李爽，劉旭，葉松，林子瑞

運(yùn)載火箭動(dòng)力系統(tǒng)故障下制導(dǎo)控制技術(shù)研究進(jìn)展

李爽1，劉旭1，葉松2，林子瑞1

（1.南京航空航天大學(xué) 航天學(xué)院，江蘇 南京 211106；2.北京航天自動(dòng)控制研究所，北京 100854）

動(dòng)力系統(tǒng)故障是導(dǎo)致運(yùn)載火箭發(fā)射任務(wù)失敗的最常見(jiàn)原因，從動(dòng)力系統(tǒng)故障建模、自主制導(dǎo)和容錯(cuò)控制方面，系統(tǒng)地闡述了動(dòng)力系統(tǒng)故障下運(yùn)載火箭制導(dǎo)控制技術(shù)的研究進(jìn)展，為發(fā)展新型制導(dǎo)控制算法提供了思路。建立了推力下降故障和執(zhí)行機(jī)構(gòu)故障的數(shù)學(xué)建模，并對(duì)比了國(guó)內(nèi)外先進(jìn)運(yùn)載火箭的制導(dǎo)控制性能；總結(jié)了動(dòng)力系統(tǒng)故障下自主制導(dǎo)所涉及的軌跡優(yōu)化和制導(dǎo)算法；在被動(dòng)、主動(dòng)容錯(cuò)控制框架內(nèi)，回顧了典型的故障診斷、控制重構(gòu)、容錯(cuò)控制和震動(dòng)抑制方法；同時(shí)，概述了人工智能技術(shù)在自主制導(dǎo)和容錯(cuò)控制方面的應(yīng)用；結(jié)合“會(huì)學(xué)習(xí)”的運(yùn)載火箭概念，討論了人工智能技術(shù)在促進(jìn)運(yùn)載火箭自主化和智能化方面的發(fā)展趨勢(shì)，對(duì)未來(lái)智慧火箭的制導(dǎo)控制技術(shù)進(jìn)行了展望。

運(yùn)載火箭；動(dòng)力系統(tǒng)故障；故障診斷；制導(dǎo)控制；人工智能

0　引言

截至2022年初，全球運(yùn)載火箭發(fā)射任務(wù)已經(jīng)超過(guò)6 000次，但失敗也超過(guò)500次，尤其是近年頻繁發(fā)生運(yùn)載火箭發(fā)射失利的情況［1］。以2021年發(fā)射情況為例，美國(guó)RocketLab公司的電子號(hào)火箭二級(jí)發(fā)動(dòng)機(jī)點(diǎn)火異常導(dǎo)致關(guān)機(jī)；阿斯特拉公司的Astra Rocket 3.3火箭一級(jí)發(fā)動(dòng)機(jī)起火爆炸［2］；而我國(guó)星際榮耀公司的雙曲線一號(hào)火箭的一級(jí)和三級(jí)發(fā)動(dòng)機(jī)異常關(guān)機(jī)導(dǎo)致2次發(fā)射失利；快舟一號(hào)甲運(yùn)載火箭因?yàn)榘l(fā)動(dòng)機(jī)故障而發(fā)射失敗。

導(dǎo)致運(yùn)載火箭發(fā)射失利的原因主要有3類(lèi)［3］：分離系統(tǒng)故障、制導(dǎo)控制系統(tǒng)故障和動(dòng)力系統(tǒng)故障。分離系統(tǒng)故障主要包括逃逸塔分離失敗、整流罩分離失敗、級(jí)間分離失敗與星箭分離失敗。制導(dǎo)控制系統(tǒng)故障包括執(zhí)行機(jī)構(gòu)卡死故障和控制系統(tǒng)開(kāi)環(huán)故障。動(dòng)力系統(tǒng)故障包括運(yùn)載火箭發(fā)動(dòng)機(jī)推力下降故障、異常關(guān)機(jī)、未成功點(diǎn)火、爆炸。上述故障按照故障的能量屬性可大致劃分為4類(lèi)［4］：

1）非（微）能量故障包括制導(dǎo)控制系統(tǒng)部分信息錯(cuò)亂、丟失等；

2）小型能量故障包括某級(jí)推力小幅下降且超過(guò)預(yù)期閾值、部分助推器未按預(yù)期時(shí)間分離等；

3）中型能量故障包括某級(jí)推力非預(yù)期大幅下降、執(zhí)行機(jī)構(gòu)部分卡死等；

4）大型能量故障包括火箭爆炸、某級(jí)推力完全喪失、執(zhí)行機(jī)構(gòu)完全卡死、級(jí)間未分離等。

以上4類(lèi)故障除大型能量故障為致命故障外，其余均為非致命故障。盡管非致命故障不會(huì)導(dǎo)致箭體爆炸或解體等嚴(yán)重事故，但不及時(shí)采取救援措施將導(dǎo)致發(fā)射任務(wù)失敗。例如，2017年7月發(fā)射的長(zhǎng)征五號(hào)火箭飛行至346.7 s后一臺(tái)發(fā)動(dòng)機(jī)出現(xiàn)故障，火箭仍舊按照原有制導(dǎo)和控制方案飛行，導(dǎo)致二級(jí)飛行未能飛出大氣層，最終任務(wù)失敗。如果能及時(shí)調(diào)整制導(dǎo)和控制方案，則仍有可能在出現(xiàn)非致命故障時(shí)提升運(yùn)載火箭的發(fā)射成功率。1964年，美國(guó)土星一號(hào)運(yùn)載火箭在飛行117 s后，一臺(tái)發(fā)動(dòng)機(jī)異常關(guān)機(jī)，通過(guò)調(diào)整運(yùn)載火箭的飛行程序，利用剩下 7臺(tái)發(fā)動(dòng)機(jī)進(jìn)入原定軌道，最終完成了預(yù)設(shè)任務(wù)目標(biāo)。2012年，F(xiàn)alcon 9運(yùn)載火箭執(zhí)行發(fā)射任務(wù)，在發(fā)射79 s后，其中一臺(tái)發(fā)動(dòng)機(jī)發(fā)生故障關(guān)機(jī)，隨后通過(guò)在線軌跡重構(gòu)使得運(yùn)載火箭的載荷成功進(jìn)入原定軌道，完成飛行任務(wù)。Falcon 9搭載的9臺(tái)發(fā)動(dòng)機(jī)形成動(dòng)力冗余架構(gòu)，保證了飛行全程1臺(tái)發(fā)動(dòng)機(jī)故障、飛行90 s后2臺(tái)發(fā)動(dòng)機(jī)故障都不影響完成發(fā)射任務(wù)［4］。

盡管土星一號(hào)和Falcon 9火箭在發(fā)生推力下降故障情況下成功完成發(fā)射任務(wù)，但并不意味著它們具備制導(dǎo)律重構(gòu)和容錯(cuò)控制能力，因?yàn)樯鲜龌鸺谠O(shè)計(jì)時(shí)就增加了1臺(tái)發(fā)動(dòng)機(jī)用來(lái)提供運(yùn)載能力冗余，以確保動(dòng)力系統(tǒng)故障后仍能將載荷送入原定軌道［4］。我國(guó)長(zhǎng)征系列運(yùn)載火箭由于發(fā)動(dòng)機(jī)結(jié)構(gòu)布局難以增加1臺(tái)發(fā)動(dòng)機(jī)，運(yùn)載能力冗余較小。隨著運(yùn)載火箭載荷的不斷增大，通過(guò)增加發(fā)動(dòng)機(jī)的硬件冗余方式已經(jīng)無(wú)法應(yīng)對(duì)非致命故障下的安全需求。因此，發(fā)展具有自主制導(dǎo)和容錯(cuò)控制能力的方法以提高運(yùn)載火箭的生存概率勢(shì)在必行。

本文從動(dòng)力系統(tǒng)故障建模、自主制導(dǎo)和容錯(cuò)控制3方面，系統(tǒng)地回顧了運(yùn)載火箭動(dòng)力系統(tǒng)故障下制導(dǎo)控制技術(shù)的進(jìn)展，并結(jié)合人工智能技術(shù)進(jìn)行了展望，總體框架如圖1所示。

圖1　運(yùn)載火箭動(dòng)力系統(tǒng)故障下制導(dǎo)控制技術(shù)進(jìn)展概覽

1　動(dòng)力系統(tǒng)故障模型

運(yùn)載火箭非致命故障以動(dòng)力系統(tǒng)推力下降、發(fā)動(dòng)機(jī)擺角執(zhí)行機(jī)構(gòu)故障最為常見(jiàn)，主要考慮以上 2類(lèi)故障的建模問(wèn)題。

1.1　推力下降故障

運(yùn)載火箭推力下降故障主要考慮2類(lèi)故障模式［3］，運(yùn)載火箭發(fā)動(dòng)機(jī)推力下降為發(fā)動(dòng)機(jī)額定推力的比例值和運(yùn)載火箭發(fā)動(dòng)機(jī)推力持續(xù)線性下降至一定推力值。第1種故障模式也稱(chēng)為推力比例下降；第2種故障模式也稱(chēng)為推力線性下降。2類(lèi)故障如圖2所示。

圖2　運(yùn)載火箭推力下降故障

1）推力比例下降模型

運(yùn)載火箭發(fā)動(dòng)機(jī)推力比例下降故障的數(shù)學(xué)模型如下：

式中：為飛行時(shí)間；為運(yùn)載火箭發(fā)動(dòng)機(jī)實(shí)際推力；0為發(fā)動(dòng)機(jī)額定推力；1為發(fā)動(dòng)機(jī)發(fā)生推力比例下降故障后發(fā)動(dòng)機(jī)實(shí)際推力；1為發(fā)動(dòng)機(jī)故障發(fā)生的時(shí)間。

2）推力線性下降模型

運(yùn)載火箭發(fā)動(dòng)機(jī)推力線性下降故障的數(shù)學(xué)模型如下：

式中：2為發(fā)動(dòng)機(jī)發(fā)生推力線性下降故障后發(fā)動(dòng)機(jī)實(shí)際推力大小；2為發(fā)動(dòng)機(jī)推力線性下降故障的發(fā)生時(shí)間；3為發(fā)動(dòng)機(jī)推力線性下降故障的穩(wěn)定時(shí)間。

1.2　執(zhí)行機(jī)構(gòu)故障

運(yùn)載火箭發(fā)動(dòng)機(jī)擺角執(zhí)行機(jī)構(gòu)故障會(huì)影響發(fā)動(dòng)機(jī)輸出擺角大小，進(jìn)而影響運(yùn)載火箭推力的大小和方向，導(dǎo)致軌跡和姿態(tài)控制失穩(wěn)。擺角執(zhí)行機(jī)構(gòu)常見(jiàn)的故障主要包括卡死、松浮、損傷及飽和故障［5-6］，故障模型如圖3所示。

圖3　運(yùn)載火箭執(zhí)行機(jī)構(gòu)故障［6］

1）卡死故障?？ㄋ拦收鲜侵赴l(fā)動(dòng)機(jī)擺角執(zhí)行機(jī)構(gòu)長(zhǎng)期保持在某一非0位置，無(wú)法響應(yīng)控制指令，但仍輸出常值擺角。

2）松浮故障。松浮故障是指執(zhí)行機(jī)構(gòu)發(fā)生松動(dòng)，一直保持在0位置，無(wú)法響應(yīng)控制系統(tǒng)指令。

3）損傷故障。損傷故障是指執(zhí)行機(jī)構(gòu)的控制增益發(fā)生變化，導(dǎo)致響應(yīng)控制指令后產(chǎn)生偏差，導(dǎo)致控制性能降低。

4）飽和故障。飽和故障是指執(zhí)行機(jī)構(gòu)長(zhǎng)期響應(yīng)到正向或負(fù)向最大位置。此類(lèi)故障中執(zhí)行機(jī)構(gòu)無(wú)法滿(mǎn)足控制指令需求。

運(yùn)載火箭擺角執(zhí)行機(jī)構(gòu)故障模型如下：

式中：0為執(zhí)行機(jī)構(gòu)的0位置；max、min分別為執(zhí)行機(jī)構(gòu)的最大、最小值；c為正常情況下執(zhí)行機(jī)構(gòu)的輸出量；c1、c2、c3和c4分別為卡死、松浮、損傷和飽和故障下執(zhí)行機(jī)構(gòu)的輸出量；c1、c2、c3和c4分別為擺角執(zhí)行機(jī)構(gòu)發(fā)生卡死、松浮、損傷和飽和故障的時(shí)間。

1.3　運(yùn)載火箭制導(dǎo)控制冗余能力

現(xiàn)役的運(yùn)載火箭一般依賴(lài)動(dòng)力系統(tǒng)硬件冗余和姿態(tài)控制系統(tǒng)的相位裕度來(lái)包容動(dòng)力系統(tǒng)故障，但只適用于非能量故障和部分小型能量故障。以我國(guó)長(zhǎng)征系列運(yùn)載火箭為例，其制導(dǎo)控制系統(tǒng)主要由分系統(tǒng)級(jí)信息管理系統(tǒng)、控制系統(tǒng)冗余架構(gòu)和制導(dǎo)控制算法構(gòu)成，通過(guò)配置雙通道或三冗余總線、箭機(jī)、慣組等實(shí)現(xiàn)故障診斷和控制重構(gòu)，由于缺乏全箭級(jí)的系統(tǒng)管理能力，只能應(yīng)對(duì)故障引起的小偏差問(wèn)題［7-9］。國(guó)外新型運(yùn)載火箭（如太空發(fā)射系統(tǒng)SLS和Falcon系列火箭）配置了全箭級(jí)信息管理系統(tǒng)和魯棒性較強(qiáng)的制導(dǎo)控制算法，對(duì)于較大的推力下降故障和發(fā)動(dòng)機(jī)擺角執(zhí)行機(jī)構(gòu)卡死、失效等故障，有一定的適應(yīng)能力。國(guó)內(nèi)外運(yùn)載火箭制導(dǎo)控制系統(tǒng)性能對(duì)比見(jiàn)表1［8-10］。

