單側機翼損傷飛機的神經網絡自適應魯棒非線性控制

程鵬飛，吳成富（西北工業大學無人機特種技術重點實驗室，陜西　西安710065）

單側機翼損傷飛機的神經網絡自適應魯棒非線性控制

程鵬飛，吳成富
（西北工業大學無人機特種技術重點實驗室，陜西西安710065）

針對飛機飛行中單側機翼突然損傷問題，結合對損傷飛機的特性分析，提出基于神經網絡自適應補償的魯棒非線性模型逆控制方法。利用未損傷飛機模型偽控制量中的單隱層神經網絡自適應項和魯棒項，并聯合e-modification自適應律對模型誤差、外界擾動、神經網絡近似誤差進行補償。除此之外，利用動態非線性阻尼技術對上述偽控制律進行擴展，從而適應損傷機體未建模舵動態。最后對上述算法進行嚴格的穩定性證明，并推導了逆過程的實現方法。仿真結果表明在單側機翼突然損傷并伴隨外部擾動和未建模舵動態下，該控制方法具有較強的穩定性和魯棒性。

單側機翼損傷；神經網絡自適應補償；非線性模型逆控制；動態非線性阻尼；未建模舵動態

網址：www.sys-ele.com

0 引 言

新一代戰斗機、大型運輸機、大型客機、高空長航時無人機對安全性的要求越來越高，一旦發生故障或者遭受損傷而又未及時采取措施，會造成巨大損失。1990年～2000年，相關學者開始關注飛機嚴重損傷問題，注意到只要不喪失升力和操縱性，就能通過特殊的控制過程實現飛行穩定和性能恢復［1］。另外由于外界因素或自身故障導致不確定性種類復雜多樣，利用單一標稱模型綜合通用的控制器去適應不同問題的研究具有重要意義。在飛機機體結構嚴重損傷的飛行動力學分析和相應飛行控制算法研究驗證方面，國內文獻有一定涉及［2 8］；國外N A S A A mes Research Center、U niversityofVirginia、Rockwell Collins、MIT、Georgia Tech、Delft U niversity of Technology等大學和研究機構均不同程度開展了機翼大面積損傷飛機飛行特性和控制方法的研究［9 14］。在飛行控制中，具有良好近似特性的神經網絡已經被證明非常有用。美國在90年代至本世紀初開展的飛翼布局飛機重構控制項目（R EST O R E）中，神經網絡直接自適應控制連同其他技術的成功應用驗證了下一代飛行控制系統對未知故障和損傷的適應能力［15］。除上述飛翼布局飛機之外，在制導炸彈方面也有成功的應用［16 17］。美國Georgia Institute of Technology大學于2009年利用神經網絡自適應控制算法在TwinStar雙發無人機上實現了容忍單側機翼斷掉50%面積矩的試飛驗證［13］。近五年文獻中，文獻［18］研究了利用神經網絡近似導彈氣動系數的方法；文獻［19-20］給出神經網絡在故障檢測和重構飛行控制方面的最新應用。另外，神經網絡用在反饋線性化飛行控制方法中被證明是非常有效，文獻［21-23］給出了這方面的最新成果。

本文首先分析左翼不同程度損失對飛行動力學特性的影響；其次結合近些年研究進展，設計基于單隱層神經網絡自適應的魯棒非線性動態逆控制算法系統，并針對未建模舵動態進行擴展，最后通過仿真驗證其控制能力。

1 單側機翼損傷飛機

不失一般性，“單側機翼損傷”的定義如圖1：y損傷長度為外翼損失部分的翼展長度；損失面積矩為損失部分面積與其重心到機體垂直距離y損傷力臂的乘積。所用小型電動無人機如圖1所示，為單發、翼展1.9 m，機長1.95 m，全機加有效載荷總重6.9 kg、一對副翼兼有前升降舵功能、V型尾翼兼顧后升降舵和方向舵功能。圖2～圖5給出此飛機飛行動力學相關特性隨左翼損失不同面積矩的變化情況［2 3］。圖2是利用圖1小型電動無人機CATIA建模和計算流體動力學（computationalfluid dynamics，CFD）計算所得的質量、幾何以及氣動數據繪出。圖3～圖5是在圖1單翼損傷無人機6自由度（6 degree of freedom，6D O F）非線性運動方程基礎上通過配平算法解算、小擾動線性化和飛行動力學分析得出。

