飞行器网络控制系统在线故障检测算法

王明明; 王青; 董朝阳

飞行器网络控制系统在线故障检测算法

1.
北京航空航天大学, 自动化科学与电气工程学院, 北京 100191
2. 北京航空航天大学, 航空科学与工程学院, 北京 100191

基金项目: 国家自然科学基金资助项目(60974014,61074027)

详细信息

中图分类号: TP273
计量
- 文章访问数: 4834
- HTML全文浏览量: 269
- PDF下载量: 651
- 被引次数: 0
出版历程
- 收稿日期: 2011-03-29
- 网络出版日期: 2012-06-30

Online fault detection of networked control systems for flight vehicles

1.
School of Automation Science and Electrical Engineering, Beijing University of Aeronautics and Astronautics, Beijing 100191, China
2. School of Aeronautic Science and Engineering, Beijing University of Aeronautics and Astronautics, Beijing 100191, China

摘要

摘要: 针对飞行器网络控制系统具有网络诱导时延且采样周期较短的情况,提出了一种飞行器网络控制系统在线故障检测算法.考虑未知时延对网络控制系统的影响,建立飞行器网络化控制系统故障检测模型.基于此模型,构造了残差生成器,将故障检测问题转化为最小化优化问题.以矩阵Moore-Penrose逆的形式给出该最小化优化问题的解,在每个采样周期内进行飞行器网络控制系统在线故障检测.数值算例表明:当飞行器网络控制系统存在未知时延时,该故障检测算法对故障敏感,同时对未知时延引起的扰动具有鲁棒性.
- 飞行器 /
- 网络控制系统 /
- 故障检测 /
- Moore-Penrose逆
Abstract: An online fault detection algorithm for the networked control system of flight vehicle was proposed considering the network-induced delay and the short sampling period. The fault detection model was established for the impact of the unknown time-delay. Based on the model, the residual generator was constructed and the fault detection of networked control systems was converted to the minimum optimization problem. Furthermore, the solution of the problem was given in the form of Moore-Penrose Inverse of matrix, and the fault detection algorithm was optimized in every sampling period. The numerical example shows that the proposed fault detection method is sensitive to the fault, and it is also robust to the unknown disturbance caused by the unknown delay.
- flight vehicle /
- networked control system /
- fault detection /
- Moore-Penrose inverse

HTML全文

与飞机着陆相比，舰载机在着舰过程中，需要保持与甲板运动在高度上的同步^[1]。但航空母舰由于受到海风和浪涌等多种因素的影响，将会出现偏航、横摇、纵摇、沉浮等多种形式的甲板运动，运动的不确定性及环境干扰，极大地增加了着舰难度，这往往会导致舰载机无法与阻拦索啮合，发生逃逸、撞击等事故^[2-3]。由于甲板运动严重影响了舰载机着舰过程的安全性和成功率。因此，需要通过甲板运动预报来预估得到未来一段时间的甲板运动信号，并将其引入着舰导引系统中，以抵消舰载机响应滞后带来的甲板和舰载机纵向高度、横纵角度不同步的问题。既有的预估方法包括卡尔曼滤波、粒子滤波、神经网络及自回归AR模型等，但由于导引系统与实际甲板运动不可避免地会存在一定的相位滞后，就需要与甲板运动补偿相结合^[4-5]，保持着舰前飞机与甲板运动同步，以保证舰载机可以在理想着舰点附近安全着舰。目前研究的甲板预报与补偿技术已经有了长足的发展，预报可以达到12 s内相对精确的预估，但在实时速率和精度上还有很大提升空间。

本文首先对甲板运动进行基于正弦波的建模；其次，基于反向传播(back-propagation, BP)人工神经网络对甲板运动进行预报，提出甲板运动预报模型使用优化算法和在线训练来减少模型参数训练更新所需时间，提高模型精度，并采用超前网络进行补偿，确保舰载机与甲板运动同相位；最后，建立飞机纵向运动模型，对本文预报模型和补偿模型进行了仿真验证。

1. 甲板运动模型建立

甲板运动模型主要分为基于正弦波组合的甲板运动模型和基于功率谱的甲板运动模型^[6-7]，本文采用基于正弦波组合的甲板运动模型。以舰船质心为坐标，建立六自由度的甲板运动坐标系，如所示，其中， ${x_{\mathrm{V}}}$ 为甲板运动方向。绕x轴、y轴和z轴的3种运动分别为横摇、首摇和纵摇，沿着x轴、y轴和z轴的运动为纵荡、升沉和横荡。其中，横摇、纵摇和升沉能够返回初始位置，因此，将其看作窄频带的平稳随机过程。