表1　國(guó)內(nèi)外運(yùn)載火箭制導(dǎo)控制系統(tǒng)性能對(duì)比

由表1可知，國(guó)外運(yùn)載火箭的優(yōu)勢(shì)在于成熟的信息管理系統(tǒng)和制導(dǎo)控制算法，在硬件冗余方面和國(guó)內(nèi)“長(zhǎng)征”系列運(yùn)載火箭差距不大。通過(guò)增加硬件冗余提升制導(dǎo)控制系統(tǒng)品質(zhì)的方式已經(jīng)基本到達(dá)上限，繼續(xù)增加硬件反而會(huì)使控制邏輯龐雜和運(yùn)載能力下降，而發(fā)展更加自主、容錯(cuò)的制導(dǎo)控制算法將在不增加硬件的情況下有效提升運(yùn)載火箭的自主任務(wù)規(guī)劃和在線控制重構(gòu)能力，是未來(lái)運(yùn)載火箭發(fā)展的新方向。

2　動(dòng)力系統(tǒng)故障下制導(dǎo)技術(shù)

運(yùn)載火箭制導(dǎo)技術(shù)包括軌跡優(yōu)化和制導(dǎo)算法。制導(dǎo)算法也稱(chēng)制導(dǎo)律，用于生成運(yùn)載火箭從地面轉(zhuǎn)移到目標(biāo)軌道所需的制導(dǎo)指令，具有實(shí)時(shí)性和魯棒性，但不一定最優(yōu)。軌跡優(yōu)化算法通常不考慮飛行系統(tǒng)內(nèi)部模型或參數(shù)的誤差以及外部擾動(dòng)，經(jīng)離線或在線計(jì)算得出滿(mǎn)足運(yùn)載火箭上升、入軌約束條件的最優(yōu)軌跡，等價(jià)于開(kāi)環(huán)制導(dǎo)算法。在實(shí)際任務(wù)中，軌跡優(yōu)化是制導(dǎo)的基礎(chǔ)環(huán)節(jié)，如為制導(dǎo)算法提供參考軌跡或直接作為制導(dǎo)律生成制導(dǎo)指令，因此本文對(duì)兩者不加區(qū)分，統(tǒng)稱(chēng)為制導(dǎo)算法。

早期運(yùn)載火箭以程序制導(dǎo)方案為主，通過(guò)姿態(tài)控制系統(tǒng)跟蹤離線規(guī)劃好的程序角實(shí)現(xiàn)飛行剖面控制。該方法屬于開(kāi)環(huán)制導(dǎo)，無(wú)法根據(jù)飛行狀態(tài)實(shí)時(shí)更新程序角指令，自主性差。目前，運(yùn)載火箭大多采用攝動(dòng)制導(dǎo)和迭代制導(dǎo)的組合方案。在大氣層內(nèi)，攝動(dòng)制導(dǎo)將實(shí)際軌跡在參考軌跡附近取一階近似，然后根據(jù)制導(dǎo)精度和特定飛行狀態(tài)的誤差量設(shè)計(jì)反饋控制增益，使運(yùn)載火箭盡可能飛行在參考軌跡附近［11］。在大氣層外，迭代制導(dǎo)將入軌位置和速度矢量作為約束條件，基于最優(yōu)控制理論推導(dǎo)閉環(huán)解析解，逐漸消除攝動(dòng)制導(dǎo)的誤差后實(shí)現(xiàn)精確入軌。攝動(dòng)制導(dǎo)易于實(shí)現(xiàn)，對(duì)計(jì)算性能要求不高，但發(fā)生推力下降故障或外界干擾明顯時(shí)，運(yùn)載火箭的飛行剖面將大幅偏離參考軌跡，無(wú)法滿(mǎn)足一階線性假設(shè)，進(jìn)而使導(dǎo)引系數(shù)的修正能力飽和，并最終使運(yùn)載火箭偏離目標(biāo)軌道，甚至引發(fā)箭體失衡［12］。因此，提高制導(dǎo)系統(tǒng)應(yīng)對(duì)動(dòng)力系統(tǒng)故障的能力是當(dāng)前制導(dǎo)技術(shù)的研究熱點(diǎn)之一。

2.1　間接法

間接法以最優(yōu)控制理論為基礎(chǔ)，將最優(yōu)軌跡優(yōu)化問(wèn)題轉(zhuǎn)變?yōu)閮牲c(diǎn)或多點(diǎn)邊值問(wèn)題，然后求解。早在20世紀(jì)60年代，LAWDEN［13］基于最優(yōu)控制理論得出了真空狀態(tài)下常值推力火箭入軌的最優(yōu)推力方向和速度協(xié)態(tài)變量位于同一方向的結(jié)論，該結(jié)論也被稱(chēng)為“主矢量”理論。CHANDLER等［14］基于平坦地球假設(shè)推導(dǎo)了解析的線性正切制導(dǎo)律，并進(jìn)一步發(fā)展為迭代制導(dǎo)。目前，包括迭代制導(dǎo)、真空最優(yōu)制導(dǎo)（Vacuum Optimal Guidance，OPGUID）和動(dòng)力顯式制導(dǎo)（Powered Explicit Guidance，PEG）等方法已經(jīng)成為運(yùn)載火箭大氣層外制導(dǎo)的主流算法。隨著箭載計(jì)算機(jī)技術(shù)的發(fā)展，采用打靶法、有限差分法等數(shù)值方法求解兩點(diǎn)邊值問(wèn)題成為可能［15］。CALISE等［16-17］將真空最優(yōu)制導(dǎo)的解析作為大氣層內(nèi)軌跡優(yōu)化問(wèn)題的同倫初值，采用配點(diǎn)法求解了對(duì)應(yīng)的兩點(diǎn)邊值問(wèn)題，能夠在線生成滿(mǎn)足過(guò)程約束的制導(dǎo)指令，同時(shí)也將該方法用于運(yùn)載火箭發(fā)射逃逸軌跡的設(shè)計(jì)。DUKEMAN和GATH等［18-20］將這一方法擴(kuò)展到包含滑翔過(guò)程的運(yùn)載火箭上升制導(dǎo)中。PU等［21-22］和PAN等［23］則進(jìn)一步結(jié)合有限差分和大氣密度同倫技術(shù)對(duì)CALISE的工作［16-17］進(jìn)行提高，實(shí)現(xiàn)大氣層內(nèi)助推-滑翔上升和大氣層外入軌全過(guò)程的在線軌跡優(yōu)化與閉環(huán)制導(dǎo)。HANSON等［24］從路徑約束滿(mǎn)足情況、計(jì)算量等方面定量評(píng)估了基于間接法的運(yùn)載火箭制導(dǎo)律，結(jié)果表明，真空最優(yōu)解可作為大氣層內(nèi)閉環(huán)制導(dǎo)的初始猜測(cè)值，縮短了發(fā)射準(zhǔn)備時(shí)間，并滿(mǎn)足過(guò)載、動(dòng)壓、入軌條件等約束，且具備應(yīng)對(duì)動(dòng)力系統(tǒng)非致命故障的潛力。但是間接法應(yīng)用于在線軌跡或制導(dǎo)指令生成時(shí)的收斂性和穩(wěn)定性有待提高。

為提高動(dòng)力系統(tǒng)故障下運(yùn)載火箭的安全性和成功率，近年來(lái)研究人員對(duì)間接法進(jìn)行了改進(jìn)。 湛康意等［25］針對(duì)推力下降故障，設(shè)計(jì)了以入軌點(diǎn)高度為自變量的特征量函數(shù)來(lái)評(píng)估運(yùn)載火箭剩余入軌能力，并采用真空最優(yōu)制導(dǎo)算法實(shí)現(xiàn)目標(biāo)軌道和救援軌道的入軌，但僅固定了目標(biāo)軌道傾角，沒(méi)有考慮升交點(diǎn)赤經(jīng)約束。李文清等［26］基于迭代制導(dǎo)算法，分析了不同推力下降故障發(fā)生時(shí)運(yùn)載火箭的剩余入軌能力。韓雪穎等［27］則進(jìn)一步采用迭代制導(dǎo)算法構(gòu)建了運(yùn)載火箭推力下降故障軌跡數(shù)據(jù)庫(kù)，通過(guò)遙測(cè)數(shù)據(jù)判斷是否修改迭代制導(dǎo)算法的發(fā)射諸元來(lái)進(jìn)入救援軌道。WANG等［28］為了確定助推-滑翔-助推運(yùn)載火箭進(jìn)入預(yù)定目標(biāo)軌道的故障狀態(tài)集，提出了一種基于迭代制導(dǎo)和牛頓法的轉(zhuǎn)移軌道快速重規(guī)劃方法，將復(fù)雜的多段軌道規(guī)劃問(wèn)題轉(zhuǎn)化為轉(zhuǎn)移軌道搜索問(wèn)題，可快速求解。

2.2　偽譜法

偽譜法是將狀態(tài)量和控制量在全局正交節(jié)點(diǎn)上離散，從而把最優(yōu)控制問(wèn)題轉(zhuǎn)化為參數(shù)優(yōu)化問(wèn)題，再采用非線性規(guī)劃算法求解。該方法具有處理約束能力強(qiáng)、收斂精度高的特點(diǎn)，在2000年前后大規(guī)模應(yīng)用于航空航天軌跡優(yōu)化和制導(dǎo)領(lǐng)域。在運(yùn)載火箭軌跡優(yōu)化方面，RAO等［29］基于偽譜法開(kāi)發(fā)了軌跡優(yōu)化軟件GPOPS，并求解了多級(jí)運(yùn)載火箭大氣層內(nèi)發(fā)射的問(wèn)題。MA等［30］采用自適應(yīng)偽譜法研究了多級(jí)運(yùn)載火箭不同故障程度下的在線軌跡重規(guī)劃方案。LIU等［31］為提高Gauss偽譜法的計(jì)算效率，提出了初值-終值迭代方法，將不考慮性能指標(biāo)的最優(yōu)解作為燃耗最優(yōu)問(wèn)題的初始猜測(cè)值，該方法有效地提升了最優(yōu)軌跡計(jì)算效率，但仍無(wú)法實(shí)現(xiàn)在線軌跡優(yōu)化。馬林［32］采用自適應(yīng)Gauss偽譜法求解了運(yùn)載火箭六自由度軌跡優(yōu)化問(wèn)題。王志祥［15］以故障時(shí)刻的飛行狀態(tài)為初值，結(jié)合助推段飛行終端約束，采用Gauss偽譜法完成了最優(yōu)軌跡重構(gòu)。但該方法無(wú)法保證任何故障狀態(tài)下運(yùn)載火箭仍能進(jìn)入目標(biāo)軌道，且軌跡優(yōu)化時(shí)間不符合在線軌跡重構(gòu)要求。張志國(guó)等［33］采用C語(yǔ)言版SNOPT求解器，通過(guò)調(diào)整Gauss偽譜法的節(jié)點(diǎn)數(shù)目和制導(dǎo)周期，在滿(mǎn)足入軌精度和終端約束的同時(shí)提高了計(jì)算效率，滿(mǎn)足了在線軌跡規(guī)劃需求，但節(jié)點(diǎn)數(shù)目和制導(dǎo)周期的確定依賴(lài)前期大量仿真，通用性和自主性較差。HE等［34］為解決推力下降故障下運(yùn)載火箭無(wú)法入軌的問(wèn)題，基于自適應(yīng)配點(diǎn)法離線生成了故障下的最優(yōu)救援軌道和上升軌跡，使用深度神經(jīng)網(wǎng)絡(luò)映射故障狀態(tài)與最優(yōu)救援軌道根數(shù)和終端控制變量的關(guān)系，確定不同故障狀態(tài)下應(yīng)進(jìn)入的救援軌道，最終采用自適應(yīng)配點(diǎn)法完成上升軌跡重構(gòu)。

目前，偽譜法的發(fā)展已不再局限于直接配點(diǎn)法的思路。FARHOO等［35］和YAN等［36］提出了只需要進(jìn)行簡(jiǎn)單矩陣運(yùn)算便可以獲得跟蹤制導(dǎo)指令的間接偽譜法。隨后TIAN等［37］和LIAO等［38］等分別將間接Legendre偽譜法和間接Radau偽譜法用于大氣再入跟蹤制導(dǎo)。同時(shí)，經(jīng)典偽譜法也常常和滾動(dòng)時(shí)域控制結(jié)合，用于設(shè)計(jì)運(yùn)載器大氣再入跟蹤制導(dǎo)律。此外，YANG等［39］和RAHMAN等［40］等也開(kāi)發(fā)了不依賴(lài)參考軌跡的偽譜模型預(yù)測(cè)制導(dǎo)算法，實(shí)現(xiàn)了大氣層外運(yùn)載火箭自適應(yīng)制導(dǎo)，將有望應(yīng)用于推力下降故障場(chǎng)景。MA等［41］采用投影牛頓型方法改進(jìn)了并行牛頓型制導(dǎo)方法，并將其用于在線求解運(yùn)載火箭動(dòng)力下降故障下時(shí)間自由軌跡重規(guī)劃問(wèn)題。盡管間接偽譜法和基于經(jīng)典偽譜法的模型預(yù)測(cè)控制算法在運(yùn)載火箭軌跡優(yōu)化方面應(yīng)用較少，但大氣再入和上升2類(lèi)場(chǎng)景互為逆過(guò)程，因此該思路也可推廣到運(yùn)載火箭制導(dǎo)領(lǐng)域。

