CN114637312B - 一种基于智能变形决策的无人机节能飞行控制方法及*** - Google Patents

一种基于智能变形决策的无人机节能飞行控制方法及*** Download PDF

Info

Publication number
CN114637312B
CN114637312B CN202210267232.8A CN202210267232A CN114637312B CN 114637312 B CN114637312 B CN 114637312B CN 202210267232 A CN202210267232 A CN 202210267232A CN 114637312 B CN114637312 B CN 114637312B
Authority
CN
China
Prior art keywords
flight
unmanned aerial
aerial vehicle
deformation
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210267232.8A
Other languages
English (en)
Other versions
CN114637312A (zh
Inventor
王恩美
郭雷
乔建忠
朱灶旭
卢昊
王陈亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210267232.8A priority Critical patent/CN114637312B/zh
Publication of CN114637312A publication Critical patent/CN114637312A/zh
Application granted granted Critical
Publication of CN114637312B publication Critical patent/CN114637312B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种基于智能变形决策的无人机节能飞行控制方法及***，基于无人机纵向飞行动力学模型，结合反步控制方法，以推力和舵偏为控制量设计纵向飞行跟踪控制律；根据翼展与翼厚变化上下界网格化处理获得无人机的组合变形状态，分析无人机在飞行包线内多维工作点的气动参数数据，构建无人机气动数据库；设计用于节能飞行的变形决策指标，基于径向基神经网络方法建立智能变形决策模型；联合智能变形决策模型与纵向飞行跟踪控制律，实现基于智能变形决策的无人机节能飞行控制。本发明能够完成无人机变速度变高度动态飞行任务的高精度跟踪，同时节省推力消耗能量，具有易于工程节能实现的特点，适用于具有机翼对称变形特点的无人机飞行控制。

Description

一种基于智能变形决策的无人机节能飞行控制方法及***
技术领域
本发明涉及一种基于智能变形决策的无人机节能飞行控制方法及***，从安全且节能的角度出发设计用于节能飞行的变形决策指标、建立智能变形决策模型，解决无人机在适应动态飞行任务过程中的变形飞行协调控制问题。
背景技术
近年来随着航空航天任务的发展，人们对新一代无人机在动态任务下的可靠性、自主性、适应性等方面提出了越来越高的要求。飞行生物得益于头部、翼展、尾翼等部位的协调变形能力，可实现高低空高低速飞行，在恶劣环境与天敌威胁时还兼具极强的姿态机动生存能力和适应能力。受此启发，变形飞行技术成为未来无人机突破性地提高自主性和适应性的发展方向之一，极具研究价值。可变形能力给无人机带来性能提升的同时，直接引入了“如何变”、“如何飞”的问题，对飞行过程中的变形决策、变形与飞行协调控制等方面提出了全新挑战，针对可变形飞行器关键技术的综述研究《智能可变形飞行器关键技术发展现状及展望》中指出，变形飞行协调控制技术是实现飞行器变形过程中安全稳定飞行的关键技术之一。
目前已有学者针对这一关键技术开展了研究工作，文献《变体飞行器变形与飞行的协调控制问题研究》针对变体飞行器变形与飞行的协调控制问题，以可变机翼展长的变翼展飞行器和可变机翼厚度的变厚度飞行器为对象，基于变形飞行器动力学模型，提出了巡航任务和机动任务下考虑***干扰的变形飞行协调控制策略。文献《变体飞机建模及自适应动态面控制》中针对变后掠翼飞机在变体过程中的飞行稳定控制问题，提出一种基于动态面的自适应反步控制器，利用径向基网络逼近变形质心偏移和干扰等引发的***不确定项，基于李雅普诺夫定理设计自适应输出反馈控制器和径向基网络权值向量的自适应律。文献《基于切换***的变体飞行器鲁棒自适应控制》针对变体飞行器变形过程的控制问题，基于变体飞行器变形序列提前已知的前提假设，建立纵向短周期线性切换模型，提出了一种基于切换***的鲁棒自适应控制器设计方法，可保证飞行器在变形过程中精确跟踪参考模型。
