[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

说明书

本发明公开了一种基于深度学习故障诊断的飞行器分层容错控制方法，属于飞行器控制领域；首先建立飞行器数学模型并分环写为姿态环和角速率环的仿射非线性形式；进一步考虑执行机构可能的故障，将其视作集总干扰，并对角速率环进行改写；接着结合固定时间扩张状态观测器和二次规划控制分配方法，构成传统容错控制器；然后，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，用于诊断故障参数；最后，结合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，构成飞行器分层容错控制方法的控制框架，将最终的舵面偏角分配至考虑了故障后的各执行机构；本发明提升了控制性能以及容错性能。

技术领域

本发明属于飞行器导航、制导与控制技术领域，具体涉及一种基于深度学习故障诊断的飞行器分层容错控制方法。

背景技术

飞行器(flight vehicle)是指在大气层内或大气层外空间(太空)飞行的器械，可以分为航空器、航天器、火箭和导弹等几种类别，近年来广泛应用于军用和民用领域。飞行器在复杂的飞行环境和长航时飞行任务下，由于部件的老化和烧蚀，执行机构不可避免会出现故障。如何设计具有优异容错性能的姿态控制系统，使飞行器在执行机构出现故障时，仍尽可能地完成飞行任务，避免飞行事故的发生，一直是学者们亟待解决的问题。

对于飞行器的容错控制问题而言，由于姿态系统中存在的强非线性、强耦合性、参数不确定性、参数时变性和存在外界干扰等问题，并未有一种有效的方法将执行机构的故障信息从这类多源复合干扰中提取出来。因此，基于观测器补偿的容错控制方法受到了研究人员的青睐，即，将执行机构故障与参数不确定性和外界干扰等因素一同视作系统的集总扰动，采用干扰观测器进行补偿，以实现飞行器在执行机构故障条件下的稳定控制。

然而，这类基于观测器补偿的传统容错控制方法，并未考虑执行机构在故障条件下的实际健康状态，尤其是对于过驱动飞行器，虽然在控制层考虑了对执行机构故障的补偿，但是在控制分配层，由于没有有效的从多源复合干扰中提取执行机构的故障信息的方法，无法考虑执行机构的实际健康状态，难以避免地会引起执行机构饱和、无法产生期望控制力矩等现象，严重影响了控制器的容错性能以及控制性能。

所以，在多源复合干扰作用下提取执行机构的故障信息并用于控制分配以及控制律设计是目前飞行器容错控制面临的挑战性的难题。

发明内容

本发明为了突破现有容错控制方法无法有效从多源复合干扰中提取执行机构的故障信息的瓶颈，以及为了弥补由此导致的期望控制力矩无法产生、容错性能较差等缺点，结合新一代人工智能的最新研究成果，提出一种基于深度学习故障诊断的飞行器分层容错控制方法；具体包括如下步骤：

步骤一、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；

非线性运动学模型如下：

动力学模型如下：