[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

说明书

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ΔC_L和ΔC_D，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。

技术领域

本发明涉及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。

背景技术

高超声速飞行器是一个强非线性、强耦合、快时变以及强不确定性的多约束多变量系统，复杂的再入环境、严格的过程约束、终端落点和姿态跟踪的高精度要求以及由于恶劣环境容易导致的执行机构故障，给飞行器的制导和控制研究带来了前所未有的挑战，容错制导与控制研究对于提升高超声速飞行器的容错能力、提高和增强高超声速飞行器的安全性和稳定性具有重要意义。

在故障没那么严重的情况下，从姿态环出发的容错控制可以使飞行器从故障中恢复。然而，对于很多故障场景，尤其是故障较为严重时，仅从姿态环进行容错仍然无法使飞行器有效跟踪期望的制导指令，此时有必要结合制导环的容错制导以获得更大限度的容错能力。

然而，从目前国内外研究现状来看，关于高超声速飞行器容错制导的研究目前还非常少，归纳起来，再入容错制导算法主要有：基于待飞最优路径法的容错制导、基于故障下气动参数估计的伪谱法、基于轨迹存在定理或轨迹鲁棒性定理的轨迹重构法和基于状态依赖制导逻辑的轨迹重构法。从现有文献看，目前的容错制导算法主要存在以下两个方面的问题：①编码复杂，需离线生成和存储大量轨迹，对机载计算机存储空间要求较高，比如基于待飞最优路径法的容错制导方法；②算法实时性问题，比如基于故障下气动参数估计的伪谱法。

分析现有文献可知，容错制导的一个关键问题是确定故障后可配平的飞行包线区域和升、阻力系数。一旦求解出这些数据，就可以借助现有成熟的预测校正制导技术实现故障下的容错制导。

发明内容

基于上述分析，本发明针对故障条件下的高超声速飞行器的容错制导问题，借助预测校正制导算法抗扰性强、精度高的优势，提出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。在纵向制导律设计中，考虑执行机构故障导致部分攻角情况下飞行器没法旋转配平的情形，给出了可行攻角剖面。构建深度神经网络预测落点，深度神经网络的输入端包含升、阻力系数变化量，由设计的扩张状态观测器实时估计获取，并采用割线法求倾侧角幅值；接着设计了侧向制导律。

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。