上述关于变形飞行协调控制技术的研究均是从变形过程中的稳定安全飞行控制这一角度开展的，在已知任务以及具体变形过程的前提假设下，设计稳定飞行控制策略，面向动态任务的智能变形决策和节能飞行尚未得到足够的关注。随着未来无人机应用场景和飞行任务的多样性和动态性发展，智能变形决策是其实现仿生安全高效变形飞行的基础。文献《基于增强学习的变体飞行器自适应变体策略与飞行控制方法研究》以变翼飞行器为研究对象，基于增强学习理论提出一种新型变体飞行器翼型自适应控制方法，但该方法面向某一飞行任务学习获得的是特定翼型、而非连续变形过程，依然属于开环变形飞行协调控制方法。文献《智能变形导弹变形机理及协调控制机制研究》中指出，闭环变形飞行协调控制策略将变形控制和飞行控制作为一个整体进行协调控制，相对于开环协调控制，可令飞行器具有更强的任务和环境适应能力，是值得研究的重点内容。
综上所述，现有方法针对无人机在适应动态飞行任务过程中的变形飞行协调控制问题，对面向动态任务的连续变形决策与节能飞行协调控制的研究不足，为确保安全节能的动态飞行任务完成，亟需提出基于智能变形决策的无人机节能飞行控制方法。
发明内容
本发明解决的技术问题是：针对无人机如何安全节能地适应动态飞行任务的问题，克服现有技术的不足，提出一种基于智能变形决策的无人机节能飞行控制方法及***，实现基于多维工作点气动分析的无人机气动数据库的建立、用于节能飞行的变形决策指标的设计、基于径向基神经网络的智能变形决策模型的建立，联合反步控制方法设计了纵向飞行跟踪控制律，实现动态任务下的连续变形与飞行协调控制，保证飞行高度与速度的高精度稳定跟踪控制效果的前提下，通过在线智能变形还可有效降低飞行过程中发动机推力消耗能量，从而利于飞行任务的节能实现。
本发明技术解决方案：一种基于智能变形决策的无人机节能飞行控制方法，结合反步控制方法以推力和舵偏为控制量设计纵向飞行控制律，基于多维工作点的气动参数数据构建无人机气动数据库，根据任务设计用于节能飞行的变形决策指标，并基于径向基神经网络方法训练建立智能变形决策模型，最后联合用于节能飞行的变形决策指标、智能变形决策模型与纵向飞行跟踪控制律，完成基于智能变形决策的无人机飞行控制。
本发明具体实现步骤如下：
第一步，面向无人机纵向飞行动力学模型，以推力和舵偏为控制变量，结合反步控制方法设计纵向飞行跟踪控制律。
步骤(1.1)无人机纵向飞行动力学模型
基于水平无侧滑飞行条件假设，解耦后的无人机纵向飞行动力学模型可表示为如下形式：
其中，V表示无人机相对空气的飞行速度，α表示飞行迎角，γ表示航迹倾斜角，θ＝α+γ表示俯仰角，表示俯仰角速度，h表示飞行高度；m为无人机质量，g为重力加速度，T表示发动机推力；L、D、Myy分别为空气动力产生的升力、阻力和俯仰力矩，其表达式分别为：
其中，ρ为空气密度，为机翼参考面积，W为机翼展长，/>为机翼平均弦长；CL为升力系数，CD为阻力系数，Cm为俯仰系数，CL、CD、Cm可做与飞行迎角α相关的线性假设，借助相关线性系数其表达式如下：
其中，cl0、clα、cd0、cd1、cd2、Cmα、Cmq、Ce为相应气动参数，δe是舵偏量。
考虑到无人机的外形改变将直接导致上述气动系数的变化，因此在本发明中，气动系数CL、CD、Cm表达为与飞行运动状态与变形状态相关的函数，即：
为了实现飞行速度和飞行高度的高精度跟踪，将上述动力学模型分为速度控制子***和高度控制子***，分别进行推力T和舵偏δe的控制律设计。
步骤(1.2)速度控制子***的推力控制律设计
将式(1)中的飞行速度重新整理：
令则
已知期望飞行速度Vd，定义速度跟踪误差变量为ev＝V-Vd，其导数若存在kv＞0令下式成立：
则可保证ev收敛到零。将上式整理可得：
则可设计推力控制律为：
步骤(1.3)高度控制子***的舵偏控制律设计
定义高度跟踪误差eh＝h-hd，其导数证明若存在kh＞0，kI＞0令下式成立：
则可保证高度跟踪误差ev收敛到零。整理上式可得：
将控制目标由跟踪期望高度hd转为跟踪期望航迹角γd，其表达式为：
定义x1＝γ，x2＝θ，x3＝q，其中α＝θ-γ，则可将动力学方程转为如下严反馈形式：
其中，
令跟踪误差e1＝γ-γd，并定义李雅普诺夫函数求导可得：