圖1 單側機翼損傷飛機C A TIA模型示意圖

圖2（a）、圖2（b）和圖2（c）反映重心位置偏移量、慣性積、Clα的變化情況；圖2（d）為40%面積矩損傷下新增耦合氣動導數Clq，Cmp，Cmr的變化情況。從中看出，單側機翼損傷致使上述4種量均產生不同程度的改變，從而導致非線性方程產生諸多新增項［2］，線性化后系統方程A、B陣左上和右下部分原本近似為零的大導數發生較大改變，最終導致縱側向運動之間發生強耦合［3］。圖3給出左外翼40%面積矩損失（損失側包括副翼）后的配平圖。可以看出，右副翼反向偏轉越多，需要配平的負向側滑角就越小。橢圓虛線理想配平區域為配平側滑角不大（＜10°）且完好側副翼留有一定機動偏轉裕度的配平點集。另外，配平側滑角數值負向越大，配平滾轉角也負向增大，這對損傷后安全降落很有意義。

圖2 左翼不同程度損傷的影響

圖3 左外翼40%面積矩損傷后配平圖

運動模態和特征根方面，損傷后致使所有狀態響應中均存在5種典型模態成分，并隨著損傷程度改變而發生“遷移”。圖4為損傷后帶側滑配平點線性化后特征根的分布，圖中①～⑤分別對應類短周期運動、類浮沉運動、類滾轉阻尼運動、類荷蘭滾運動、類螺旋運動特征根隨損傷增大的遷移情況。可以看出，損傷后短周期模態的一對負共軛根變為單個負實根，并且根的位置隨損傷變化很小；螺旋模態的在損傷后變為兩個根，并從負根“越變”到實根的。其余3個模態：浮沉模態隨損傷增大而阻尼減小、自然頻率增大，并且當損傷超過60%面積矩時其根移向正半平面而變得不穩定；滾轉阻尼模態隨損傷增大而遠離虛軸，阻尼效果增強；荷蘭滾模態震蕩減小，震蕩頻率增大。

圖5給出在不同損傷下，右副翼adef為俯仰角速率q通道的階躍響應圖5（a）和方向舵adeb為俯仰角速率q通道的Bode圖5（b）。隨著損傷增大，圖5（a）中較高頻率成分震蕩逐漸減弱，穩態值越來越大表明開環增益逐漸增大，損傷達到60%后出現狀態發散。另外，圖5（a）中q在12 s由正變為負，此全通現象是因為右副翼上偏后，正向俯仰力矩增大，飛機抬頭，同時r逐漸正向增大。當α超調，q開始減小時，由于此時正向增大的r和負值φ會使α繼續增大，則q會繼續減小到負值，并與r，φ共同促使α保持穩定值。由于微分環節和非最小相位系統零點，圖5（b）中相角曲線會有90°×n的提前，而60%損傷下的不穩定極點導致初始相角發生滯后。另外，圖5（b）中第一個波谷由螺旋模態產生，其對40%損傷時的影響最大。4.5 rad/s附近的20 dB下降處為短周期模態。

圖4 左翼不同程度損傷對特征根分布的影響

圖5 左翼不同程度損傷下部分通道的時域響應和頻域響應

綜上所述，從飛行控制所關心的角度看，單側機翼損傷對飛機主要有以下幾個方面的影響：①重心產生偏移Δx，Δy，Δz；新增慣性積Ixy，Iyz；②新增Clα，Clq，Cmp，Cmr等耦合氣動導數；③短周期模態的一對負共軛根變為單個負實根，并且隨損傷加大變化較小；浮沉模態逐漸遠離實軸靠近虛軸；滾轉阻尼模態逐漸遠離虛軸；荷蘭滾模態隨損傷加大震蕩減小，震蕩頻率增大。螺旋模態因損傷變為兩個根，并從負根“越變”到實根；④因損傷出現的非最小相位零點導致階躍響應出現“全通現象”，q和r終值不為零。Bode圖中幾乎所有通道都存在較大的相角提前現象，并且在不同損傷下同一模態的帶寬存在明顯不同。

