CN116048116A - 一种中末制导协同飞行时间重构方法 - Google Patents
一种中末制导协同飞行时间重构方法 Download PDFInfo
- Publication number
- CN116048116A CN116048116A CN202211725395.2A CN202211725395A CN116048116A CN 116048116 A CN116048116 A CN 116048116A CN 202211725395 A CN202211725395 A CN 202211725395A CN 116048116 A CN116048116 A CN 116048116A
- Authority
- CN
- China
- Prior art keywords
- time
- flight
- terminal
- gliding
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002265 prevention Effects 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims description 61
- 238000004458 analytical method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007123 defense Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003864 performance function Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000008925 shengjing Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/107—Simultaneous control of position or course in three dimensions specially adapted for missiles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种中末制导协同飞行时间重构方法,使用本发明能够在多枚高超声速滑翔导弹在滑翔段遭遇拦截突防后,基于中末交接班点参数不变的前提,通过改变该点的速度大小,对滑翔段和末制导段的飞行时间进行重构和协调,以实现协同攻击目标。针对滑翔段遭遇突防仍能协同飞行的问题,基于中末交接班点的参数信息和原协同飞行时的信息相同的前提,通过改变中末交接班点的速度大小,同时调整了中、末制导段的飞行时间,由本发明提出的给定总飞行时间,求解该时间对应的中末交接班点的速度大小,进而得到相应的滑翔段和末制导段的飞行时间的分配,最终实现多导弹依旧协同飞行并同时击中目标。
Description
技术领域
本发明涉及飞行器协同制导与控制技术领域,具体涉及一种中末制导协同飞行时间重构方法。
背景技术
高超声速滑翔弹的发展迫使美国导弹防御局对其实施区域性滑翔段拦截武器系统防御计划。随着防御体系的增强,单枚滑翔弹的生存和作战能力受到严峻挑战,因此多弹协同作战具有重要意义。
目前多滑翔弹协同策略的研究主要分为滑翔段和末制导段的协同策略研究。针对滑翔段的时间协同问题,在先技术[1](参见王肖,郭杰,唐胜景,祁帅.基于解析剖面的时间协同再入制导[J].航空学报,2019,40(03):239-250.)将飞行时间和航程要求引入到参考剖面的设计,通过调参以实现再入时间协同。在先技术[2](Liang Z,Yu J,etal.Trajectory planning for cooperative flight of two hypersonic entryvehicles[C]//21st AIAA International Space Planes and HypersonicsTechnologies Conference.2017:2251.)根据期望飞行时间和预估飞行时间的误差调整视线角走廊宽度,实现可控时间的再入飞行。在先技术[3](参见宋瑞,朱勇等.基于序列凸优化的高超声速飞行器协同再入轨迹规划[J].战术导弹技术,2020(06):7-16.)采用凸优化的方法来求解满足飞行时间约束的再入滑翔制导问题。针对末制导段的时间协同问题,在先技术[4]针对速度不可控且纵向运动确定的导弹,基于剩余航程与期望航程的误差调整偏航方向的速度前置角,通过实现多弹同步攻击目标以达到时间协同。在先技术[5]将预估的剩余飞行时间与期望飞行时间的误差作为反馈,以此构建优化模型来满足攻击时间的约束。
