，，

北京宇航系統(tǒng)工程研究所，北京 100076

可重復(fù)使用運載器(Reusable Launch Vehicle, RLV)再入返回跨越臨近空間，面臨高超聲速空氣動力學(xué)問題，氣動特性不能精確獲得；隨著質(zhì)量特性、高度、馬赫數(shù)等飛行條件的改變，飛行器動力學(xué)特性變化顯著；外界大氣環(huán)境擾動會對飛行器產(chǎn)生干擾，這些因素給RLV再入姿態(tài)控制器的設(shè)計帶來了困難和挑戰(zhàn)[1-4]。RLV再入飛行包線大，經(jīng)典的小擾動線性化方法結(jié)合增益預(yù)置設(shè)計控制器，需要進行大量的增益調(diào)參和分析，線性控制方法應(yīng)用受到局限，難以滿足期望的性能要求[5-7]。面向RLV穩(wěn)定控制與飛行任務(wù)的魯棒性需求，自適應(yīng)姿態(tài)控制是一種期待的候選方案[8-10]。針對RLV再入過程中的未建模動態(tài)和各種不確定性干擾，抗擾動自適應(yīng)控制器越來越受到重視[11-12]。

與常規(guī)運載器相比，RLV飛行動態(tài)變化范圍更大[13]，強耦合與非線性也更為嚴重，為此在非線性動態(tài)逆(Nonlinear Dynamic Inversion, NDI)控制的基礎(chǔ)上，提出了一種基于徑向基神經(jīng)網(wǎng)絡(luò)(Radical Basis Function Neural Network, RBFNN)的自適應(yīng)姿態(tài)控制器設(shè)計方案。NDI控制作為一種精確反饋線性化的方法，具有解耦控制設(shè)計的優(yōu)點，克服了小擾動線性化損失飛行器動態(tài)信息的缺點，但其對模型的準確性要求較高，缺乏對擾動的抑制能力[14]。而良好的泛化能力和快速的收斂速度是RBFNN的優(yōu)勢，并能有效地應(yīng)用于控制設(shè)計中[15]。所設(shè)計的RBFNN自適應(yīng)控制器(RBFNNAC)是在NDI結(jié)構(gòu)上通過引入神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制策略，在線估計各種干擾的綜合不確定性，并在控制器中進行補償，克服了單獨NDI控制對模型的依賴性，同時利用RBFNN的泛函能力使得控制器具有抗擾動的能力，保證RLV大包線再入姿態(tài)的控制性能，抑制未建模動態(tài)和外界干擾對姿態(tài)控制帶來的不利影響。

1 非線性雙環(huán)控制結(jié)構(gòu)設(shè)計

為建立RLV無動力再入控制所用的姿態(tài)運動模型，不考慮軌跡和地球自轉(zhuǎn)對姿態(tài)控制的影響，RLV再入飛行姿態(tài)運動數(shù)學(xué)模型參見文獻[16]。再入過程動力學(xué)中，姿態(tài)角速率運動比姿態(tài)角運動要快，根據(jù)時標分離原理[17]，將姿態(tài)角分為一組，記為慢狀態(tài)Ω；將姿態(tài)角速率分為一組，記為快狀態(tài)ω，飛行器所受的力矩記為M，則有:

從而有:

(1)

(2)

式中：

(3)

(4)

ff=

(5)

(6)

由式(3)～式(6)可知，氣動未建模或者大氣擾動引起氣動升力L和側(cè)力Y的不準確性，以及產(chǎn)生的未建模動態(tài)將通過fs直接反映在慢狀態(tài)動態(tài)式(1)中，α,β的測量誤差影響gs的準確性，進而對姿態(tài)控制產(chǎn)生影響。轉(zhuǎn)動慣量的不準確性將在ff,gf中體現(xiàn)，干擾力矩直接影響快狀態(tài)動態(tài)式(2)。

實現(xiàn)姿態(tài)角指令的跟蹤，先對慢狀態(tài)動態(tài)式(1)設(shè)計所需要的姿態(tài)角速率指令ωc，稱為慢回路控制器；再由快狀態(tài)動態(tài)式(2)設(shè)計所需要的控制力矩Μc，稱為快回路控制器?？旎芈肥锹芈返膬?nèi)環(huán)，在設(shè)計快、慢回路的控制增益時，需要保證快回路帶寬是慢回路帶寬的3～5倍，這樣在綜合慢回路時可以不考慮快回路動態(tài)特性，保證時標分離條件的滿足。