图 1 六自由度甲板运动模型

Figure 1. Deck motion model in six degree of freedom

下载: 全尺寸图片幻灯片

实验过程中将运动简化为

$\left\{ \begin{array}{l} \gamma = \displaystyle\sum\limits_{i = 0}^N {{\gamma _{{\mathrm{m}}i}}\sin \left(\frac{{2{\text{π}} }}{{{T_{yi}}}}t + {\gamma _{0i}}\right)}\\ \theta = \displaystyle\sum\limits_{i = 0}^N {{\theta _{{\mathrm{m}}i}}\sin \left(\frac{{2{\text{π}} }}{{{T_{yi}}}}t + {\theta _{0i}}\right)} \\ h = \displaystyle\sum\limits_{i = 0}^N {{h_{{\mathrm{m}}i}}\sin \left(\frac{{2{\text{π}} }}{{{T_{yi}}}}t + {h_{0i}}\right)} \end{array} \right.$

(1)

式中： $\gamma$ 和 $\theta$ 分别为甲板的横摇和纵摇角度； $h$ 为升沉位移； ${\gamma _{\mathrm{m}}}$ 指横摇运动的幅值； $t$ 为甲板运动周期。

考虑到实际着舰过程中，舰载机需要的是着舰点处的甲板运动参数，构建船舰质心到着舰点的运动模型：

${h_{\textit{z}}} = h + l\sin \theta + w$

(2)

式中： ${h_{\textit{z}}}$ 为着舰点的升沉位移； $l$ 为船舰质心与着舰点之间的距离； $w$ 为白噪声。

根据式（2）可以得到甲板着舰点的横摇、纵摇及升沉运动模型，将其作为实验数据，在运动模型数据上叠加确定方差的白噪声 $w$ 。航母在5级海况，以15.4 m/s(30 kn)的航速状态行驶时，海浪及风作用于舰体引起的甲板运动响应曲线如图2所示。

图 2 甲板运动响应曲线

Figure 2. Deck motion response curve

下载: 全尺寸图片幻灯片

2. 基于BP神经网络的甲板运动预报

针对甲板运动预报采取经典的精确数学模型，通常会面临计算复杂、不确定、非线性等问题，而人工神经网络作为一种机器学习模拟生物神经反馈过程的计算模型，能够达到并行、分布式处理数据信号，通过调节模型内部计算单元之间的相互连接关系的智能学习训练。采取神经网络方法进行甲板运动预报，能够极大地降低计算的复杂度。

人工神经网络领域中，BP神经网络因其具有很强的非线性映射能力和柔性的网络结构而被广泛应用，但其也存在学习速率慢的问题，即使是简单问题也需要几百次甚至上千次的学习才能收敛。本文基于BP神经网络提出的优化反向传输算法和在线训练，能够在继承BP神经网络优势的同时进一步提高精度及速率。

2.1 基于经典BP的甲板运动预报

1986年，Rumelhart等提出了BP神经网络的概念，因其具有很强的非线性映射能力，所以一经提出就引发了广泛关注^[8]。

BP神经网络结构图如所示，其基本处理单元是神经元， ${x_1},{x_2}, \cdots ,{x_m}$ 为输入信号， ${c_1},{c_2}, \cdots ,{c_n}$ 为中间层处理结果， ${y_1},{y_2}, \cdots ,{y_l}$ 为测试结果，e为无量纲化相对误差， ${v_{ij}}$ 和 ${\omega _{jk}}$ 分别为各神经元间对应权值^[9-10]。

图 3 BP神经网络

Figure 3. BP neural network

下载: 全尺寸图片幻灯片

数据信号在各层间传输处理过程中如果直接求解，那么无论网络结构多么复杂，输出和输入信号都是线性组合关系。因此，在网络模型各层级的计算单元间加入非线性的激活函数，能够使神经网络面向非线性问题，从而提升网络对模型的表征能力。信号在各层间的计算如下：

${c_j} = f\left(\sum\limits_{i = 0}^m {{v_{ij}}{x_i}} \right) \qquad j = 1,2, \cdots ,n$

(3)

${y_k} = g\left(\sum\limits_{j = 0}^n {{\omega _{jk}}{c_j}} \right) \qquad k = 1,2, \cdots ,l$

(4)

式中：函数 $f(x)$ 和 $g(x)$ 为各层间的激活函数。在实验中本文采取双曲正切S型激活函数：

${\mathrm{tansig}}(n) = \frac{2}{{1 + {\mathrm{e}}{}^{ - 2n}}} - 1$

(5)

当神经网络预估得到的输出值不满足误差精度要求时，模型就会进入反向传播。要使平方和误差减小，反向传输过程各层权值的调整量需要与误差的梯度下降成正比：

$\Delta \omega = - \eta \frac{{\partial E}}{{\partial \omega }} = - \eta \frac{{\partial E}}{{\partial y}} \cdot \frac{{\partial y}}{{\partial \omega }} = \eta {\delta _k}{c_j}$

(6)

式中： $\eta$ 为更新过程中的更新步长； $E$ 为平方和误差函数； $\delta$ 为误差函数对输出层的各神经元的偏导数。

BP神经网络在使用训练样本进行训练时，主要通过调整权值来训练更新模型，调整后的权值再次通过数据信号进行预估、误差比对，循环往复直到满足精度需求。

使用经典BP神经网络对第1节利用着舰点处的甲板运动模型产生的升沉运动状态进行甲板运动预报，使用前40 s甲板运动数据作为训练样本，设输入层神经元为80，中间层神经元为10，输出层神经元数目设为50，提前5 s对5级海况下的甲板运动的预报情况及相对误差如图4所示。

