[发明专利]一种基于深度学习故障诊断的飞行器分层容错控制方法

权利要求书

1.一种基于深度学习故障诊断的飞行器分层容错控制方法，其特征在于，具体步骤如下：

首先，建立飞行器绕质心运动的非线性运动学模型和动力学模型；并改写成仿射非线性形式用于设计控制器；

控制器包含姿态环的控制律，能根据期望的姿态角产生期望的角速率指令；以及角速率环的控制律：根据产生的期望角速率计算所需的气动力矩；

然后，利用飞行器实际执行机构中存在的故障，对气动舵面的舵偏角进行改写，并得到改写后将执行机构故障包含在集总干扰内的角速率环；

进一步，利用姿态环的仿射非线性方程和改写的执行机构故障包含在集总干扰内的角速率环，构建具有通用形式的基于观测器补偿的传统容错控制器；以长短时记忆网络为基础，利用传统容错控制器进行大量飞行仿真，对深度学习故障诊断单元进行训练，获取最终深度学习故障诊断单元的网络参数；

最后，在训练好参数的深度学习故障诊断单元的基础上，构建飞行器分层容错控制框架；

框架由深度学习故障诊断单元，修正的固定时间扩张状态观测器，修正的容错控制律和鲁棒最小二乘控制分配四部分构成；

深度学习故障诊断单元用于在多源复合干扰作用下识别故障参数对于故障参数的识别误差，在角速率环以控制分配误差的形式使用修正的固定时间扩张状态观测器进行补偿，结合修正的容错控制律，实现在控制层的容错；最后，鲁棒最小二乘控制分配利用深度学习故障诊断单元识别的故障信息，实现期望力矩到各执行机构的容错控制分配。

2.如权利要求1所述的一种基于深度学习故障诊断的飞行器分层容错控制方法，其特征在于，所述的非线性运动学模型如下：

动力学模型如下：

式中，α表示飞行器的攻角，β表示飞行器的侧滑角，γ_s表示飞行器的倾侧角；w_x表示飞行器的滚转角速率，w_y表示飞行器的侧滑角速率，w_z表示飞行器的俯仰角速率；m表示飞行器质量；V表示飞行器速度；θ表示飞行器的弹道倾角；L表示飞行所受升力，L＝QSC_L，其中，Q＝ρV²/2表示动压，S为飞行器参考面积，C_L表示升力系数；Z表示飞行所受侧力，Z＝QSC_Z，C_Z表示侧力系数；I_xx表示绕x轴的转动惯量，I_yy表示绕y轴的转动惯量，I_zz表示绕z轴的转动惯量，I_xy表示x与y轴的惯量积；M_x表示飞行器所受滚转力矩，M_y表示飞行器所受偏航力矩，M_z表示飞行器所受俯仰力矩；g表示飞行器所在位置的重力加速度。