RLV再入返回，對飛行器攻角α和傾側(cè)角μ的跟蹤控制非常重要，攻角的跟蹤用于控制再入的氣動熱和能量管理。傾側(cè)角μ的跟蹤用于調(diào)整飛行縱程、橫程，使得飛行器進入到預(yù)定的能量管理窗口。同時，為了限制機體表面的熱通量需要鎮(zhèn)定側(cè)滑角β為零，保證飛行安全。在此，基于RBFNN分別設(shè)計慢回路與快回路自適應(yīng)控制器，快回路控制器設(shè)計與慢回路控制器的設(shè)計是相同的，主要以慢回路控制器的設(shè)計為例給出控制器的設(shè)計過程。

2 RBFNN自適應(yīng)控制器設(shè)計

2.1 標稱控制器設(shè)計與分析

考慮慢狀態(tài)動態(tài)式(1)，當飛行器模型可準確獲得時，基于動態(tài)逆方法設(shè)計以下慢回路控制器

(7)

式中：

e=Ωc-Ω

(8)

Ks為慢回路的控制帶寬。

(10)

定義標稱模型與真實模型的誤差為：

(11)

(12)

將控制律式(10)代入式(1)中，得：

(13)

由式(13)可知，模型的不準確將導(dǎo)致控制性能的下降。針對慢回路控制器設(shè)計，記慢回路綜合的不確定項為hs，那么

(14)

同樣，可以設(shè)計標稱的快回路控制器。而且RLV再入過程中存在大氣擾動、RCS對飛行器氣動的干擾力矩以及外界的風(fēng)場干擾，對于RLV快狀態(tài)動態(tài)式(2)，會引入干擾力矩d。此時飛行器的真實動態(tài)為：

(15)

因此，快回路控制器還需對飛行過程中的干擾力矩進行估計與補償，消除干擾力矩的不利影響。

2.2 RBFNN自適應(yīng)控制器設(shè)計

在工程實際中，飛行器動態(tài)的綜合不確定項hs是未知的，為此，采用RBFNN對不確定項hs進行估計，從而在控制律中對不確定項進行補償。

設(shè)RBFNN的輸入向量、輸出向量分別為x=[x1,x2,…,xn]T，Y=[y1,y2,…,yk]T，則有

Y=WTφ(x)

(16)

式中：W=[wi,j]i=1,2,…，mj=1,2,…k為神經(jīng)網(wǎng)絡(luò)輸出矩陣。φ為RBFNN的節(jié)點向量，由徑向基函數(shù)構(gòu)成。

在下述2個假設(shè)條件下，RBF神經(jīng)網(wǎng)絡(luò)對連續(xù)函數(shù)在緊集范圍內(nèi)具有任意精度的逼近能力[18-19]。

(17)

由于hs(e)有界，那么W*也是有界的，設(shè)‖W*‖F(xiàn)≤wmax，wmax是有界正數(shù)。設(shè)η為神經(jīng)網(wǎng)絡(luò)理想逼近誤差，即

(18)

那么逼近誤差η是有界的，設(shè)其界為η0，則有

(19)

在慢回路控制器設(shè)計中對不確定項hs進行補償，設(shè)計慢回路自適應(yīng)控制器為：

(20)

且

(21)

將控制器式(20)代入原系統(tǒng)式(1)，可得：

(22)

將式(11)、式(12)代入式(22)，則有：

(23)

從而有：

(24)

又由式(14)，那么有:

(25)

所以

(26)

由于

(27)

則有

(28)

其中

(29)

2.3 穩(wěn)定自適應(yīng)律證明

通過Lyapunov方法設(shè)計自適應(yīng)律和穩(wěn)定性條件。對于系統(tǒng)慢回路，定義Lyapunov函數(shù)為:

(30)

由式(28)可知:

(31)

式中：Ks為慢回路各個通道的帶寬，也是正定對稱矩陣，因此存在正定矩陣P,Q滿足如下Lyapunov方程:

(32)

而且

因此

(33)

將式(31)代入式(33)中，則有：

(34)

將式(32)代入式(34)中可得:

(35)

(36)

(37)

(38)

根據(jù)F-范數(shù)的性質(zhì)，則有:

(39)

(40)

因此系統(tǒng)閉環(huán)收斂條件是

(41)

因此，自適應(yīng)律式(37)可保證權(quán)值的有界性，解決神經(jīng)網(wǎng)絡(luò)權(quán)值的收斂問題。而且姿態(tài)角誤差動態(tài)漸進穩(wěn)定。從‖e‖的收斂情況可知，當Q的特征值越大，P的特征值越小，神經(jīng)網(wǎng)絡(luò)建模誤差η的上界η0越小，wmax越小，則e的收斂半徑越小，跟蹤精度越高。