图 4 基于BP神经网络的升沉运动预估

Figure 4. Prediction of heaving motion based on BP neural network

下载: 全尺寸图片幻灯片

实验结果均方误差（mean-square error, MSE）为0.131 83 h/m。从预测结果可以看出，基于经典BP神经网络的预报运动曲线与实际曲线趋势基本吻合，能够比较准确地对甲板运动进行预报，但预报误差较大，且采用离线模型训练无法在实际应用中实时跟进，在模型精度和实时性能上仍有提升空间。

2.2 反向传输算法

BP神经网络的反向传输过程要求各层权值的调整更满足精度需求，因此，调整量需要与误差的梯度下降成正比，即梯度下降法，但这个方法在迭代中寻找局部最优的方向时，会选择与之前十分相近的方向，即网络在该方向上的参数更新还未满足误差需求，这就导致在更新过程中的轨迹呈现锯齿状。

为减小更新时调整方向所需时间，选择优化方向，以确保步长能够使该方向的参数更新满足优化需求。

对于反向传输时模型的优化问题：

$\mathop {\min }\limits_{\boldsymbol{x}} f({\boldsymbol{x}}) = \frac{1}{2}{{\boldsymbol{x}}^{\rm T}}{\boldsymbol{Ax}} - {{\boldsymbol{b}}^{\rm T}}{\boldsymbol{x}}$

(7)

式中： ${\boldsymbol{x}}$ 为模型参数矩阵； ${\boldsymbol{A}}$ 为正定矩阵； ${\boldsymbol{b}}$ 为已知常量矩阵。为确保优化方向 ${{\boldsymbol{{\boldsymbol{p}}}}_k}$ 间不相互干扰必须满足共轭正交 ${\boldsymbol{p}}_i^{\rm T}{\boldsymbol{A}}{{\boldsymbol{p}}_j} = 0$ （ $i \ne j$ ）。若令

${{\boldsymbol{p}}_k} = - {{\boldsymbol{g}}_k} + {\beta _{k - 1}}{{\boldsymbol{p}}_{k - 1}} + \sum\limits_{i = 0}^{k - 1} {\beta _k^{(i)}{{\boldsymbol{p}}_i}} \qquad k \geqslant 1$

(8)

式中： ${{\boldsymbol{g}}_k} = \dfrac{{\partial f({{\boldsymbol{x}}_k})}}{{\partial {{\boldsymbol{x}}_k}}} = {\boldsymbol{A}}{{\boldsymbol{x}}_k} + {\boldsymbol{b}}$ 为梯度。那么系数 $\beta_k$ 必须满足优化方向共轭条件，计算可得

$\beta _k^{(i)} = \frac{{{\boldsymbol{g}}_k^{\rm T}{\boldsymbol{A}}{{\boldsymbol{p}}_i}}}{{{\boldsymbol{p}}_i^{\rm T}{\boldsymbol{A}}{{\boldsymbol{p}}_i}}} = \frac{{{\boldsymbol{g}}_k^{\rm T}({{\boldsymbol{g}}_{i + 1}} - {{\boldsymbol{g}}_i})}}{{{\boldsymbol{p}}_i^{\rm T}({{\boldsymbol{g}}_{i + 1}} - {{\boldsymbol{g}}_i})}} = 0$

(9)

因此，第 $k$ 步的优化方向为

${{\boldsymbol{p}}_k} = - {{\boldsymbol{g}}_k} + {\beta _{k - 1}}{{\boldsymbol{p}}_{k - 1}}$

(10)

确定优化方向后，需要求得优化目标进行计算更新以调整参数，但由于一般真实模型比较复杂，因此，需要在求解过程中采用在当前优化点的邻域对函数进行泰勒展开，逼近 ${{\boldsymbol{x}}_k}$ 附近点 ${{\boldsymbol{x}}_k} + {{\boldsymbol{\varDelta }}_k}$ 的估计值：

$f({{\boldsymbol{x}}_k} + {{\boldsymbol{\varDelta }}_k}) = f({{\boldsymbol{x}}_k}) + J_{\boldsymbol{x}}^k{{\boldsymbol{\varDelta }}_k}$

(11)

式中： ${\boldsymbol{J}}_{\boldsymbol{x}}^k$ 为 ${{\boldsymbol{x}}_k}$ 处的雅可比矩阵。若设 ${{\boldsymbol{\varDelta }}_k}$ 为 ${{\boldsymbol{x}}_k}$ 处的模型参数增量， ${{\boldsymbol{x}}_{k + 1}} = {{\boldsymbol{x}}_k} + {{\boldsymbol{\varDelta }}_k}$ ，则模型：