2 基于在線單隱層神經網絡自適應的魯棒非線性模型逆控制

多層神經網絡（multiperceptron network，M P N）結構和其穩定性研究最早由Hornik K.，Stinchombe M.，W hite H.所展開［24-25］。為解決模型誤差給非線性動態逆技術帶來的問題，文獻［26-28］用多層神經自適應技術補償飛機非線性模型逆誤差，保證穩定性并提高性能。文獻［29-30］也將神經網絡自適應動態逆控制運用在三旋翼飛行控制上，取得了一定成效。除此之外，μ-synthesis、滑模控制、自適應backstepping等補償方法的研究也在不斷進行［31-34］。從上節對單翼損傷飛機飛行動力學特性的研究結果可以看出：損傷后飛機的基本特性產生較大變化，導致運動方程以及相關操穩特性發生根本改變；損傷起初會出現劇烈運動，非線性特性增強；損傷后短時間內會造成較大的模型誤差，在此之上加以外界擾動和未建模舵動態會極大程度地增加控制難度。所以在對單翼損傷飛機飛行動力學特性進行分析研究后，本節以能夠自適應被動容錯控制單翼嚴重損傷前后的飛機為動機，研究能夠同時魯棒損傷模型誤差、外界擾動以及舵輸入未建模動態的在線學習單隱層神經網絡自適應魯棒非線性控制算法，從近似非線性反饋線性化控制算法研究的角度解決飛機單翼嚴重損傷后飛行動力學特性出現上述較大改變下的被動穩定和機動飛行問題，并給出嚴格的穩定性證明。

2.1 問題描述

實際非線性動力學模型如（1）所示。

2.2 單隱層神經自適應非線性模型逆控制算法

本節所研究算法基于如下假設。

假設2 式（1）中傳遞函數Δ（s）為穩定的且為真分數，在Re｛s｝≥-κ（κ＞0）范圍內可解析，其最小實現如式（3）所示，并且滿足不等式（4），其中k0＞0，Hκ（t）=CΔe（AΔ+κI）tBΔ，‖Hκ‖∞=sup ‖Hκ（t）‖，矩陣范數與式（4）中向量范數

t相容。

假設3 對于式（5）結構的單隱層神經網絡，在某一緊集D′中，存在一組如式（6）所示的有界理想參數W*和V*對誤差式（7）進行統一近似，并滿足式（8），其中0≤‖ε‖≤ˉε。

2.2.1 單隱層神經網絡結構和性質

圖6為單隱層神經網絡結構圖，其表達式如式（9），其中ˉx∈Rn1和y∈Rn3分別為輸入和輸出；N1，N2，N3分別為輸入節點數、隱層神經元節點數、輸出節點數。式（10）中σ（z）為sig m oid雙曲活化函數，a為活化電勢，θv是σ（z）輸入中的閾值偏移量。為了方便，定義權重矩陣式（11）、活化函數列向量式（12）、輸入列向量式（13）、單隱層輸出誤差式（14）。另外，為了在后面穩定性證明中能讓σ函數出現神經網絡（neural network，N N）權重線性項，有必要進行式泰勒展開。式（15）為σ*在＾σ點進行的泰勒展開式。

圖6 單隱層神經網絡

下面對單隱層神經網絡更新算法相關項的有界性進行分析。根據式（10）、式（16）得到‖σ′z（＾z）‖＜c3，c3為某正常數；化簡式（15）并利用上面結論得到式（17）；因為N N輸入的形式如式（18），其中分別為三軸姿態角的誤差向量、指令向量、自適應偽控制量，所以可以得到有界性關系式（19）。

2.2.2 偽控制量構造

圖7給出上述配置下單隱層神經網絡自適應魯棒非線性模型逆控制方案，主要包括兩部分：①點劃線框內為偽控制信號v的組成部分，包括傳統的P D項、通過N N訓練用來補償逆誤差的vad項和魯棒項vr；②虛線框部分表示的近似模型逆過程將v逆向計算成控制信號u并最終控制實際機體產生相應運動。

2.2.3 穩定性證明

下面對式（22）、式（23）的控制律和自適應律進行穩定性證明，注意控制對象不含未建模舵動態情況，如式（26）。表1給出此證明中必要的符號說明。

圖7 單隱層神經網絡自適應魯棒非線性模型逆控制方案

表1 2.2.3節證明中必要的符號說明

考慮式（27）的Lyapunov函數，對時間進行求導，將式（23）、式（24）的誤差方程帶入并考慮N N權重的書寫形式（6）和構造式ATP+PA+2I=0，得到式（28）。又因為不等式（29）成立，并聯合式（25）可將式（28）化簡成式（30）。

將式（22）中的vr表達式帶入式（30）并整理如式（31）。若偽控制量增益滿足Kr1＞c3I＞0進一步化簡得式（32）。將式（32）大括號中的項對‖?Z‖進行配平方，得到式（33）。

因此如果選λ＞c2，則當|ζ|＞Ωζ或者‖?Z‖＞ΩZ，即誤差狀態在Ωζ和ΩZ代表的緊集之外，那么式（36）成立，即表明系統是穩定的。

2.3 魯棒未建模舵動態技術

本節針對帶有未建模舵動態的實際機體式（1），進一步對偽控制量v擴展，并給予穩定性證明。

在社會各界關于生產教育的討論興起之初，教育名家舒新城、羅廷光、徐炳昶等人積極倡導生產教育應以“農業為主、工業為輔”。其立論依據主要建立在中國“以農立國”的認識之上。

