摘要：提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆，能够更加细致地逼近非线性模型，并针对自适应控制的鲁棒性与瞬态性能差的缺点，将滑模控制与自适应控制相结合共同补偿逆误差，提高了自适应控制的鲁棒性与瞬态性。仿真结果表明：所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。
关键词：非线性控制；自适应控制；小波神经网络；滑模控制；模拟退火
引言1
飞机是一个复杂的非线性系统，其气动导数随着飞行高度、马赫数、舵面偏角等的变化而变化，并且变化范围很大。新一代战机的显著特点是高机动性、高敏捷性、很宽的速度与高度变化范围以及飞行包线的不断扩大。此时，传统的飞行控制设计方法很难满足新一代战机高性能机动飞行的要求。这就给飞行控制系统的设计带来了巨大的困难。针对以上问题，基于神经网络在线补偿的非线性动态逆方法被引入到大飞行包线飞行控制系统设计中，取得了良好的效果。但该控制系统对未建模动态特性和外界扰动的鲁棒性不强并且瞬态性能不好。
为了克服以上缺点并进一步提高控制精度，将新一代战机的飞行包线根据飞行高度与马赫数划分为不同区域，在每个区域中分别设计自适应模糊滑模飞行控制器。根据不同的飞行区域，不断切换控制器。在自适应模糊滑模飞行控制器设计中，离线训练小波神经网络实现非线性系统的逆，在线学习模糊自适应系统补偿逆误差。为了提高控制系统的鲁棒性与瞬态性，引入滑模控制来改进自适应控制。最后通过战斗机大包线机动飞行仿真来验证所设计大包线飞行控制器的性能。
1问题的描述
飞机是一个十分复杂的系统，新一代战机的运动方程是6自由度12状态的非线性方程并且各个状态变量之间存在相互耦合。
飞机非线性全量方程的各个系数由气动导数确定，而气动导数随着飞行状态（H、M、α以及副翼δx、方向舵δy和升降舵δz）的变化而变化，因此在飞行控制器设计中，如果使用统一的非线性模型，一旦气动导数不能覆盖整个飞行包线会严重影响控制性能。为此将飞行包线根据飞行高度与马赫数划分为多个区域，从而不用对整个包线内的飞机模型进行逼近，因此能够更精确地逼近飞机模型。同时针对每一个区域，分别设计如图1所示的控制系统。在飞行过程中，根据不同的区域切换到不同的控制系统。2大包线神经网络自适应模糊滑模飞行控制器设计.
2.1飞行包线的划分
由于用神经网络实现大飞行包线非线性模型的逆有很大的困难，因此将飞行包线划分为不同的区域，每个区域分别用神经网络实现非线性模型的逆，从而易于实现。根据飞行高度与马赫数将飞行包线划分为如下区域：
1低空低速（H<3000m,M<0.4）；
2低空中速（H<3000m,0.4≤M≤0.8）；
3低空高速（H<3000m,M>0.8）；
4中空低速（3000≤H≤9000m,M<0.4）；
5中空中速（3000≤H≤9000m,0.4≤M≤0.8）；
6中空高速（3000≤H≤9000m,M>0.8）；
7高空低速（H>9000m,M<0.4）；
8高空中速（H>9000m,0.4≤M≤0.8）；
9高空高速（H>9000m,M>0.8）。
2.2基于小波神经网络的非线性模型求逆
采用小波神经网络直接对新一代战机六自由度全量非线性模型求逆。
考虑如下非线性系统，
x =f (x ,x ,u)(1)
其中，x, x ∈Rn为状态量，u ∈Rm为控制量。
若（1）式可逆可观测，为了实现反馈线性化，引入伪控制量v，则式（1）可写为：
x =v
v =f (x ,x ,u)(2)
通过对小波神经网络的离线训练，使其输入输出关系逼近式，从而得到系统的近似动态逆。由于小波神经网络引入了伸缩和平移因子，因此具有更多的自由度，而且还具有小波变换在高频域的时间精度和低频域的频率精度，故能够更加细致地逼近非线性函数。为了进一步提高逼近精度与进化速度，提出了一种模拟退火粒子群优化算法，用于对小波神经网络参数进行优化。基本粒子群优化算法源于对鸟群捕食行为的研究，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为“粒子”。每个粒子具有自己的位置、速度和由被优化函数决定的适应度。各个粒子记忆当前的最优粒子，如果找到较好解，将会以此为依据来寻找下一个解。基本粒子群优化算法的优点是操作简单。但是它易于陷入局部极小点，搜索精度不高。为了克服以上缺点，将模拟退火算法引入到粒子群优化算法之中。优化算法流程如下：