$\left\| {{\boldsymbol{y}} - f({{\boldsymbol{x}}_{k + 1}})} \right\| = \mathop {\min }\limits_{{{\boldsymbol{\varDelta }}_k}} \left\| {{{\boldsymbol{e}}_k} - {\boldsymbol{J}}_{\boldsymbol{x}}^k{{\boldsymbol{\varDelta }}_k}} \right\|$

(12)

式中： ${{\boldsymbol{e}}_k} = {\boldsymbol{y}} - f({{\boldsymbol{x}}_k})$ 。设 $\left\| {{{\boldsymbol{e}}_k} - {\boldsymbol{J}}_{\boldsymbol{x}}^k{{\boldsymbol{\varDelta }}_k}} \right\| = 0$ ，则可以得到优化点的迭代：

${{\boldsymbol{x}}_{k + 1}} = {{\boldsymbol{x}}_k} + {\boldsymbol{J}}{_{\boldsymbol{x}}^k{^{ - 1}}}({\boldsymbol{y}} - f({{\boldsymbol{x}}_k}))$

(13)

使用BP神经网络模型在预估甲板运动时，在反向传输过程中通过优化算法大大减少了调整方向时搜索网络的时间，这确保精确度的同时也能够保证速率。

2.3 甲板运动预报仿真验证

经典的BP神经网络模型采取离线训练的方式进行预估，通过历史样本数据进行模型初始化训练后，直接输入实验样本进行模型计算得到结果，但实际舰载机着舰过程需要对舰船的运动状态进行实时采样以更新甲板预报模型的输入样本，因此，将预报器的训练方式更改为在线训练。

在线训练模型的甲板运动预报流程如图5所示，即在初始化训练后，测试数据将以预设时间为周期进行采样，在模型计算预估结果的同时，将新采样数据与历史数据相结合作为训练样本对模型进行训练及参数更新，以保障预报模型的实时性能。

图 5 实时甲板运动预报流程

Figure 5. Deck motion real-time prediction process

下载: 全尺寸图片幻灯片

以六自由度甲板运动模型作为测量数据源，验证基于BP神经网络优化模型的甲板运动预报技术的可行性。在第1节中确定的多正弦波组合运动模型中加入方差为0.01的随机白噪声作为甲板横摇、纵摇和升沉运动的样本数据，并设系统采样时间为0.1 s。

实验采用在线训练的方式进行模型更新，传输周期设为1.0 s，将实验所用甲板运动数据集分为训练数据及实验预估数据，先对输入数据进行归一化处理，确定神经网路各层级参数，再设输入层神经元数为80，即输入数据样本的维数为80，根据预测时间5 s，输出层神经元数目设为50，中间层经验计算式：

$l = \sqrt {n + m + a}$

(14)

式中： $n$ 为输入层神经元数目； $m$ 为输出层神经元个数； $a$ 为1～10的任意数，由此确定中间层层数 $l$ 为12。设模型训练迭代次数为1 000，学习速率为0.05，期望目标最小误差为0.000 01。

本文预估模型对甲板升沉运动的期望值与预测值对比及预估相对误差如图6所示。

图 6 升沉运动预估

Figure 6. Prediction of heaving motion

下载: 全尺寸图片幻灯片

由图6可知，预估曲线与实际样本曲线十分吻合，基于本文预估模型的甲板运动预报模型能够通过历史数据很好地预测甲板运动未来有效时间内的运动变化趋势。相较于基于经典BP的甲板运动预报方法实验结果，本文提出的预报模型在在线训练过程中，预测误差有一定程度的减小，即能够跟上实时训练及预报过程，并可以更精准快速地预估甲板运动。由此可以说明，基于优化模型的甲板运动预报技术对于随机甲板运动模型的预估是非常有效的，且提高学习速率后能够满足实时状态下的甲板运动预报精度要求。

针对预报模型的性能研究，测试其在4级海况下提前4，7，10，13，16，19 s对甲板的升沉运动进行预报，实验结果如表1所示，可以得出，基于优化算法的预报模型在16 s内都能比较准确地预估甲板未来运动趋势，且对升沉、纵摇和横摇3种运动的实验结果误差都能满足精度要求。

表 1 甲板运动预报性能

Table 1. Deck motion prediction performances

时间/s	升沉MSE/m	纵摇MSE/(°)	横摇MSE/(°)
4	0.024875	0.025589	0.029882
7	0.023695	0.036056	0.027329
10	0.029782	0.039349	0.043956
13	0.06856	0.076037	0.077719
16	0.089719	0.09724	0.095743
19	0.12533	0.14659	0.131588

下载: 导出CSV

| 显示表格

在预报提前10 s的情况下分别对不同海况下的升沉、横摇和纵摇运动进行预估，如图7所示，可以看到在3～5级海况中，本文预报模型都能够精确地预测甲板未来运动趋势。可以说明，本文预报模型能够适应复杂环境及不同程度的剧烈运动挑战。

图 7 本文预报模型在不同海况下的仿真结果

Figure 7. Simulation results of the proposed predicting model under different sea conditions

