[发明专利]一种基于深度学习的高超声速飞行器再入预测校正容错制导方法

摘要

本发明公开了一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，属于飞行器导航制导与控制技术领域。首先在故障条件下配平飞行器舵偏，在可行攻角范围内选取攻角剖面，同时求得飞行器的升、阻力系数。然后将攻角剖面代入再入过程约束方程中，得到满足要求的再入走廊，转化为倾侧角幅值约束；实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔCL和ΔCD，结合再入终端约束方程，求倾侧角幅值；利用基于航向角误差走廊的倾侧角反转逻辑求得倾侧角符号；最后由倾侧角幅值和倾侧角符号计算出倾侧角剖面，并结合攻角剖面，求出故障后满足要求的制导指令。本发明制导精度高、算法实时性好，满足容错制导的要求。

主权项

1.一种基于深度学习的高超声速飞行器再入预测校正容错制导方法，其特征在于，具体包括如下步骤：步骤一、定义再入制导问题，包含三自由度运动方程、再入过程约束和再入终端约束；高超声速飞行器三自由度无量纲运动方程如下：其中，r为无量纲地心距；v为飞行器相对地球的无量纲速度；γ表示飞行器的航迹倾角；λ为地球的经度；ξ表示飞行器的航迹偏角；φ为地球的纬度；μ为飞行器的倾侧角，L为无量纲升力加速度；D为无量纲阻力加速度；高超声速飞行器再入过程约束公式表示如下：其中，表示热流密度的最大幅值；q_max表示动压q的最大幅值；n_max表示过载n的最大幅值，K_Q是与飞行器相关的常值参数；R₀为地球半径；g₀为海平面引力加速度；再入飞行终端约束主要包括高度约束、速度约束和经纬度约束，用公式表示如下：其中，e_f表示飞行器的终端能量，r_f为飞行器的终端高度，v_f为飞行器的终端速度，λ_f为飞行器的终端经度，φ_f为飞行器的终端纬度；步骤二、在故障条件下，利用控制分配算法配平飞行器舵偏，并求取配平条件下的可行攻角范围，在范围内选取攻角剖面；同时求得故障后飞行器的升、阻力系数；配平飞行器舵偏的公式如下：满足其中，为控制面舵偏产生的滚转力矩系数，为控制面舵偏产生的俯仰力矩系数，为控制面舵偏产生的偏航力矩系数，C_m,α为翼身组合体俯仰力矩，δ为飞行器舵偏下界，为飞行器舵偏上界；步骤三、将攻角剖面代入再入过程约束方程中，得到满足要求的再入走廊，并利用拟平衡滑翔条件将再入走廊的约束转化为倾侧角幅值约束；再入走廊为满足再入过程约束的高度‑速度剖面；拟平衡滑翔条件公式为：(1/r‑v²)/r‑Lcosμ＝0；倾侧角幅值约束条件为：μ_EQ≤|μ|≤|μ|_max；μ_EQ为给定的倾侧角下边界约束值；|μ|_max为满足再入过程约束时倾侧角最大幅值；步骤四、结合三自由度运动方程设计扩张状态观测器，实时估计故障后的飞行器升、阻力系数相对与正常飞行器的升、阻力系数之间的变化量ΔC_L和ΔC_D；扩张状态观测器估计阻力相关项：其中，z_1V为速度v的估计值，z_2V为阻力相关项‑D的估计值，e_V为速度估计误差，β_1V和β_2V均为速度扩张状态的观测器增益；阻力系数参数变化量ΔC_D估计为：其中，K＝0.5R₀S/m，S为飞行器机翼参考面积，m为飞行器质量；类似地，估计升力相关项：其中，z_1γ为航迹倾角γ的估计值，z_2γ为升力相关项Lcosμ/v的估计值，e_γ为航迹倾角估计误差，β_1γ和β_2γ均为航迹倾角扩张状态的观测器增益；升力系数参数变化量ΔC_L估计为：步骤五、构建训练深度神经网络，并设定包括升力系数变化量ΔC_L和阻力系数变化量ΔC_D的输入参数和输出参数；输入参数包括：地心距r、经度λ、纬度φ、速度v、航迹倾角γ、航迹偏角ξ、攻角α、倾侧角μ、升力系数变化量ΔC_L和阻力系数变化量ΔC_D；输出参数为当前位置到预测落点的待飞航程s_{togo_p}；定义深度神经网络每层的变量为f_n(1≤n≤7)，输入层为f₁＝[r,λ,φ,v,γ,ξ,α,μ,ΔC_L,ΔC_D]^T，输出层为f₇＝s_{togo_p}；前向传播计算过程为：f_n＝f_e(f_n‑1W_n‑1+B_n‑1)(2≤n≤7)其中，f_e(x)为激活函数；W_n‑1表示变量f_n‑1和变量f_n之间的权重矩阵，B_n‑1表示变量f_n的偏置向量；利用输入变量对三自由度运动方程方程进行积分，得到预测落点，并计算当前位置到预测落点的待飞航程；步骤六、根据深度神经网络的输出待飞航程s_{togo_p}，结合再入终端约束方程，利用割线法求满足倾侧角幅值约束条件的倾侧角幅值；步骤七、利用基于航向角误差走廊的倾侧角反转逻辑求得倾侧角符号；步骤八、由倾侧角幅值和倾侧角符号计算求出倾侧角剖面，并结合攻角剖面，即可求出故障后满足要求的制导指令，实现容错制导。