（1）初始化粒子群，给定初始退火温度T和冷却系数α；
（2）计算每个粒子的适应度；
（3）根据粒子适应度，更新个体极值和全局极值；
（4）按下式新更速度：
（5）按k 1 k k1x x v++=+更新位置；
（6）计算两个位置所引起的适应度的变化量EXP，若EXP≤0，接受新值，否则若exp(??E /T )>rand(0,1)，也接受新值，否则拒绝；
（7）若接受新值，T ←αT，否则温度不变；
（8）若进化结束条件满足，结束搜索，否则转到步骤（2）；
由于以概率exp(??E /T)接受劣质解，所以该算法可以跳出局部极值点。只要初始温度足够高，退火过程足够慢，该算法就能收敛到全局最优解。
2.3基于模糊系统的自适应控制
由于控制对象的复杂性和外界不确定性因素等的影响，实际系统的运动方程很难精确描述，从而产生逆误差?(x, x, u) =f (x, x, u) ??f (x ,x ,u)。逆误差将对系统的控制效果产生严重的影响，甚至会破坏系统的稳定性。因此，需要在控制系统设计中加入基于模糊系统的自适应环节，以抵消逆误差的影响。
2.4基于滑模控制的鲁棒补偿
滑模控制对外界扰动与未建模的系统动力学特性具有较强的鲁棒性，同时瞬态性能好，因此引入滑模控制来改进自适应控制，增强自适应控制的鲁棒性与瞬态性能[2]。
2.5飞行控制律切换的实现
当战机跨越不同飞行包线区域时，需要进行控制器的切换。为了使得在控制器切换时避免作动器的跳变以及由此引起的飞机剧烈运动，要在切换控制律时采取一定的措施。采用飞行控制工程中常用的惯性延迟软化切换技术，该方法不仅能避免控制器切换时的跳跃，而且结构简单，易于实现。如图2所示，当控制律A转换至B时，在控制律总输出口总体平滑瞬变过程。利用淡化环节a /(s +a)使被切换的模态A逐渐淡出，需要接入的模态B逐渐淡入，具有良好的瞬变抑制效果。
3数字仿真研究
采用某型飞机6自由度全量非线性模型，飞行包线为（H=0-15000m，M＝0.6-1.6），初始飞行高度为8000m、马赫数为0.8。俯仰角跟踪曲线，实线为本文所设计的大包线控制方法，虚线为常规增益调参方法。从图中可以看出，尽管飞机模型有了较大的变化，但改进的自适应模糊滑模控制器仍然能够使系统保持稳定并且无超调，使用常规增益调参方法的跟踪曲线上下震荡3次且最大超调量为5度。滚转角跟踪曲线，实线为本文所设计的大包线控制方法，虚线为常规增益调参方法。从图中可以看出，改进的自适应模糊滑模控制方法的控制性能优于常规增益调参方法。飞机从8000m高度进行螺旋爬升时的轨迹曲线。随着飞机的飞行高度与飞行速度的变化，飞机的参数会发生很大的变化。从图中可以看出，所设计的控制器仍然具有较好的控制性能。
4结论
由于三滑块质量矩拦截弹采用了三通道稳定控制方式，这给控制系统设计带来了难度，本文所推导出的拦截弹数学模型过于复杂，经过合理的简化，得到的系统动力学模型仍是一个非线性系统。同时，采用四元数表示的拦截弹旋转运动学方程，这样就得到了完整的拦截弹末段机动数学模型。考虑系统的鲁棒性要求和三个滑块伺服机构的协调控制问题，本文设计了基于Lyapunov函数的模糊滑模姿态控制系统，同时，采用遗传算法对控制系统参数进行优化设计，仿真表明所设计的拦截弹姿态控制系统具有很好的动态特性和较强的鲁棒性。由于拦截弹各个通道之间存在的气动、控制、惯性和动力学耦合程度是与三个滑块和弹体的质量比密切相关的，质量比越大（质量比过大会造成拦截弹失稳），这种耦合程度就越高，更有利于提高其机动性和敏捷性，在这种情况下，其简化模型为非线性系统，不能用传统的频域设计法进行分析研究；反之质量比越小，这种耦合程度就越低，则对提高其机动性和敏捷性不利，但可以运用工程上常用的小扰动线性化以及固化系数法把拦截弹模型线性化，即可以用传统的频域设计法进行工程化分析研究。本文是在
对质量比进行优化研究的基础上，设计拦截弹姿态控制系统，但是，工程应用中一定要注意质量比的选择问题，尤其是必须保证拦截弹不至失稳。另外，滑块伺服机构特性将直接影响系统控制效果的好坏，从本文的仿真结果来看，拦截弹只是在建立姿态角瞬间对其要求较高，在大多数飞行过程中，对其要求并不高，但从工程实践角度考虑，这一问题还需要作深入研究。质量矩控制是一种新型的飞行器控制方法，其控制机理较为复杂，国内外相关的研究工作起步较晚，公开的资料匮乏，本文只是在拦截弹末段机动方面作了有益的探讨，从仿真结果来看，这一方法是可行的。 |