以上现有技术均是分别研究给定滑翔段(也称为“中制导段”)和末制导段的期望飞行时间前提下的协同制导方法设计问题,主要集中于设计算法满足给定的时间约束,而对于中、末制导段期望飞行时间的给定与协调设计问题均未涉及。
在现实作战中,若滑翔弹遭遇中段拦截,突防后中、末制导段的飞行时间均会改变,此时滑翔弹可能无法实现各阶段原指定的期望飞行时间,为保证多枚滑翔弹仍然能够同时到达目标,就需对滑翔弹的中、末制导段期望飞行时间进行协调重构设计,而目前还尚未见到此方面的研究。
发明内容
有鉴于此,本发明提供了一种中末制导协同飞行时间重构方法,能够在多枚高超声速滑翔导弹在滑翔段遭遇拦截突防后,基于中末交接班点参数不变的前提,通过改变该点的速度大小,对滑翔段和末制导段的飞行时间进行重构和协调,以实现协同攻击目标。
为达到上述目的,本发明的技术方案包括如下步骤:
M枚滑翔弹按期望总飞行时间tz协同飞行,各枚滑翔弹指定滑翔段飞行时间为thx,末制导段飞行时间为tmo。
进一步地,满足期望总飞行时间的中末交接班点的速度的计算方法,具体为:
步骤一:在末制导律确定的前提下,对于相同的初始状态——弹目距离rMT、高度hM、弹道倾角θM和偏航方向的前置角ηM,其最小末速约束决定了末制导最小初始速度Vmin_m,可用过载约束决定了末制导最大初始速度Vmax_m,据此构建以[rMT,hM,θM,ηM]为输入,以[Vmin_m,Vmax_m]为输出的第一神经网络:
[Vmin_m,Vmax_m]=f1(rMT,hM,θM,ηM):
末制导段初始时刻滑翔弹的[rMT,hM,VM,θM,ηM]决定了末制导段的飞行时间tmo,VM为滑翔弹的速度,取值范围为[Vmin_m,Vmax_m],构建以[rMT,hM,VM,θM,ηM]为输入、以末制导段飞行时间tmo为输出的第二神经网络:
tmo=f2(rMT,hM,VM,θM,ηM)。
步骤三:针对第一神经网络和第二神经网络组合成的双网络进行训练;
针对不同初始状态的末制导段,在线应用训练完毕的第一神经网络和第二神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络即可得到末制导段的飞行时间范围。
步骤四:针对不同初始状态的末制导段,在线应用训练完毕的两个神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到末制导段的初始速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络得到末制导段的飞行时间范围。
步骤五:令滑翔弹开始滑翔时刻为t0,突防结束时刻为t1;在t0~t1时间段内,滑翔段采用解析方法预测飞行时间thx,解析方法中飞行时间thx仅与终端速度相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围。
根据所获得的末制导段的初始速度范围[Vmin_m,Vmax_m],得到滑翔段终端速度范围为[Vmin_m,min(Vmax_hx,Vmax_m)],Vmax_hx为滑翔段终端最大速度。
根据滑翔段终端速度范围求得滑翔段的飞行时间范围。
步骤六:期望总飞行时间为tz时,满足期望总飞行时间的中末交接班点处的速度为Vc *;中末交接班点为滑翔段与末制导段交接点,即中末交接班点处速度即为滑翔段的终端速度。
式中,下标k代表迭代次数;
设定牛顿迭代法的总迭代次数,最终迭代得到满足期望总飞行时间的中末交接班点的速度。
进一步地,采用解析方法预测飞行时间thx,解析方法中飞行时间thx仅与终端速度相关,具体为:
在t=t0和t=t1时,采用解析方法预测飞行时间,如下:
其中R0为地球半径,g0为重力加速度,Sgo为剩余航程,VM为滑翔弹速度,Vf为滑翔段终端速度。
剩余航程Sgo由下式得到:
Sgo=R0 arccos(cosφM cosφf cos(λM-λf)+sinφM sinφf)
其中φf为滑翔段终端的纬度,λf为滑翔段终端的经度,φM为滑翔弹当前的纬度,λM为滑翔弹当前的经度;已知VM和当前位置信息,终端位置不变,Sgo是确定的。
飞行时间thx由剩余航程Sgo、当前速度VM和终端速度Vf决定,因此飞行时间thx仅与终端速度Vf相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围。
进一步地,Vmax_hx为滑翔段终端最大速度,Vmax_hx采用如下方式求解:
由滑翔段的剩余航程与终端速度、当前速度的关系,得到:
其中,R0为地球半径,g0为重力加速度,Sgo为剩余航程,VM为滑翔弹速度,Vf为滑翔段终端速度;LM和DM为滑翔弹的升力和阻力;σM为滑翔弹的倾侧角。
取cosσM=1;另取最大升阻比,基于此求得的Vf值作为滑翔段终端最大速度Vmax_hx的估计值。