2.3　凸優(yōu)化方法

凸優(yōu)化方法通過(guò)凸松弛、無(wú)損凸化等手段，將非凸優(yōu)化問(wèn)題轉(zhuǎn)化為凸問(wèn)題求解，由于凸優(yōu)化理論具有理論全局最優(yōu)性和多項(xiàng)式計(jì)算復(fù)雜度的優(yōu)勢(shì)，在飛行器軌跡優(yōu)化和制導(dǎo)領(lǐng)域得到了廣泛關(guān)注。美國(guó)國(guó)家航空航天局（National Aeronautics and Space Administration，NASA）和太空探索技術(shù)公司為Falcon 9火箭垂直著陸開(kāi)發(fā)的制導(dǎo)算法G-FOLD就采用了凸優(yōu)化方法［42］。CHENG等［43］在研究火箭最優(yōu)上升制導(dǎo)問(wèn)題時(shí)采用Newton-Kantorovich迭代法對(duì)系統(tǒng)動(dòng)力學(xué)進(jìn)行線性化，再使用序列凸優(yōu)化法進(jìn)行求解，同時(shí)給出收斂性證明，算法計(jì)算耗時(shí)約 2～3 s。王嘉煒等［44］在CHENG研究成果的基礎(chǔ)上向性能指標(biāo)中加入鄰近規(guī)則化項(xiàng)，采用Proximal-Newton-Kantorovich迭代法對(duì)動(dòng)力學(xué)進(jìn)行線性化，計(jì)算效率進(jìn)一步提高到1 s。SUN等［45］在序列凸優(yōu)化方法的基礎(chǔ)上，引入了收縮信賴(lài)域策略，提高了算法求解效率，但只求解了運(yùn)載火箭在彈道平面內(nèi)的上升制導(dǎo)問(wèn)題。ZHANG等［46］考慮了火箭上升過(guò)程中的阻力，采用序列凸優(yōu)化方法求解了發(fā)射平面內(nèi)的上升軌跡。BENEDIKTER等［47-48］結(jié)合序列凸優(yōu)化和同倫策略，提出了用于解決運(yùn)載火箭大氣層內(nèi)時(shí)間最優(yōu)軌跡優(yōu)化問(wèn)題的凸優(yōu)化算法。李敏等［49］將火箭制導(dǎo)控制一體化動(dòng)力學(xué)模型反饋線性化，從而將非凸軌跡跟蹤問(wèn)題轉(zhuǎn)化為凸優(yōu)化問(wèn)題，并在模型預(yù)測(cè)控制框架下實(shí)現(xiàn)魯棒制導(dǎo)，但只研究了彈道平面內(nèi)的跟蹤制導(dǎo)問(wèn)題。近期，偽譜凸優(yōu)化憑借更高的計(jì)算精度和計(jì)算效率得到關(guān)注。在運(yùn)載火箭軌跡優(yōu)化方面，王洪波等［50］采用LGR偽譜凸優(yōu)化方法，并將滑行時(shí)間增廣為控制變量，解決了固體燃料運(yùn)載火箭入軌制導(dǎo)的點(diǎn)火時(shí)間不確定問(wèn)題。

此外，李師堯等［51］將二維簡(jiǎn)化模型下的優(yōu)化結(jié)果作為推力故障下軌跡重構(gòu)問(wèn)題的初值，通過(guò)凸優(yōu)化求解了燃耗最優(yōu)的最高圓軌道或橢圓軌道。 宋征宇等［52］在故障時(shí)估計(jì)地心角和凸優(yōu)化計(jì)算最高圓軌道，并將其作為自適應(yīng)偽譜法的初值，進(jìn)一步求解不含地心角約束的最高圓軌道用于決策是否調(diào)整軌道根數(shù)。LI等［53］結(jié)合無(wú)損凸優(yōu)化和序列凸優(yōu)化方法，求解了推力下降故障下運(yùn)載火箭軌跡優(yōu)化問(wèn)題，使運(yùn)載火箭進(jìn)入最優(yōu)或次優(yōu)軌道。 LI等［54］進(jìn)一步提出間接凸優(yōu)化方法，但只適用于大氣層外軌跡優(yōu)化。MIAO等［55］引入虛擬控制量來(lái)彌補(bǔ)推力故障導(dǎo)致的火箭加速度損失，通過(guò)求解凸優(yōu)化問(wèn)題來(lái)判斷推力故障下運(yùn)載火箭是否能進(jìn)入目標(biāo)軌道。SONG等［56］為解決推力下降情況下運(yùn)載火箭目標(biāo)軌道與飛行軌跡的在線聯(lián)合優(yōu)化問(wèn)題，提出了狀態(tài)觸發(fā)指標(biāo)以提高求解效率，包括用于計(jì)算推力下降時(shí)軌道面內(nèi)最高圓軌道、橢圓軌道的最優(yōu)高度指標(biāo)，以及尋找非共面最高橢圓軌道的最小軌道平面偏差指標(biāo)，進(jìn)而構(gòu)造了近似子問(wèn)題來(lái)初始化凸優(yōu)化算法，使得最優(yōu)軌跡收斂于最優(yōu)或次優(yōu)解，避免了推力下降導(dǎo)致軌跡重構(gòu)問(wèn)題無(wú)解。

2.4　啟發(fā)式方法

啟發(fā)式方法通過(guò)模擬物理或生物規(guī)律實(shí)現(xiàn)問(wèn)題尋優(yōu)，主要包括模擬退火算法、粒子群算法、遺傳算法、哈里斯鷹算法、鯨優(yōu)化算法等。由于發(fā)展較早，已有大量文獻(xiàn)將啟發(fā)式算法用于運(yùn)載火箭軌跡優(yōu)化。羅亞中等［57］為二級(jí)運(yùn)載火箭提出了基于軌道分解優(yōu)化和遺傳算法（Genetic Algorithm，GA）的太陽(yáng)同步軌道任務(wù)發(fā)射軌跡設(shè)計(jì)方法。胡凡等［58］將自適應(yīng)遺傳算法優(yōu)化的結(jié)果作為序列二次規(guī)劃的優(yōu)化初值，以起飛質(zhì)量為目標(biāo)函數(shù)，研究了固體燃料運(yùn)載火箭軌跡和參數(shù)一體優(yōu)化的問(wèn)題。楊希祥等［59］通過(guò)改進(jìn)控制參數(shù)和引入函數(shù)拉伸策略，對(duì)粒子群算法進(jìn)行了改良，并求解了固體燃料運(yùn)載火箭上升段程序角優(yōu)化問(wèn)題，同時(shí)闡述了智能算法在飛行器軌跡優(yōu)化中的應(yīng)用。張柳等［60］改進(jìn)了PSO-Powell算法的參數(shù)設(shè)置，并引入增廣拉格朗日乘子處理運(yùn)載火箭上升段的過(guò)程約束，取得了良好的效果。高哲等［61］將最大有效載荷作為優(yōu)化目標(biāo)函數(shù)，研究了罰函數(shù)法、粒子群算法和Powell法在多級(jí)固體燃料運(yùn)載火箭軌跡優(yōu)化問(wèn)題中的性能。李曉蘇［62］采用多目標(biāo)啟發(fā)式算法對(duì)運(yùn)載火箭軌跡規(guī)劃問(wèn)題進(jìn)行研究，從算法的計(jì)算時(shí)間、收斂性和收斂速度等方面進(jìn)行分析評(píng)估。根據(jù)現(xiàn)有研究可知，啟發(fā)式算法一般用于運(yùn)載火箭發(fā)射前總體參數(shù)和參考軌跡的優(yōu)化，在應(yīng)對(duì)動(dòng)力系統(tǒng)故障方面作用不大。

2.5　不確定性方法

有別于確定性?xún)?yōu)化問(wèn)題，不確定性?xún)?yōu)化問(wèn)題考慮了系統(tǒng)參數(shù)、初始條件等因素的誤差，研究系統(tǒng)在誤差條件下的演化。主要的不確定性?xún)?yōu)化方法包括魯棒優(yōu)化、協(xié)方差分析、系統(tǒng)靈敏度理論、不確定性量化等。ROSE等［63］將線性協(xié)方差技術(shù)應(yīng)用于動(dòng)力顯式制導(dǎo)，開(kāi)發(fā)了快速確定軌跡控制誤差、推進(jìn)劑偏差、入軌偏差、導(dǎo)航誤差，以及傳感器誤差、執(zhí)行器不確定性和隨機(jī)干擾靈敏度的仿真工具，可用于多級(jí)運(yùn)載火箭發(fā)射前任務(wù)分析。倪彧祺［64］在考慮運(yùn)載火箭模型參數(shù)不確定性的情況下使用協(xié)方差矩陣方法設(shè)計(jì)了閉環(huán)制導(dǎo)律，有效抑制了模型參數(shù)誤差對(duì)入軌精度的影響。SHEN等［65］基于系統(tǒng)靈敏度理論提出了脫敏最優(yōu)控制，通過(guò)引入微分黎卡提方程實(shí)現(xiàn)了火箭在各類(lèi)不確定性條件下的垂直閉環(huán)著陸，該算法可推廣到運(yùn)載火箭上升軌跡優(yōu)化和制導(dǎo)問(wèn)題中。ZHANG等［66］分析了模型參數(shù)、外界干擾等不確定性因素對(duì)運(yùn)載器軌跡優(yōu)化的影響，并采用基于靈敏度非線性規(guī)劃求解器sIPOPT的Gauss偽譜法求解了運(yùn)載器軌跡優(yōu)化問(wèn)題。但是非確定性?xún)?yōu)化方法很少考慮動(dòng)力系統(tǒng)非致命故障。

2.6　制導(dǎo)技術(shù)小結(jié)

綜上所述，現(xiàn)有制導(dǎo)方法的總結(jié)見(jiàn)表2。

表2　制導(dǎo)方法性能對(duì)比

目前，自主制導(dǎo)是運(yùn)載火箭動(dòng)力系統(tǒng)故障下制導(dǎo)技術(shù)的研究熱點(diǎn)，該方法根據(jù)飛行狀態(tài)實(shí)時(shí)規(guī)劃滿(mǎn)足后續(xù)過(guò)程約束和終端條件的飛行軌跡，并生成當(dāng)前制導(dǎo)指令。自主制導(dǎo)可以處理復(fù)雜、時(shí)變的非線性約束，具有很強(qiáng)的適應(yīng)性和魯棒性。通常，具有同一概念的方法也被稱(chēng)為計(jì)算制導(dǎo)、在線軌跡優(yōu)化、自主任務(wù)規(guī)劃、自適應(yīng)最優(yōu)制導(dǎo)、端對(duì)端規(guī)劃、容錯(cuò)制導(dǎo)等［52］，但自主制導(dǎo)對(duì)于制導(dǎo)律的計(jì)算效率和可靠性有較高的要求，因此提高算法的計(jì)算效率和收斂性是后續(xù)發(fā)展運(yùn)載火箭動(dòng)力系統(tǒng)故障下制導(dǎo)技術(shù)的關(guān)鍵。

3　動(dòng)力系統(tǒng)故障下控制技術(shù)

運(yùn)載火箭發(fā)動(dòng)機(jī)推力下降，或者擺角執(zhí)行機(jī)構(gòu)卡死、飽和、損傷等故障時(shí)容易導(dǎo)致運(yùn)載火箭姿態(tài)控制系統(tǒng)的控制精度下降，而未建模或建模不充分的彈性震動(dòng)和液體晃動(dòng)可能覆蓋控制指令，因此要求運(yùn)載火箭姿態(tài)控制系統(tǒng)具備容錯(cuò)和抗干擾能力。為避免動(dòng)力系統(tǒng)故障給運(yùn)載火箭姿態(tài)控制系統(tǒng)造成嚴(yán)重影響，通常采用硬件冗余和解析冗余方案提高運(yùn)載火箭姿態(tài)控制系統(tǒng)的性能。硬件冗余是指在設(shè)計(jì)姿態(tài)控制系統(tǒng)時(shí)額外增加若干個(gè)機(jī)構(gòu)，當(dāng)部分機(jī)構(gòu)發(fā)生故障時(shí)剩余的機(jī)構(gòu)仍能保證控制系統(tǒng)穩(wěn)定［67］。解析冗余則通過(guò)設(shè)計(jì)恰當(dāng)?shù)目刂破?，最大限度地利用控制能力，提高姿態(tài)控制系統(tǒng)應(yīng)對(duì)故障的能力。硬件冗余只需要在發(fā)生故障時(shí)啟用備份硬件即可，對(duì)控制器的設(shè)計(jì)沒(méi)有特殊要求。解析冗余又稱(chēng)主動(dòng)冗余或容錯(cuò)控制，根據(jù)故障信息來(lái)改變控制器參數(shù)或結(jié)構(gòu)，從而充分利用系統(tǒng)控制能力實(shí)現(xiàn)故障在線補(bǔ)償。目前，運(yùn)載火箭動(dòng)力系統(tǒng)故障補(bǔ)償成功案例基本上都是基于動(dòng)力系統(tǒng)硬件冗余實(shí)現(xiàn)的，即關(guān)閉故障發(fā)動(dòng)機(jī)后對(duì)其他并聯(lián)發(fā)動(dòng)機(jī)進(jìn)行調(diào)節(jié)，以補(bǔ)償發(fā)動(dòng)機(jī)故障造成的推力減少和推力方向偏差。但運(yùn)載火箭的發(fā)動(dòng)機(jī)和執(zhí)行機(jī)構(gòu)等硬件冗余已經(jīng)達(dá)到上限，難以通過(guò)繼續(xù)增加冗余度來(lái)提高制導(dǎo)控制品質(zhì)，因此，解析冗余是當(dāng)前研究的重點(diǎn)。