2.3.1 偽控制量擴展

結合假設1，則式（21）需改寫成如下式（37）。為了對（f（x，˙x，u）-f（x，˙x，ˉu））項進行魯棒，偽控制律式（22）需擴展成式（38）。

注意到：①v中新增“動態非線性阻尼［23］（dynamic nonlinear dam ping，D N D）”項vdnd，此項由式（22）偽控制律和漸近穩定動態量m組成，意在魯棒未建模輸入動態產生的額外項；②vr中新增Km（‖＾Z‖+ˉZ）|m|ζ意在魯棒因vdnd帶來與|m|ζ有關的單隱層N N高階項。另外，根據輸入新增項|m|ζ和式（24）中余項w，|w|滿足新的不等式式（39）。此控制方案如圖8所示。

圖8 動態非線性阻尼增強的單隱層神經網絡自適應魯棒非線性模型逆控制方案

2.3.2 穩定性證明

若被控對象為含有輸入未建模動態的形式式（1）時，誤差式（24）進一步推導需改為式（40）。對式（27）求導后代入式（23）、式（40）得到式（41），下面主要關注vdnd對未建模舵動態魯棒穩定的證明環節。表2給出此證明中必要的符號說明。

表2 2.3.2節證明中必要的符號說明

結合式（39）并對式（41）最后兩項推導得到式（42）。當偽控制量增益滿足Kr1＞c3I＞0，Km＞c4＞0時，繼續得到式（43），其不等式右邊除了最后一項ζ（vdnd+｛f（x，˙x，u）-f（x，˙x，ˉu）｝）外，其余項與式（32）相同，所以|ζ|在此部分得到的穩定界限同式（35）。

式（44）為式（41）中魯棒未建模舵動態部分。聯合式（1）第二式、假設1、假設2、式（3）、式（4）、式（38）最后一式并繼續推導有式（45）。

根據式（38）前兩式可得到不等式式（46），將其代入式（45）繼續推導有式（47）。

聯合式（35）、式（36）、式（41）、式（48）、式（49），如果式（50）或者式（51）得到滿足，那么式（52）成立，即狀態誤差e和N N權重誤差、漸近有界。

2.4 逆過程實現

本小節基于三軸飛行姿態角與動力學方程的關系，研究從偽控制量v到控制量u的實現過程。

步驟1 根據式（2）第一式和偽控制量的定義有式（53），式中表示三軸姿態角表示副翼、升降舵、方向舵偏轉。將角速率與姿態角變化率的關系式求導并結合式（53）得到需要的角加速度式（54）。

步驟2 將式（54）帶入角加速度運動方程式（55）得到需要的三軸力矩L，M，N。由于力矩主要是由氣動力產生的，所以利用式（56）進一步得到氣動力矩系數CL，CM，CN，式中，S，b，分別表示動壓、機翼參考面積、翼展、平均氣動弦長。

步驟3 利用氣流角氣動建模表達式（57）即可反解出舵偏指令u=［adaadebadr］T，式中α，β為當前迎角、側滑角值；為當前無量綱角速率值；CL×為相應的氣動導數。圖9給出逆過程計算流程圖。

圖9 逆過程計算流程圖

3 仿真實驗

將本文控制算法與PID控制算法進行對比，從而驗證控制器對單側機翼大面積損失飛機的姿態穩定控制能力。仿真過程如下：被控對象為圖1左翼損失40%面積矩飛機的非線性模型［2-3］，損傷部分包括整個副翼。初始狀態設為未損傷巡航平飛配平狀態，飛行高度500 m，空速20.3 m/s。仿真開始時接通依據未損傷飛機模型設計的PID控制器或神經網絡自適應魯棒非線性控制器，控制器指令為：θc= 5.9°配平保持、c=0°配平保持；10 s內若能穩定住飛機，則10 s后進行滾轉機動，即φc10 s時斜坡上升至11 s并保持。

3.1 PID控制

PID控制器包含升降舵adeb—俯仰角θ保持、副翼ada—滾轉角φ保持、方向舵adr—偏航角保持，另有推力dt—空速Va比例保持器。PID控制器參數基于未損傷初始配平點線性化模型設計優化。圖10為保持初始配平狀態5 s后給出10°滾轉角階躍指令控制未損傷飛機的響應。可以看出三軸姿態具有較好的暫態響應且短時間內能漸近跟蹤指令。圖11為同一組參數PID控制左翼突然損失40%面積矩的飛機。可以看出，φ已經翻滾了很多圈，θ終值接近-90°表示飛機栽頭，也360°周期擺動，所有舵偏值都飽和。這說明上述PID控制器不能控住損傷飛機。