进一步地,针对第一神经网络和第二神经网络组合成的双网络进行训练,采用如下方式进行训练:采用仿真的方法获取数据样本,将数据样本的80%作为训练集、20%作为测试集,训练函数采用LM算法,性能函数采用均方误差;将训练集输入网络后,待误差收敛得到相应的预测网络。
有益效果:
1、本发明提供的一种中末制导协同飞行时间重构方法,针对滑翔段遭遇突防仍能协同飞行的问题,基于中末交接班点的参数信息和原协同飞行时的信息相同的前提,通过改变中末交接班点的速度大小,同时调整了中、末制导段的飞行时间,由本发明提出的给定总飞行时间,求解该时间对应的中末交接班点的速度大小,进而得到相应的滑翔段和末制导段的飞行时间的分配,最终实现多导弹依旧协同飞行并同时击中目标。
2、本发明提供的一种中末制导协同飞行时间重构方法,针对高超声速滑翔导弹剩余飞行时间难以预测的问题,基于过载约束和最小末速约束,利用训练完毕的第一神经网络得到末制导段的初始速度范围[Vmin_m,Vmax_m],同时结合滑翔段可达到最大终端速度大小Vmax_hx,最终得到的末制导段初始速度范围为[Vmin_m,min(Vmax_hx,Vmax_m)],进而由第二神经网络得到末制导段的飞行时间范围。相比于现有的技术,神经网络的离线训练,在线预估能快速预测末制导段的飞行时间。
附图说明
图1为飞行时间重构策略流程示意图;
图2为两枚滑翔弹中末制导段的协同飞行弹道示意图;
图3为滑翔段的控制指令示意图;
图4为滑翔段的过程约束示意图;
图5为第一神经网络均方误差图示意图;
图6为第一神经网络测试集的结果图;
图7为第二神经网络的均方误差图;
图8为第二神经网络测试集的结果图;
图9为突防后的弹道图;
图10为速度变化图;
图11为弹道倾角变化图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明提供的一种中末制导协同飞行时间重构方法,针对多枚高超声速滑翔导弹在滑翔段遭遇拦截突防后的协同问题,首先针对滑翔弹构建如下模型:
假设地球为均匀圆球且忽略其自转,滑翔弹的三自由度方程组为:
其中,VM、θM、ψvM、σM、RM、λM、φM mM、LM和DM为滑翔弹的速度大小、弹道倾角、弹道偏角、倾侧角、地心距、经度、纬度、质量、升力和阻力,t为飞行时间,g为重力加速度。
本发明以滑翔弹发射点(λM0,φM0,RM0)为坐标原点建立发射坐标系(λM0,φM0,RM0分别为滑翔弹发射点的经度、纬度、地心距),x轴指向目标,y轴在过x轴的铅垂面内向上为正,z轴由右手法则定,则飞行器(滑翔弹)在发射坐标系的坐标可描述为:
其中A0为方位角;φ为纬度,加下标M是指滑翔弹;λ为经度;RM为地心距。
式中,方位角A0的大小为:
其中λT为目标的经度,下标T为目标;φT为目标的纬度;
假设多枚滑翔弹协同飞行,滑翔段采用凸优化算法协同飞行,在设定的期望飞行时间thx时刻到达指定的滑翔段终端点。
当滑翔弹在滑翔过程中遭遇拦截时,纵向指令经凸优化得到,其优化所需的初始攻角指令为αM=10°。侧向采用在先技术(参见王晓芳,张欣,林平,李文.基于最优控制的突防和打击一体化策略[J/OL].飞行力学:1-11[2022-08-23].)中的基于最优控制理论的突防制导律进行突防,其法向加速度为:
其中,a、b和c为惩罚系数,a一般取较大值,b和c根据防御弹D和滑翔弹M的机动能力取值,x(t)代表滑翔弹与防御弹间侧向视线旋转角速度为时间,qzMD为滑翔弹与防御弹间侧向视线旋转角度。rMD为滑翔弹和防御弹的距离;ψvM偏航角;由法向加速度得偏航角速率为:
将防御弹模型中的相应变量改为滑翔弹的变量(下标改为M),另令推力为0,则为滑翔弹在末制导段的数学模型。滑翔弹采用带落角约束的扩展比例导引制导律攻击目标:
其中ayM为滑翔弹的竖直平面的法向加速度,azM为滑翔弹的水平面的法向加速度、其中k1和k2比例系数,θf为期望弹道倾角,剩余时间tgo=rMT/VM。rMT为滑翔弹与目标的距离;qyMT滑翔弹与目标的视线角度。
假设滑翔弹在滑翔段遭遇敌方防御弹的拦截,防御弹的运动方程组为
其中,各变量的含义同式(1),下标“D”代表防御弹,xD、yD、zD为其在发射系下的质心坐标,PD为其推力,ayD和azD为其竖直平面和水平面的法向加速度:
防御弹的推力方案为:
滑翔弹M、防御弹D和目标T的相对运动关系如下:
式中,i=M,j=D(或i=D,j=M)代表滑翔弹和防御弹间的相对运动关系,i=T,j=M代表滑翔弹和其攻击的目标之间的相对运动关系。
在上述运动模型的基础上,本发明提供了一种中末制导协同飞行时间重构方法,其流程如图1所示,包括如下步骤:
M枚滑翔弹按期望总飞行时间tz协同飞行,各枚滑翔弹指定滑翔段飞行时间为thx,末制导段飞行时间为tmo;
步骤一:多约束下基于双网络的末制导段飞行时间范围预测方法
本发明中,满足期望总飞行时间的中末交接班点的速度的计算方法,具体为:
步骤一:构建末速及过载约束下末制导初始速度范围预测神经网络,即第一神经网络:
在末制导律确定的前提下,对于相同的初始状态——弹目距离rMT、高度hM、弹道倾角θM和偏航方向的前置角ηM,其最小末速约束决定了末制导最小初始速度Vmin_m,可用过载约束决定了末制导最大初始速度Vmax_m。因此可构建以[rMT,hM,θM,ηM]为输入,[Vmin_m,Vmax_m]为输出的第一神经网络:
[Vmin_m,Vmax_m]=f1(rMT,hM,θM,ηM)。
步骤二:构建末制导飞行时间预测神经网络,及第二神经网络
在末制导律确定的前提下,末制导段初始时刻滑翔弹的[rMT,hM,VM,θM,ηM]决定了其飞行时间tmo,考虑到滑翔弹动力学特性、飞行环境的复杂性,难以得到其间的解析关系式,因此,为了对末制导段的飞行时间进行预测,构建以[rMT,hM,VM,θM,ηM]为输入、飞行时间tmo为输出的第二神经网络:
tmo=f2(rMT,hM,VM,θM,ηM)。
步骤三:针对第一神经网络和第二神经网络组合成的双网络进行训练。
针对不同初始状态的末制导段,在线应用训练完毕的第一神经网络和第二神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络即可得到末制导段的飞行时间范围。
本发明实施例中,采用仿真的方法获取数据样本。将数据样本的80%作为训练集、20%作为测试集,训练函数采用LM(Levenberg-Marquardt)算法,性能函数采用均方误差。将训练集输入网络后,待误差收敛得到相应的预测网络。以tmo为例,其均方误差表示为
针对不同初始状态的末制导段,在线应用训练完毕的两个神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络即可得到末制导段的飞行时间范围。
步骤四:针对不同初始状态的末制导段,在线应用训练完毕的两个神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到末制导段的初始速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络得到末制导段的飞行时间范围;
步骤五:令滑翔弹开始滑翔时刻为t0,突防结束时刻为t1;在t0~t1时间段内,滑翔段采用解析方法预测飞行时间thx,解析方法中飞行时间thx仅与终端速度相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围。
根据所获得的末制导段的初始速度范围[Vmin_m,Vmax_m],得到滑翔段终端速度范围为[Vmin_m,min(Vmax_hx,Vmax_m)],Vmax_hx为滑翔段终端最大速度。
根据滑翔段终端速度范围求得滑翔段的飞行时间范围。
滑翔段飞行时间预测方法
滑翔弹如果中制导段遭遇拦截,采用式(6)所示的指令进行侧向突防。令滑翔弹开始滑翔时刻为t0,突防结束时刻为t1。在t=t0和t=t1时,采用解析方法预测飞行时间,如下:
其中R0为地球半径,g0为重力加速度,Sgo为剩余航程,VM为滑翔弹速度,Vf为滑翔段终端速度。
式中,剩余航程Sgo由下式得到:
Sgo=R0arccos(cosφMcosφfcos(λM-λf)+sinφMsinφf) (15)
其中φf为滑翔段终端的纬度,λf为滑翔段终端的经度,φM为滑翔弹当前的纬度,λM为滑翔弹当前的经度;已知VM和当前位置信息,终端位置不变,Sgo是确定的;
由式(14)知,飞行时间thx由剩余航程Sgo、当前速度VM和终端速度Vf决定。已知VM和当前位置信息,假设终端位置不变,由式(15)知此刻的Sgo是确定的,因此飞行时间thx仅与终端速度Vf相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围。φf滑翔段终端的纬度;λf滑翔段终端的经度;
首先求滑翔段终端的速度范围。由滑翔段的剩余航程与终端速度、当前速度的关系,可得:
其中,R0为地球半径,g0为重力加速度,Sgo为剩余航程,VM为滑翔弹速度,Vf为滑翔段终端速度;LM和DM为滑翔弹的升力和阻力;σM为滑翔弹的倾侧角。
某时刻的VM和Sgo是确定的,取cosσM=1,另取最大升阻比,基于此求得的Vf值可作为滑翔段终端最大速度Vmax_hx的估计值。
根据末制导段的初始速度范围[Vmin_m,Vmax_m]。对于Vmin_m,导弹在滑翔段通过绕飞耗能总是可以达到,因此对比Vmax_hx和Vmax_m,得到滑翔段终端速度范围为[Vmin_m,min(Vmax_hx,Vmax_m)]。
求得滑翔段末端的速度范围后,即可根据式(14)求得滑翔段的飞行时间范围。