下载: 全尺寸图片幻灯片

3. 基于超前网络的甲板运动补偿

舰载机着舰过程中，为确保能够在目标着舰点与舰船甲板啮合，舰载机导引需要考虑到甲板的纵向运动问题，使得舰载机在着舰过程中避免因为舰船甲板下降导致舰载机着舰失败逃逸复飞，或舰船突然升高使得飞机撞击甲板或舰船尾部的情况。将理想的甲板着舰点的纵向运动即高度变化信息加入纵向自动着舰导引系统 (longitudinal automatic carrier landing system, ${\left. {{\mathrm{ASCL}}} \right|_{{\mathrm{Long}}}}$ )中，以确保舰载机在着舰引导航行的同时能够跟随甲板扰动同相位运动^[2,11]。

但由于纵向的导引系统在舰船运动的有效工作特征频段内会有不可避免的相位滞后，导致系统难以实时准确地跟踪甲板纵向运动，因此，针对相位产生的实时性能和误差问题，预先对舰船的高度变化进行补偿，以确保飞机着舰精度。图8为舰载机的纵向导引系统。

图 8 舰载机纵向导引系统

Figure 8. Carrier aircraft longitudinal guidance system

下载: 全尺寸图片幻灯片

图中， ${H_{{\mathrm{DM}}}}$ 为理想的甲板高度变化信号， ${H_0}$ 为舰载机的初始高度， ${H_{{\mathrm{com}}}}$ 为理想下滑轨迹， ${H_{{\mathrm{error}}}}$ 为高度偏差信号，DMP为甲板运动预报模型，DMC为甲板运动补偿模型。着舰过程中，结合甲板运动预报模型和甲板运动补偿模型，先根据甲板历史运动信号对甲板进行实时预报，再利用获得的预估甲板运动信息进行网络补偿，处理后引入到导引系统 ${\left. {{\mathrm{ASCL}}} \right|_{{\mathrm{Long}}}}$ 中。

对于甲板的运动补偿采取相位超前网络 ${G_{{\mathrm{DMC}}}}(s)$ ^[12-13]，补偿模型需要对导引系统 ${\left. {{\mathrm{ASCL}}} \right|_{{\mathrm{Long}}}}$ 的相位滞后进行补偿，则针对有效频段 ${\omega _s} = 0.2 \sim 1.0$ rad/s，理想的补偿情况应当满足：

${\left. {{G_{{\mathrm{DMC}}}}(s){G_{{\mathrm{ACLS}}}}(s)} \right|_{s = j\omega ,\omega = 0.2 \sim 1.0}} = 1$

(15)

式中： ${G_{{\mathrm{ACLS}}}}(s)$ 为导引系统 ${\left. {{\mathrm{ASCL}}} \right|_{{\mathrm{Long}}}}$ 的闭环传递函数。

为保证着舰系统在有效频段中满足频域响应特性要求，采取如下结构：

${G_{\rm DMC}}(s) = {K_{\rm DMC}}{G_{\mathrm{L}}}(s){G_{\mathrm{C}}}(s){G_{\mathrm{F}}}(s)$

(16)

式中： ${K_{\rm DMC}}$ 为补偿滤波器增益； ${G_{\mathrm{L}}}(s)$ 为低通滤波器，用于抑制高频噪声； ${G_{\mathrm{C}}}(s)$ 为针对低通滤波的补偿环节； ${G_{\mathrm{F}}}(s)$ 为相位超前网络，对系统相位进行整体调整以确保舰载机在经过导引系统后与甲板运动同步。其中：

${G_{\mathrm{L}}}(s) = c{1}\bigg/\left({{\dfrac{1}{{{\tau _{\rm DMC}}}}s + 1}}\right)$

(17)

${G_{\mathrm{C}}}(s) = \left({{\dfrac{{{s^2}}}{{{\omega _{\rm DMC}}^2}} + \dfrac{{2{\xi _{\rm DMC}}}}{{{\omega _{\rm DMC}}}}s + 1}}\right)\bigg/{{{{\left( {\dfrac{1}{{{\omega _n}}}s + 1} \right)}^2}}}$

(18)

${G_{\mathrm{F}}}(s) = \left({{\alpha Ts + 1}}\right)/\left({{Ts + 1}}\right)$

(19)

取滤波器时间常数 ${\tau _{\rm DMC}}$ 为2 s，自然频率 ${\omega _{\rm DMC}}$ 为0.65 rad/s，阻尼 ${\xi _{\rm DMC}}$ 为0.45作为仿真的超前补偿网络。

采用确定的甲板运动模型进行补偿模型仿真验证如图9所示。

图 9 甲板运动补偿模型实验效果

Figure 9. Experimental effect of deck motion compensation model

下载: 全尺寸图片幻灯片

4. 甲板运动扰动着舰系统仿真验证

4.1 舰载机纵向运动模型

舰载机纵向控制系统如图10所示，信号通过控制律将指令传送给舵机，并计算出运动模型获取运动参数。

图 10 舰载机纵向控制系统

Figure 10. Carrier aircraft longitudinal control system

下载: 全尺寸图片幻灯片

根据飞机运动状态的动力学关系可以得到舰载机的运动学方程组如下：

$\left\{ \begin{gathered} {{\dot \theta }_{\mathrm{f}}} = q\cos \phi - r\sin \phi \\ \dot \psi = \frac{1}{{\cos {\theta _{\mathrm{f}}}}}(q\sin \phi + r\cos \phi ) \\ \dot \phi = p + q\sin \phi \tan {\theta _{\mathrm{f}}} + r\cos \phi \tan {\theta _{\mathrm{f}}} \\ \end{gathered} \right.$