圖10 PID控制未損傷飛機的響應

3.2 單隱層神經自適應魯棒非線性控制

3.2.1 同時存在外部擾動以及損傷造成的模型誤差

圖11 PID控制左翼損傷40%面積矩飛機的響應

仿真開始1.5 s內是對突然損傷飛機的快速穩定過程，舵面的快速調節導致狀態響應出現高頻振蕩。圖12（a）～圖12（c）和氣流角圖12（d）除了有少量穩態誤差外，均穩定在合理的范圍內。圖12（e）保持在20～21 m/s之間。圖12（f）為式（22）中的N N自適應輸出vad，其在式（23）的N N參數調節下針對因損傷造成的三軸姿態模型誤差不確定性式（7）而進行補償。可以看出，無論-10°還是10°滾轉機動情況，所需補償的模型誤差大小均為φ軸向（藍色）＞θ軸向（綠色）＞軸向（紅色），說明了左翼損傷主要增加了以不對稱力矩增加為主的φ軸向模型誤差和以升力減小為主的θ軸向模型誤差；另外，對比兩種機動情況，-10°情況的模型誤差負向較大，而軸向模型誤差基本對稱分布，說明左翼損傷在方向性上對此軸向誤差影響較小。由于在初始損傷時刻和10 s時刻的機動過程會產生更大的模型誤差，所以對應的補償作用也更快更明顯。圖（g）為（22）中的魯棒偽控制量vr，其作用是針對（1）中外界擾動d（t）和構造N N模型逆誤差產生的余項一起所組成的w（式（24））進行魯棒補償。可以看出，兩種情況下vr的響應基本一樣，由于初始損傷時刻和10 s時刻機動產生的φ軸向模型誤差最大，從而其余項明顯增大，致使魯棒分量vrφ的補償作用最強；由于存在周期為20 ms有界隨機擾動，所以圖中的“毛刺”體現了vr對三軸外擾的魯棒作用。回顧式（5）和式（9），神經網絡內部估計參數為7×3矩陣和20×6矩陣，由于元素較多不易用圖集中顯示，所以用圖12（h）分別給出兩參數矩陣的F-范數（定義見式（6））‖‖F和‖‖F的變化情況。兩種機動下，‖‖F變化的數量級較小，在10-6數量級，由于sig m oid雙曲活化函數式（10）在［0，1］間變化，所以‖‖F與（f）中N N輸出vad的數量及相同。N N內外參數F-范數的變化情況與N N輸出vad類似，在初始損傷時刻和10 s時刻機動中出現較大幅度的調節，其余時刻均較平緩的趨于證明中式（35）給出的參數誤差界限。

圖12 單隱層神經自適應魯棒非線性控制左翼損傷40%面積矩飛機的響應

3.2.2 同時存在外部擾動、未建模舵動態以及損傷造成的模型誤差

假設所有舵面偏轉ada、adeb、adr均存在阻尼比ξ= 0.6、自然頻率ωn=20 rad/s的二階未建模電動舵機動態式（69）。聯合式（1）、假設2，當取μ=1可得到Δ（s）=（-s2-24）/（s2+24+200）。圖13表明在同一仿真設定下，3.2.1節控制器不能穩定具有未建模舵動態損傷飛機的φ。圖14為增加動態非線性阻尼信號后，控制具有未建模舵動態損傷飛機的部分響應。各分圖所列狀態的順序與圖12一樣。擴展偽控制律式（38）中的參數設置如下：KD=18.4I，KP= 20I，Kr0=1I，Kr1=1I，λ=0.1，Km=1，Kn=0.5，κ=10；神經網絡N N隱層活化函數為式（12），活化電勢a=0.1，隱層節點數N2=6；N N參數矩陣W，V初始值均設為0，理想N N參數矩陣范數界限ˉZ=1；N N自適應律式（23）增益ΓW= ΓV=100，e-m odificaiton項系數λ=0.1。