考虑到滑翔段与末制导段交接点(简称“中末接班点”)的速度大小对滑中、末制导段的飞行时间均有重要影响,因此,首先分析此速度对两段飞行时间的影响。对于相同的滑翔段初始速度,中末交接班点的速度大,则滑翔弹在滑翔段的飞行时间短,反之则长;末制导段时,在满足最小末速要求的前提下,交接班点的速度大,则飞行时间短。基于上述分析,在不改变中末交接班点其他参数的前提下,通过调整其速度大小来调整各枚滑翔弹中、末制导段的飞行时间以实现协同重构。
式中,下标k代表迭代次数;
设定牛顿迭代法的总迭代次数,最终迭代得到满足期望总飞行时间的中末交接班点的速度。
实施例
以两枚滑翔弹——弹A和弹B协同飞行为例进行仿真分析。滑翔弹的初始位置和速度如表1所示。
表1滑翔弹初始位置及速度大小
初始信息 | 滑翔弹A | 滑翔弹B |
<![CDATA[经度λ<sub>M</sub>(°)]]> | 47.2844 | 48.4337 |
<![CDATA[纬度φ<sub>M</sub>(°)]]> | 24.2956 | 20.8171 |
<![CDATA[高度h<sub>M</sub>(km)]]> | 40.200 | 40.217 |
<![CDATA[速度V<sub>M</sub>(m/s)]]> | 4805.74 | 4851.22 |
<![CDATA[弹道倾角θ<sub>M</sub>(°)]]> | -0.44 | -0.36 |
<![CDATA[弹道偏角ψ<sub>vM</sub>(°)]]> | 73.07 | 58.97 |
滑翔弹的终端位置,其速度大小和方向给定范围,如表2所示。
表2滑翔弹的终端约束
终端约束 | 滑翔弹A | 滑翔弹B |
<![CDATA[经度λ<sub>M</sub>(°)]]> | 74.0008 | 74.1335 |
<![CDATA[纬度φ<sub>M</sub>(°)]]> | 30.0065 | 29.5765 |
<![CDATA[高度h<sub>M</sub>(km)(]]> | 24.576 | 25.385 |
<![CDATA[速度V<sub>M</sub>(m/s)]]> | 1400~1800 | 1400~1800 |
<![CDATA[弹道倾角θ<sub>M</sub>(°)]]> | -1~1 | -1~1 |
<![CDATA[弹道偏角ψ<sub>vM</sub>(°)]]> | 89~93 | 73~77 |
目标为静止目标,其经度λT=75°,纬度φT=30°,高度hT=0。防御弹的位置:经度λD=73.73°,纬度φD=29.84°,高度hD=0,其制导律的比例系数k1=k2=3。滑翔弹末制导段制导律的比例系数k3=k4=6。滑翔弹的热流、过载和动压约束分别为5500kw/m2、5g和150kpa,控制量约束为:攻角幅度不大于25°,倾侧角幅度不大于80°。末速要求不小于750m/s,落角要求不小于80°。
基于表1和表2,由式(14)和两个神经网络可估算中、末制导段的飞行时间范围,选定期望飞行时间,如表3所示。
表3滑翔弹各阶段的期望飞行时间
导弹类型 | 滑翔弹A | 滑翔弹B |
中段时间范围(s) | [796,841] | [806,851] |
中段期望时间(s) | 820 | 820 |
末段时间范围(s) | [74,97] | [77,99] |
末段期望时间(s) | 81.1 | 81.1 |
基于以上仿真条件,假设飞行过程中未遭遇拦截,其协同飞行仿真结果如图2~4所示。
图2是两枚滑翔弹滑翔段和末制导段在发射坐标系下的弹道图;图3和图4可知均满足控制量和过程约束。仿真结果知两枚滑翔段于901.1s同时命中目标,其滑翔段均为820s,末制导段均为81.1s,两段均达到了期望飞行时间。
考虑后续突防,时间预测需要中末交接班点的信息,仿真得到数据见表4。
表4中末交接班点的数据
参数 | 滑翔弹A | 滑翔弹B |
<![CDATA[经度λ<sub>M</sub>(°)]]> | 74.0008 | 74.1335 |
<![CDATA[纬度φ<sub>M</sub>(°)]]> | 30.0065 | 29.5765 |
<![CDATA[高度h<sub>M</sub>(km)]]> | 24.576 | 25.385 |
<![CDATA[速度V<sub>M</sub>(m/s)]]> | 1654.01 | 1719.05 |
<![CDATA[弹道倾角θ<sub>M</sub>(°)]]> | -0.75 | 0.31 |
<![CDATA[弹道偏角ψ<sub>vM</sub>(°)]]> | 91.17 | 75.81 |
1)末制导时间和速度范围预测网络性能验证
在进入末制导时,文中滑翔弹典型的飞行高度范围为[20km,30km],速度范围为[1200m/s,2000m/s],在rMT=[99km,100km]时转入末制导,弹道倾角θM的范围为[-1°,1°],偏航方向的前置角ηM的范围为[0°,20°]。在上述范围间隔取值,得到第二神经网络的样本输入参数,如表5所示。