解析冗余的實(shí)現(xiàn)方式較多，根據(jù)是否需要準(zhǔn)確的故障信息，可將解析冗余方法分為2類(lèi)：1）依賴(lài)在線故障診斷信息對(duì)系統(tǒng)控制力矩進(jìn)行重構(gòu)，使得系統(tǒng)在故障情況下仍能保持高精度穩(wěn)定，該方法根據(jù)故障信息主動(dòng)調(diào)整了控制律，也被稱(chēng)為主動(dòng)容錯(cuò)控制；2）不依賴(lài)精確的故障信息，而是通過(guò)自適應(yīng)或魯棒策略，根據(jù)故障下?tīng)顟B(tài)量的變化情況進(jìn)行控制律參數(shù)在線調(diào)節(jié)，從而保持控制系統(tǒng)穩(wěn)定，也被稱(chēng)為被動(dòng)容錯(cuò)控制［6］。因此，運(yùn)載火箭控制技術(shù)的研究方向主要包括故障診斷技術(shù)、控制力矩重構(gòu)技術(shù)，以及被動(dòng)容錯(cuò)控制技術(shù)。此外，鑒于控制模型中未建模動(dòng)態(tài)給姿態(tài)控制系統(tǒng)造成的干擾，控制系統(tǒng)對(duì)箭體震動(dòng)的抑制技術(shù)也是研究的重點(diǎn)。

3.1　故障診斷技術(shù)

故障診斷技術(shù)是火箭發(fā)動(dòng)機(jī)健康管理系統(tǒng)的核心，是基于數(shù)據(jù)、知識(shí)和模型的故障診斷算法，用于飛行、試車(chē)和試車(chē)后的發(fā)動(dòng)機(jī)故障診斷與分析［68-69］。對(duì)于飛行過(guò)程中發(fā)生的動(dòng)力系統(tǒng)故障，由于運(yùn)載火箭難以測(cè)量全部信號(hào)且地面測(cè)控系統(tǒng)也無(wú)法及時(shí)處理回傳信號(hào)，因此自主故障診斷技術(shù)非常重要。

自主故障診斷系統(tǒng)應(yīng)具備自主故障檢測(cè)、估計(jì)和定位能力，其中故障檢測(cè)和估計(jì)反映了故障是否發(fā)生以及嚴(yán)重程度，故障定位則需要確定故障的位置并將其從控制系統(tǒng)中隔離［70-72］。常用的自主故障診斷方法是基于冗余信息的處理與自檢測(cè)技術(shù)，主要依據(jù)交叉檢查、一致性檢查、表決機(jī)制等策略，已經(jīng)得到實(shí)際應(yīng)用。

基于知識(shí)和數(shù)據(jù)的方法受限于箭上計(jì)算能力而發(fā)展較慢。目前，自主故障診斷主要依賴(lài)基于模型的算法［69］。自主測(cè)試工程師（Knowledge-based Autonomous Test Engineer，KATE）方法是基于模型的算法之一，該方法建立發(fā)動(dòng)機(jī)的標(biāo)稱(chēng)模型和故障模型，通過(guò)數(shù)學(xué)仿真發(fā)現(xiàn)和定位故障。隨著控制理論的發(fā)展，基于濾波器、系統(tǒng)辨識(shí)和最優(yōu)化等方法的故障診斷方法逐漸發(fā)展起來(lái)。符文星等［73］基于簡(jiǎn)化的運(yùn)載火箭6自由度模型，在擴(kuò)展卡爾曼濾波中引入時(shí)變遺忘因子，實(shí)時(shí)調(diào)整狀態(tài)預(yù)測(cè)誤差協(xié)方差矩陣的大小，從而調(diào)整濾波器增益矩陣以提高濾波器對(duì)推力突變故障的適應(yīng)能力。在此基礎(chǔ)上，ZHANG等［74］則通過(guò)擴(kuò)展卡爾曼濾波計(jì)算俯仰角速度的殘差，采用靈敏度分析方法確定殘差和推力下降比例之間的關(guān)系式，并根據(jù)箭體法向過(guò)載信息確定故障發(fā)動(dòng)機(jī)位置。葉松等［70］在此基礎(chǔ)上采用滾動(dòng)二次規(guī)劃方法代替最小二乘方法估計(jì)了推力下降的程度。CHEN等［75］則基于運(yùn)載火箭模型，使用跟蹤微分器估計(jì)故障情況下角加速度，通過(guò)對(duì)比故障下和非故障下的角加速度來(lái)判斷是否發(fā)生故障，并引入帶有遺忘因子的最小二乘算法和加速度信息實(shí)現(xiàn)推力下降故障程度和位置的估計(jì)。CHA等［76］建立液體燃料發(fā)動(dòng)機(jī)的非線性模型，結(jié)合擴(kuò)展卡爾曼濾波和無(wú)跡卡爾曼濾波設(shè)計(jì)了多模型濾波器用于檢測(cè)發(fā)動(dòng)機(jī)故障。LEE等［77］為進(jìn)一步實(shí)現(xiàn)發(fā)動(dòng)機(jī)穩(wěn)定工作情況下的故障，將發(fā)動(dòng)機(jī)模型線性化，基于卡爾曼濾波、閾值測(cè)試、白度測(cè)試、廣義似然比測(cè)試和多模型方法設(shè)計(jì)了故障診斷算法，能夠快速準(zhǔn)確地定位發(fā)動(dòng)機(jī)渦輪效率下降故障。孫成志等［78］基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論，采用徑向基神經(jīng)網(wǎng)絡(luò)建立火箭視加速度、角速度和故障類(lèi)型矩陣的映射關(guān)系來(lái)完成火箭發(fā)動(dòng)機(jī)故障診斷，隨后基于D-S證據(jù)理論融合故障診斷結(jié)果，并通過(guò)擴(kuò)展卡爾曼濾波完成火箭飛行狀態(tài)特征量估計(jì)，確定運(yùn)載火箭推力下降比例或執(zhí)行機(jī)構(gòu)是否卡死。王碩等［79］聯(lián)立角速度和視加速度的狀態(tài)方程，構(gòu)造了卡爾曼濾波的測(cè)量方程，采用帶有遺忘因子的最小二乘算法估計(jì)了推力下降程度，算法具有一定魯棒性。趙萬(wàn)里等［80］為解決某型液體燃料火箭發(fā)動(dòng)機(jī)的實(shí)時(shí)故障診斷問(wèn)題，基于現(xiàn)有發(fā)動(dòng)機(jī)模型和傳感器數(shù)量，設(shè)計(jì)了一種遞歸結(jié)構(gòu)識(shí)別算法。該方法采用自適應(yīng)學(xué)習(xí)網(wǎng)絡(luò)建立了傳感器輸出信號(hào)和發(fā)動(dòng)機(jī)響應(yīng)量之間的最優(yōu)預(yù)測(cè)模型，若預(yù)測(cè)響應(yīng)和實(shí)際響應(yīng)的誤差超過(guò)閾值，則判斷發(fā)動(dòng)機(jī)發(fā)生故障，再根據(jù)平均絕對(duì)誤差完成故障定位，算法在FPGA和DSP雙系統(tǒng)平臺(tái)上部署后可在 6 ms內(nèi)診斷出發(fā)動(dòng)機(jī)流量衰減故障。

3.2　控制力矩重構(gòu)技術(shù)

控制重構(gòu)技術(shù)是根據(jù)故障信息對(duì)控制器的參數(shù)或結(jié)構(gòu)進(jìn)行在線調(diào)整，可以充分利用系統(tǒng)的控制能力來(lái)減小甚至消除動(dòng)力系統(tǒng)故障的不良影響。在航空航天領(lǐng)域，控制重構(gòu)技術(shù)主要用于衛(wèi)星姿態(tài)噴管故障重構(gòu)、飛機(jī)或運(yùn)載器氣動(dòng)舵面故障重構(gòu)?？刂浦貥?gòu)技術(shù)主要有廣義逆、線性規(guī)劃、二次規(guī)劃、凸優(yōu)化、神經(jīng)網(wǎng)絡(luò)等方法［15，67，81］。尹彪等［82］針對(duì)運(yùn)載火箭發(fā)動(dòng)機(jī)擺角發(fā)生卡死故障，對(duì)擺角進(jìn)行重新分配后實(shí)現(xiàn)了控制力矩重構(gòu)，但沒(méi)有考慮擺角速率和擺角幅值等約束。黃盤(pán)興［67］以重構(gòu)力矩誤差為目標(biāo)函數(shù)，構(gòu)造了二次規(guī)劃問(wèn)題，采用不動(dòng)點(diǎn)迭代法進(jìn)行求解，相比經(jīng)典偽逆法可以避免執(zhí)行機(jī)構(gòu)飽和。孟洲［81］將芯級(jí)和助推級(jí)進(jìn)行聯(lián)合分配，通過(guò)廣義逆法實(shí)現(xiàn)控制力矩重構(gòu)，避免了運(yùn)載火箭執(zhí)行機(jī)構(gòu)卡死導(dǎo)致的姿態(tài)失穩(wěn)。李鑄［83］將重構(gòu)力矩誤差最小問(wèn)題松弛為一個(gè)凸優(yōu)化問(wèn)題，采用凸優(yōu)化方法求解，滿(mǎn)足控制約束的同時(shí)保證誤差最小，但計(jì)算效率有待提高。

進(jìn)一步采用神經(jīng)網(wǎng)絡(luò)建立了故障程度和重構(gòu)最優(yōu)解之間的映射網(wǎng)絡(luò)，實(shí)現(xiàn)在線重構(gòu)。馮昊等［84］基于故障補(bǔ)償思想，開(kāi)展了執(zhí)行機(jī)構(gòu)卡死故障下的大推力運(yùn)載火箭控制分配研究，但未考慮執(zhí)行機(jī)構(gòu)的幅值和速率飽和。程堂明等［85］采用線性規(guī)劃控制方法進(jìn)行運(yùn)載火箭擺角分配，系統(tǒng)容錯(cuò)性能提高，但該方法計(jì)算耗時(shí)較長(zhǎng)。余光學(xué)等［86］通過(guò)引入非負(fù)松弛變量，將等式和不等式約束統(tǒng)一為等式約束，將發(fā)動(dòng)機(jī)擺角控制分配問(wèn)題轉(zhuǎn)化為線性規(guī)劃問(wèn)題求解。ZHANG等［87］針對(duì)推力下降故障下運(yùn)載火箭姿態(tài)跟蹤控制問(wèn)題，提出了結(jié)合級(jí)聯(lián)偽逆分配方法和神經(jīng)元自適應(yīng)增益調(diào)度方法的兩級(jí)控制力矩重構(gòu)方案，同時(shí)針對(duì)一些典型的故障場(chǎng)景，提出了基于控制狀態(tài)可達(dá)性的故障系統(tǒng)重構(gòu)方法，該控制重構(gòu)策略能有效地處理推力損失故障，實(shí)用性較好。于海森等［88］將運(yùn)載火箭控制力矩重構(gòu)問(wèn)題描述為約束二次規(guī)劃問(wèn)題，并采用基于Armijo搜索準(zhǔn)則和BFGS算法相結(jié)合的控制分配算法進(jìn)行求解，該方法在單臺(tái)發(fā)動(dòng)機(jī)故障下具有良好的姿態(tài)控制精度。WEI等［89］基于自適應(yīng)非奇異快速終端滑?？刂坡?，提出了一種基于加速Landwber迭代的控制分配算法，根據(jù)執(zhí)行機(jī)構(gòu)的有效增益以及執(zhí)行機(jī)構(gòu)當(dāng)前位置到相應(yīng)飽和極限的距離來(lái)確定控制比例分配，同時(shí)將過(guò)飽和指令在正常執(zhí)行機(jī)構(gòu)之間進(jìn)行再分配，可用于執(zhí)行機(jī)構(gòu)發(fā)生故障時(shí)對(duì)控制器進(jìn)行在線重構(gòu)。綜上所述，控制力矩重構(gòu)多采用基于優(yōu)化的策略，通過(guò)優(yōu)化發(fā)動(dòng)機(jī)擺角來(lái)實(shí)現(xiàn)重構(gòu)力矩誤差最小。該策略能夠處理擺角幅值、擺角速率等約束條件，因而得到廣泛關(guān)注，但計(jì)算效率有待提高。

3.3　被動(dòng)容錯(cuò)控制技術(shù)

被動(dòng)容錯(cuò)控制技術(shù)在運(yùn)載火箭姿態(tài)控制技術(shù)領(lǐng)域發(fā)展較快，主要方法有自適應(yīng)控制、魯棒控制、滑?？刂啤⒛Ｐ皖A(yù)測(cè)控制等［6］，但現(xiàn)有研究大多考慮干擾、模型參數(shù)或結(jié)構(gòu)不確定性對(duì)控制系統(tǒng)性能的影響，而很少研究執(zhí)行機(jī)構(gòu)故障問(wèn)題。典型的運(yùn)載火箭被動(dòng)容錯(cuò)控制系統(tǒng)是NASA為太空發(fā)射系統(tǒng)（Space Launch System，SLS）開(kāi)發(fā)的自適應(yīng)增廣控制（Adaptive Augmented Control，AAC）方法［90-92］，該方法根據(jù)MH-90等飛機(jī)的自適應(yīng)駕駛系統(tǒng)開(kāi)發(fā)，結(jié)合了PID控制和自適應(yīng)技術(shù)。當(dāng)運(yùn)載火箭處于標(biāo)稱(chēng)飛行狀態(tài)且外部干擾較小時(shí)，由PID控制器單獨(dú)控制，而當(dāng)外部環(huán)境對(duì)火箭產(chǎn)生明顯干擾，導(dǎo)致模型結(jié)構(gòu)或參數(shù)發(fā)生較大改變時(shí)，自適應(yīng)控制將通過(guò)系統(tǒng)辨識(shí)方法修改模型，并聯(lián)合PID控制器調(diào)整控制指令，因?qū)刂葡到y(tǒng)中未知或未建模動(dòng)態(tài)、非線性和環(huán)境干擾具有很好的魯棒性［6，93-94］。NASA從2012年開(kāi)始系統(tǒng)測(cè)試自適應(yīng)增廣控制技術(shù)在運(yùn)載火箭控制系統(tǒng)中的應(yīng)用效果，先后開(kāi)展了數(shù)值仿真、F-18飛行測(cè)試和全面安全性評(píng)估，測(cè)試結(jié)果表明，AAC方法對(duì)于閉環(huán)不穩(wěn)定情況具有抑制作用，具有從低控制性能中恢復(fù)、防止或減少火箭控制系統(tǒng)失效的能力，有效地增強(qiáng)了系統(tǒng)的穩(wěn)定性和魯棒性［90-92］。目前，AAC方法已經(jīng)用于SLS的無(wú)人飛行測(cè)試。TROTTA等［95］對(duì)AAC方法進(jìn)行了改進(jìn)，提出采用魯棒優(yōu)化方法替代AAC的參數(shù)整定工作，分別采用基于遺傳算法和Min-max策略對(duì)這一魯棒優(yōu)化問(wèn)題進(jìn)行求解。仿真結(jié)果表明，運(yùn)載火箭在故障和干擾情況下的姿態(tài)穩(wěn)定概率達(dá)到94%。 崔乃剛等［97］為自適應(yīng)增廣控制增加了干擾補(bǔ)償回路和主動(dòng)減載回路，明顯提高了運(yùn)載火箭在內(nèi)部參數(shù)、外界風(fēng)干擾和彈性震動(dòng)影響下的適應(yīng)能力。

