控制的系统模型；所述面向控制的系统模型包括内环系统和外环系统；所述风干扰产生的气动力矩估计值通过风场信息的估计值获得；

抗干扰控制律获得单元，用于设定内环系统的抗干扰控制律和外环系统的抗干扰控制律；所述内环系统的抗干扰控制律由常规控制律和干扰观测值组成；所述外环系统的抗干扰控制率由常规控制律、气动力矩估计值和干扰观测值组成；

执行单元，用于执行内环系统的抗干扰控制律和外环系统的抗干扰控制律。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种基于风场信息的飞行器抗干扰姿态控制系统和方法，包括对风干扰影响下飞行器姿态动力学建模；对风场信息的智能估计，得到风向和风速的估计值；基于风向和风速的估计值，得到飞行器受到的水平风和垂直风的估计值，从而得到风影响下的附加干扰力矩，将飞行器的姿态动力学模型分为内环和外环两个回路，基于风场信息的智能估计设计增强抗干扰控制器；最后通过稳定性分析和仿真验证表明了所公开的控制方法的有效性，实现了风干扰和参数不确定情形下，将飞行器的姿态调整到期望值的目标。本发明通过引入BP神经网络对切变风进行估计来设计切变风影响下的高超声速飞行器分离控制方法。

附图说明

图1为本发明的不同神经网络节点数下的估计结果图；

图2为本发明的风速快变区域的估计结果图；

图3为本发明的风速线性变化区域的估计结果图；

图4为本发明的风速非线性变化区域的估计结果；

图5为不同神经网络节点数下风向的估计结果；

图6为风向快变区域的估计结果；

图7为风向线性变化区域的估计结果；

图8为风向非线性变化区域的估计结果；

图9为控制框图；

图10为不同情形下的攻角跟踪效果图。

图11为不同情形下的侧滑角跟踪效果图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

步骤1，建立风干扰影响下飞行器的姿态动力学模型。飞行器在飞行过程中由于风干扰产生的附加气动力矩可表示为：

飞行器的姿态动力学模型可描述为：

其中，α为飞行器的攻角，β为飞行器的侧滑角；

表示气动力矩系数对攻角和侧滑角的导数；δ_z,δ_y表示升降舵方向舵偏差；

表示气动力矩系数对升降舵和方向舵偏差的导数；

表示力矩系数对攻角和侧滑角的导数；ω_z,ω_y分别为飞行器纵向和横向的角速度；Q,S,L分别为飞行器的气动压、参考面积和参考长度；m,V分别为飞行器的质量，速度；F_z,F_y分别为飞行器在纵向和横向上的受力；J_z,J_y分别为飞行器纵向和横向上的转动惯量；f_z(α,β,ω_z,ω_y),f_y(α,β,ω_z,ω_y)为飞行器系统模型中的未建模部分；

为飞行器受到的扰动。

定义x₁(t)＝[α β]^T,x₂(t)＝[ω_z ω_y]^T，以及

考虑风干扰产生的气动力矩，对系统模型(2)进行简化，得到面向控制的系统模型(4)，面向控制的系统模型，包括内环系统

和外环系统

其中ΔM代表风干扰产生的纵向和侧向附加气动力矩，可描述为：

Q,S,l分别为飞行器的气动压、参考面积和参考长度；Δα_F表示垂直方向和水平方向引起的总的附加攻角；Δβ_F表示垂直方向和水平方向引起的总的附加侧滑角。

步骤2，风场信息的智能估计。

首先基于1000个高度-风速的样本数据，选取神经网络节点数分别为20、30、50、75、100、200训练BP神经网络200次，学习速率设为0.01，进行风速拟合仿真试验，训练结果如表1和图1所示；

表1针对高度-风速神经网络节点数和拟合率的关系表

改变神经网络节点数，对训练结果进行对比分析。分析可知，随着神经网络节点数的增加，拟合效果也会逐渐提升。节点数较少的神经网络输出信号较为平滑，但是会出现较大拟合误差。神经网络节点数过大时，可能导致出现跳跃、波动等现象。因此，选择合适的神经网络节点数对估计效果至关重要。就本发明而言，前向神经网络的节点数为100较为合适。图2、图3和图4分别展示了风速快变区域、风速线性变化区域、风速非线性变化区域的估计结果，分析可得相同的结论。

其次，对风向进行拟合实验，样本集大小为1000个高度-风向数据，神经网络节点数分别选取20、30、50、75、100、200，训练200次，学习率设为0.01，训练结果如图5所示。