圖13 3.2.1節控制器控制具有未建模舵動態損傷飛機的響應

圖14 增加動態非線性阻尼控制器控制具有未建模舵動態損傷飛機的響應

從仿真開始左翼損傷后的10 s穩定以及隨之的滾轉機動下，-10°情況的姿態角和氣流角響應暫態性能良好，調節時間較短，振蕩小，基本無靜差，而10°情況下會出現周期性的振蕩調節。從物理過程來講，是因為左翼部分損失飛機本身有不對稱的負滾轉力矩，在-10°滾轉機動過程中負側滑角的出現圖14（d）有助于增大恢復阻尼，從而使響應平穩。而10°滾轉機動則剛好相反，減小了調節時的阻尼，出現振蕩。當側滑角由正變負時，再次回到漸近收斂階段，如此重復。圖14（f）vad對三軸姿態模型誤差不確定性進行補償，為神經網N N調節輸出量。可以看出，所需補償的模型誤差在軸向上仍然是φ最大，θ次之，最小，原因與第3.2.1節一樣。-10°機動下，vad對模型誤差的補償量隨著姿態的穩定亦趨于穩定。10°機動下，vad補償量隨狀態和輸入的振蕩也發生振蕩。圖14（g）中的魯棒偽控制量vr，其作用已在3.2.1節給出，主要針對外界擾動d（t）和構造N N模型逆誤差產生的余項進行魯棒補償。可以看出，-10°機動下，只有初始損傷和再機動這兩個時間附近在φ軸向上有較大的數值，而其余時間只有魯棒有界隨機擾動的作用，即圖中的毛刺。10°機動下，除了上述分析外，由于在周期性狀態調節處會產生較大模型誤差最大，從而余項也會明顯增大，致使vr的補償作用明顯增大。這其中φ軸向模型誤差最大，所以分量vrφ的補償作用最強。圖14（h）vdnd是式（38）中的動態非線性阻尼偽控制量，其作用是對未建模舵動態式（69）這種結構不確定性進行魯棒，從而使系統穩定。-10°機動下，由于圖14（a）～圖14（c）中舵偏趨于常值，不持續激發未建模舵動態，所以vdnld的補償基本為零。而在10°機動下，由于周期性的舵偏振蕩激發未建模舵動態，所以在對應時段vdnld的補償也隨之增大。由于vdnld與偽控制量和狀態誤差有關，所以與上述分析對應，vdnld在φ 軸向的魯棒作用最強。在未建模舵動態情況下，由于vdnld的出現導致N N輸入數量增加，所以神經網絡內部估計參數為7×3矩陣和23×6矩陣。與上節同理，這里只通過圖14（i）給出其F-范數‖‖F和‖‖F。相比圖12（h），在數量級上均有明顯的提升，這是由于N N參數更新律增益ΓW、ΓV均由-10增加到了-100，使得參數變化軌跡數量級發生變化所致。與N N輸出圖14（f）vad對應，除了初始損傷、10 s時刻機動出現較大改變外，在10°機動情況下的對應時刻出現了周期振動的更新過程。圖中其余時刻均較平緩的趨于證明中式（51）給出的參數誤差界限ΩZ（同式（35）中的ΩZ）。

4 結 論

本文針對圖1飛機分析了左翼不同程度損傷對動力學特性的影響，研究了能夠同時適應機翼損傷和外界擾動的神經網絡自適應魯棒非線性模型逆控制方法，并利用動態非線性阻尼技術進一步增強對未建模舵動態的魯棒性。在對穩定性進行證明后，通過仿真給出了此控制算法中神經網絡對模型誤差的補償作用，偽控制魯棒項和動態非線性阻尼項對姿態擾動以及未建模舵動態的魯棒作用，從而驗證了對左翼40%面積矩突然損傷飛機的快速穩定和機動控制能力。

［1］N A S A.Integrated resilient aircraft control：stability m aneuverability and safe landing in the presence of adverse conditions［M］.U S A：N A S A，2007：115-187.

［2］Cheng P F，W u C F，Duan X J，et al.A n approach offlight trim for wing-da maged asy m metric aircraft［C］∥Proc.of the32nd Chinese Control Conference，2013：6071-6076.

［3］Cheng P F，W u C F，Duan X J，et al.Research on high sidesl ip angle fl ight dynamics of wing-damaged asym metric aircraft［J］.Journalof N orth western Polytechnical University，2014，32（5）：682 -687.（程鵬飛，吳成富，段曉軍，等.機翼不對稱損傷無人機在大側滑角下的飛行動力學研究［J］.西工大學報，2014.32（5）：682-687.）

［4］Wang J，Liu X X，Sun X，et al.Flight performance analysis for aircraft with wing faults based on optimization of trim ming. computer engineering and applications［J］.Computer Engineering and Applications，2014，50（23）：229-233.（王娟，劉小雄，孫遜，等.基于優化配平的機翼故障飛機飛行性能分析［J］.計算機工程與應用，2014，50（23）：229-233.）