除AAC方法之外，LEFEVRE等［91］針對(duì)Ares-I火箭的彈性抑制問(wèn)題，設(shè)計(jì)了基于誤差四元數(shù)和神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制器，當(dāng)推力下降10%時(shí)取得比傳統(tǒng)增益調(diào)度和PID控制律更好的跟蹤效果。梁小輝等［98］采用自適應(yīng)和滑模變結(jié)構(gòu)控制，設(shè)計(jì)了容錯(cuò)控制律，保證了運(yùn)載火箭發(fā)動(dòng)機(jī)擺角執(zhí)行機(jī)構(gòu)發(fā)生故障時(shí)姿態(tài)跟蹤誤差有限時(shí)間收斂，同時(shí)結(jié)合了自適應(yīng)動(dòng)態(tài)規(guī)劃方法對(duì)姿態(tài)跟蹤誤差進(jìn)行補(bǔ)償。ZHANG等［99］設(shè)計(jì)了固定時(shí)間擴(kuò)張狀態(tài)觀測(cè)器（Fixed-Time Extended State Observer，F(xiàn)xTESO），用以估計(jì)運(yùn)載火箭姿態(tài)跟蹤誤差的導(dǎo)數(shù)和外界干擾，結(jié)合具有自適應(yīng)增益的非奇異快速終端滑模方法（Nonsingular Fast Terminal Sliding Mode Scheme，NFTSMS）提出了一種自適應(yīng)容錯(cuò)控制方案，該方案對(duì)多種干擾和柵格翼的執(zhí)行器故障都具有魯棒性。馬艷如等［100-101］考慮干擾和執(zhí)行器故障，采用非奇異終端滑模方法解決了運(yùn)載火箭姿態(tài)系統(tǒng)跟蹤問(wèn)題，獲得了較好的抗干擾和故障容錯(cuò)能力，并使用自適應(yīng)徑向基神經(jīng)網(wǎng)絡(luò)逼近外界干擾和內(nèi)部故障造成的力矩增減量，進(jìn)而對(duì)控制力矩指令進(jìn)行補(bǔ)償，避免姿態(tài)跟蹤誤差因干擾和執(zhí)行機(jī)構(gòu)故障而發(fā)散。朱海洋等［72］針對(duì)運(yùn)載火箭推力下降或執(zhí)行機(jī)構(gòu)卡死等故障，提出了構(gòu)建基于RBF神經(jīng)網(wǎng)絡(luò)的在線辨識(shí)模型，并結(jié)合滑模變結(jié)構(gòu)控制設(shè)計(jì)了基線控制器對(duì)故障模型和干擾進(jìn)行辨識(shí)和補(bǔ)償，實(shí)現(xiàn)建模偏差較大、單臺(tái)執(zhí)行機(jī)構(gòu)卡死和芯級(jí)單臺(tái)發(fā)動(dòng)機(jī)推力下降多種故障工況下姿態(tài)控制系統(tǒng)的穩(wěn)定。蘇秀健［102］針對(duì)發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)卡死故障，采用二次規(guī)劃方法進(jìn)行擺角重構(gòu)，結(jié)合自適應(yīng)L1控制器提高了控制系統(tǒng)的穩(wěn)定性。孫慧杰［103］針對(duì)運(yùn)載火箭擺角輸出受限或卡死的情況，采用L2增益干擾滑?？刂破鬟M(jìn)行故障抑制，避免了控制飽和導(dǎo)致的箭體姿態(tài)不穩(wěn)定。ZHAO等［104］考慮未知外部干擾、動(dòng)力學(xué)建模誤差、執(zhí)行機(jī)構(gòu)故障和執(zhí)行機(jī)構(gòu)約束的情況，通過(guò)輸入輸出反饋將運(yùn)載火箭姿態(tài)動(dòng)力學(xué)表述為二階輸入輸出系統(tǒng)，使用廣義比例積分（Generalized Proportional Integral，GPI）觀測(cè)器對(duì)系統(tǒng)的狀態(tài)和廣義擾動(dòng)進(jìn)行估計(jì)，同時(shí)引入非線性積分滑模流形進(jìn)行魯棒容錯(cuò)滑模控制器設(shè)計(jì)，使該控制方案在面對(duì)執(zhí)行機(jī)構(gòu)故障和執(zhí)行機(jī)構(gòu)約束時(shí)具有良好的姿態(tài)跟蹤性能。

3.4　震動(dòng)抑制技術(shù)

由于測(cè)量得到的角度和角速度信號(hào)含有運(yùn)載火箭的彈性震動(dòng)和液體晃動(dòng)信號(hào)，進(jìn)而影響控制精度。如果運(yùn)載火箭的彈性震動(dòng)和液體晃動(dòng)信號(hào)過(guò)大，將導(dǎo)致控制信號(hào)被覆蓋，進(jìn)而無(wú)法穩(wěn)定箭體姿態(tài)，因此工程型號(hào)中通常采用陷波器抑制箭體彈性震動(dòng)信號(hào)。如ORR等［90］通過(guò)線性濾波器實(shí)現(xiàn)太空發(fā)射系統(tǒng)橫向彎曲和晃動(dòng)的相位穩(wěn)定。TROTTA等［95］為了增強(qiáng)對(duì)彈性模態(tài)參數(shù)變化的魯棒性，為自適應(yīng)增廣控制集成了自適應(yīng)陷波濾波器，以保證一階彈性模態(tài)的相位穩(wěn)定。LEFEVRE等［96］為避免箭體彈性震動(dòng)信號(hào)影響姿態(tài)跟蹤精度，在反饋控制回路中引入了濾波器，降低了彈性震動(dòng)的影響。自適應(yīng)濾波器的核心是震動(dòng)頻率辨識(shí)，主要有時(shí)域法和頻域法［6］。時(shí)域法通過(guò)迭代或遞歸的方式來(lái)自適應(yīng)更新陷波器參數(shù)，從而實(shí)現(xiàn)震動(dòng)辨識(shí)，主要有陣列辨識(shí)法和模型辨識(shí)法等。但時(shí)域法運(yùn)算量大、辨識(shí)參數(shù)精度不高。頻域法通過(guò)傅里葉變換及插值方法將系統(tǒng)變換到頻域內(nèi)，然后采用極點(diǎn)配置自校正等方法進(jìn)行陷波器設(shè)計(jì)。

1）時(shí)域法

范軍朋［105］為辨識(shí)箭體彈性震動(dòng)頻率，基于遞推最小二乘法設(shè)計(jì)了自適應(yīng)陷波器。ZHAO等［104］為消除彈性模態(tài)的影響，采用自適應(yīng)陷波器處理角度和角速度的量測(cè)信號(hào)。趙小平等［106］結(jié)合參數(shù)投影技術(shù)和μ綜合法設(shè)計(jì)了自適應(yīng)魯棒∞控制器，以應(yīng)對(duì)大型運(yùn)載火箭飛行參數(shù)不確定性和彈性震動(dòng)明顯的情況。劉昆等［107］基于Steiglitz-McBride方法（SMM）設(shè)計(jì)了自適應(yīng)濾波器抑制彈性震動(dòng)信號(hào)。ZHANG等［99］基于SMM設(shè)計(jì)了自適應(yīng)震動(dòng)頻率識(shí)別算法，并采用自適應(yīng)IIR濾波器對(duì)火箭各階震動(dòng)頻率進(jìn)行識(shí)別，同時(shí)設(shè)計(jì)了相應(yīng)的校正網(wǎng)絡(luò)。張晉［108］設(shè)計(jì)了基于量子遺傳算法的彈性震動(dòng)抑制網(wǎng)絡(luò)。

2）頻域法

CHOI等［109］提出將陷波器極點(diǎn)保持在平面單位圓內(nèi)并對(duì)參數(shù)進(jìn)行自適應(yīng)調(diào)整，可滿(mǎn)足單參數(shù)濾波器始終穩(wěn)定，保證濾波收斂，同時(shí)對(duì)彈性彎曲信號(hào)的抑制作用良好。KHOSHNOOD等［110］為解決箭體的震動(dòng)濾波問(wèn)題，基于模型參考自適應(yīng)理論設(shè)計(jì)了陷波器，確保了姿態(tài)控制系統(tǒng)的閉環(huán)穩(wěn)定。ELMELHI［111］采用徑向基神經(jīng)網(wǎng)絡(luò)積分器替換了經(jīng)典自適應(yīng)陷波濾波器的頻率跟蹤積分器，從而擴(kuò)大了經(jīng)典自適應(yīng)濾波器的跟蹤范圍，保證閉環(huán)系統(tǒng)在大頻率彈性震動(dòng)情況下仍能保持有效增益。CHOONG等［112］將運(yùn)載火箭的平面運(yùn)動(dòng)簡(jiǎn)化為剛體俯仰運(yùn)動(dòng)與彈性震動(dòng)耦合模型，通過(guò)自適應(yīng)更新陷波器的參數(shù)，地面試驗(yàn)表明，該方法可以實(shí)現(xiàn)運(yùn)載火箭的姿態(tài)穩(wěn)定。張志健等［113］基于插值離散傅立葉變換設(shè)計(jì)了自適應(yīng)陷波方法，以防止固定系數(shù)陷波器處理低頻震動(dòng)信號(hào)時(shí)導(dǎo)致的相位滯后問(wèn)題。

3.5　控制技術(shù)小結(jié)

運(yùn)載火箭動(dòng)力系統(tǒng)故障主要是運(yùn)載火箭推力下降和執(zhí)行機(jī)構(gòu)卡死，實(shí)現(xiàn)故障下的容錯(cuò)控制是運(yùn)載火箭姿態(tài)控制的關(guān)鍵之一。隨著運(yùn)載火箭的大型化和復(fù)雜化，姿態(tài)控制系統(tǒng)的震動(dòng)抑制能力也很重要。根據(jù)調(diào)研結(jié)果，自主故障診斷、控制力矩重構(gòu)、陷波器3類(lèi)技術(shù)的特征對(duì)比和總結(jié)分別如圖4、表3和表4所示，而各類(lèi)被動(dòng)容錯(cuò)姿態(tài)控制方法在干擾、誤差等不確定條件下的研究較為成熟，但對(duì)運(yùn)載火箭動(dòng)力系統(tǒng)故障的容錯(cuò)性能有待進(jìn)一步研究。

圖4　自主故障診斷方法性能對(duì)比

表3　控制力矩重構(gòu)方法對(duì)比

表4　陷波器設(shè)計(jì)方法對(duì)比

4　人工智能技術(shù)的應(yīng)用前景

航天事業(yè)的快速發(fā)展對(duì)運(yùn)載火箭的安全性、可靠性和速度提出了新的要求，但傳統(tǒng)的運(yùn)載火箭制導(dǎo)控制技術(shù)需要大量的發(fā)射前準(zhǔn)備工作，并且任務(wù)適應(yīng)能力單一，難以適應(yīng)未來(lái)復(fù)雜多變的發(fā)射任務(wù)和飛行工況。隨著人工智能技術(shù)在控制領(lǐng)域的應(yīng)用發(fā)展，采用人工智能技術(shù)解決傳統(tǒng)制導(dǎo)控制技術(shù)難以克服的問(wèn)題成為可能。目前，北京航天自動(dòng)控制研究所提出了“會(huì)學(xué)習(xí)”的運(yùn)載火箭概念，如圖5所示，包括“邊飛邊學(xué)”和“終身學(xué)習(xí)”兩大特征［114-115］。其中，“邊飛邊學(xué)”要求運(yùn)載火箭充分利用箭上資源，在飛行過(guò)程中通過(guò)先進(jìn)的控制理論和機(jī)器學(xué)習(xí)等技術(shù)實(shí)現(xiàn)飛行狀態(tài)和環(huán)境參數(shù)在線辨識(shí)、運(yùn)載和控制能力在線評(píng)估、目標(biāo)在線變更、軌跡在線重新規(guī)劃、控制力矩在線重構(gòu)等功能，具備任務(wù)快響應(yīng)、環(huán)境強(qiáng)適應(yīng)、飛行自學(xué)習(xí)的特點(diǎn)?！敖K身學(xué)習(xí)”要求基于大數(shù)據(jù)等技術(shù)充分挖掘運(yùn)載火箭全生命周期數(shù)據(jù)，完成智能建模、智能模型修正方案以及參數(shù)智能優(yōu)化等工作，實(shí)現(xiàn)運(yùn)載火箭制導(dǎo)控制系統(tǒng)的自我學(xué)習(xí)、優(yōu)化更新和遷移推廣。

