一种飞行器轨迹在线鲁棒跟踪方法、装置及设备

本技术涉及轨迹跟踪，特别是涉及一种飞行器轨迹在线鲁棒跟踪方法、装置及设备。

背景技术：

1、飞行器以其飞行速度快、效费比高、探测难度大、突防能力强等优点，受到各国的广泛关注，是航空航天技术的战略制高点。然而，在实际飞行过程中，大飞行包线、复杂飞行任务等因素，对飞行器的轨迹跟踪控制带来了极大挑战。作为一种有效的控制方法，自抗扰控制（active disturbance rejection control，adrc）在传统pid（比例-积分-微分）算法的基础上，引入了扩张状态观测器、跟踪微分器和状态误差反馈控制律，具有较强的鲁棒性能，也在飞行器的控制方面得到了一些应用，但主要存在两个问题：1）参数整定困难。例如，对于三自由的飞行器模型，adrc通常需要6~9个参数，这对于实际工程应用挑战巨大；2）跟踪目标和控制量的选择缺乏标准。飞行器结构复杂，在控制器设计的时候，如何选择合适的跟踪目标和控制量，对于实际控制器的设计及控制效果意义重大。

2、对于参数整定问题，在工程领域，大多采用经验调节方法，以获得较好的参数组合，而另外一些研究则采用粒子群算法（particle swarm optimization，pso）、遗传算法等智能群决策算法。在飞行器的跟踪目标和控制量选择方面，一些研究主要基于简化的线性模型，直接将飞行器模型表示成标准状态方程形式，设计跟踪控制方法。

3、然而，经验调节方法具有一定的偶然性，需要有丰富的经验，并且对于操作者极不友好。传统的pso等参数整定方法则容易陷入局部最优，不能获得最佳的控制参数组合。对于跟踪目标和控制量的选择，基于简化线性模型的跟踪控制策略，不能较好地反映系统的非线性特性，导致跟踪精度无法满足实际的打击需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提升飞行器飞行轨迹跟踪精度的一种飞行器轨迹在线鲁棒跟踪方法、装置及设备。

2、一种飞行器轨迹在线鲁棒跟踪方法，所述方法包括：

3、基于飞行器的状态变量和控制量构建非线性状态方程；其中，状态变量包括飞行器的高度、马赫数和弹道倾角，控制量包括飞行器的攻角和当量比；

4、构建非线性状态观测器对非线性状态方程中的三个状态变量进行观测，通过观测所得的状态反馈误差建立非线性状态误差反馈控制律，并通过将非线性状态观测器中的扩张观测量从非线性状态误差反馈控制律中去除后，得到最终的飞行控制律，并根据最终的飞行控制律计算获取飞行器的最优轴向过载和最优法向过载；其中，非线性状态观测器包括三个状态变量的观测器和一个扩张观测量；

5、采用寻优算法获取最优轴向过载和最优法向过载对应的最优控制量，通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪；

6、其中，在通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制、混沌扰动机制、边界收缩与逃逸策略的粒子群算法对最终的飞行控制律中的控制参数进行优化调整。

7、在其中一个实施例中，基于飞行器的状态变量和控制量构建非线性状态方程，包括：

8、选择飞行器的高度、马赫数、弹道倾角作为状态变量，选择飞行器的攻角、当量比作为控制量，构建状态方程，表示为

9、；

10、其中，分别为高度、马赫数、弹道倾角的一阶导数，和表示与状态变量和控制量相关的两个未知非线性函数；

11、通过引入轴向过载和法向过载两个中间变量对状态方程进行优化，得到非线性状态方程，表示为

12、；

13、其中，为地球半径，表示飞行器质量。

14、在其中一个实施例中，构建非线性状态观测器对非线性状态方程中的三个状态变量进行观测，包括：

15、非线性状态观测器表示为

16、；

17、其中，分别为高度、马赫数、弹道倾角三个状态量的观测器，为扩张观测量，和分别表示和的一阶导数，、、和分别为和的增益系数，表示缩放因子，和表示两个非线性函数，为已知的非线性函数，表示为

18、；

19、其中，表示偏差量，为比例系数，为阈值且。

20、在其中一个实施例中，通过观测所得的状态反馈误差建立非线性状态误差反馈控制律，包括：

21、通过非线性状态观测器观测所得的状态反馈误差建立非线性状态误差反馈控制律，表示为

22、；

23、；

24、其中，和为非线性状态误差反馈控制律中的两个控制中间变量，分别为高度、马赫数、弹道倾角这三个状态量的状态反馈误差，表示状态误差反馈控制律的三个增益，、、表示三个状态量的比例系数。

25、在其中一个实施例中，通过将非线性状态观测器中的扩张观测量从非线性状态误差反馈控制律中去除后，得到最终的飞行控制律，并根据最终的飞行控制律计算获取飞行器的最优轴向过载和最优法向过载，包括：

26、通过将非线性状态观测器中的扩张观测量从非线性状态误差反馈控制律中去除后，得到最终的飞行控制律，并根据最终的飞行控制律计算获取飞行器的最优轴向过载和最优法向过载，分别表示为

27、；

28、；

29、其中，为最优轴向过载，为最优法向过载，为的缩放系数，为已知的非线性函数，表示偏差量，为比例系数，为阈值。

30、在其中一个实施例中，在通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制、混沌扰动机制、边界收缩与逃逸策略的粒子群算法对最终的飞行控制律中的控制参数进行优化调整，包括：

31、在通过最优攻角和最优当量比进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制的粒子群算法对飞行器的飞行轨迹进行粒子采样，获取各个粒子的位置向量和速度向量，并将最终的飞行控制律中的控制参数导入各个粒子的位置向量中，通过更新粒子的位置向量实现对控制参数进行优化调整；

32、根据飞行轨迹跟踪结果分别计算飞行器的高度和马赫数的平均跟踪误差，并根据高度和马赫数的平均跟踪误差，计算各个粒子的适应度，适应度的具体形式为：

33、；

34、其中，表示求和函数；表示求平均值的函数；为高度反馈误差的绝对值；为马赫数反馈误差的绝对值；

35、将单个粒子的适应度分别与单个粒子的适应度极值和粒子种群的适应度极值进行比较，根据比较结果更新单个粒子的适应度极值和粒子种群的适应度极值；

36、根据更新后的单个粒子的适应度极值和粒子种群的适应度极值对单个粒子的位置向量和速度向量进行更新；

37、将单个粒子的适应度按升序排序，对前30%的粒子采用混沌扰动机制更新每个粒子的最优位置和粒子种群的最优位置，基于边界收缩策略收缩每个粒子的位置边界，并采用逃逸策略对其余70%的粒子重新进行位置向量和速度向量的更新；

38、重复上述步骤，直至控制参数的优化误差达到预设精度或迭代达到最大循环次数，完成控制参数的优化调整。

39、在其中一个实施例中，通过采用考虑震荡机制的粒子群算法对飞行器的飞行轨迹进行粒子采样，获取各个粒子的位置向量和速度向量，并将最终的飞行控制律中的控制参数导入各个粒子的位置向量中，通过更新粒子的位置向量实现对控制参数进行优化调整，包括：

40、通过采用考虑震荡机制的粒子群算法对飞行器的飞行轨迹进行粒子采样，获取各个粒子的位置向量和速度向量；其中，考虑震荡机制的粒子群算法，表示为

41、；

42、；

43、其中，和分别表示第个粒子第次迭代的速度向量和位置向量，和分别表示第个粒子第次迭代的速度向量和位置向量；和为中间参数；和分别表示个体和全局的随机学习因子，为迭代次数，为惯性权重系数，为单个粒子的最优位置，为粒子种群的最优位置；

44、将最终的飞行控制律中的控制参数导入第个粒子第次迭代的位置向量中，表示为

45、；

46、其中，和分别为非线性状态观测器中的三个观测器和一个扩张观测量的增益系数，表示状态误差反馈控制律的三个增益；通过更新粒子的位置向量实现对控制参数进行优化调整。

47、在其中一个实施例中，将单个粒子的适应度分别与单个粒子的适应度极值和粒子种群的适应度极值进行比较，根据比较结果更新单个粒子的适应度极值和粒子种群的适应度极值，包括：

48、将单个粒子的适应度分别与单个粒子的适应度极值和粒子种群的适应度极值进行比较，若单个粒子的适应度大于单个粒子的适应度极值，用单个粒子的适应度替换单个粒子的适应度极值；若单个粒子的适应度大于粒子种群的适应度极值，用单个粒子的适应度替换粒子种群的适应度极值。

49、在其中一个实施例中，将单个粒子的适应度按升序排序，对前30%的粒子采用混沌扰动机制更新每个粒子的最优位置和粒子种群的最优位置，包括：

50、将单个粒子的适应度按升序排序，对前30%的粒子施加混沌扰动；

51、初始化混沌变量，使所述混沌变量满足混沌逻辑映射函数的混沌状态，表示为；其中，为第个粒子第次迭代的位置向量，和为第个粒子的上边界和下边界；

52、基于混沌逻辑映射函数得到混沌变量在第次迭代的状态值，表示为；其中，表示混沌控制参数；

53、根据混沌变量在第次迭代的状态值迭代生成新的粒子位置向量，表示为；其中，为第个粒子第次迭代的位置向量；

54、根据粒子的适应度对单个粒子的最优位置和粒子种群的最优位置进行更新；其中，单个粒子的最优位置表示为

55、；

56、其中，为第个粒子第次迭代的适应度，为第个粒子第次迭代的适应度。

57、在其中一个实施例中，基于边界收缩策略收缩每个粒子的位置边界，包括：

58、基于边界收缩策略对第 i个粒子上边界和下边界进行处理，可得：

59、；

60、；

61、其中，表示粒子种群的最优位置，表示之间的随机数；

62、边界收缩后，第个粒子的上下边界限制在范围内。

63、在其中一个实施例中，采用逃逸策略对其余70%的粒子重新进行位置向量和速度向量的更新，包括：

64、采用逃逸策略对其余70%的粒子重新进行位置向量和速度向量的更新，表示为

65、；

66、；

67、其中，和分别表示第个粒子第次迭代的速度向量和位置向量，表示第个粒子的上边界和下边界的向量维数。

68、一种飞行器轨迹在线鲁棒跟踪装置，所述装置包括：

69、状态方程构建模块，用于基于飞行器的状态变量和控制量构建非线性状态方程；其中，状态变量包括飞行器的高度、马赫数和弹道倾角，控制量包括飞行器的攻角和当量比；

70、误差反馈控制模块，用于构建非线性状态观测器对非线性状态方程中的三个状态变量进行观测，通过观测所得的状态反馈误差建立非线性状态误差反馈控制律，并通过将非线性状态观测器中的扩张观测量从非线性状态误差反馈控制律中去除后，得到最终的飞行控制律，并根据最终的飞行控制律计算获取飞行器的最优轴向过载和最优法向过载；其中，非线性状态观测器包括三个状态变量的观测器和一个扩张观测量；

71、飞行轨迹跟踪模块，用于采用寻优算法获取最优轴向过载和最优法向过载对应的最优控制量，通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪；

72、控制参数优化模块，用于其中，在通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制、混沌扰动机制、边界收缩与逃逸策略的粒子群算法对最终的飞行控制律中的控制参数进行优化调整。

73、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

74、基于飞行器的状态变量和控制量构建非线性状态方程；其中，状态变量包括飞行器的高度、马赫数和弹道倾角，控制量包括飞行器的攻角和当量比；

75、构建非线性状态观测器对非线性状态方程中的三个状态变量进行观测，通过观测所得的状态反馈误差建立非线性状态误差反馈控制律，并通过将非线性状态观测器中的扩张观测量从非线性状态误差反馈控制律中去除后，得到最终的飞行控制律，并根据最终的飞行控制律计算获取飞行器的最优轴向过载和最优法向过载；其中，非线性状态观测器包括三个状态变量的观测器和一个扩张观测量；

76、采用寻优算法获取最优轴向过载和最优法向过载对应的最优控制量，通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪；

77、其中，在通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制、混沌扰动机制、边界收缩与逃逸策略的粒子群算法对最终的飞行控制律中的控制参数进行优化调整。

78、上述一种飞行器轨迹在线鲁棒跟踪方法、装置及设备，具备以下技术效果：

79、1、本技术基于飞行器的状态变量和控制量构建非线性状态方程，并构建非线性状态观测器对非线性状态方程中的三个状态变量进行观测，通过观测所得的状态反馈误差建立非线性状态误差反馈控制律，进而得到最终的飞行控制律控制飞行器的飞行轨迹，解决了传统控制算法对飞行器线性化过于依赖的问题，反映了飞行器的非线性特性，实现飞行轨迹的高精度跟踪控制。

80、2、本技术进一步考虑飞行器飞行轨迹的跟踪控制存在控制参数多且参数整定困难的问题，在通过最优控制量进行飞行器飞行轨迹在线鲁棒跟踪的过程中，通过采用考虑震荡机制、混沌扰动机制、边界收缩与逃逸策略的粒子群算法对最终的飞行控制律中的控制参数进行优化调整，克服了传统粒子群算法在全局稳定收敛方面存在的不足和容易陷入局部最优的缺陷，提高了算法的全局稳定收敛特性。