［5］W ang Q，Li Q，Cheng N，et al.A nonlinear fault tolerant flight control method against structural damage［J］.Acta Aeronautica et Astronautica Sinica，2015，36（5）：1661-1672.（王乾，李清，程農，等.一種針對結構損傷的非線性容錯飛行控制方法［J］.航空學報，2015，36（5）：1661-1672.）

［6］Wang F W，Dong XM，Chen Y，et al.Fast fault diagnosis of multi-effectors aircraft with control surface damage［J］.Acta Aeronautica et Astronautica Sinica，2015，36（7）：2350-2360.（王發威，董新民，陳勇，等.多操縱面飛機舵面損傷的快速故障診斷［J］.航空學報，2015，36（7）：2350-2360.）

［7］Gong Y M，H an Q.Dyna mic analysis and damage study of co mbat aircraft［J］.A dvances in Aeronautical Science and Engineering，2015，6（1）：38-45.（鞏彥明，韓慶.戰損飛機動力學特性分析及殺傷研究［J］.航空工程進展，2015，6（1）：38-45.）

［8］Qiu YH，Zhao P X，Chen W，et al.The fault diagnosis and aerodynamic m odel for aircraft wing damage［J］.M echanics in Engineering，2014，36（1）：23-28.（邱岳恒，趙鵬軒，陳偉，等.飛機機翼損傷的氣動模型及故障診斷研究［J］.力學與實踐，2014，36（1）：23-28.）

［9］Kim K，Kimy D M，Kim S，et al.Fl ight test of a flying-wing type UAV with partial wing loss using neural network controller［C］∥Proc.of the AIA A Guidance，N avigation，and Control Conference，2013：AIA A-2013-5169.

［10］Almond M T，Render P，Walker A D.A nalysis of single hole sim ulated battle damage on a wing using particleimage velocimetry［C］∥Proc.of the AIA A Applied Aerodyna mics Conference，D allas，2015：AIA A-2015-2573.

［11］Jourdan B D，Pied monte D M，Gavriletsy V，et al.Enhancing U A V survivability through damage tolerant control［C］∥Proc. of the AIA A Guidance，Navigation，and Control Conference，2010：AIA A-2010-7548.

［12］Baur S，Gibson T，A nnaswam y A，et al.Sim ulation and adaptive control of a high agility m odel airplane in the presence of severe structural damage and failures［C］∥Proc.of the AIA A Guidance，N avigation，and Control Conference，2011：AIA A-2011-6412.

［13］Chowdhary G，Johnson N E，Kim brell M S，et al.Flight test results of adaptive controllers in presence of severe structural damage［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2010：AIA A-2010-8010.

［14］Boo M K，Duck Y S，Jea min S，et al.Integrated guidance and control design based on adaptive neural network for unpowered air vehicle［J］.Journal of Institute of Control，Robotics and Systems，2009，15（1）：15-22.

［15］Brinker J S，Wise K A.Flight testing of a reconfigurable flight controllaw on the X-36 tailless fighter aircraft［C］∥Proc.ofthe AIA A Guidance，Navigation，and Control Conference，Denver，2000：128-139.

［16］Lewis F L.Nonlinear network structures for feedback control［J］. Asian Journal of Control，1999，1（4）：205-228.

［17］Sharma M，Calise A J，Corban J E.Application of an adaptive autopilot design to a family of guided munitions［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2000：205-213.

［18］Ritz S G，Hartfield R J，Dahlen J A，et al.Rapid calculation of missile aerodynamic coefficients using artificial neural networks ［C］∥Proc.of the IE E EAerospace Conference，2015：337 -345.

［19］Garbarino L，Zazzaro G，Genito N，et al.Neural network based architecture for fault detection and isolation in air data systems［C］∥Proc.of the32nd IE E E/AIA A Digital Avionics Systems Conference，2013：2D4-1-2 D4-11.

［20］Shi L，H ou W K，Shi J Y，et al.T he intelligent BIT design of aviation integrated computer system based on improved BP neural network［C］∥Proc.of the IE E E Conference on Prognostics and System Health M anagement，2012：168-174.

［21］Bhandari S，Raheja A，Tang D，et al.Nonlinear control of U A Vs using m ulti-layer perceptrons with off-line and on-line learning［C］∥Proc.of the A mericanControl Conference，Portland，2014：2875-2880.

［22］Tang YM，Patton R J.Reconfigurable fault tolerant control for nonlinear aircraft based on concurrent S M C-N Nadaptor［C］∥Proc. of the American Control Conference，2014：1267-1272.

［23］Lee B Y，Lee H I，Tahk M J.A nalysis of adaptive control using on-line neural networks for a quadrotor U A V［C］∥Proc. of the13th International Conference on Control，Automation and Systems，2013：1840-1844.