圖5　“會(huì)學(xué)習(xí)”的運(yùn)載火箭概念

4.1　在自主制導(dǎo)方面的應(yīng)用

人工智能方法在自主制導(dǎo)方面主要有2項(xiàng)應(yīng)用：1）使用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)最優(yōu)軌跡數(shù)據(jù)庫(kù)，為任務(wù)目標(biāo)軌道在線規(guī)劃進(jìn)行決策；2）采用基于強(qiáng)化學(xué)習(xí)等策略進(jìn)行軌跡優(yōu)化，但該方法的實(shí)時(shí)性有待提高。張榮升等［117］通過(guò)程序角優(yōu)化構(gòu)建了推力下降故障下運(yùn)載火箭最優(yōu)彈道數(shù)據(jù)庫(kù)，并采用神經(jīng)網(wǎng)絡(luò)建立了推力下降故障與程序角之間的映射關(guān)系，使運(yùn)載火箭在發(fā)生推力下降故障時(shí)能夠在線估計(jì)剩余運(yùn)載能力和重構(gòu)程序角。HE等［34］采用由概率神經(jīng)網(wǎng)絡(luò)和基于故障救援知識(shí)訓(xùn)練的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)組成的故障救援知識(shí)集成模型，來(lái)確定最優(yōu)救援軌道。林子瑞等［3］針對(duì)運(yùn)載火箭推力下降時(shí)無(wú)法正常入軌的問(wèn)題，采用局部配點(diǎn)法建立推力下降故障下燃耗最優(yōu)軌跡數(shù)據(jù)庫(kù)，采用人工神經(jīng)網(wǎng)絡(luò)建立推力下降故障與入軌能力之間的映射關(guān)系，使運(yùn)載火箭出現(xiàn)推力下降時(shí)實(shí)現(xiàn)入軌能力在線評(píng)估與決策，提高了發(fā)射任務(wù)的成功率。譚述君等［118］采用離線優(yōu)化方法，建立各類(lèi)故障下的“故障狀態(tài)-救援軌道”樣本集，采用徑向基神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)庫(kù)得到入軌決策網(wǎng)絡(luò)，并用于運(yùn)載火箭在線軌跡重構(gòu)。CELIS等［119］提出了基于神經(jīng)網(wǎng)絡(luò)的非線性混合算法，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行導(dǎo)航傳感器數(shù)據(jù)融合以及動(dòng)力學(xué)模型的學(xué)習(xí)。蒙特卡洛仿真表明，該方法在閉環(huán)制導(dǎo)中對(duì)發(fā)射任務(wù)、傳感器性能、大氣和推力偏差具有很高的魯棒性。此外，國(guó)際制導(dǎo)控制專(zhuān)家IZZO等［120］闡述了人工智能方法在衛(wèi)星控制、火箭垂直著陸、火箭制導(dǎo)等方面的應(yīng)用和前景。CHENG等［121］和GAUDET等［122］分別采用深度神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法實(shí)現(xiàn)了小行星3自由度和6自由度著陸制導(dǎo)。陳書(shū)釗等［123］等提出了狀態(tài)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)控制方法，完成了小型火箭垂直回收試驗(yàn)。

4.2　在故障診斷方面的應(yīng)用

人工智能技術(shù)在運(yùn)載火箭故障診斷領(lǐng)域應(yīng)用較早，常用于地面測(cè)控系統(tǒng)對(duì)動(dòng)力系統(tǒng)故障的監(jiān)測(cè)、診斷和分析工作。例如，美國(guó)成熟的火箭發(fā)動(dòng)機(jī)健康管理系統(tǒng)（Health Management System for Rocket Engine，HMSRE）中應(yīng)用結(jié)構(gòu)辨識(shí)神經(jīng)網(wǎng)絡(luò)，以及時(shí)間序列分析和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)［68］。在國(guó)內(nèi)，李輝等［124-126］基于故障樹(shù)和人工神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了運(yùn)載火箭故障診斷軟件，可實(shí)現(xiàn)發(fā)動(dòng)機(jī)故障診斷和故障數(shù)據(jù)庫(kù)更新。黃強(qiáng)等［127］開(kāi)發(fā)了基于過(guò)程神經(jīng)元網(wǎng)絡(luò)、自適應(yīng)神經(jīng)模糊推理系統(tǒng)等技術(shù)的發(fā)動(dòng)機(jī)地面試車(chē)故障檢測(cè)和診斷系統(tǒng)。深度學(xué)習(xí)［128-129］、遷移學(xué)習(xí)［130-131］等網(wǎng)絡(luò)也被用于發(fā)動(dòng)機(jī)啟動(dòng)和穩(wěn)態(tài)運(yùn)行情況下的故障診斷和監(jiān)管。但人工智能技術(shù)用于在線故障診斷的案例較少。YU等［132］為實(shí)現(xiàn)液體燃料火箭發(fā)動(dòng)機(jī)的實(shí)時(shí)故障檢測(cè)，提出了一種利用自適應(yīng)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)故障診斷方法，將神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與實(shí)際收集的數(shù)據(jù)進(jìn)行比較，并使用閾值判斷機(jī)制確定發(fā)動(dòng)機(jī)是否有故障，該算法具有較高的故障靈敏度和系統(tǒng)魯棒性。XU等［133］采用量子遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化，實(shí)現(xiàn)了液體燃料火箭發(fā)動(dòng)機(jī)故障檢測(cè)，在液體燃料火箭發(fā)動(dòng)機(jī)典型故障檢測(cè)仿真中，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和單一遺傳算法的故障檢測(cè)精度提高。

4.3　在容錯(cuò)控制方面的應(yīng)用

容錯(cuò)控制方面，主要依賴(lài)各類(lèi)新型神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)具有干擾補(bǔ)償和故障辨識(shí)能力的觀測(cè)器，或者使用機(jī)器學(xué)習(xí)算法對(duì)現(xiàn)有容錯(cuò)控制律進(jìn)行學(xué)習(xí)，設(shè)計(jì)具有故障自適應(yīng)能力的容錯(cuò)控制器。CHEN等［134］針對(duì)運(yùn)載火箭執(zhí)行機(jī)構(gòu)故障，研究了基于記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)（Memory-Augmented Neural Networks，MANN）的智能自適應(yīng)容錯(cuò)控制，設(shè)計(jì)了二階擾動(dòng)觀測(cè)器實(shí)現(xiàn)對(duì)時(shí)變擾動(dòng)的精確估計(jì)和補(bǔ)償，并引入MANN作為在線逼近器來(lái)抑制未知非線性的不利影響。同時(shí)，提出了自適應(yīng)律來(lái)實(shí)現(xiàn)對(duì)執(zhí)行機(jī)構(gòu)故障的快速響應(yīng)和MANN權(quán)值的更新。LI等［135］采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)了推力下降故障下的偽逆分配數(shù)據(jù)，仿真表明，實(shí)際控制力矩能夠很好地跟蹤所需的控制力矩。SCLAFANI等［136］考慮建模不確定性、彈性動(dòng)力學(xué)、燃油晃動(dòng)和不穩(wěn)定空氣動(dòng)力學(xué)等內(nèi)外因素，結(jié)合憶遞歸神經(jīng)網(wǎng)絡(luò)和PID控制器提出了一種自適應(yīng)控制策略，用于改善運(yùn)載火箭的姿態(tài)控制品質(zhì)。相比采用前饋神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的PID控制器，該方法對(duì)控制系統(tǒng)不確定性和故障的容錯(cuò)能力更強(qiáng)。DUAN等［137］根據(jù)運(yùn)載火箭姿態(tài)控制數(shù)據(jù)，采用無(wú)模型自適應(yīng)控制（Model-Free Adaptive Control，MFAC）設(shè)計(jì)了運(yùn)載火箭姿態(tài)控制律，對(duì)運(yùn)載火箭載荷擾動(dòng)有較好魯棒性。黃旭等［138］建立了火箭頻域分析和參數(shù)設(shè)計(jì)模型，采用雙深度Q學(xué)習(xí)（Double Deep Q-Network，DDQN）算法，通過(guò)記憶回放和時(shí)間差分選代的方式，調(diào)整馬爾可夫鏈模型來(lái)學(xué)習(xí)參數(shù)，最終得到的參數(shù)成功用于運(yùn)載火箭姿控系統(tǒng)。

5　結(jié)束語(yǔ)

現(xiàn)役運(yùn)載火箭的制導(dǎo)控制系統(tǒng)在建模時(shí)很少考慮動(dòng)力系統(tǒng)非致命故障，并且算法對(duì)動(dòng)力系統(tǒng)非致命故障的容錯(cuò)能力也有限，導(dǎo)致運(yùn)載火箭難以適應(yīng)推力下降和執(zhí)行機(jī)構(gòu)失效等動(dòng)力系統(tǒng)故障。隨著先進(jìn)的控制理論的發(fā)展和人工智能技術(shù)的成熟，運(yùn)載火箭應(yīng)以軟件為發(fā)展方導(dǎo)，研發(fā)具有自主決策和重構(gòu)能力的智慧制導(dǎo)控制系統(tǒng)：

1）在制導(dǎo)方面，依托高性能箭機(jī)設(shè)備、最優(yōu)化理論、人工智能等技術(shù)發(fā)展具備運(yùn)載能力評(píng)估、任務(wù)目標(biāo)規(guī)劃和在線軌跡規(guī)劃能力的自主制導(dǎo)算法，以彌補(bǔ)運(yùn)載火箭飛行過(guò)程中地面指揮系統(tǒng)無(wú)法及時(shí)響應(yīng)的缺點(diǎn)，增強(qiáng)運(yùn)載火箭的自主能力。

2）基于先進(jìn)的控制理論，提高現(xiàn)有主動(dòng)、被動(dòng)容錯(cuò)控制方法和震抑制方法的控制品質(zhì)，并結(jié)合機(jī)器學(xué)習(xí)理論發(fā)展具有工程可行性的智能控制策略，保證故障下箭體姿態(tài)穩(wěn)定。

3）利用數(shù)據(jù)挖掘技術(shù)，充分發(fā)掘現(xiàn)有大量地面測(cè)試和飛行數(shù)據(jù)的價(jià)值，通過(guò)自學(xué)習(xí)的方式從現(xiàn)有數(shù)據(jù)中提取新的故障診斷和制導(dǎo)控制策略，實(shí)現(xiàn)箭體軟件系統(tǒng)升級(jí)換代。

［1］ 曲晶，張綠云.國(guó)外火箭發(fā)射及故障情況統(tǒng)計(jì)分析［J］.中國(guó)航天，2016（2）：13-18.

［2］ 劉秉.美國(guó)阿斯特拉太空公司AstraRocket3.3火箭發(fā)射故障分析［J］.中國(guó)航天，2021（9）：32-37.

［3］ 林子瑞，葉松，劉旭，等.運(yùn)載火箭推力下降時(shí)入軌能力評(píng)估與軌跡重構(gòu)方法［J］.吉林大學(xué)學(xué)報(bào)（工學(xué)版），2022（3）：1-12.

［4］ 常武權(quán)，張志國(guó).運(yùn)載火箭故障模式及制導(dǎo)自適應(yīng)技術(shù)應(yīng)用分析［J］.宇航學(xué)報(bào)，2019（3）：302-309.

［5］ ZHANG L， WEI C， LIANG J， et al. Heavy lift launch vehicle technology of adaptive augmented fault tolerant control［C］// 2016 IEEE Chinese Guidance， Navigation and Control Conference （CGNCC）. Washington D.C.， USA： IEEE Press， 2016： 1587-1593.

［6］ 張亮.重型運(yùn)載火箭自適應(yīng)控制方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

［7］ 李學(xué)鋒.運(yùn)載火箭智慧控制系統(tǒng)技術(shù)研究［J］.宇航總體技術(shù)，2018，2（2）：43-48.

［8］ 宋征宇，吳義田，徐珊姝，等.長(zhǎng)征八號(hào)：長(zhǎng)征火箭系列商業(yè)化與智慧化的先行者［J］.深空探測(cè)學(xué)報(bào)（中英文），2021，8（1）：3-16.

［9］ 楊岫婷，蘇磊，權(quán)赫，等.新一代大型運(yùn)載火箭控制系統(tǒng)全數(shù)字動(dòng)態(tài)重構(gòu)技術(shù)［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2021，7（5）：71-77.

［10］ 李平岐，李東，楊虎軍，等.長(zhǎng)征五號(hào)系列運(yùn)載火箭研制應(yīng)用分析及未來(lái)展望［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2021，7（2）：5-8.

［11］ 宋征宇，潘豪，王聰，等.長(zhǎng)征運(yùn)載火箭飛行控制技術(shù)的發(fā)展［J］.宇航學(xué)報(bào)，2020，41（7）：868-879.

［12］ 宋征宇，鞏慶海，王聰，等.長(zhǎng)征運(yùn)載火箭上升段的自主制導(dǎo)方法及其研究進(jìn)展［J］.中國(guó)科學(xué)：信息科學(xué)，2021，51（10）：1587-1608.

［13］ LAWDEN D F. Optimal trajectories for space navigation［M］. Singapore： Butterworth & Co.Ltd.， 1963.

［14］ CHANDLER D C， SMITH I E. Development of the iterative guidance mode with its application to various vehicles and missions［J］. Journal of Spacecraft and Rockets， 1967， 4（7）： 898-903.

［15］ 王志祥.推力下降故障下運(yùn)載火箭軌跡在線生成與姿控系統(tǒng)重構(gòu)［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2016.

［16］ CALISE A J， MELAMED N， LEE S. Design and evaluation of a three-dimensional optimal ascent guidance algorithm［J］. Journal of Guidance， Control， and Dynamics， 1998， 21（6）：867-875.

［17］ CALISE A J， BRANDT N. Generation of launch vehicle abort trajectories using a hybrid optimization method［J］. Journal of Guidance， Control， and Dynamics， 2004， 27（6）： 929-929.