表5数据库样本的输入参数
输入参数 | 变化范围 |
<![CDATA[h<sub>M</sub>(km)]]> | (20,22,24,26,28,30) |
<![CDATA[V<sub>M</sub>(m/s)]]> | (1200,1400,1600,1800,2000) |
<![CDATA[η<sub>M</sub>(°)]]> | (0,4,8,12,16,20) |
<![CDATA[r<sub>MT</sub>(km)]]> | (99,100) |
<![CDATA[θ<sub>M</sub>(°)]]> | (-1,-0.5,0,0.5,1) |
第一神经网络将表5中的hM,ηM,rMT,θM带入滑翔弹的末制导模型进行仿真,基于最小末速750m/s和最大过载5g,可得360组输入输出数据,其中训练集288组,测试集72组,隐含层节点数为8,网络学习率为0.001。第二神经网络将表中输入代入滑翔弹末制导模型进行仿真,可得1800组输入输出数据,其中训练集1440组,测试集360组,隐含层节点数为10,网络学习率为0.001。网络训练结果如图5~8所示。
由仿真结果知,第一神经网络中最大速度和最小速度的均方误差分别为6.8036e-4和5.2089e-5,第二神经网络中飞行时间的均方误差的最终值为6.2674e-5。由图5和图7知,预测模型的均方误差随迭代次数逐渐收敛。由图6和图8知,测试集的预测值与真实值的相关度为0.99974和0.99879,表明网络预测滑翔弹末制导段的初始速度范围和飞行时间的精度良好。
2)协同飞行时间协调方法验证
本节给出滑翔弹在滑翔过程中遭遇防御弹拦截而成功突防后中、末制导段时间协调的仿真分析。假设防御弹探测距离为100km,滑翔弹探测距离为20km,突防指令中的a=1e6,b=2,c=1。当时,滑翔弹停止突防。
由仿真结果知,当t=751.16s时,防御弹探测到弹A时发射。当t=780.40s时,弹A探测到防御弹,开始突防并于t=784.37s结束突防,此时脱靶量rMD=495.89m。而弹B全程未探测到防御弹,因此未进行突防。当弹A突防结束即t=784.37s时,两枚弹的位置和速度大小如表6所示。
表6滑翔弹突防结束时的位置和速度
初始信息 | 滑翔弹A | 滑翔弹B |
<![CDATA[经度λ<sub>M</sub>(°)]]> | 73.4665 | 73.4807 |
<![CDATA[纬度φ<sub>M</sub>(°)]]> | 29.9761 | 29.4614 |
<![CDATA[速度V<sub>M</sub>(m/s)]]> | 1850.24 | 1900.77 |
不改变终端约束的前提下,结合表4和6,由式(14)预测弹A的滑翔段剩余飞行时间thxA=29.42s,末制导段飞行时间仍为tmoA=81.1s,即弹A的剩余总飞行时间为110.52s,弹B的剩余总飞行时间为tzB=820+81.1-784.37=116.73s,若不协调,两弹打击目标有6.21s的时间差。
将弹A的[rMT,hM,θM,ηM]作为输入,其值为[99.996km,23.839km,-0.75°,0.63°]带入第一神经网络,得[Vmin_m,Vmax_m]=[1410.40m/s,1752.61m/s],由式(13)得Vmax_hx=1774.63m/s,最终得中末交接班点的速度范围为[1410.4m/s,1752.61m/s],将速度范围和[rMT,hM,θM,ηM]带入第一神经网络,预测得到末制导段的飞行时间范围为[76.39s,96.25s],由速度范围和式(14)可得滑翔段的剩余飞行时间范围为[28.62s,31.61s],即弹A剩余总飞行时间范围为[105.01s,127.86s],弹B的剩余总飞行时间tzB=116.73s在弹A的时间范围内,即第4节的情况(a),可改变中末交接班点的速度对飞行时间进行协调。此时期望的剩余总飞行时间为tz=116.73s,由式(15)得到中末交接班点的速度大小Vc *=1553.7m/s。仿真结果如图9~11所示。
图中,A1为弹A突防后重构的轨迹,A*为弹A的原轨迹,A2为弹A突防后不重构的轨迹,B为弹B的轨迹,D为防御弹的轨迹,T为目标。
重构后弹A滑翔段飞行时间为814.66s,末制导飞行时间为86.89s,则总飞行时间为901.55s,弹B总飞行时间为901.1s,两者相差0.45s,相对于不重构时的6.21s,时间误差减小了92.75%。由图9知,轨迹A1和A2因突防与原轨迹A*分离,突防结束后,轨迹A1因改变了中末交接班速度与轨迹A2分离,最终与弹B协同飞行。由图10和图11知,重构后滑翔弹的末速和落角均满足约束。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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 (5)