［24］Hornik K，Stinchombe M，White H.Multi layer feedforward networks are universal approximators［J］.Neural Networks，1989，2 （5）：359-366.

［25］Lewis F L，Yesildirek A，Liu K.Multilayer neural-net robot controller with guaranteed tracking performance［J］.IE E E Trans.on Neural Networks，1996，7（2）：388-399.

［26］Johnson NE，Calise J A.Reusable launch vehicle adaptive guidance and control using neural networks［C］∥Proc.of the AIA AGuidance，Navigation，and Control Conference and Exhibit，Toronto，2010：AIA A-2001-4381.

［27］Laksh mikanth G S，Radhakant P，Watkins J M，et al.Adaptive flight-control design using neural-network-aided optimal nonlinear dynamic inversion［J］.AIA A Journal of Aerospace Inform ation Systems，2014，11（11）：785-806.

［28］Tho mas K，Philipp S，Falk S，et al.A combined scheme of nonlinear adaptive flight control and neural network fault detection［C］∥Proc.of the AIA A Infotech@Aerospace Conference，Garden Grove，2012：AIA A-2012-2430.

［29］Wang H，Xu J F，Gao Z.Design of attitude control system based on neural network to unmanned helicopter［J］.Acta Aeronautica et Astronautica Sinica，2005，26（6）：670-674.（王輝，徐錦法，高正.基于神經網絡的無人直升機姿態控制系統設計.航空學報［J］，2005，26（6）：670-674.）

［30］Xia Q Y，Xu J F.A design of triaxial unmanned rotor aircraft and its adaptivefl ight controlsystem［J］.Acta Aeronautica et Astronautica Sinica，2013，34（3）：495-508.（夏青元，徐錦法.三軸式無人旋翼飛行器及自適應飛行控制系統設計.航空學報［J］.2013，34（3）：495-508.）

［31］Chen Z，Yao B，W ang Q F.Synthesis-based adaptive robust control of linear motor driven stages with high-frequency dynamics：a case study［J］.IE E E/A S M E Trans.on Mechatronics，2015，20（3）：1482-1490.

［32］Philipp S，Jonas K，Tho mas K.Advanced sliding mode online training for neural network flight control applications［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，Kissimmee，2015：AIA A-2015-1323.

［33］Nair R R，Behera L，K u mar V.M ultisatellite formation control for remote sensing applications using artificial potential field and adaptive fuzzy sliding m ode control［J］.IE E E Systems Journal，2015，9（2）：508-518.

［34］Florian P，Fabian H，Florian H，et al.A nti-windup command filtered adaptive backstepping autopilot design for a tail-controlled air-defense missile［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2013：AIA A-2013-5013.

Neural network based robust adaptive nonlinear control for aircraft under one side of wing loss

CHENG Peng-fei，W U Cheng-fu
（Science and Technology on U A V Laboratory，North western Polytechnical University，Xi’an 710065，China）

Combined with the characteristics of wing-damaged aircraft，a method of neuro-adaptive compensation based robust nonlinear model-inversion controlis proposed for one-side of wing damage suddenly in flight. The method em ploys one single-hidden-layer neural network（S H L N N）adaptive element and one robust element in pseudo-control of the undamaged aircraft model with e-m odification adaptive laws to compensate model errors，external disturbances and N N approximation errors simultaneously.In addition，a dynamic nonlinear dam ping technique is em ployed to expand the pseudo-controllaw above for robustifying the unmodelled actuator dynamics of the damaged plant.Finally，the strict stability proof is given and the realization of the inversion process is derived.The simulation results validate the strong stability and robustness of the control algorith m under wing damage accompanied with output noise and unmodelled actuator dynamics.

one-side of wing damage；neuro-adaptive compensation；nonlinear model-inversion control；dynamic nonlinear dam ping；unmodelled actuator dynamics

V 249.1

A

10.3969/j.issn.1001-506 X.2016.03.21

1001-506 X（2016）03-0607-11

2014-12-14；

2015-08-31；網絡優先出版日期：2015-12-29。

網絡優先出版地址：http：//w w w.cnki.net/kcms/detail/11.2422.T N.20151229.1138.002.html

解放軍總裝預研項目（513250202）資助課題

程鵬飛（1986-），男，博士研究生，主要研究方向為飛行控制、飛行動力學。

E-mail：cpf_123@163.com

吳成富（1962-），男，教授，博士研究生導師，主要研究方向為綜合飛行控制技術。

E-mail：chiefwu@nw pu.edu.cn