表2针对高度-风向神经网络节点数和拟合率的关系表

分析可知，由于风向在某些区域剧烈变化，整体的拟合效果较差，增加神经网络点数能提高拟合率。

最后，分析数据集大小对拟合结果的影响。在风速拟合方面，改变数据集的点数，在原有1000个点中分别节均匀的取50、100、200、500个点进行训练。

对于风速数据，神经网络节点取100个，训练200次，学习速率设为0.1，拟合结果如下：

表3针对高度-风速数据集点数和拟合率的关系表

通过上述过程，神经网络训练结束，后续可直接使用上述神经网络获取风速的估计值。

在风向拟合方面，改变数据集的点数，在原有1000个点中分别均匀的取50、100、200、500个点进行训练。对于风向数据，神经网络节点取100个，训练200次，学习速率设为0.1，拟合结果如下：

表4针对高度-风向数据集点数和拟合率的关系表

根据上述仿真数据可知，当数据集中的点数少于100时，拟合率波动较大，不具有参考意义。当数据集点数较多时，拟合率随着点数增多有提高的趋势。图6表示风向快变区域的拟合结果，图7表示风向线性变化区域的拟合结果，图8表示风向非线性变化区域的拟合结果。通过上述训练过程，获得估计风向的成熟的神经网络，通过该神经网络可直接获得风向的估计值。

步骤3，基于风场信息估计的增强抗干扰控制器设计。具体的过程包括以下步骤：

(1)计算风场的附加干扰力矩的估计值。

首先根据步骤2得到风向和风速的估计值

和

然后基于发射坐标系的定义、风速的估计值和风向的估计值，获得水平风和垂直风的风速估计值：

其中，

表示垂直方向风速的估计值，

表示水平风向风速的估计值，H表示飞行器的飞行高度，A_d表示飞行方向角，正北方向为0，顺时针为正。W不带下标表示水平风向风速的估计值，带下标的分别表示风向和风速的估计值。

根据估计得到的水平风和垂直风信息，可得对总附加攻角和总附加侧滑角的估计值：

其中，

表示垂直方向和水平方向引起的总的附加攻角的估计值，

则分别表示垂直风和水平风引起的附加攻角的估计值；

表示垂直方向和水平方向引起的总的附加侧滑角的估计值，

则表示水平风引起的附加侧滑角的估计值，水平方向上的突风W可以分为平行于飞行平面的纵风W₁，以及垂直于弹道平面的横风W₂，V表示飞行器的速度，θ表示弹道倾角。

从而获得附加干扰产生的气动力矩的估计值：

其中，

表示力矩系数对攻角和侧滑角的导数。

(2)设计内环抗干扰控制律

定义指令跟踪误差：

e₁＝x₁-y_d (8)

y_d＝[α_d β_d]^T表示飞行器期望的姿态信号，包含攻角期望指令α_d和侧滑角期望指令β_d，x₁(t)＝[α β]^T是姿态动力学模型中的状态向量，包含攻角指令α和侧滑角指令β。

对式(8)求导并代入式(4)中的内环子系统

可得：

d₁表示内环系统受到的总的不确定性。

对于内环系统的不确定性d₁，设计复合干扰观测器进行观测，得到观测值

如下式(10)：

其中

为基于二阶干扰观测器获得的估计值，通过如下二阶干扰观测器获得：

h₁₁,h₁₂表示观测器的状态，H₁(x₁),H₂(x₁),K₁₁(x₁),K₁₂(x₁)是待设计的关于x₁的非线性函数，

表示

的估计值。

为基于超扭曲干扰观测器获得的估计值，通过如下超扭曲干扰观测器获得：

k_d,1,k_p,1,k_p,2为待设计的参数，p₁,p₂为观测器的状态，

为x₁的观测值，λ_d1和λ_d2为干扰观测值的融合权重，满足λ_d1,λ_d2∈(0,1),λ_d1+λ_d2＝1。根据干扰观测器的收敛性可知，干扰估计误差满足：

考虑内环动态方程

基于融合得到的干扰观测值

设计内环抗干扰控制律为：

0.5<k₁为控制增益。

(3)设计外环抗干扰控制律

由上述分析可知，要使得x₁按照给定的指令x_d变化，那么x₂必须跟踪上虚拟信号x_2c，由此针对外环系统，定义外环跟踪误差e₂＝x₂-x_2c，对其求导并代入(4)中的外环系统