(20)

式中： ${\theta _{\mathrm{f}}}$ 为俯仰角； $\psi$ 为偏航角； $\phi$ 为滚转角； $p$ 、 $q$ 和 $r$ 分别为绕机体坐标系x轴、y轴和z轴的角速度。

舰载机着舰的线性化状态空间方程^[14-15]可以表示为

${\dot {\boldsymbol{x}}_{\mathrm{h}}} = {\boldsymbol{A}}_{\mathrm{s}}{{\boldsymbol{x}}_{\mathrm{h}}} + {\boldsymbol{B}}{\boldsymbol{u}}$

(21)

式中： ${{\boldsymbol{x}}_{\mathrm{h}}}$ 表示飞机的各个状态变量； ${\boldsymbol{u}}$ 为飞机的控制量； ${\boldsymbol{A}}_{\mathrm{s}}$ 和 ${\boldsymbol{B}}$ 为 ${{\boldsymbol{x}}_{\mathrm{h}}}$ 和 ${\boldsymbol{u}}$ 线性关系的对应状态空间矩阵。其中：

$\left\{ \begin{array}{l} {{\boldsymbol{x}}_{\mathrm{h}}} = {\left[ {\Delta V,\Delta \alpha ,\Delta \beta ,\Delta p,\Delta q,\Delta r,\Delta {\theta _{\mathrm{f}}},\Delta \phi ,\Delta \psi } \right]^{\rm T}} \\ {\boldsymbol{u}} = {\left[ {\Delta {\delta _{\mathrm{e}}},\Delta {\delta _{\mathrm{T}}},\Delta {\delta _{\mathrm{a}}},\Delta {\delta _{\mathrm{r}}}} \right]^{\rm T}} \end{array} \right.$

(22)

式中： $V$ 为速度； $\alpha$ 为迎角； $\beta$ 为侧滑角； ${\delta _{\mathrm{e}}}$ 为升降舵偏角； ${\delta _{\mathrm{T}}}$ 为油门开合度； ${\delta _{\mathrm{a}}}$ 为副翼偏角， ${\delta _{\mathrm{r}}}$ 为方向舵偏角。

若围绕舰载机纵向运动来讨论，建立飞机纵向运动模型，则可以将状态参数简化为

$\left\{ \begin{array}{l}{{\boldsymbol{x}}_{\mathrm{h}}} = {\left[ {\Delta V,\Delta \alpha ,\Delta q,\Delta {\theta _{\mathrm{f}}}} \right]^{\rm T}} \\ {\boldsymbol{u}} = {\left[ {\Delta {\delta _{\mathrm{e}}},\Delta {\delta _{\mathrm{T}}}} \right]^{\rm T}} \end{array} \right.$

(23)

设定舰载机的瞬时状态参数如表2所示。

表 2 舰载机瞬时状态

Table 2. Transient state parameters of carrier aircraft

参数	数值	参数	数值
高度 $h$ /m	120	偏航角速度 $r$ /((°)·s⁻¹)	0
速度 $V$ /(m·s⁻¹)	65.0	滚转角速度 $p$ /((°)·s⁻¹)	0
迎角 $\alpha$ /(°)	8	俯仰角速度 $q$ /((°)·s⁻¹)	0
侧滑角 $\beta$ /(°)	0	升降舵偏角 ${\delta _{\mathrm{e}}}$ /(°)	−3.17
俯仰角 ${\theta _{\mathrm{f}}}$ /(°)	5	副翼偏角 ${\delta _{\mathrm{a}}}$ /(°)	0
偏航角 $\psi$ /(°)	0	油门开合度 ${\delta _{\mathrm{T}}}$ /%	0.43
滚转角 $\phi$ /(°)	0	方向舵偏角 ${\delta _{\mathrm{r}}}$ /(°)	0

下载: 导出CSV

| 显示表格

得到舰载机的状态空间参数矩阵为

$\left\{ \begin{array}{l} {\boldsymbol{A}}_{\mathrm{s}} = \left[ {\begin{array}{*{20}{c}} { - 0.087\;3}&{3.405\;3}&{ - 0.024\;5}&{ - 32.735\;1} \\ { - 0.001\;5}&{ - 0.557\;9}&{0.989\;7}&{0.008\;5} \\ 0&{ - 0.300\;1}&{ - 0.185\;4}&0 \\ 0&0&1&0 \end{array}} \right] \\ {\boldsymbol{B}} = \left[ {\begin{array}{*{20}{c}} { - 0.004\;5}&{18.780\;3} \\ { - 0.001\;4}&{ - 0.011\;8} \\ { - 0.028\;5}&0 \\ 0&0 \end{array}} \right] \end{array} \right.$

(24)

4.2 仿真验证

为验证本文甲板运动预报模型和补偿模型在实际工程应用的可行性，使用建立的飞机运动模型和甲板运动模型进行仿真验证。

舰载机着舰过程中纵向运动的示意图如图11所示。

图 11 舰载机着舰下滑道示意图

Figure 11. Schematic diagram of carrier aircraft landing glide path

下载: 全尺寸图片幻灯片

设定飞机飞行高度为 ${h_0}$ 为120 m，空速为65 m/s，舰船航速为15 m/s，舰船甲板高度为30 m，吃水深度为10 m，即甲板距海平面距离 ${h_{\mathrm{c}}}$ 为20 m，舰载机距离舰船甲板着舰点的水平距离为1256.98 m，进行仿真验证。使用经典BP的甲板运动预报如图12所示；将本文预报技术及补偿技术相结合导入舰载机导引系统，本文预报模型的舰载机纵向航迹图如图13所示。

图 12 基于经典BP预报技术的舰载机纵向着舰航迹

Figure 12. Longitudinal landing track of carrier aircraft based on classical BP prediction technology

下载: 全尺寸图片幻灯片

图 13 本文预报模型的舰载机纵向着舰航迹

Figure 13. Longitudinal landing track of carrier aircraft based on the proposed predicting model

下载: 全尺寸图片幻灯片

由图12和图13可知，经典的BP预报技术会使舰载机着舰的纵向实际航迹与理想航迹的相对误差随时间的变化而越来越大，且有一定的相位差；而使用本文预报模型与补偿技术相结合，则使舰载机着舰的纵向实际航迹与理想航迹基本吻合，且相对误差保持在较小的范围内。

上述仿真结果可以说明，本文预报模型可以保证舰载机在着舰情况下能够提前预估到较为精确的甲板运动状态，同时加入的甲板补偿技术能够消除导引系统自身的问题带来的相位差，以保证舰载机与甲板同相位运动。

针对舰载机由于甲板运动的扰动产生的纵向位移进行验证分析，图14为舰载机的甲板运动扰动响应与实际着舰点高度变化对比图，由图可知，飞机经过预报模型与补偿模型的相互作用，着舰系统能够使机体运动与甲板运动保持同相位，且误差较小。

图 14 甲板运动扰动高度仿真结果

Figure 14. Height simulation results of deck motion disturbance

下载: 全尺寸图片幻灯片

图15和图16为仿真验证中状态参数的动态响应，由图可知，舰载机在甲板运动扰动下的迎角和速度响应基本控制在小范围内。

图 15 甲板运动扰动迎角响应

Figure 15. Angle of attack response of deck motion perturbation

下载: 全尺寸图片幻灯片

图 16 甲板运动扰动速度响应

Figure 16. Velocity response of deck motion disturbance

下载: 全尺寸图片幻灯片

在不同海况下进行验证，得到舰载机甲板运动扰动的误差情况如表3所示，由表可知，在不同的海况下，预报模型和补偿模型都能够配合系统准确地进行着舰，从而提高着舰成功率。

表 3 不同海况下纵向甲板运动扰动实验结果

Table 3. Experimental results of longitudinal deck motion disturbance under different sea conditions

海况	高度平均误差/m	高度误差标准差/m
5级	0.460 34	3.613 54
4级	0.376 16	4.510 79
3级	0.393 52	4.014 54

下载: 导出CSV

| 显示表格

5. 结　论

1）本文介绍了基于BP人工神经网络的甲板运动预报方法和采用超前网络的补偿方法，提出采用反向传播优化算法和在线训练以确保神经网络模型应用能够高精度、高速率并行。

2）在基于正弦波组合的甲板运动模型和舰载机纵向运动模型上，验证本文甲板运动预报模型和补偿模型的性能，仿真结果表明，本文预报模型对于随机甲板运动模型的预估在3～16 s内是非常有效的，并且能够适应多种海况各方向运动的挑战，补偿模型能够确保飞机准确追踪甲板高度信息并同相位运动。针对舰载机着舰过程的甲板运动扰动，预报和补偿技术相结合能够有效地处理扰动问题，提高着舰成功率。

参考文献(12)

[1]	Dong Chaoyang,Xu Lijie,Chen Yu,et al.Networked flexible spacecraft attitude maneuver based on adaptive fuzzy sliding mode control[J].Acta Astronautica,2009,65(11-12):1561-1570
[2]	徐利杰,董朝阳,王青.空间飞行器姿态网络控制系统的模糊变结构控制[J].宇航学报,2008,29(2):590-595 Xu Lijie,Dong Chaoyang,Wang Qing.The fuzzy variable structure control of spacecraft attitude networked control systems[J].Journal of Astronautics,2008,29(2):590-595 (in Chinese)
[3]	Patton R J,Uppal F J,Simani S,et al.Robust FDI applied to thruster faults of a satellite system[J].Control Engineering Practice,2010,18(9):1093-1109
[4]	Hespanha J P,Naghshtabrizi P,Xu Yonggang.A survey of recent results in networked control systems[J].Proceedings of IEEE,2007,95(1):138-162
[5]	王永强,叶昊,王桂增.网络化控制系统故障检测技术最新进展[J].控制理论与应用,2009,26(4):400-409 Wang Yongqiang,Ye Hao,Wang Guizeng.Recent development of fault detection techniques for networked control systems[J].Control Theory & Applications,2009,26(4):400-409 (in Chinese)
[6]	Huang D,Nguang S K.Robust fault estimator design for uncertain networked control systems with random time delay:an ILMI approach[J].Information Sciences,2010,180(3):465-480
[7]	吕明,吴晓蓓,徐志良,等.具有异步时钟的长时延网络控制系统故障检测[J].信息与控制,2007,36(3):386-391 Lü Ming,Wu Xiaobei,Xu Zhiliang,et al.Fault detection for networked control systems with long time delays of asynchronous clock[J].Information and Control,2007,36(3):386-391 (in Chinese)
[8]	Gao H J,Chen T,Wang L.Robust fault detection with missing measurements[J].International Journal of Control,2008, 81(5): 804-819
[9]	Ding Qiang,Zhong Maiying.On designing H_∞ fault detection filter for Markovian jump linear systems with polytopic uncertainties[J].International Journal of Innovative Computing,Information and Control,2010,6(3A):995-1004
[10]	Mao Zehui,Jiang Bin,Shi Peng.H_∞ fault detection filter design for networked control systems modeled by discrete Markovian jump systems[J].IET Control Theory & Applications,2007, 1(5):1336-1343
[11]	Wang Yongqiang,Ye Hao,Wang Guizeng.Fault detection of NCS based on eigendecomposition,adaptive evaluation and adaptive threshold[J].International Journal of Control,2007, 80(12): 1903-1911
[12]	Ding X,Guo L.An approach to time domain optimization of observer-based fault detection systems[J].International Journal of Control,1998,69(3):419-442

施引文献

资源附件(0)

访问统计

点击查看大图

计量

文章访问数: 4834
HTML全文浏览量: 269
PDF下载量: 651
被引次数: 0

1. 甲板运动模型建立
2. 基于BP神经网络的甲板运动预报
2.1 基于经典BP的甲板运动预报
2.2 反向传输算法
2.3 甲板运动预报仿真验证
3. 基于超前网络的甲板运动补偿
4. 甲板运动扰动着舰系统仿真验证
4.1 舰载机纵向运动模型
4.2 仿真验证
5. 结　论

1. 甲板运动模型建立
2. 基于BP神经网络的甲板运动预报
2.1 基于经典BP的甲板运动预报
2.2 反向传输算法
2.3 甲板运动预报仿真验证
3. 基于超前网络的甲板运动补偿
4. 甲板运动扰动着舰系统仿真验证
4.1 舰载机纵向运动模型
4.2 仿真验证
5. 结　论

参考文献(12)

施引文献

资源附件(0)

访问统计

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

飞行器网络控制系统在线故障检测算法

计量

Online fault detection of networked control systems for flight vehicles

1. 甲板运动模型建立

2. 基于BP神经网络的甲板运动预报

2.1 基于经典BP的甲板运动预报

2.2 反向传输算法

2.3 甲板运动预报仿真验证

3. 基于超前网络的甲板运动补偿

4. 甲板运动扰动着舰系统仿真验证

4.1 舰载机纵向运动模型

4.2 仿真验证

5. 结　论

计量

目录

1. 甲板运动模型建立

2. 基于BP神经网络的甲板运动预报

2.1 基于经典BP的甲板运动预报

2.2 反向传输算法

2.3 甲板运动预报仿真验证

3. 基于超前网络的甲板运动补偿

4. 甲板运动扰动着舰系统仿真验证

4.1 舰载机纵向运动模型

4.2 仿真验证

5. 结　论

留言板

飞行器网络控制系统在线故障检测算法

计量

出版历程

Online fault detection of networked control systems for flight vehicles

1. 甲板运动模型建立

2. 基于BP神经网络的甲板运动预报

2.1 基于经典BP的甲板运动预报

2.2 反向传输算法

2.3 甲板运动预报仿真验证

3. 基于超前网络的甲板运动补偿

4. 甲板运动扰动着舰系统仿真验证

4.1 舰载机纵向运动模型

4.2 仿真验证

5. 结 论

计量

出版历程

目录

1. 甲板运动模型建立

2. 基于BP神经网络的甲板运动预报

2.1 基于经典BP的甲板运动预报

2.2 反向传输算法

2.3 甲板运动预报仿真验证

3. 基于超前网络的甲板运动补偿

4. 甲板运动扰动着舰系统仿真验证

4.1 舰载机纵向运动模型

4.2 仿真验证

5. 结 论

5. 结　论

5. 结　论