綜上所述，慢回路RBFNN自適應(yīng)控制器為式(20)(21)，自適應(yīng)律為式(37)。

那么快回路姿態(tài)角速率誤差動態(tài)的不確定項為

(42)

快回路RBFNN自適應(yīng)控制器設(shè)計為

(43)

(44)

且設(shè)計快回路RBFNN自適應(yīng)律為

(45)

式中：姿態(tài)角速率誤差eω=ωc-ω;Kf為快回路的控制帶寬,

3 仿真驗證

為了驗證RNFNN自適應(yīng)控制方案的有效性，對RLV無動力再入返回進行了仿真試驗，檢驗其執(zhí)行大包線再入的姿態(tài)控制性能和外界干擾力矩作用下的魯棒控制性能。以下仿真算例中，姿態(tài)角速率初值為零，再入初始高度為121 km，初始速度為7 500 m/s。神經(jīng)網(wǎng)絡(luò)節(jié)點取為21個，節(jié)點中心選為0，初始化RBFNN輸出矩陣為0。

3.1 大包線再入跟蹤性能

圖1 姿態(tài)角指令Fig.1 Attitude command

圖2 姿態(tài)角響應(yīng)Fig.2 Attitude response

圖3 RBFNN對fs,α的估計Fig.3 fs,α estimation of RBFNN

圖4 RBFNN對fs,β的估計Fig.4 fs,β estimation of RBFNN

圖5 RBFNN對fs,μ的估計Fig.5 fs,μ estimation of RBFNN

3.2 抗擾動抑制能力

圖6 姿態(tài)角α的響應(yīng)Fig.6 Comparison of α response

圖7 姿態(tài)角β的響應(yīng)Fig.7 Comparison of β response

圖8 姿態(tài)角μ的響應(yīng)Fig.8 Comparison of μ response

圖9 RBFNN對俯仰通道干擾的估計Fig.9 dm estimation of RBFNN

圖10 RBFNN對偏航通道干擾的估計Fig.10 dn estimation of RBFNN

圖11 RBFNN對滾轉(zhuǎn)通道干擾的估計Fig.11 d1 estimation of RBFNN

4 結(jié)束語

針對RLV大包線飛行動態(tài)特性快速時變，再入飛行面臨未建模動態(tài)，并受到外界干擾的影響，設(shè)計了神經(jīng)網(wǎng)絡(luò)自適應(yīng)姿態(tài)控制器。所設(shè)計的自適應(yīng)控制方案能夠有效地完成姿態(tài)跟蹤控制，滿足性能指標要求。主要有如下的特點：

1)針對RLV再入返回，采用雙環(huán)控制結(jié)構(gòu)，分別處理內(nèi)回路和外回路中的不確定性或擾動，這種分層控制結(jié)構(gòu)具有補償和抑制多種不同類型干擾的優(yōu)勢。

2)RBFNNAC既能夠處理未建模動態(tài)帶來的控制系統(tǒng)擾動，進行估計與補償；又能在線估計與抑制外界干擾?？刂破髂軌蚓C合地處理多種干擾并存的情形，滿足再入大包線控制的要求。

3)RBFNN在初始化后，根據(jù)系統(tǒng)閉環(huán)動態(tài)，在線自適應(yīng)估計外環(huán)與內(nèi)環(huán)的不確定或干擾項，內(nèi)、外環(huán)RBFNN互不干擾，控制參數(shù)分別獨立設(shè)計。

RBFNNAC的設(shè)計能有效地應(yīng)用于RLV再入姿態(tài)控制。進一步的研究方向是，輸入受限情況下自適應(yīng)律修正的問題以及姿態(tài)控制器的魯棒性評估研究。

References)

[1] 包為民. 航天飛行器控制技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J]. 自動化學(xué)報, 2013, 39(6): 697-702.

BAO W M. Present situation and development tendency of aerospace control techniques[J]. Acta Automatica Sinica, 2013, 39(6): 697-702(in Chinese).

[2] 黃琳, 段志生, 楊劍影. 近空間高超聲速飛行器對控制科學(xué)的挑戰(zhàn)[J]. 控制理論與應(yīng)用, 2011, 28(10): 1496-1505.

