关键词:
吸气式高超声速飞行器
飞行控制
智能控制
自适应控制
神经网络
摘要:
吸气式高超声速飞行器具有高速度、大射程和快速响应的特点,在军事和经济方面具有重大价值。与传统飞行器相比,吸气式高超声速飞行器的强非线性、气动力耦合和参数不确定性等特性,给控制系统设计带来了巨大挑战。本文深入研究了吸气式高超声速飞行器控制系统设计过程中遇到的问题,重点解决:大包线飞行阶段的外部扰动影响问题、机动爬升初期的非最小相位特性问题、机动爬升阶段的攻角约束问题、长航时巡航飞行段的通信计算资源有限问题、以及机动下降阶段的执行器幅值和速率约束问题。主要研究内容包括:
首先,描述吸气式高超声速飞行器的几何构型和基本结构,并定义模型构建所需的坐标系及其转换关系。然后,通过建立运动方程获得面向控制的动态模型,列举几种常用的高超声速飞行器数学模型。详细阐述国内外重点研究机构针对这几种模型进行的相关工作,分析不同模型之间的区别和对控制系统设计带来的难题。最后,针对大包线飞行下高超声速飞行器受外部扰动与参数摄动影响的问题,提出抗干扰鲁棒自适应控制器。对于速度子系统,利用深度强化学习策略进行PID参数智能整定。对于高度子系统,利用径向基神经网络对未知非线性动态进行逼近,设计超螺旋微分观测器对外界扰动进行估计,实现高超声速飞行器的自抗扰跟踪控制。
针对高超声速飞行器机动爬升初期的非最小相位特性问题,分析系统的零动态稳定性,指出升降舵-升力耦合系数和弹性模态对吸气式高超声速飞行器非最小相位特性的影响。然后利用俯仰角输出重定义,设计基于小样本在线增强的复合学习控制器用于解决非最小相位特性的稳定跟踪控制问题。在此基础上,设计基于数据驱动的输出重定义策略,能够更加灵活地处理非最小相位问题。结合预设性能和优化学习机制,该控制器可对重定义参考指令进行动态调整,同时保证系统跟踪误差处在预设的范围内。
针对高超声速飞行器机动爬升阶段的路径及攻角约束问题,提出包含优化路径智能生成和高性能智能控制的两步智能策略。首先,训练并构建优化轨迹生成的深度神经网络,以实现标称飞行轨迹的快速生成。然后,利用实际预设时间理论结合障碍李雅普诺夫函数,设计预设性能及时间的自适应跟踪控制,处理攻角约束和外界扰动问题。另外,以结构相对简单的标称反步控制器为基本框架,借助深度强化学习技术实现关键控制参数的在线调整,进一步提升控制性能,且避免在实际工程应用中设计障碍函数的困难,无需将初始攻角误差限制在允许的范围内,符合低复杂度在线智能控制的设计需求。
针对高超声速飞行器长航时巡航阶段的通信及计算资源受限问题,分别提出基于量化和触发的有限时间确定学习控制器以及基于神经网络的预定义时间分层学习控制器。首先利用量化的思想结合事件触发机制,用于解决通信资源的浪费问题,同时避免芝诺现象的发生。在此基础上,以控制分配策略为模板,设计神经触发分配方案,然后训练并获取神经网络的经验知识。与传统方法相比,此方案降低了在线控制的计算复杂度,并通过结合预定义时间扰动观测器与预定义时间滤波器,确保飞行器跟踪误差在预定时间内实现快速收敛。
针对高超声速飞行器机动下降阶段的执行器幅值和速率受限问题,分别提出基于优化分配增强的自适应控制器和基于智能在线分配的确定学习控制器。对于速度子系统,采用深度强化学习策略对燃油阀指令进行智能权值分配设计。对于高度子系统,首先利用模型预测控制技术,用于解决升降舵和鸭翼的控制优化分配问题。在此基础上,以优化分配增强策略为模板,通过训练深度神经网络实现气动舵智能在线分配;然后利用确定学习机制,在具有充足训练资源的离线学习测试端,获取并存储了基于学习训练的离线经验知识。相比传统方案,该方案能够提高控制面气动效率,减少在线运算的复杂度。
综上所述,本论文对吸气式高超声速飞行器在多飞行阶段的控制问题开展了理论研究。对其大包线飞行的外部扰动影响问题、机动爬升初期的非最小相位特性问题、机动爬升阶段的路径及攻角约束问题、长航时巡航阶段的通信及计算资源有限问题、以及机动下降阶段的执行器约束问题分别进行研究,并取得一定的研究成果,对现有研究成果进行补充,为面向未来的高超声速飞行器控制方法研究提供必要的技术支持。