输入受限乘波体飞行器非脆弱预设性能神经控制
作者： 卜祥伟 姜宝续
摘 要：针对传统预设性能控制（Prescribed Performance Control， PPC）方法处理输入受限问题时极易诱发控制奇异的缺陷，为输入受限乘波体飞行器（Waverider Vehicle， WV）提出了一种基于神经逼近的新型非脆弱PPC方法，设计了补偿系统分别处理速度控制输入与高度控制输入的饱和问题。进一步，利用补偿系统的状态，构造了新型自适应调整项，并对传统PPC的约束包络进行改进。引入神经网络对WV归一化的未知项进行在线逼近，保证了控制鲁棒性。所提方法的优越性在于弥补了传统PPC方法的脆弱性缺陷，并显著降低了控制复杂度与在线学习量。最后，通过数值仿真验证了所提方法的有效性与优越性。
关键词：乘波体飞行器；预设性能控制；脆弱性；神经网络；输入受限；控制系统；武器
中图分类号：TJ760；V249
文献标识码：A
文章编号：1673-5048（2022）06-0007-08
DOI：10.12132/ISSN.1673-5048.2022.0141
0 引 言
乘波体飞行器（Waverider Vehicle， WV）飞行速度快、探测难度大、突防能力强，被认为是打破传统空天防御模式的颠覆性武器［1-4］。控制系统是WV的“神经中枢”，对于保障其安全飞行和顺利完成任务使命至关重要。控制系统的动态性能与稳态精度则是保证WV大机动飞行以及打破传统导弹突防与拦截防御模式的关键［5-6］。
预设性能控制［5-8］（Prescribed Performance Control， PPC）被认为是一种能够在控制系统动态性能与稳态精度之间进行折中平衡的新理论，一经提出，便受到国际控制学界的广泛关注。鉴于PPC能够很好地保证WV大机动飞行时其控制系统所急需的动态性能与稳态精度，近年来，国内外科技人员对WV的PPC技术开展了系统而深入的研究。文献［9-10］针对传统PPC方法需要事先获取误差精确初值的苛刻条件，通过引入双曲余割函数构造了一种新型性能函数，为WV提出了一种新型PPC方法；进一步，引入神经网络对WV的未知模态进行在线逼近，保证了控制鲁棒性。针对存在不确定参数的WV，文献［11］采用反演方法设计了具有预设性能的虚拟控制律与实际控制律，并采用自适应投影算法保证了控制系统对不确定参数的鲁棒性。虽然该方法能够保证跟踪误差满意的动态性能与稳态精度，但是在线调整参数过多，算法的在线学习量有待进一步降低。文献［12］为WV提出了一种固定收敛时间PPC方法，可以定量地设置跟踪误差的收敛时间，提高了PPC方法的实用性。进一步，文献［6］将文献［12］方法改进为有限时间小超调PPC，仿真结果表明，该方法可以保证WV速度跟踪误差与高度跟踪误差任意定量的预设性能。上述PPC方法的有效性虽已得到验证，但忽略了由输入受限导致的PPC脆弱性问题。所谓脆弱性问题，是指输入受限将导致误差短时间内显著增加，当误差增加幅度足够大时，有可能导致误差过分接近甚至到达PPC的约束包络，进而导致控制奇异［5， 13-14］。考虑到WV飞行高度大，大气密度降低导致气动舵执行效率明显下降，极易造成控制执行器饱和。因此，PPC的脆弱性缺陷已经成为制约WV飞行控制研究的瓶颈难题。此外，现有基于反演设计［11-13］的WV控制策略带来了极其复杂的回馈递推设计过程，并产生一系列的中间虚拟控制律，控制复杂度还有待进一步降低。
基于以上分析，本文提出输入受限WV非脆弱PPC新方法，为WV的速度动态与高度动态分别设计具有再调整约束包络的新型非脆弱PPC，弥补现有PPC方法的脆弱性缺陷。为了保证控制鲁棒性，引入径向基神经网络（Radial Basis Function Neural Network， RBFNN）对WV归一化的未知模态进行在线逼近，并避免复杂的反演设计过程，控制复杂度得到显著降低。最后，通过数值仿真验证所提方法的效果与优势。
1 WV模型
情景1：采用所提方法进行仿真。仿真结果如图2～6所示。图2～3表明，所提方法能够将速度跟踪误差与高度跟踪误差限定在预设的约束包络内，速度跟踪误差与高度跟踪误差均满足期望的动态性能与稳态性能。进一步，当控制输入处于饱和状态时（见图4），速度跟踪误差与高度跟踪误差均有所增加（见图2～3），所提PPC方法的约束包络能够准确感知跟踪误差的增加态势并及时调整约束包络的形状（增加上包络并减小下包络），从而避免了控制奇异。图5～6表明，神经网络权值估计参数与转换误差均有界。由此可见，仿真结果证明了所提方法的有效性。
情景2：只考虑速度控制输入饱和，并取Φ∈［0.05， 0.85］；其他条件与情景1完全相同。采用文献［14］的传统PPC约束包络，仿真结果如图7～10所示。由仿真结果可见，速度执行器饱和导致速度跟踪误差增加（见图7、图9），由于文献［14］的传统PPC约束包络没有再调整功能，导致速度跟踪误差因为自身增加而到达了预设包络（见图7），速度子系统的转换误差急剧发散（见图10），最终造成控制奇异，控制系统失效。从而证明了所提方法相对于文献［14］方法的优越性。
情景3：在不考虑输入受限的情况，将本文所提方法与文献［17］的传统神经控制方法进行对比。仿真结果如图11～12所示，两种方法的稳态精度基本相当。由图11可见，相对于文献［17］方法，所提方法的速度误差的超调量虽有所增加，但仍然满足期望的预设性能。但是，在高度跟踪方面，所提方法保证了高度跟踪误差更小的超调量（见图12）。进一步，所提方法相对于文献［17］方法 在算法计算量方面的优势具体如表2所示。由表2可见，当两种方法的仿真时间都设置为50 s时，文献［17］方法需要大约44 s的时间才能完成仿真程序的运行，而本文方法完成程序运行只需要大约12 s的时间。
4 结 论
针对WV输入受限条件下的跟踪控制问题，提出了非脆弱神经PPC新方法。将神经逼近与模型变换相结
合，避免了传统反演控制的回馈递推设计过程，并降低了控制复杂度与在线学习量。为了处理控制输入问题，设计了新型补偿系统对控制输入饱和度进行补偿。利用补偿系统的状态对传统PPC的约束包络进行改进，进而为WV的速度跟踪误差与高度跟踪误差设计了新型非脆弱约束包络。仿真结果表明，存在输入受限条件下，所提方法仍能保证跟踪误差期望的预设性能，并能克服传统PPC的脆弱性缺陷。鉴于在仿真初始阶段存在较大的控制输入，后续研究将在借鉴文献［18-20］研究结果的基础上，深入研究对数函数与控制输入速率约束等因素对控制输入初值的影响问题。
参考文献：
［1］ 卜祥伟. 高超声速飞行器控制研究进展［J］. 航空兵器， 2018 （1）： 47-61.
Bu Xiangwei. Progress on Flight Control of Hypersonic Flight Vehicles［J］. Aero Weaponry， 2018 （1）： 47-61.（in Chinese）
［2］ 姜宝续， 卜祥伟， 齐强. 乘波体飞行器低复杂度预设性能反演控制方法［J］. 航空兵器， 2021， 28（2）： 11-20.
Jiang Baoxu， Bu Xiangwei， Qi Qiang. Low Complexity Prescribed Performance Back-Stepping Control of Waverider Vehicle［J］. Aero Weaponry， 2021， 28（2）： 11-20.（in Chinese）
［3］ Bolender M A， Doman D B. Nonlinear Longitudinal Dynamical Model of an Air-Breathing Hypersonic Vehicle［J］. Journal of Spacecraft and Rockets， 2007， 44（2）： 374-387.
［4］ Parker J T， Serrani A， Yurkovich S， et al. Control-Oriented Modeling of an Air-Breathing Hypersonic Vehicle［J］. Journal of Gui-dance， Control， and Dynamics， 2007， 30（3）： 856-869.
［5］ Bu X W， Jiang B X， Lei H M. Non-Fragile Quantitative Prescribed Performance Control of Waverider Vehicles with Actuator Saturation［J/OL］. IEEE Transactions on Aerospace and Electronic Systems， doi： 10.1109/TAES.2022.3153429.
［6］ Bu X W， Qi Q， Jiang B X. A Simplified Finite-Time Fuzzy Neural Controller with Prescribed Performance Applied to Waverider Aircraft［J/OL］. IEEE Transactions on Fuzzy Systems， doi： 10.1109/TFUZZ.2021. 3089031.
［7］ Bechlioulis C P， Rovithakis G A. A Low-Complexity Global Approximation-Free Control Scheme with Prescribed Performance for Unknown Pure Feedback Systems［J］. Automatica， 2014， 50（4）： 1217-1226.
［8］ Lü M L， de Schutter B， Cao J D， et al. Adaptive Prescribed Performance Asymptotic Tracking for High-Order Odd-Rational-Power Nonlinear Systems［J/OL］. IEEE Transactions on Automatic Control， doi： 10.1109/TAC.2022.3147271.
［9］ Bu X W， Wu X Y， Zhu F J， et al. Novel Prescribed Performance Neural Control of a Flexible Air-Breathing Hypersonic Vehicle with Unknown Initial Errors［J］. ISA Transactions， 2015， 59： 149-159.
［10］ Shi Y， Shao X L， Zhang W D. Quantized Learning Control for Flexible Air-Breathing Hypersonic Vehicle with Limited Actuator Bandwidth and Prescribed Performance［J］. Aerospace Science and Technology， 2020， 97： 105629.