［18］ GATH P F， CALISE A J. Optimization of launch vehicle ascent trajectories with path constraints and coast arcs［J］. Journal of Guidance， Control， and Dynamics， 2001， 24（2）：296-304.

［19］ DUKEMAN G A， CALISE A J. Enhancements to an atmospheric ascent guidance algorithm［C］// AIAA Guidance， Navigation， and Control Conference and Exhibit. Reston， USA： AIAA Press ， 2003： 1-11.

［20］ DUKEMAN G， HILL A. Rapid trajectory optimization for the Ares I launch vehicle［C］// AIAA Guidance， Navigation and Control Conference and Exhibit. Reston， USA： AIAA Press， 2008： 6288.

［21］ LU P， SUN H， TSAI B. Closed-loop endoatmospheric ascent guidance［J］. Journal of Guidance， Control， and Dynamics， 2003， 26（2）：283-294.

［22］ LU P， GRIFFIN B J， DUKEMAN G A， et al. Rapid optimal multiburn ascent planning and guidance［J］. Journal of Guidance， Control and Dynamic， 2008， 31（6）： 1656-1664

［23］ LU P， PAN B. Highly constrained optimal launch ascent guidance［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（2）： 404-414.

［24］ HANSON J， SHRADER M W， CRUZEN C. Ascent guidance comparisons［C］// Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 1995： 230-240.

［25］ 湛康意，陳海朋，賀從園，等.基于間接法在線能力評(píng)估和自主規(guī)劃技術(shù)研究［J］.中國(guó)空間科學(xué)技術(shù)，2021，41（3）：31-38.

［26］ 李文清，王俊峰，張志國(guó)，等.火箭適應(yīng)發(fā)動(dòng)機(jī)推力下降故障的彈道制導(dǎo)策略?xún)?yōu)化分析［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2020，6（4）：73-78.

［27］ 韓雪穎，馬英，程興，等.運(yùn)載火箭推力故障下的彈道重構(gòu)策略研究［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2019，5（2）：7-11.

［28］ WANG C， SONG Z. Powered-coast-powered guidance reconfiguration method of launch vehicle with thrust drop fault［J］. Guidance， Navigation and Control， 2022， 2（1）： 2250003.

［29］ PATTERSON M A， RAO A V. GPOPS-Ⅱ： a Matlab software for solving multiple-phase optimal control problems using hp-adaptive Gaussian quadrature collocation methods and sparse nonlinear programming［J］. ACM Transactions on Mathematical Software （TOMS）， 2014， 41（1）： 1-37.

［30］ MA H，LI X，HUANG H. A trajectory re-planning method for multi-stage rockets based on decision classification［C］// Proceedings of the 38th Chinese Control Conference. Washington D.C.， USA： IEEE Press， 2019： 4119-4123.

［31］ LIU F， CHAO T， WANG S， et al. Trajectory optimization for launch vehicle boost phase based on gauss pseudospectral method［C］// 2016 35th Chinese Control Conference （CCC）. Washington D.C.， USA： IEEE Press， 2016： 10910-10914.

［32］ 馬林.垂直起降運(yùn)載火箭動(dòng)力軟著陸軌跡優(yōu)化方法研究［D］.杭州：浙江大學(xué)，2019.

［33］ 張志國(guó)，余夢(mèng)倫，耿光有，等.應(yīng)用偽譜法的運(yùn)載火箭在線制導(dǎo)方法研究［J］.宇航學(xué)報(bào)，2017，38（3）：262-269.

［34］ HE X， TAN S， WU Z， et al. Mission reconstruction for launch vehicles under thrust drop faults based on deep neural networks with asymmetric loss functions［J］. Aerospace Science and Technology， 2022， 121： 107375.

［35］ FAHROO F， ROSS I M. Pseudospectral methods for infinite-horizon nonlinear optimal control problems［J］. Journal of Guidance， Control， and Dynamics， 2008， 31（4）： 927-936.

［36］ YAN H， FAHROO F， ROSS I M. Optimal feedback control laws by Legendre pseudospectral approximations［C］// Proceedings of the 2001 American Control Conference. Washington D.C.， USA： IEEE Press， 2001： 2388-2393.

［37］ TIAN B， ZONG Q. Optimal guidance for reentry vehicles based on indirect Legendre pseudospectral method［J］. Acta Astronautica， 2011， 68： 1176-1184.

［38］ LIAO Y， LI H， BAO W. Indirect radau pseudospectral method for the receding horizon control problem［J］. Chinese Journal of Aeronautics， 2016， 29（1）： 215-227.

［39］ YANG L， ZHOU H， CHEN W. Application of linear gauss pseudospectral method in model predictive control［J］. Acta Astronautica， 2014， 96： 175-187.

［40］ RAHMAN T， ZHOU H， YANG L， et al. Pseudospectral model predictive control for exo-atmospheric guidance［J］. International Journal of Aeronautical and Space Sciences， 2015， 16（1）： 64-76.

［41］ MA Y， PAN B， TANG S. Improved parallel-structured Newton-type guidance for launch vehicles under thrust drop fault［J］. Journal of Spacecraft and Rockets， 2021，59（2）： 1-15.

［42］ ACIKMESE B， CASOLIVA J， CARSON J M， et al. G-fold： a real-time implementable fuel optimal large divert guidance algorithm for planetary pinpoint landing［J］. Concepts and Approaches for Mars Exploration， 2012， 1679： 4193.

［43］ CHENG X， LI H， ZHANG R. Efficient ascent trajectory optimization using convex models based on the Newton-kantorovich/pseudospectral approach［J］. Aerospace Science and Technology， 2017， 66： 140-151.

［44］ 王嘉煒，張冉，郝澤明，等.基于Proximal-Newton-Kantorovich凸規(guī)劃的空天飛行器實(shí)時(shí)軌跡優(yōu)化［J］.航空學(xué)報(bào)，2020，41（11）：116-125.

［45］ SUN Z， TAO C， WANG Y， et al. Convex method for ascent trajectory optimization using iterative narrowing trust region［C］// 2018 IEEE CSAA Guidance，Navigation and Control Conference （CGNCC）. Washington D.C.， USA： IEEE Press， 2018： 1-6.

［46］ ZHANG K， YANG S， XIONG F. Rapid ascent trajectory optimization for guided rockets via sequential convex programming［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2019， 233（13）： 4800-4809.

［47］ BENEDIKTER B， ZAVOLI A， COLASURDO G. A convex approach to rocket ascent trajectory optimization［C］// 8th European Conference for Aeronautics and Space Sciences . 2019：EUCASS2019-430.

［48］ BENEDIKTER B， ZAVOLI A， COLASURDO G， et al. Convex approach to three-dimensional launch vehicle ascent trajectory optimization［J］. Journal of Guidance， Control， and Dynamics， 2021， 44（2）：1-16.

［49］ 李敏，李惠峰，聶文明.火箭上升段滾動(dòng)時(shí)域制導(dǎo)控制一體化設(shè)計(jì)［J］.宇航學(xué)報(bào)，2019（1）：41-50.

［50］ 王洪波，張若男，梁卓，等.基于改進(jìn)序列凸優(yōu)化的固體火箭入軌制導(dǎo)方法［J］.中國(guó)慣性技術(shù)學(xué)報(bào)，2021，29（1）：119-125.

［51］ 李師堯，常武權(quán)，閆宇申，等.運(yùn)載火箭動(dòng)力故障下的自主救援軌道規(guī)劃［J］.飛行力學(xué)，2021，39（2）：83-89.

［52］ 宋征宇，王聰，鞏慶海.運(yùn)載火箭上升段推力下降故障的自主軌跡規(guī)劃方法［J］.中國(guó)科學(xué)：信息科學(xué)，2019，49（11）：1472-1487.

［53］ LI Y， GUAN Y， WEI C， et al. Optimal control of ascent trajectory for launch vehicles： a convex approach［J］. IEEE Access， 2019（7）： 186491-186498.

［54］ LI Y， PANG B， WEI C， et al. Online trajectory optimization for power system fault of launch vehicles via convex programming［J］. Aerospace Science and Technology， 2020， 98： 105682.

［55］ MIAO X， SONG Y， ZHANG Z， et al. Successive convexification for ascent trajectory replanning of a multi-stage launch vehicle experiencing non-fatal dynamic faults［J］. IEEE Transactions on Aerospace and Electronic Systems， 2022，58（3）： 2039-2052.

［56］ SONG Z， WANG C， GONG Q. Joint dynamic optimization of the target orbit and flight trajectory of a launch vehicle based on state-triggered indices［J］. Acta Astronautica， 2020， 174： 82-93.

［57］ 羅亞中，唐國(guó)金，梁彥剛.基于分解策略的SSO發(fā)射軌道遺傳全局優(yōu)化設(shè)計(jì)［J］.航空學(xué)報(bào)，2004，25（5）：443-446.

［58］ 胡凡，楊希祥，江振宇，等.固體運(yùn)載火箭軌跡/總體參數(shù)一體化優(yōu)化設(shè)計(jì)研究［J］.固體火箭技術(shù)，2010，33（6）：599-602.

［59］ 楊希祥，李曉斌，肖飛，等.智能優(yōu)化算法及其在飛行器優(yōu)化設(shè)計(jì)領(lǐng)域的應(yīng)用綜述［J］.宇航學(xué)報(bào)，2009，30（6）：2051-2061.

［60］ 張柳，張雪梅，唐瓊，等.基于組合粒子群算法的運(yùn)載火箭彈道優(yōu)化設(shè)計(jì)［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2016（6）：1-5.

［61］ 高哲，王志剛.多約束條件下多級(jí)運(yùn)載火箭彈道優(yōu)化設(shè)計(jì)［J］.飛行力學(xué)，2018，36（6）：62-66.

［62］ 李曉蘇.基于多目標(biāo)智能算法的運(yùn)載火箭上升段彈道優(yōu)化設(shè)計(jì)［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

［63］ ROSE M B， GELLER D. Linear covariance techniques for powered ascent［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2010： 8175.

［64］ 倪彧祺.考慮參數(shù)不確定性的運(yùn)載火箭上升段參考軌跡優(yōu)化［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

［65］ SHEN H， SEYWALD H， POWELL R W. Desensitizing the minimum-fuel powered descent for Mars pinpoint landing［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（1）： 108-115.

［66］ ZHANG D， LIU L， WANG Y. On-line ascent phase trajectory optimal guidance algorithm based on pseudo-spectral method and sensitivity updates［J］. The Journal of Navigation， 2015， 68（6）： 1056-1074.

［67］ 黃盤(pán)興.重型運(yùn)載火箭可重構(gòu)控制系統(tǒng)設(shè)計(jì)研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

［68］ 張振臻，陳暉，高玉閃，等.液體火箭發(fā)動(dòng)機(jī)故障診斷技術(shù)綜述［J］推進(jìn)技術(shù)，2022，30（5）：40-45.

［69］ 宋征宇.運(yùn)載火箭遠(yuǎn)程故障診斷技術(shù)綜述［J］.宇航學(xué)報(bào)，2016，37（2）：135-144.

［70］ 葉松，陳曦，熊寸平.基于線性二次滾動(dòng)時(shí)域法的運(yùn)載火箭發(fā)動(dòng)機(jī)推力故障診斷［J］.宇航總體技術(shù)，2020，4（6）：29-37.

［71］ 朱海洋，吳燕生，陳宇，等.適應(yīng)運(yùn)載火箭推力下降故障的神經(jīng)網(wǎng)絡(luò)容錯(cuò)控制方法［J］.航天控制，2019，37（4）：3-9.

［72］ 朱海洋，吳燕生，容易，等.適應(yīng)有限故障的運(yùn)載火箭神經(jīng)網(wǎng)絡(luò)自適應(yīng)容錯(cuò)控制［J］.西北工業(yè)大學(xué)學(xué)報(bào)，2020，38（3）：668-676.

［73］ 符文星，朱蘇朋，閻杰，等.參數(shù)估計(jì)法在運(yùn)載火箭動(dòng)力系統(tǒng)故障診斷中的應(yīng)用［J］.彈箭與制導(dǎo)學(xué)報(bào)，2007，27（1）：181-183.

［74］ ZHANG T， ZHAO X， HU R， et al. A method for fault diagnosis of power system of carrier rocket engine based on linear-quadratic receding time-domain algorithm［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2021： 09544100211021805.

［75］ CHEN H， YAN J， ZHANG T， et al. On-line fault diagnosis of launch vehicle thrust loss based on parameter estimation method［C］// 2021 IEEE Asia-Pacific Conference on Image Processing， Electronics and Computers （IPEC）. Washington D.C.， USA： IEEE Press，2021： 871-876.

［76］ CHA J， KO S， PARK S Y， et al. Fault detection and diagnosis algorithms for transient state of an open-cycle liquid rocket engine using nonlinear Kalman filter methods［J］. Acta Astronautica， 2019， 163：147-156.

［77］ LEE K， CHA J， KO S， et al. Fault detection and diagnosis algorithms for an open-cycle liquid propellant rocket engine using the Kalman filter and fault factor methods［J］. Acta Astronautica， 2018， 150： 15-27.

［78］ 閆曉東，孫成志.基于神經(jīng)網(wǎng)絡(luò)和證據(jù)理論的火箭發(fā)動(dòng)機(jī)故障診斷方法［J］.宇航總體技術(shù)，2020，4（4）：20-30.

［79］ 王碩，潘豪，白文艷，等.基于慣組信息的運(yùn)載火箭主發(fā)動(dòng)機(jī)推力故障在線辨識(shí)［J］.航天控制，2019，37（6）：8-12.

［80］ 趙萬(wàn)里，郭迎清，楊菁，等.液體火箭發(fā)動(dòng)機(jī)故障診斷器設(shè)計(jì)及其HIL驗(yàn)證［J］.北京航空航天大學(xué)學(xué)報(bào)，2019，45（10）：1995-2002.

［81］ 孟洲.發(fā)動(dòng)機(jī)執(zhí)行機(jī)構(gòu)故障下大型捆綁火箭容錯(cuò)控制［D］.長(zhǎng)沙：國(guó)防科學(xué)技術(shù)大學(xué)，2013.

［82］ 尹彪，劉磊，王永驥.火箭姿態(tài)控制與故障重構(gòu)的研究［C］//中國(guó)自動(dòng)化學(xué)會(huì)中南六省區(qū)自動(dòng)化學(xué)會(huì)學(xué)術(shù)年會(huì).2010：245-249.

［83］ 李鑄.運(yùn)載火箭推力下降故障下姿態(tài)容錯(cuò)控制［D］.武漢：華中科技大學(xué)，2020.

［84］ 馮昊，李新明，潘豪.大推力運(yùn)載火箭控制系統(tǒng)控制力重構(gòu)技術(shù)研究［J］.載人航天，2012，18（6）：75-79.

［85］ 程堂明，李家文，唐國(guó)金.執(zhí)行機(jī)構(gòu)故障下基于線性規(guī)劃的運(yùn)載火箭姿控系統(tǒng)重構(gòu)控制［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2017，39（1）：51-57.

［86］ 余光學(xué)，宋敬群，楊華.運(yùn)載器姿態(tài)控制重構(gòu)研究［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2021，7（1）：61-67.

［87］ ZHANG Y， LI Z， CHENG Z， et al. Attitude tracking control reconfiguration for space launch vehicle with thrust loss fault［J］. IEEE Access， 2019（7）： 184353-184364.

［88］ 于海森，譚述君，吳志剛.基于Armijo準(zhǔn)則和BFGS算法的運(yùn)載火箭控制重分配［J］.航空動(dòng)力學(xué)報(bào)，2022，37（1）：204-213.

［89］ WEI C， WANG M， LU B， et al. Accelerated Landweber iteration based control allocation for fault tolerant control of reusable launch vehicle［J］. Chinese Journal of Aeronautics， 2022， 35（2）： 175-184.

［90］ ORR J， VAN Z T. Robust， practical adaptive control for launch vehicles［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2012： 2012-4549.

［91］ LEFEVRE B， JHA R. Launch vehicle ascent flight control augmentation via a hybrid adaptive controller［C］// AIAA Guidance， Navigation and Control Conference and Exhibit. Reston， USA： AIAA Press 2008： 7130.

［92］ HANSON C E， MILLER C J， VANZWIETEN T S， et al. Launch vehicle manual steering with adaptive augmenting control： in-flight evaluations of adverse interactions using a piloted aircraft ［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2015： 1776.

［93］ 吳蕾.考慮發(fā)動(dòng)機(jī)推力損失的運(yùn)載火箭容錯(cuò)控制［D］.大連：大連理工大學(xué)，2019.

［94］ 何飛毅.重型運(yùn)載火箭模型參考自適應(yīng)增廣控制研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2018.

［95］ TROTTA D， ZAVOLI A， DE MATTEIS G， et al. Optimal tuning of adaptive augmenting controller for launch vehicles in atmospheric flight［J］. Journal of Guidance， Control， and Dynamics， 2020， 43（11）： 2133-2140.

［96］ LEFEVRE B D， JHA R. Hybrid adaptive ascent flight control for a flexible launch vehicle［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2011， 225（8）： 851-862.

［97］ 崔乃剛，陳誠(chéng)，潘哲，等.運(yùn)載火箭自適應(yīng)增廣抗擾減載控制［J］.導(dǎo)彈與航天運(yùn)載技術(shù)，2017，3（6）：1-7.

［98］ 梁小輝，胡昌華，周志杰，等.基于自適應(yīng)動(dòng)態(tài)規(guī)劃的運(yùn)載火箭智能姿態(tài)容錯(cuò)控制［J］.航空學(xué)報(bào)，2021，42（4）：511-524.

［99］ HANG L， WEI C， WU R， et al. Fixed-time extended state observer based non-singular fast terminal sliding mode control for a VTVL reusable launch vehicle［J］. Aerospace Science and Technology， 2018， 82： 70-79.

［100］馬艷如，王青，胡昌華，等.執(zhí)行器故障下的運(yùn)載火箭非奇異終端滑模容錯(cuò)控制［J］.宇航學(xué)報(bào)，2020，41（12）：1553-1560.

［101］馬艷如，石曉榮，劉華華，等.運(yùn)載火箭姿態(tài)系統(tǒng)自適應(yīng)神經(jīng)網(wǎng)絡(luò)容錯(cuò)控制［J］.宇航學(xué)報(bào)，2021，42（10）：1237-1245.

［102］蘇秀健.基于L1自適應(yīng)方法的火箭姿態(tài)控制［D］.大連：連理工大學(xué)，2020.

［103］孫慧杰.火箭起飛段姿態(tài)系統(tǒng)的滑模變結(jié)構(gòu)控制［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

［104］ZHAO D J， WANG Y J， LIU L， et al. Robust fault‐tolerant control of launch vehicle via GPI observer and integral sliding mode control［J］. Asian Journal of Control， 2013， 15（2）： 614-623.

［105］范軍朋.考慮不確定性的火箭姿態(tài)自適應(yīng)控制系統(tǒng)設(shè)計(jì)［D］.大連：大連理工大學(xué)，2013.

［106］趙小平.基于自適應(yīng)H∞的重型運(yùn)載火箭u姿態(tài)控制方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

［107］劉昆，孫平.固體運(yùn)載器姿態(tài)控制系統(tǒng)自適應(yīng)濾波器設(shè)計(jì)［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2010，32（5）：44-48.

［108］張晉.固體運(yùn)載器自適應(yīng)增廣抗擾姿態(tài)控制方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2020.

［109］CHOI H D， BANG H. An adaptive control approach to the attitude control of a flexible rocket［J］. Control Engineering Practice， 2008（8）： 1003-1010.

［110］KHOSHNOOD A M， ROSHANIAN J. Model reference adaptive control for a flexible launch vehicle［J］. Proceedings of the Institution of Mechanical Engineers Part Ⅰ Journal of Systems and Control Engineering， 2008， 222（1）： 49-55.

［111］ELMELHI A. Modified adaptive notch filter based on neural network for flexible dynamic control［J］. International Journal of Computer and Electrical Engineering， 2014， 6（2）： 185-190.

［112］CHOONG S， BANG H， PARK C S. Attitude control of a flexible launch vehicle using an adaptive notch filter： ground experiment［J］. Control Engineering Practice， 2008， 16（1）： 30-42.

［113］張志健，王小虎.固體火箭多約束耗盡關(guān)機(jī)的動(dòng)態(tài)逆能量管理方法［J］.固體火箭技術(shù)，2014，37（4）：435-441.

［114］馬衛(wèi)華，禹春梅，路坤鋒，等.“會(huì)學(xué)習(xí)”運(yùn)載火箭的制導(dǎo)控制技術(shù)［J］.航天控制，2020，38（2）：3-8.

［115］包為民.航天智能控制技術(shù)讓運(yùn)載火箭“會(huì)學(xué)習(xí)”［J］.航空學(xué)報(bào)，2021，42（11）：8-17.

［116］張惠平，路坤鋒，曹玉騰.人工智能技術(shù)在“會(huì)學(xué)習(xí)”運(yùn)載火箭的應(yīng)用現(xiàn)狀和發(fā)展展望［J］.中國(guó)航天，2021（2）：9-13.

［117］張榮升，吳燕生，秦旭東，等.運(yùn)載火箭推力下降故障下的在線彈道重構(gòu)方法［J］.南京航空航天大學(xué)學(xué)報(bào)，2021，53（1）：25-37.

［118］譚述君，何驍，張立勇，等.運(yùn)載火箭推力故障下基于智能決策的在線軌跡重規(guī)劃方法［J］.宇航學(xué)報(bào)，2021，42（10）：1228-1236.

［119］CELIS D R， LOPEZ P S， CADARSO L. Sensor hybridization using neural networks for rocket terminal guidance［J］. Aerospace Science and Technology， 2021， 111： 106527.

［120］IZZO D， MARTENS M， PAN B. A survey on artificial intelligence trends in spacecraft guidance dynamics and control［J］. Astrodynamics， 2019， 3（4）： 287-299.

［121］CHENG L， WANG Z， SONG Y， et al. Real-time optimal control for irregular asteroid landings using deep neural networks［J］. Acta Astronautica， 2020， 170： 66-79.

［122］GAUDET B， LINARES R， FURFARO R. Deep reinforcement learning for six degree-of-freedom planetary landing［J］. Advances in Space Research， 2020， 65（7）： 1723-1741.

［123］陳書(shū)釗，楚龍飛，楊秀梅，等.狀態(tài)預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)控制應(yīng)用于小型可回收火箭［J］.航空學(xué)報(bào)，2019，40（3）：154-168.

［124］劉小明，李輝，蔣吉兵.基于故障樹(shù)和神經(jīng)網(wǎng)絡(luò)的火箭故障診斷方法［J］.計(jì)算機(jī)仿真，2010，27（7）：38-42.

［125］郭博.基于神經(jīng)網(wǎng)絡(luò)和故障樹(shù)的運(yùn)載火箭故障診斷系統(tǒng)的研究［D］.成都：電子科技大學(xué)，2010.

［126］尹茂君.運(yùn)載火箭故障診斷系統(tǒng)研究與實(shí)現(xiàn)［D］.成都：電子科技大學(xué)，2011.

［127］黃強(qiáng)，吳建軍.基于云-神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)方法［J］.國(guó)防科技大學(xué)學(xué)報(bào)，2010，32（1）：11-15.

［128］PARK S Y， AHN J. Deep neural network approach for fault detection and diagnosis during startup transient of liquid-propellant rocket engine［J］. Acta Astronautica， 2020， 177： 714-730.

［129］LI H， DENG Z， ZHANG J， et al. A deep learning based fault detection method for rocket launcher electrical system［C］// International Conference on Machine Learning， Optimization， and Data Science. Berlin， Germany： Springer， 2020： 316-325.

［130］張晨曦，唐曙，唐珂.遷移學(xué)習(xí)下的火箭發(fā)動(dòng)機(jī)參數(shù)異常檢測(cè)策略［J］.計(jì)算機(jī)應(yīng)用，2020，40（9）：2774-2780.

［131］LV H， CHEN J， WANG J， et al. A supervised framework for recognition of liquid rocket engine health state under steady-state process without fault samples［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-10.

［132］YU H， WANG T. A method for real-time fault detection of liquid rocket engine based on adaptive genetic algorithm optimizing back propagation neural network［J］. Sensors， 2021， 21（15）： 5026.

［133］XU L，ZHAO S， LI N， et al. Application of QGA-BP for fault detection of liquid rocket engines［J］. IEEE Transactions on Aerospace and Electronic Systems， 2019， 55（5）： 2464-2472.

［134］CHEN H， CHEN K， FU W. Memory augmented neural network-based intelligent adaptive fault tolerant control for a class of launch vehicles using second-order disturbance observer［J］. Mathematical Problems in Engineering， 2021： 9961278.

［135］LI Z， ZHANG Y， LIANG Z， et al. Control allocation reconstruction of launch vehicle based on neural network［C］// Proceedings of the 11th International Conference on Modelling， Identification and Control （ICMIC2019）. Berlin， Germany： Springer， 2020： 1025-1033.

［136］SCLAFANI R， SHANKAR P. Variable memory recurrent neural networks for launch vehicle attitude control［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2015： 1774.

［137］DUAN L， HOU Z， YU X， et al. Data-driven model-free adaptive attitude control approach for launch vehicle with virtual reference feedback parameters tuning method［J］. IEEE Access， 2019（7）： 54106-54116.

［138］黃旭，柳嘉潤(rùn)，駱無(wú)意.基于DDQN的運(yùn)載火箭姿態(tài)控制器參數(shù)設(shè)計(jì)［J］.航天控制，2020，38（4）：3-8.

Overview of Guidance and Control Technologies for Launch Vehicles under Propulsion System Faults

LIShuang1， LIUXu1， YESong2， LINZirui1

（1.College of Astronautics， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， Jiangsu， China； 2.Beijing Aerospace Automatic Control Institute， Beijing 100854， China）

Propulsion system faults are the most common causes for launch vehicle failure. In this paper， the guidance and control technologies for launch vehicles under propulsion system faults are overviewed from the aspects of fault modeling， autonomous guidance， and fault-tolerant control， which may enlighten the development of new guidance and control algorithms. First， the mathematical modeling of thrust drop and actuator faults is established， and the guidance and control performance of advanced launch vehicles at home and abroad is compared. Second， the trajectory optimization and guidance algorithms involved in autonomous guidance under faults are summarized. Third， the typical fault diagnosis， control reconstruction， fault-tolerant control， and vibration suppression methods within the framework of passive and active fault-tolerant control are reviewed. Meanwhile， the application of artificial intelligence technologies to fault diagnosis and guidance control is summarized. Finally， with the introduction of the “l(fā)earning” launch vehicle concept， the development trend of artificial intelligence technologies in improving the autonomy and intelligence of launch vehicles is discussed， and the guidance and control technologies for future intelligent launch vehicles are envisaged.

launch vehicle； propulsion system fault； fault diagnosis； guidance and control； artificial intelligence

2022?03?25；

2022?06?06

國(guó)家自然科學(xué)基金項(xiàng)目（61273051，11672126）；航天一院高校聯(lián)合創(chuàng)新基金（CALT201703）

李爽（1978—），男，博士，教授，主要研究方向?yàn)楹教炱鲃?dòng)力學(xué)與控制、深空探測(cè)技術(shù)、空間態(tài)勢(shì)感知與博弈。

V 448.1

A

10.19328/j.cnki.2096?8655.2022.04.008