设计镇定函数其中c1＞0，上式可继续整理为：
接下来设计x2的表达式实现α1的跟踪，定义跟踪误差e2＝g1x2-α1，并设计李雅普诺夫函数则其导数为：
设计镇定函数其中c2＞0，则上式可继续整理为：
继续设计x3的表达式实现α2的跟踪，定义跟踪误差e3＝g1x3-α2，设计李雅普诺夫函数则其导数为：
令其中c3＞0，则/>根据李雅普诺夫稳定性定理可知该***渐进稳定。则可设计舵偏控制律为：
根据上述推导，用于纵向飞行跟踪控制的推力和舵偏控制律分别为式和式，设计完毕。
第二步，分析无人机多维工作点的气动参数，建立无人机气动数据库。
为更好地适应飞行环境与任务，无人机在飞行过程中采用变机翼展长与机翼厚度的组合变形策略，可达到最大翼展为Wmax，最小翼展为Wmin，翼型最大厚度为Φmax，最小厚度为Φmin。将翼展变化范围[Wmin,Wmax]均分为N1份，将翼厚变化范围[Φmin,Φmax]均分为N2份，以翼展为横轴、翼厚为纵轴为变形状态面，平面网格化为N1×N2种组合变形状态，交点[W,Φ]代表翼展为W、翼厚为Φ的一种变形状态。利用DATCOM/FLUENT/XFLR等气动分析软件，仿真计算无人机在飞行包线内工作点的气动参数：工作点的选取维度包括变形状态中的翼展W、翼厚Φ、以及飞行速度V、飞行迎角α四项，其中在最小飞行速度Vmin与最大飞行速度Vmax之间设计离散取值点N3个，在最小飞行迎角αmin和最大飞行迎角αmax之间设计离散取值点N4个，联立飞行状态共选取N1×N2×N3×N4个工作点进行气动分析。最后依据分析获得多维工作点下无人机的升力系数CL、阻力系数CD和力矩系数Cm三种气动参数数据，建立无人机气动数据库。
第三步，设计用于节能飞行的变形决策指标，基于径向基神经网络训练建立智能变形决策模型。
步骤(3.1)设计用于节能飞行的变形决策指标
本发明旨在通过变形飞行减小发动机推力T，以降低能量消耗实现绿色飞行。根据上述推导，推力控制律为则推力耗能函数设计为：
进一步整理为：
其中假设速度跟踪误差为小量，即V-Vd→0，并忽略跟踪加速度/>将fv和gv的表达式代入上式，可得：
其中CD＝fd(V,α,W,Φ)是与变形状态和相关的函数。分析上式可发现，与固定构型相比，无人机通过变形可直接改变的组成部分仅有D，考虑到/>与/>的方向一致性问题，本发明设计无人机在飞行过程中用于节能飞行的变形决策指标为：
步骤(3.2)建立智能变形决策模型
首先，基于式用于节能飞行的变形决策指标，预处理无人机气动数据库中的气动数据形成样本集：以指标1遍历各飞行状态[V,α]寻找对应的最优翼展W和翼厚Φ，以飞行速度、迎角、决策指标、对应翼展和翼厚为数据维度，建立样本集1；以指标2，遍历各飞行状态[V,α]寻找对应的最优翼展W和翼厚Φ，以飞行速度、迎角、决策指标、对应翼展/>为数据维度，建立样本集2。进一步将样本规范化，为消除各维数据间数量级差别，避免因输入、输出数据数量级差别较大而造成的预测误差较大，采用最大最小法对数据归一化，将样本集1和2的各维度数据规范化到[-1,1]之间。
然后，随机抽取样本1中90％的数据作为训练集，剩余10％的数据作为测试集，以训练集中的飞行速度和迎角数据为输入，决策指标1和对应翼展、翼厚数据为决策输出，选择高斯基函数基于径向基神经网络进行智能变形决策模型训练，训练后获得式中智能决策模型1，再利用测试集进行模型精度测试验证；随机抽取样本2中90％的数据作为训练集，剩余10％的数据作为测试集，以训练集中的飞行速度和迎角数据为输入，决策指标2和对应翼展、翼厚数据为决策输出，选择高斯基函数基于径向基神经网络进行决策模型训练，训练后获得式中智能决策模型2，并利用测试集进行模型精度测试验证。
第四步，实现节能飞行控制。
联合第一步提出的纵向飞行跟踪控制律与第三步提出的变形决策指标和智能变形决策模型，装载于无人机，飞行过程中根据当前飞行状态进行在线智能变形决策和纵向飞行跟踪控制，完成基于智能变形决策的无人机节能飞行控制。
本发明旨在通过变形减小无人机飞行时的发动机推力T，提出的变形决策指标和智能决策模型具有创新性，实现在线连续变形和节能飞行效果。