1.一种中末制导协同飞行时间重构方法,其特征在于,包括如下步骤:
M枚滑翔弹按期望总飞行时间tz协同飞行,各枚滑翔弹指定滑翔段飞行时间为thx,末制导段飞行时间为tmo;
2.如权利要求1所述的一种中末制导协同飞行时间重构方法,其特征在于,所述满足期望总飞行时间的中末交接班点的速度的计算方法,具体为:
步骤一:在末制导律确定的前提下,对于相同的初始状态——弹目距离rMT、高度hM、弹道倾角θM和偏航方向的前置角ηM,其最小末速约束决定了末制导最小初始速度Vmin_m,可用过载约束决定了末制导最大初始速度Vmax_m,据此构建以[rMT,hM,θM,ηM]为输入,以[Vmin_m,Vmax_m]为输出的第一神经网络:
[Vmin_m,Vmax_m]=f1(rMT,hM,θM,ηM);
末制导段初始时刻滑翔弹的[rMT,hM,VM,θM,ηM]决定了末制导段的飞行时间tmo,VM为滑翔弹的速度,取值范围为[Vmin_m,Vmax_m],构建以[rMT,hM,VM,θM,ηM]为输入、以末制导段飞行时间tmo为输出的第二神经网络:
tmo=f2(rMT,hM,VM,θM,ηM);
步骤三:针对第一神经网络和第二神经网络组合成的双网络进行训练;
针对不同初始状态的末制导段,在线应用训练完毕的第一神经网络和第二神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络即可得到末制导段的飞行时间范围;
步骤四:针对不同初始状态的末制导段,在线应用训练完毕的两个神经网络获取末制导段的时间范围:首先将输入初始状态量X=[rMT,hM,θM,ηM]带入第一神经网络得到末制导段的初始速度范围[Vmin_m,Vmax_m],再将[rMT,hM,θM,ηM]和[Vmin_m,Vmax_m]作为输入带入第二神经网络得到末制导段的飞行时间范围;
步骤五:令滑翔弹开始滑翔时刻为t0,突防结束时刻为t1;在t0~t1时间段内,滑翔段采用解析方法预测飞行时间thx,所述解析方法中飞行时间thx仅与终端速度相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围;
根据所获得的末制导段的初始速度范围[Vmin_m,Vmax_m],得到滑翔段终端速度范围为[Vmin_m,min(Vmax_hx,Vmax_m)],Vmax_hx为滑翔段终端最大速度;
根据滑翔段终端速度范围求得滑翔段的飞行时间范围;
式中,下标k代表迭代次数;
设定牛顿迭代法的总迭代次数,最终迭代得到满足期望总飞行时间的中末交接班点的速度。
3.如权利要求2所述的一种中末制导协同飞行时间重构方法,其特征在于,所述采用解析方法预测飞行时间thx,所述解析方法中飞行时间thx仅与终端速度相关,具体为:
在t=t0和t=t1时,采用解析方法预测飞行时间,如下:
其中R0为地球半径,g0为重力加速度,Sgo为剩余航程,VM为滑翔弹速度,Vf为滑翔段终端速度;
剩余航程Sgo由下式得到:
Sgo=R0 arccos(cosφM cosφf cos(λM-λf)+sinφM sinφf)
其中φf为滑翔段终端的纬度,λf为滑翔段终端的经度,φM为滑翔弹当前的纬度,λM为滑翔弹当前的经度;已知VM和当前位置信息,终端位置不变,Sgo是确定的;
飞行时间thx由剩余航程Sgo、当前速度VM和终端速度Vf决定,因此飞行时间thx仅与终端速度Vf相关,即滑翔段的终端速度范围决定了滑翔段的飞行时间范围。
5.如权利要求2所述的一种中末制导协同飞行时间重构方法,其特征在于,针对第一神经网络和第二神经网络组合成的双网络进行训练,采用如下方式进行训练:
采用仿真的方法获取数据样本,将数据样本的80%作为训练集、20%作为测试集,训练函数采用LM算法,性能函数采用均方误差;
将训练集输入网络后,待误差收敛得到相应的预测网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725395.2A CN116048116A (zh) | 2022-12-29 | 2022-12-29 | 一种中末制导协同飞行时间重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211725395.2A CN116048116A (zh) | 2022-12-29 | 2022-12-29 | 一种中末制导协同飞行时间重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116048116A true CN116048116A (zh) | 2023-05-02 |
Family