得到：

其中，f(x₁,x₂)为外环系统模型中的未知非线性函数，B为系统参数矩阵，u为系统的控制输入向量，ΔM代表风干扰产生的纵向和侧向附加气动力矩，d₂为外环系统总的不确定性，

为内环虚拟控制输入信号的导数。

为补偿系统的非线性函数，引入神经网络对系统未知非线性进行拟合，得到非线性函数的估计值

其中，

是f(x₁(t),x₂(t))的估计值，Θ^T为神经网络拟合的权重，

是Θ^T的估计值，Φ(x₁(t),x₂(t))为基函数，选用高斯函数，ε_Θ是拟合误差。

定义

使用二阶干扰观测器和超扭曲干扰观测器对d进行观测，得到估计值

其中，其中，λ₁和λ₂为干扰观测值的融合权重，选择为

λ₂＝1-λ₁，

为基于二阶干扰观测器获得的估计值，通过如下二阶干扰观测器获得

p₁₁,p₁₂表示观测器的状态，P₁(x₂),P₂(x₂),L₁₁(x₂),L₁₂(x₂)是关于x₂的非线性函数，

表示

的估计值。

为基于超扭曲干扰观测器获得的估计值超扭曲干扰观测器设计为：

k_d,2,k_h,1,k_h,2为待设计的参数，h₁,h₂为观测器的状态，

为x₂的观测值由d有界可知SODO及STDO干扰观测器最终收敛有界，于是可得干扰观测误差满足：

最后，基于神经网络拟合值和干扰观测融合值，设计外环控制信号为：

k₂>0.5为外环系统的控制增益。

系统的控制框图如下图9所示，参考指令y_d输入后，可以得到x₁与参考指令的误差e₁，通过飞行器执行输入信号u，使得误差e₁趋于0，最后飞行器的姿态稳定。

步骤5，基于风场估计的增强抗干扰控制系统的稳定性分析与仿真验证。干扰观测器的收敛过程和控制系统的收敛过程相互独立。基于二阶干扰观测器和超扭曲干扰观测器的收敛性，易知：

进一步得到：

对上式取范数可得：

定义

ε₁＝ε_1so+ε_1st

ε＝ε_so+ε_st (25)

易知

选取李雅普诺夫函数：

对等式两边求导：

将控制律(21)、(14)和误差动态模型(9)和(15)代入上式，化简后有：

其中，

γ＝min{2k₁-1,2k₂-1}

已知根据式(29)、(30)可知，当反馈增益0.5<k₁,0.5<k₂，显然

由李雅普诺夫稳定性定理，系统最终收敛有界，即系统的状态x₁能跟踪上参考指令y_d，也就是说飞行器能够在风干扰的影响下按照人为给定的命令飞行。

最后，利用MATLAB对进行三种情形下的仿真实例验证，图10为本发明中三种不同情形下的攻角跟踪效果图，图11为本发明中三种不同情形下的侧滑角跟踪效果图，上述的仿真结果图表明本发明能使系统有效收敛。

为了实现上述方法，本发明通过下述系统实现：

系统模型建立单元，用于建立飞行器的姿态动力学模型；结合风干扰产生的气动力矩估计值，对姿态动力学模型进行简化，得到面向控制的系统模型；所述面向控制的系统模型包括内环系统和外环系统；所述风干扰产生的气动力矩估计值通过风场信息的估计值获得；

抗干扰控制律获得单元，用于设定内环系统的抗干扰控制律和外环系统的抗干扰控制律；所述内环系统的抗干扰控制律由常规控制律和干扰观测值组成；所述外环系统的抗干扰控制率由常规控制律、气动力矩估计值和干扰观测值组成；

执行单元，用于执行内环系统的抗干扰控制律和外环系统的抗干扰控制律。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，包括以下步骤：

建立飞行器的姿态动力学模型；结合风干扰产生的气动力矩估计值，对姿态动力学模型进行简化，得到面向控制的系统模型；所述面向控制的系统模型包括内环系统和外环系统；所述风干扰产生的气动力矩估计值通过风场信息的估计值获得；

设定内环系统的抗干扰控制律和外环系统的抗干扰控制律；所述内环系统的抗干扰控制律由常规控制律和干扰观测值组成；所述外环系统的抗干扰控制率由常规控制律、气动力矩估计值和干扰观测值组成；

所述飞行器在飞行过程中执行内环系统的抗干扰控制律和外环系统的抗干扰控制律。

2.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，步骤1中，所述飞行器的姿态动力学模型为：

其中，α为飞行器的攻角，β为飞行器的侧滑角；

表示气动力矩系数对攻角和侧滑角的导数；δ_z,δ_y表示升降舵方向舵偏差；

表示气动力矩系数对升降舵和方向舵偏差的导数；

表示力矩系数对攻角和侧滑角的导数；ω_z,ω_y分别为飞行器纵向和横向的角速度；Q,S,L分别为飞行器的气动压、参考面积和参考长度；m,V分别为飞行器的质量，速度；F_z,F_y分别为飞行器在纵向和横向上的受力；J_z,J_y分别为飞行器纵向和横向上的转动惯量；fz(α,β,ω_z,ω_y),fy(α,β,ω_z,ω_y)为飞行器系统模型中的未建模部分；

为飞行器受到的扰动。

3.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，所述气动力矩为：

其中，Q,S,l分别为飞行器的气动压、参考面积和参考长度；

表示垂直方向和水平方向引起的总的附加攻角的估计值，

表示垂直方向和水平方向引起的总的附加侧滑角的估计值。

4.根据权利要求3所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，所述内环系统和外环系统分别为：

其中，x₁(t)＝[α β]^T,x₂(t)＝[ω_z ω_y]^T，α为飞行器的攻角，β为飞行器的侧滑角，ω_z,ω_y分别为飞行器纵向和横向的角速度；ΔM代表风干扰产生的纵向和侧向附加气动力矩,f(x₁(t),x₂(t))是控制系统中未知的非线性函数，B为系统参数矩阵，u(t)＝[δ_z,δ_y]^T为系统的控制输入信号，由飞行器的升降舵和方向舵的偏差组成，d₂表示外环系统的不确定性。

5.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，步骤2中，通过风场中风向估计值和风速估计值，基于发射坐标系，获得水平风和垂直风的估计值；

通过水平风和垂直风的估计值，获得总附加攻角和总附加侧滑角的估计值，进而获得附加干扰产生的气动力矩估计值。

6.根据权利要求5所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，所述水平风和垂直风的估计值为：

所述总附加攻角和总附加侧滑角的估计值为：

其中，

表示垂直方向风速的估计值，

表示水平风向风速的估计值，H表示飞行器的飞行高度，A_d表示飞行方向角，正北方向为0，顺时针为正，

表示垂直方向和水平方向引起的总的附加攻角的估计值，

则分别表示垂直风和水平风引起的附加攻角的估计值；

表示垂直方向和水平方向引起的总的附加侧滑角的估计值，

则表示水平风引起的附加侧滑角的估计值，W₁和W₂分别表示水平方向上的突风W分解的平行于飞行平面的纵风以及垂直于弹道平面的横风，V表示飞行器的速度，θ表示弹道倾角。

7.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，步骤3中，所述内环系统的抗干扰控制律为：

其中，k₁为控制增益，0.5<k₁，e₁为指令跟踪误差，

飞行器期望的姿态信号的导数，

为复合干扰观测器。

8.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，步骤3中，所述外环抗干扰控制律为：

其中，k₂为控制增益，e₂，e₁为指令跟踪误差，

为内环系统的抗干扰控制律的导数，

为外环系统总的不确定性的估计值，

为神经网络拟合的权重的估计值，Φ(x₁,x₂)为神经网络的基函数，

代表风干扰产生的纵向和侧向附加气动力矩的估计值。

9.根据权利要求1所述的一种基于风场信息的飞行器抗干扰姿态控制方法，其特征在于，步骤3中，通过李雅普诺夫稳定性定理验证内环系统和外环系统的稳定性。

10.一种基于风场信息的飞行器抗干扰姿态控制系统，其特征在于，包括：

系统模型建立单元，用于建立飞行器的姿态动力学模型；结合风干扰产生的气动力矩估计值，对姿态动力学模型进行简化，得到面向控制的系统模型；所述面向控制的系统模型包括内环系统和外环系统；所述风干扰产生的气动力矩估计值通过风场信息的估计值获得；

抗干扰控制律获得单元，用于设定内环系统的抗干扰控制律和外环系统的抗干扰控制律；所述内环系统的抗干扰控制律由常规控制律和干扰观测值组成；所述外环系统的抗干扰控制率由常规控制律、气动力矩估计值和干扰观测值组成；

执行单元，用于执行内环系统的抗干扰控制律和外环系统的抗干扰控制律。

Images