[01249737]静不稳定高超声速飞行器自适应控制方法

在高超声速飞行条件下，很难获得丰富的实验数据，加之工作环境变化大和独特的机身一体化结构，高超声速飞行器的动力学方程具有高度非线性、不稳定、多变量耦合以及气动参数不确定等特点。

因此，依赖于相对精确数学模型的传统控制器设计方法很难应用于高超声速飞行器的控制器设计中去。

项目重点从高超声速飞行器复杂飞行环境及结构特点出发，系统分析模型不确定性、外界干扰、执行器受限等影响将智能自适应的控制方法引入控制系统设计当中，能够在各种参数和结构的扰动、突变作用下，确保飞行稳定性和机动性的协调，以达到预期的任务要求。

主要科学发现如下：

（1）面向高超声速飞行器共性问题的性能增强控制研究：针对飞行器存在的动力学强时变强非线性特点，分析智能建模误差结合跟踪误差给出了基于复合误差的学习策略，实现非线性不确定性的快速精确学习，提高系统的动态响应性能;

针对控制性能优化问题，研究了基于性能指标的自适应强化学习智能控制，为智能自适应学习提供附加评价信号，提高了系统的跟踪精度;

针对外界扰动影响，将扰动补偿动态引入智能控制设计中实现方法的有机融合实现基于平行辨识的控制方案，提高系统的自适应能力。

（2）受限情形下的高超声速飞行器自适应控制研究：针对执行器受限引起的系统不稳定问题，给出了基于辅助误差动态补偿的控制器设计，可使得系统尽快脱离受限状态保证系统的稳定性;针对实际系统执行机构存在死区非线性，给出了基于时变增益动态处理的控制策略，可实现死区影响的动态补偿消除控制偏差;针对部分执行机构失效，给出了利用冗余控制机构实现鲁棒自适应调整的控制策略，可有效补偿失效带来的影响保证系统的安全性。

（3）不确定情形下的高超声速飞行器控制研究：针对动力学复杂反步法控制器设计存在复杂度爆炸问题，基于观测器实现未知状态估计并直接构造控制器，简化控制设计;针对智能系统学习参数多带来的计算复杂问题，给出了基于最小参数学习的智能控制策略，实现了在保证控制性能的基础上降低了在线计算量;针对计算机控制设计过程存在的非因果问题，结合分层递阶结构将离散化一步预测模型不断向前预测得到等价预测模型，实现基于未来期望输出的预测控制优化，提高了高超声速飞行过程的可靠性。

针对参数以及外界扰动为代表的高超声速飞行器强不确定控制方法，在国防科技大学航天科学与工程学院高超声速飞行器技术研究所进行了地面仿真验证，取得了高精度的姿态控制结果。

针对输入非线性问题给出了精细调整策略在北京空天技术研究所数字仿真中利用某型高超飞行数据进行验证，该方法可增强飞行安全性与可靠性。