ID=86128866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211725395.2A Pending CN116048116A (zh) | 2022-12-29 | 2022-12-29 | 一种中末制导协同飞行时间重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048116A (zh) |
-
2022
- 2022-12-29 CN CN202211725395.2A patent/CN116048116A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080206718A1 (en) | Apparatus, method and computer program product for weapon flyout modeling and target damage assessment | |
CN111707148B (zh) | 一种时变时延条件下多导弹协同制导方法及系统 | |
CN106681348A (zh) | 考虑全捷联导引头视场约束的制导控制一体化设计方法 | |
CN105608251B (zh) | 直升机火控系统精度敏感性分析的BNSobol法 | |
CN105204512A (zh) | 一种基于简化模型机器博弈的六自由度无人作战飞机近距格斗方法 | |
CN112558634B (zh) | 一种多导弹协同制导方法及系统 | |
Bai et al. | UAV maneuvering decision-making algorithm based on twin delayed deep deterministic policy gradient algorithm | |
CN114020021B (zh) | 一种多导弹分布式协同制导律的设计方法及系统 | |
Alkaher et al. | Dynamic-escape-zone to avoid energy-bleeding coasting missile | |
CN108983800A (zh) | 一种基于深度学习的飞机姿态控制方法 | |
Hui et al. | Dynamic attack zone of air-to-air missile after being launched in random wind field | |
CN117171877A (zh) | 基于时机博弈的高超声速飞行器机动突防策略设计方法 | |
CN111176315B (zh) | 一种基于l1自适应控制的变体巡飞弹控制方法 | |
Yoo et al. | Deep reinforcement learning-based intelligent agent for autonomous air combat | |
Theodoulis et al. | Flight dynamics & control for smart munition: the ISL contribution | |
CN114153143A (zh) | 一种导弹非奇异固定时间滑模制导律的设计方法 | |
JP2000510571A (ja) | ニューラルネットワーク軌道命令制御装置 | |
Ginchev et al. | A low-cost battle tank simulator using Unreal Engine 4 and open-hardware microcontrollers | |
CN116048116A (zh) | 一种中末制导协同飞行时间重构方法 | |
Tianbo et al. | Reinforcement learning-based missile terminal guidance of maneuvering targets with decoys | |
CN116294811A (zh) | 基于多目标狼群算法的武装直升机火飞协同机制分析方法 | |
CN114815878A (zh) | 基于实时优化和深度学习的高超声速飞行器协同制导方法 | |
CN115186378A (zh) | 一种空战模拟环境中的战术控制距离实时解算方法 | |
Wan et al. | Suboptimal Midcourse Guidance with Terminal‐Angle Constraint for Hypersonic Target Interception | |
Ummah et al. | A simple fight decision support system for BVR air combat using fuzzy logic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |