基于学习的高超声速飞行器分层协调容错方法

doi:10.7527/S1000-6893.2024.30191

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于学习的高超声速飞行器分层协调容错方法

武天才¹^,²^,³, 王宏伦¹^,²(), 任斌¹^,², 严国乘¹^,², 吴星雨¹^,²

^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.北京航空航天大学飞行器控制一体化技术重点实验室，北京 100191
^3.浙江大学城市学院滨江创新中心，杭州 310056

收稿日期:2024-01-19 修回日期:2024-02-27 接受日期:2024-05-13 出版日期:2024-05-29 发布日期:2024-05-15
通讯作者: 王宏伦 E-mail:wang_hl_12@126.com
基金资助:
国家自然科学基金(62173022);航空科学基金(2018ZC51031);北京航空航天大学沈元学院卓越研究基金(230121205)

Learning-based hierarchical coordination fault-tolerant method for hypersonic vehicles

Tiancai WU¹^,²^,³, Honglun WANG¹^,²(), Bin REN¹^,², Guocheng YAN¹^,², Xingyu WU¹^,²

^1.School of Automation Science and Electrical Engineering，Beihang University，Beijing 100191，China
^2.The Science and Technology on Aircraft Control Laboratory，Beihang University，Beijing 100191，China
^3.Hangzhou City University Binjiang Innovation Center，City College，Zhejiang University，Hangzhou 310056，China

Received:2024-01-19 Revised:2024-02-27 Accepted:2024-05-13 Online:2024-05-29 Published:2024-05-15
Contact: Honglun WANG E-mail:wang_hl_12@126.com
Supported by:
National Natural Science Foundation of China(62173022);Aeronautical Science Foundation of China(2018ZC51031);Outstanding Research Project of Shen Yuan Honors College, BUAA(230121205)

摘要/Abstract

摘要：

为系统提升高超声速飞行器在不同严重程度的执行机构故障情况下的容错能力和任务完成度，提出一种基于深度学习的飞行器分层协调容错方法。首先，为实现执行机构故障严重程度的在线量化分析，提出了基于深度神经网络的飞行器可配平能力预示方法和可达区域边界预示方法；接着，以上述2种预示方法为“纽带”，构建分层协调容错的总体框架——根据预示结果在线判断当前执行机构故障的严重程度，并针对性地协调控制层、制导层和规划层的容错机制，来尽可能弥补执行机构故障对飞行性能和任务完成能力的影响；最后，在3种不同严重程度的故障情况下进行仿真来验证所提方法的有效性。

关键词: 高超声速飞行器, 执行机构故障, 深度学习, 可配平能力, 可达区域, 容错

Abstract:

To enhance fault-tolerance capability and mission completion ability of hypersonic vehicles under various severity levels of actuator faults， this paper proposes a learning-based hierarchical coordination fault-tolerant method for hypersonic vehicles. Firstly， to achieve online quantitative analysis of the severity of actuator faults， deep neural network-based approaches for predicting vehicle trim capability and reachable region boundaries are proposed. Subsequently， using the above prediction methods as “bridges”， a hierarchical coordinated fault-tolerance framework is constructed. The method assesses the severity of current actuator faults in real-time based on prediction results， then selectively coordinates fault-tolerant mechanisms at the control， guidance， and planning layers to mitigate the impact of actuator faults on flight performance and mission completion capability as much as possible. Finally， simulations under three different severity levels of actuator faults are conducted to validate the effectiveness of the proposed fault-tolerant method.

Key words: hypersonic vehicle, actuator fault, deep learning, trim capability, reachable region, fault tolerance

中图分类号:

V249.1

武天才, 王宏伦, 任斌, 严国乘, 吴星雨. 基于学习的高超声速飞行器分层协调容错方法[J]. 航空学报, 2024, 45(22): 330191.

Tiancai WU, Honglun WANG, Bin REN, Guocheng YAN, Xingyu WU. Learning-based hierarchical coordination fault-tolerant method for hypersonic vehicles[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(22): 330191.

图/表 24

表 1

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表 2

故障情况设置

故障情况	故障设置
1	$t = 100 s$ 时， $δ 1$ 出现 $λ 1 = 0$ 的有效性损失故障， $δ 2 ~ δ 8$ 不存在故障
2	$t = 100 s$ 时， $δ 1 ~ δ 4$ 出现 $λ i = 0$ 的有效性损失故障， $δ 5 ~ δ 8$ 不存在故障
3	$t = 100 s$ 时， $δ 1 ~ δ 4$ 出现 $ς i = 30 °$ 的有效性损失故障， $δ 5 ~ δ 8$ 不存在故障

表 2

表 3

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

图 16

图 17

图 18

图 19

图 20

图 21

参考文献 21

1	DING Y B， YUE X K， CHEN G S， et al. Review of control and guidance technology on hypersonic vehicle［J］. Chinese Journal of Aeronautics， 2022， 35（7）： 1-18.
2	姜雨石. 高超声速飞行器再入故障诊断及容错控制方法研究［D］. 哈尔滨：哈尔滨工业大学， 2021.
	JIANG Y S. Research on reentry fault diagnosis and fault-tolerant control method of hypersonic vehicle［D］.Harbin： Harbin Institute of Technology， 2021 （in Chinese）.
3	WU T C， WANG H L， YU Y， et al. Quantized fixed-time fault-tolerant attitude control for hypersonic reentry vehicles［J］. Applied Mathematical Modelling， 2021， 98： 143-160.
4	AN H， LIU J X， WANG C H， et al. Approximate back-stepping fault-tolerant control of the flexible air-breathing hypersonic vehicle［J］. IEEE/ASME Transactions on Mechatronics， 2016， 21（3）： 1680-1691.
5	LI P， YU X， ZHANG Y M， et al. Adaptive multivariable integral TSMC of a hypersonic gliding vehicle with actuator faults and model uncertainties［J］. IEEE/ASME Transactions on Mechatronics， 2017， 22（6）： 2723-2735.
6	YU X， LI P， ZHANG Y M. Fixed-time actuator fault accommodation applied to hypersonic gliding vehicles［J］. IEEE Transactions on Automation Science and Engineering， 2021， 18（3）： 1429-1440.
7	HU Q L， WANG C L， LI Y， et al. Adaptive control for hypersonic vehicles with time-varying faults［J］. IEEE Transactions on Aerospace and Electronic Systems， 2018， 54（3）： 1442-1455.
8	XU B， SHI Z K， SUN F C， et al. Barrier Lyapunov function based learning control of hypersonic flight vehicle with AOA constraint and actuator faults［J］. IEEE Transactions on Cybernetics， 2019， 49（3）： 1047-1057.
9	WU T C， WANG H L， YU Y， et al. Hierarchical fault-tolerant control for over-actuated hypersonic reentry vehicles［J］. Aerospace Science and Technology， 2021， 119： 107134.
10	OPPENHEIMER M， DOMAN D， BOLENDER M. A method for estimating control failure effects for aerodynamic vehicle trajectory retargeting： AIAA-2004-5169［R］. Reston： AIAA， 2004.
11	SHAFFER P J， ROSS I M， OPPENHEIMER M W， et al. Optimal trajectory reconfiguration and retargeting for reusable launch vehicles［J］. Journal of Guidance， Control， and Dynamics， 2007， 30（6）： 1794-1802.
12	余跃，王宏伦. 基于深度学习的高超声速飞行器再人预测校正容错制导［J］. 兵工学报， 2020， 41（4）： 656-669.
	YU Y， WANG H L. Deep learning-based reentry predictor-corrector fault-tolerant guidance for hypersonic vehicles［J］. Acta Armamentarii， 2020， 41（4）： 656-669 （in Chinese）.
13	LV X H， JIANG B， QI R Y， et al. Survey on nonlinear reconfigurable flight control［J］. Journal of Systems Engineering and Electronics， 2013， 24（6）： 971-983.
14	钱佳淞，齐瑞云，姜斌. 高超声速飞行器再入容错制导技术综述［J］. 飞行力学， 2015， 33（05）： 390-394.
	QIAN J S， QI R Y， JIANG B. Review of reentry fault-tolerant guidance technology on hypersonic vehicles［J］. Flight Dynamics， 2015， 33（05）： 390-394 （in Chinese）.
15	YU X， ZHOU S C， GUO K X， et al. Integrated reconfiguration mechanism for quadrotors with capability analysis against rotor failure［J］. Journal of Guidance， Control， and Dynamics， 2022， 46（2）： 401-409.
16	SCHIERMAN J D， WARD D G， HULL J R， et al. Integrated adaptive guidance and control for re-entry vehicles with flight test results［J］. Journal of Guidance， Control， and Dynamics， 2004， 27（6）： 975-988.
17	郭雷，王陈亮，王雨，等. 多源干扰下高超声速飞行器自主精细控制［J］. 宇航学报， 2023， 44（4）： 558-565.
	GUO L， WANG C L， WANG Y， et al. Autonomous refined control for hypersonic flight vehicles with multiple disturbances［J］. Journal of Astronautics， 2023， 44（4）： 558-565 （in Chinese）.
18	YU X， FU Y， PENG X Y. Fuzzy logic aided fault-tolerant control applied to transport aircraft subject to actuator stuck failures［J］. IEEE Transactions on Fuzzy Systems， 2018， 26（4）： 2050-2061.
19	武天才，王宏伦，任斌，等. 考虑规避与突防的高超声速飞行器智能容错制导控制一体化设计方法［J］. 航空学报， 2024， 45（15）： 329607.
	WU T C， WANG H L， REN B， et al. Learning-based integrated fault-tolerant guidance and control method for hypersonic vehicles considering avoidance and penetration［J］. Acta Aeronautica et Astronautica Sinica， 2024，45（15）： 329607 （in Chinese）.
20	章吉力，周大鹏，杨大鹏，等. 禁飞区影响下的空天飞机可达区域计算方法［J］. 航空学报， 2021， 42（8）： 525771.
	ZHANG J L， ZHOU D P， YANG D P， et al. Computation method for reachable domain of aerospace plane under the influence of no-fly zone［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525771 （in Chinese）.
21	YU Y， WANG H L， LI N， et al. Finite-time model-assisted active disturbance rejection control with a novel parameters optimizer for hypersonic reentry vehicle subject to multiple disturbances［J］. Aerospace Science and Technology， 2018， 79： 588-600.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

对比方法	控制层	制导层	规划层
1	自抗扰方法容错控制方法^［21］	不考虑容错
2	本文所采用容错控制方法	不考虑容错
3	本文所采用容错控制方法	考虑可控能力的预测校正制导方法	不考虑容错

[1]	柳家齐, 陈荣钱, 楼锦华, 韩旭, 吴昊, 尤延铖. 基于深度学习的高速直升机旋翼翼型气动优化设计[J]. 航空学报, 2024, 45(9): 529828-529828.
[2]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[3]	杨博, 于贺, 樊子辰. 微观能量分析气动光学效应时变误差的方法[J]. 航空学报, 2024, 45(4): 128703-128703.
[4]	刘海桥, 刘萌, 龚子超, 董晶. 基于深度学习的图像匹配方法综述[J]. 航空学报, 2024, 45(3): 28796-028796.
[5]	樊云翔, 艾化楠, 王明振, 曹楷, 刘学军, 吕宏强. 基于深度学习的水上飞机非定常水载荷重构[J]. 航空学报, 2024, 45(20): 129882-129882.
[6]	李俊燊, 孟祥彦, 石暖暖, 李伟, 祝宁华, 李明. 光学神经网络智能处理：技术演变与未来展望[J]. 航空学报, 2024, 45(20): 630439-630439.
[7]	李少毅, 张雅淇, 程岳, 杨曦, 张良, 林健, 孟中杰. 场景抽象语义综合模型及其在红外弱小目标检测中的应用[J]. 航空学报, 2024, 45(20): 630702-630702.
[8]	孔祥锡, 秦闻远, 苏飘逸, 化永朝, 董希旺, 王丽, 苏盈, 吕坤. 基于深度学习及模糊层次分析的毁伤评估算法[J]. 航空学报, 2024, 45(19): 329503-329503.
[9]	武天才, 王宏伦, 任斌, 刘一恒, 吴星雨, 严国乘. 考虑规避与突防的高超声速飞行器智能容错制导控制一体化设计[J]. 航空学报, 2024, 45(15): 329607-329607.
[10]	褚昭晨, 宋韬, 金忍, 林德福. 基于视觉图像的空对空多无人机目标跟踪[J]. 航空学报, 2024, 45(14): 629379-629379.
[11]	李峻宇, 刘乾坤, 付莹. 融合注意力机制的红外小目标检测[J]. 航空学报, 2024, 45(14): 628959-628959.
[12]	李洁, 黄文新, 蔡一鸣, 王思远, 高宇飞, 蒋雪峰. 基于DFPMM的位置传感器故障诊断与容错控制[J]. 航空学报, 2024, 45(10): 329307-329307.
[13]	苏鑫, 管润程, 王桥, 苑伟政, 吕湘连, 何洋. 基于深度学习的结冰区域和厚度检测方法[J]. 航空学报, 2023, 44(S2): 729283-729283.
[14]	倪炜霖, 王永海, 徐聪, 赤丰华, 梁海朝. 基于强化学习的高超飞行器协同博弈制导方法[J]. 航空学报, 2023, 44(S2): 729400-729400.
[15]	陈立群, 邹旭, 张磊, 朱颖盼, 王港, 陈金勇. 基于国产商用器件的星载智能目标检测技术[J]. 航空学报, 2023, 44(S2): 728860-728860.

基于学习的高超声速飞行器分层协调容错方法

Learning-based hierarchical coordination fault-tolerant method for hypersonic vehicles

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 24

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价