HUANG L, DUAN Z S, YANG J Y. Challenges of control science in near space hypersonic aircrafts[J]. Control Theory & Applications, 2011, 28(10): 1496-1505 (in Chinese).

[3] 吳宏鑫, 孟斌. 高超聲速飛行器控制研究綜述[J]. 力學(xué)進展, 2009, 39(6): 756-765.

WU H X, MENG B. Review on the control of hypersonic flight vehicles[J]. Advances in Mechanics, 2009, 39(6): 756-765 (in Chinese).

[4] HANSON J M. Advanced guidance and control project for reusable launch vehicles[C]. AIAA Guidance, Navigation, and Control Conference and Exhibit, Denver, Colorado,14-17 August, 2000: 3957.

[5] DYDEK Z T, ANNASWAMY A M, LAVRETSKY E. Adaptive control and the NASA X-15-3 flight revisited[J]. IEEE Control Systems Magazine, 2010, 30(3): 32-48.

[6] 王芳, 宗群, 田栢苓, 等. 基于魯棒自適應(yīng)反步的可重復(fù)使用飛行器再入姿態(tài)控制[J]. 控制與決策, 2014, 29(1): 12-18.

WANG F, ZONG Q, TIAN B L, et al. Robust adaptive back-stepping flight control design for reentry RLV[J]. Control and Decision, 2014, 29(1): 12-18 (in Chinese).

[7] 高清, 趙俊波, 李潛. 類HTV-2橫側(cè)向穩(wěn)定性研究[J]. 宇航學(xué)報, 2014, 35(6): 657-662.

GAO Q, ZHAO J B, LI Q. Study on lateral-directional stability of HTV-2 like configuration[J]. Journal of Astronautics, 2014, 35(6): 657-662 (in Chinese).

[8] YOUNG A, CAO C Y, PATEL V, et al. Adaptive control design methodology for nonlinear-in-control systems in aircraft applications[J]. Journal of Guidance, Control, and Dynamics, 2007, 30(6): 1770-1782.

[9] JOHNSON E N, CALISE A J. Limited authority adaptive flight control for reusable launch vehicles[J]. Journal of Guidance, Concontrol, and Dynamics, 2003, 26(6): 906-913.

[10] LEE T, KIM Y. Nonlinear adaptive flight control using backstepping and neural networks controller[J]. Journal of Guidance, Control, and Dynamics, 2001, 24(4): 675-682.

[11] HAN J Q. From PID to active disturbance rejection control[J]. IEEE Transactions on Industrial Electronics, 2009, 56(3): 900-906.

[12] RAN M P, WANG Q, DONG C Y. Stabilization of a class of nonlinear systems with actuator saturation via active disturbance rejection control[J]. Automatica, 2016, 63: 302-310.

[13] 韋常柱, 琚嘯哲, 張亮,等. 彈性體運載火箭及控制器設(shè)計[J]. 宇航總體技術(shù), 2017, 1(1): 21-26.

WEI C Z, JU X Z, ZHANG L, et al. The modeling and controller design for aeroelastic rocket launcher[J]. Astronautical Systems Engineering Technology, 2017, 1(1): 21-26 (in Chinese).

[14] ITO D, GEORGIE J, VALASEK J, et al. Re-entry vehicle flight controls designs guielines: dynamic inversion,NASA/TP 2002-210771[R]. Washington D.C.:NASA, 2002.

[15] BU X Y, WU X Y, CHEN Y, et al. Nonsingular direct neural control of air-breathing hypersonic vehicle via backstepping[J]. Neurocomputing, 2015, 153(1): 164-173.

[16] 余光學(xué), 李昭瑩, 林平. 可重復(fù)使用運載器再入數(shù)學(xué)建模[J]. 中國空間科學(xué)技術(shù), 2014,34(3): 23-31.

YU G X, LI Z Y, LIN P. RLV reentry mathematical modeling[J]. Chinese Space Science and Technology, 2014,34(3): 23-31 (in Chinese).

[17] NAIDU S D, CALISE A J. Singular perturbations and time scales in guidance and control of aerospace systems: a survey[J]. Journal of Guidance, Control, and Dynamics, 2001, 24(6): 1057-1070.

[18] PARK J, SANDBERG I W. Universal approximation using radial-basis-function networks[J]. Neural Computation, 1991, 3 (2): 246-257.

[19] 劉金琨. 智能控制[M].2版. 北京: 電子工業(yè)出版社, 2012: 186-188.

LIU J K.Intelligent control[M]. 2nd Ed. Beijing: Publishing House of Electronics Industry, 2012: 186-188(in Chinese).