本发明的一种基于智能变形决策的无人机节能飞行控制***，包括离线模型训练模块、在线智能决策模块和纵向飞行控制模块；离线模型训练模块基于无人机多维工作点气动数据，建立无人机气动数据库，设计用于节能飞行的变形决策指标，预处理无人机气动数据库生成样本集，利用径向基神经网络训练后，建立智能变形决策模型；在线智能决策模块由离线决策模型训练模块建立的智能变形决策模型构成，装载于无人机后，在无人机飞行过程中根据当前飞行状态基于智能变形决策模型进行变形决策，获得当前最优变形状态下的翼展和翼厚；纵向飞行控制模块由速度控制子***和高度控制子***构成，基于最优变形状态下的翼展和翼厚插值无人机气动数据库，更新纵向飞行动力学模型中的各气动参数后，依靠速度控制子***和高度控制子***分别获得控制变量推力和舵偏，完成飞行任务的稳定跟踪控制，并实现节能飞行；速度控制子***用于获得控制变量推力，高度控制子***用于获得控制变量舵偏。
本发明与现有技术相比的优点在于：针对无人机在适应动态飞行任务过程中的变形飞行协调控制问题，克服现有技术对面向动态任务的智能变形决策与闭环变形飞行协调控制研究不足的缺点，提出一种基于智能变形决策的无人机节能飞行控制方法及***，可实现动态飞行任务的高精度跟踪，可保证变形过程中的安全稳定飞行；此外，本发明基于纵向飞行跟踪控制律设计用于节能飞行的变形决策指标、基于径向基神经网络建立智能变形决策模型，不仅能够根据动态任务自主决策进行连续变形，还可通过变形飞行降低发动机推力的能量消耗，达到节能飞行效果；再者，本发明提出基于智能变形决策的无人机节能飞行控制***，可进一步扩展至翼展、翼厚、后掠角等多种部位组合对称变形机制下无人机的飞行控制，无需改变变形决策指标，只需在离线模型训练模块中增加无人机气动分析的工作点数量和维度即可建立智能变形决策模型，最终通过在线变形决策达到节能飞行效果。
附图说明
图1为本发明基于智能变形决策的无人机节能飞行控制方法的流程图；
图2为本发明基于智能变形决策的无人机节能飞行控制***概图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示，本发明提出的一种基于智能变形决策的无人机节能飞行控制方法，面向翼展与翼厚组合对称变化的无人机，针对其如何通过变形和飞行控制实现无人机安全且节能飞行的问题。
第一步，面向无人机纵向飞行动力学模型，以推力和舵偏为控制变量，结合反步控制方法设计纵向飞行跟踪控制律；第二步，在翼展与翼厚变化上下界内网格化处理翼展和翼厚的变形状态，获得无人机的组合变形状态，分析无人机在飞行包线内多维工作点的气动参数，建立无人机气动数据库；第三步，设计用于节能飞行的变形决策指标，预处理无人机气动数据库生成训练样本集，基于径向基神经网络训练获得智能变形决策模型；第四步，联合用于节能飞行的变形决策指标、智能变形决策模型与纵向飞行跟踪控制律，完成基于智能变形决策的无人机节能飞行控制。本发明从安全且节能的角度解决无人机在适应动态飞行任务过程中的变形飞行协调控制问题，可实现无人机变速度变高度动态飞行任务的高精度跟踪，同时节省推力消耗能量，适用于具有机翼对称变形特点的变形无人机飞行控制。
具体实施步骤如下：
步骤(1.1)，面向无人机纵向飞行动力学模型，以推力和舵偏为控制变量，结合反步控制方法设计纵向飞行跟踪控制律。
基于水平无侧滑飞行条件假设，解耦后无人机的纵向飞行动力学模型可表示为如下形式：
其中，V表示无人机相对空气的飞行速度，α表示飞行迎角，γ表示航迹倾斜角，θ＝α+γ表示俯仰角，表示俯仰角速度，h表示飞行高度；m为无人机质量，g为重力加速度，T表示发动机推力；L、D、Myy分别为空气动力产生的升力、阻力和俯仰力矩，其表达式分别为：
其中，ρ为空气密度，为机翼参考面积，W为机翼展长，/>为机翼平均弦长；CL为升力系数，CD为阻力系数，Cm为俯仰系数，CL、CD、Cm可做与飞行迎角α相关的线性假设，借助相关线性系数其表达式如下：
其中，cl0、clα、cd0、cd1、cd2、Cmα、Cmq、Ce为相应气动参数，δe是舵偏量。
考虑到无人机的外形改变将直接导致上述气动系数的变化，因此在本发明中，气动系数CL、CD、Cm表达为与飞行运动状态与变形状态相关的函数，即：
以如下变速度变高度动态飞行任务的跟踪控制为例，
其中，t为飞行时间，初值V＝10m/s，h＝150km，α＝0rad，γ＝0rad，q＝0rad/s；m＝4.56kg，g＝9.8m/s2，ρ＝1.225kg/m3，Iyy＝0.37119，为了实现飞行速度和飞行高度的高精度跟踪，将上述动力学模型分为速度控制子***和高度控制子***，分别进行推力T和舵偏δe的控制律设计。
步骤(1.2)速度控制子***的推力控制律设计
将式(1)中的飞行速度重新整理：
令则
已知期望飞行速度Vd，定义速度跟踪误差变量为ev＝V-Vd，其导数若存在kv＞0令下式成立：
则可保证ev收敛到零。将上式整理可得：
则可设计推力控制律为：
步骤(1.3)高度控制子***的舵偏控制律设计
定义高度跟踪误差eh＝h-hd，其导数证明若存在kh＞0，kI＞0令下式成立
则可保证高度跟踪误差ev收敛到零。整理上式可得：
将控制目标由跟踪期望高度hd转为跟踪期望航迹角γd，其表达式为：
定义x1＝γ，x2＝θ，x3＝q，其中α＝θ-γ，则可将动力学方程转为如下严反馈形式：
其中，
/>
令跟踪误差e1＝γ-γd，并定义李雅普诺夫函数求导可得：
设计镇定函数其中c1＞0，上式可继续整理为：
接下来设计x2的表达式实现α1的跟踪，定义跟踪误差e2＝g1x2-α1，并设计李雅普诺夫函数则其导数为：
设计镇定函数其中c2＞0，则上式可继续整理为：
继续设计x3的表达式实现α2的跟踪，定义跟踪误差e3＝g1x3-α2，设计李雅普诺夫函数则其导数为：
令其中c3＞0，则/>根据李雅普诺夫稳定性定理可知该***渐进稳定。则可设计舵偏控制律为：
根据上述推导，用于纵向飞行跟踪控制的推力和舵偏控制律分别为式和式，令kv＝10，kh＝6，kI＝1，c1＝10，c2＝20，c3＝50。
第二步，分析无人机多维工作点的气动参数，建立气动数据库。
为更好地适应飞行环境与任务，无人机在飞行过程中采用变机翼展长与机翼厚度的组合变形策略，可达到最大翼展为Wmax，最小翼展为Wmin，翼型最大厚度为Φmax，最小厚度为Φmin。将翼展变化范围[Wmin,Wmax]均分为N1份，将翼厚变化范围[Φmin,Φmax]均分为N2份，以翼展为横轴、翼厚为纵轴为变形状态面，平面网格化为N1×N2种组合变形状态，交点[W,Φ]代表翼展为W、翼厚为Φ的一种变形状态。利用DATCOM/FLUENT/XFLR等气动分析软件，仿真计算无人机在飞行包线内多维工作点的气动参数：工作点的选取维度包括变形状态中的翼展W、翼厚Φ、以及飞行速度V、飞行迎角α四项，其中在最小飞行速度Vmin与最大飞行速度Vmax之间设计离散取值点N3个，在最小飞行迎角αmin和最大飞行迎角αmax之间设计离散取值点N4个，联立飞行状态共选取N1×N2×N3×N4个工作点进行气动分析。以最大翼展Wmax＝2.6m，最小翼展Wmin＝1.8m；翼型最大厚度Φmax＝2410型，最小厚度Φmin＝2418型为例；最大飞行速度Vmax＝100m/s，最小飞行速度Vmin＝10m/s；最大飞行迎角αmax＝8°，最小飞行迎角αmin＝-5°为例，以0.1m为间隔取值9个展长变化点，以0001为间隔取值9个翼厚变化点，以10m/s为间隔取值10个速度变化点，以0.2°为间隔取值66个迎角变化点，共选取9×9×10×66个工作点进行气动分析。在具体工程应用时，还可根据经验调整包线范围内工作点的疏密程度。最后，依据分析获得不同工作点下无人机的升力系数CL、阻力系数CD和力矩系数Cm三种气动参数数据，建立无人机气动数据库。
第三步，设计用于节能飞行的变形决策指标，基于径向基神经网络训练建立智能变形决策模型。
步骤(3.1)设计用于节能飞行的变形决策指标
本发明旨在通过变形飞行减小发动机推力T，以降低能量消耗实现绿色飞行。根据上述推导，推力控制律为则推力耗能函数设计为：
进一步整理为：
其中假设速度跟踪误差为小量，即V-Vd→0，并忽略跟踪加速度/>将fv和gv的表达式代入上式，可得：
其中CD＝fd(V,α,W,Φ)是与变形状态和相关的函数。分析上式可发现，与固定构型相比，无人机通过变形可直接改变的组成部分仅有D，考虑到/>与/>的方向一致性问题，本发明设计无人机在飞行过程中用于节能飞行的变形决策指标为：/>
步骤(3.2)建立连续变形决策模型
首先，基于式用于节能飞行的变形决策指标，预处理无人机气动数据库中的变形气动数据形成样本集：以指标1遍历各飞行状态[V,α]寻找对应的最优翼展W和翼厚Φ，以飞行速度、迎角、决策指标、对应翼展和翼厚为数据维度，建立样本集1；以指标2，遍历各飞行状态[V,α]寻找对应的最优翼展W和翼厚Φ，以飞行速度、迎角、决策指标、对应翼展和翼厚/>为数据维度，建立样本集2。进一步将样本规范化，为消除各维数据间数量级差别，避免因输入、输出数据数量级差别较大而造成的预测误差较大，采用最大最小法对数据归一化，将样本集1和2的各维度数据规范化到[-1,1]之间。
然后，随机抽取样本1中90％的数据作为训练集，剩余10％的数据作为测试集，以训练集中的飞行速度和迎角数据为输入，决策指标1和对应翼展、翼厚数据为决策输出，选择高斯基函数基于径向基神经网络进行决策模型训练，训练后建立式中智能决策模型1，再利用测试集进行模型精度测试验证；随机抽取样本2中90％的数据作为训练集，剩余10％的数据作为测试集，以训练集中的飞行速度和迎角数据为输入，决策指标2和对应翼展、翼厚数据为决策输出，选择高斯基函数基于径向基神经网络进行决策模型训练，训练后建立式中智能决策模型2，并利用测试集进行模型精度测试验证。
第四步，进行节能飞行控制。
联合第一步提出的纵向飞行跟踪控制律与第三步提出的变形决策指标和智能变形决策模型，装载于无人机，飞行过程中根据当前飞行状态进行在线智能变形决策和纵向飞行跟踪控制，完成基于智能变形决策的无人机节能飞行控制。
如图2所示，本发明的基于智能变形决策的无人机节能飞行控制***，包括离线模型训练模块、在线智能决策模块和纵向飞行控制模块；离线模型训练模块基于无人机多维工作点气动数据，建立无人机气动数据库，设计用于节能飞行的变形决策指标，预处理无人机气动数据库生成样本集，利用径向基神经网络训练后，建立智能变形决策模型；在线智能决策模块由离线决策模型训练模块建立的智能变形决策模型构成，装载于无人机后，在无人机飞行过程中根据当前飞行状态基于智能变形决策模型进行变形决策，获得当前最优变形状态下的翼展和翼厚；纵向飞行控制模块由速度控制子***和高度控制子***构成，基于最优变形状态下的翼展和翼厚插值无人机气动数据库，更新纵向飞行动力学模型中的各气动参数后，依靠速度控制子***和高度控制子***分别获得控制变量推力和舵偏，完成飞行任务的稳定跟踪控制，并实现节能飞行；速度控制子***用于获得控制变量推力，高度控制子***用于获得控制变量舵偏。该***可实现巡飞状态下速度误差10-4m/s、高度误差10-4m的高精度飞行任务跟踪；变形过程中速度误差10-3m/s、高度误差10-2m的安全稳定飞行；通过变形实现气动性能提升，呈现约10％的发动机推力节省。
本发明针对无人机在适应动态飞行任务过程中的变形飞行协调控制问题，提出一种基于智能变形决策的无人机节能飞行控制方法及***，可实现动态飞行任务的高精度跟踪，可保证变形过程中的安全稳定飞行；此外，本发明联合跟踪控制律设计用于节能飞行的决策指标、基于径向基神经网络建立智能决策模型，不仅能够根据动态任务自主决策进行连续变形，还可通过变形飞行降低发动机推力的能量消耗，达到节能飞行效果；再者，本发明提出的基于智能变形决策的无人机节能飞行控制***，可进一步扩展至翼展、翼厚、后掠角等多种部位组合对称变形机制下无人机的飞行控制，无需改变决策指标，只需在离线模型训练部分中增加无人机气动分析的工作点数量和维度即可建立连续变形决策模型，最终通过在线变形决策达到节能飞行效果。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.一种基于智能变形决策的无人机节能飞行控制方法，其特征在于，包括以下步骤：
第一步，基于无人机纵向飞行动力学模型，分别以推力和舵偏为控制变量，结合反步控制方法设计纵向飞行跟踪控制律；所述无人机为翼展与翼厚组合对称变化的无人机；
第二步，在无人机的翼展与翼厚变化上下界内，网格化处理翼展和翼厚变形，获得无人机的变形状态后，根据无人机在飞行包线内多维工作点的气动参数数据，建立无人机气动数据库；所述多维工作点的选取维度包括翼展、翼厚、飞行速度、飞行迎角；所述气动参数数据维度包括升力系数、阻力系数和力矩系数；
第三步，基于第一步的纵向飞行跟踪控制律创新性地提出变形决策指标，预处理第二步获得的无人机气动数据库生成样本集，在变形决策指标下利用径向基神经网络训练样本集，构建智能变形决策模型，实现连续的变形决策；所述变形决策指标用于实现节能飞行控制；
第四步，联合第一步提出的纵向飞行跟踪控制律与第三步提出的变形决策指标和智能变形决策模型，装载于无人机，飞行过程中根据当前飞行状态进行在线智能变形决策和纵向飞行跟踪控制，完成基于智能变形决策的无人机节能飞行控制；
所述第一步中，在速度控制子***和高度控制子***内，分别以推力和舵偏为控制变量设计无人机的纵向飞行跟踪控制律，所述纵向飞行跟踪控制律包括速度控制推力控制律和高度控制子***内舵偏控制律；
所述速度控制推力控制律为：
，
其中，表示发动机推力，/>表示无人机相对空气的飞行速度，/>表示期望飞行速度，表示/>的导数，/>，/>，m为无人机质量，g为重力加速度，为空气动力产生的阻力，/>为空气密度，/>为机翼参考面积，/>为机翼展长，/>为机翼平均弦长，/>为阻力系数，/>表示航迹倾斜角，/>表示飞行迎角，表示控制增益；
所述高度控制子***内舵偏控制律为：
，
其中，表示控制舵偏，/> ，/>， 为升力系数，/>为俯仰系数， />为与攻角相关的俯仰系数，/>为与俯仰角速度相关的俯仰系数，/>为与控制量相关的俯仰系数，/>表示/>导数，/>，/>表示/>导数，，/>表示/>跟踪误差，/>表示期望航迹倾斜角，/>表示/>的导数，/>，/>，/>，/>表示/>的导数，/>、、/>为控制增益；
所述第二步中，建立无人机气动数据库，该数据库为无人机在飞行包线内不同工作点的升力系数、阻力系数/>和力矩系数/>三种气动参数数据，其中工作点的选取维度包括：变形状态中的翼展/>、翼厚/>以及飞行速度V、飞行迎角/>四项，在最小翼展和最大翼展[/>, />]平均取值/>个点，将最小翼厚和最大翼厚[/>, />]平均取值/>个点，在最小飞行速度/>与最大飞行速度/>之间设计离散取值点/>个，在最小飞行迎角/>和最大飞行迎角/>之间设计离散取值点/>个，共/>个工作点；
所述第三步中，用于节能飞行的变形决策指标为：
，
智能变形决策模型为，以飞行速度和迎角数据/>为输入，以变形决策指标、对应的翼展/>和翼厚/>为输出的模型，其表达式为：
。
2.一种实现权利要求1任意之一所述基于智能变形决策的无人机节能飞行控制方法的***，其特征在于：所述***包括离线模型训练模块、在线智能决策模块和纵向飞行控制模块；离线模型训练模块基于无人机多维工作点气动数据，建立无人机气动数据库，设计用于节能飞行的变形决策指标，预处理无人机气动数据库生成样本集，利用径向基神经网络训练后，建立智能变形决策模型；在线智能决策模块由离线决策模型训练模块建立的智能变形决策模型构成，装载于无人机后，在无人机飞行过程中根据当前飞行状态基于智能变形决策模型进行变形决策，获得当前最优变形状态下的翼展和翼厚；纵向飞行控制模块由速度控制子***和高度控制子***构成，基于最优变形状态下的翼展和翼厚插值无人机气动数据库，更新纵向飞行动力学模型中的各气动参数后，依靠速度控制子***和高度控制子***分别获得控制变量推力和舵偏，完成飞行任务的稳定跟踪控制，并实现节能飞行；速度控制子***用于获得控制变量推力，高度控制子***用于获得控制变量舵偏。
CN202210267232.8A 2022-03-18 2022-03-18 一种基于智能变形决策的无人机节能飞行控制方法及*** Active CN114637312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210267232.8A CN114637312B (zh) 2022-03-18 2022-03-18 一种基于智能变形决策的无人机节能飞行控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210267232.8A CN114637312B (zh) 2022-03-18 2022-03-18 一种基于智能变形决策的无人机节能飞行控制方法及***

Publications (2)

Publication Number Publication Date
CN114637312A CN114637312A (zh) 2022-06-17
CN114637312B true CN114637312B (zh) 2024-06-18

Family

ID=81949679

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210267232.8A Active CN114637312B (zh) 2022-03-18 2022-03-18 一种基于智能变形决策的无人机节能飞行控制方法及***

Country Status (1)

Country Link
CN (1) CN114637312B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116700020B (zh) * 2023-08-10 2023-11-24 西安爱生无人机技术有限公司 变后掠翼无人机的控制方法、***、无人机及存储介质
CN117268391B (zh) * 2023-09-08 2024-04-26 中山大学 一种基于目标分层架构的变形飞行器智能规划方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110320927A (zh) * 2019-07-26 2019-10-11 中国人民解放军国防科技大学 智能变形飞行器的飞行控制方法及***
CN111474852A (zh) * 2020-02-03 2020-07-31 上海工程技术大学 一种压电驱动变形机翼的离散滑模控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11334093B2 (en) * 2017-06-07 2022-05-17 Turbulence Solutions Gmbh Method and controller for controlling an aircraft by improved direct lift control
CN111665857B (zh) * 2020-06-21 2022-09-13 西北工业大学 基于复合智能学习的变体飞行器控制方法
CN113148109A (zh) * 2021-03-26 2021-07-23 中国飞机强度研究所 一种电动飞机智能点阵变形机翼及设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110320927A (zh) * 2019-07-26 2019-10-11 中国人民解放军国防科技大学 智能变形飞行器的飞行控制方法及***
CN111474852A (zh) * 2020-02-03 2020-07-31 上海工程技术大学 一种压电驱动变形机翼的离散滑模控制方法

Also Published As

Publication number Publication date
CN114637312A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN114637312B (zh) 一种基于智能变形决策的无人机节能飞行控制方法及***
CN109460050B (zh) 一种针对变体无人机的复合分层抗干扰控制方法
CN107942651B (zh) 一种近空间飞行器控制***
CN109871628B (zh) 一种用于评估水陆两栖飞机适航符合性的仿真计算***和方法
CN109426146A (zh) 高超声速飞行器的高阶非奇异Terminal滑模控制方法
CN107479383A (zh) 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN111538255B (zh) 一种反蜂群无人机的飞行器控制方法及***
CN111290278B (zh) 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法
CN106970531B (zh) 倾转翼垂直起降无人机模态转换控制策略确定方法
CN109946971B (zh) 一种倾转旋翼无人机过渡段的光滑切换控制方法
CN107085435A (zh) 基于耦合分析的高超声速飞行器姿态协调控制方法
CN110187715B (zh) 一种基于动态耦合分析的高超声速飞行器协调控制方法
CN110568765A (zh) 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法
CN109703769B (zh) 一种基于预瞄策略的空中加油对接控制方法
CN111984020A (zh) 基于sdre的倾转四旋翼无人机过渡飞行模式自适应最优滑模控制方法
CN114200827B (zh) 一种超音速大机动靶标的多约束双通道控制方法
CN112327926B (zh) 一种无人机编队的自适应滑模控制方法
CN111240204A (zh) 一种基于模型参考滑模变结构控制的巡飞弹控制方法
CN113126495B (zh) 基于地效干扰补偿的低空飞行鲁棒智能控制方法
CN113051662B (zh) 一种基于cfd和datcom的折叠翼尖变体飞行器的气动建模及其性能评估方法
CN115685764B (zh) 变翼展飞行器任务自适应的抗干扰跟踪控制方法及***
CN110989397B (zh) 一种航空器失事搜寻仿真方法及***
CN211685678U (zh) 一种多旋翼无人机实时尾迹的仿真分析***
CN115729264A (zh) 一种基于柔性自适应翼梢小翼的变稳隐身飞机控制方法
CN114815878B (zh) 基于实时优化和深度学习的高超声速飞行器协同制导方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant