智能控制在航天推力矢量伺服系統中的應用及展望

楊弘棖 劉 山 焦瑋瑋 王效亮 丁弘毅

北京精密機電控制設備研究所，北京100076

0 引言

作為火箭控制系統中影響成敗的關鍵控制執行分系統，推力矢量伺服系統在面對復雜時變非線性控制對象的同時，需滿足總體高精度、高動態、大功率、高比功率和高可靠的控制需求。以柔性噴管推力矢量伺服系統為例，伺服系統的研制面臨柔性噴管擺心不固定、非線性負載力矩大、需自備大功率彈上能源及技術性能要求高等一系列相關難題。

智能控制出現于20世紀60年代，是由控制論、人工智能和運籌學的研究成果交叉衍生的新方法，可用于對復雜非線性系統進行建模、控制及優化[1]。通過綜合利用現代控制理論、人工智能、專家系統、遺傳算法和計算機科學等新興技術，可協調解決復雜過程的控制問題。人們普遍認為，對于具有不確定性的數學模型、高度的非線性和復雜任務要求的一類系統，智能控制是目前解決此類復雜對象控制問題的最好手段。結合航天推力矢量控制系統研制中面臨的一些問題，本文針對智能控制理論的應用進行了分析和展望。

1 面臨的問題

航天推力矢量控制技術在未來的發展中面臨以下問題：

1)需要適應復雜的負載特性。由于伺服系統負載特性比較復雜，以柔性噴管為例，在飛行過程中隨著發動機燃燒室壓力的變化，存在著由結構變形引起的擺心移動和復雜的模態變化。由于柔性接頭具有較大彈性，噴管擺心會在燃燒室壓力作用下向下運動；在其受到伺服驅動力作用時會產生不同于常規軸承的橫、側向乃至縱向運動；在大負載力矩作用下呈現顯著的非線性[2]。不同批次產品的力矩梯度也存在一定散布，貯存過程中，老化力矩的占比最高可達到30%。柔性噴管負載復雜的動力學特性給伺服系統的設計，包含模型辨識、地面仿真和驗證帶來了挑戰。

2)需要實現多約束條件下的特性最優設計。航天伺服系統處于控制系統、動力系統和總體結構的結合部，需要協調滿足多約束條件下的任務需求。一方面伺服系統需要較大的功率儲備才能提供更快的響應速度，另一方面總體要求機械結構的重量不能過大，否則將導致安裝結構無法承受過大的輸出力。為此，在滿足控制系統動態特性的同時需要對伺服系統的最大輸出力進行限制。采用無尾罩發射時，為實現一級柔性接頭的防護，伺服系統需同時對輸出位置和輸出力進行控制。傳統控制策略以飛行時序為依據調整參數達到不同階段的控制需求，但由于負載存在復雜非線性，各項參數的設置需進行大量調試，且仍難以達到控制性能的最優。

3)需要具備對冗余資源進行智能化的在線故障診斷和冗余資源管理的功能。在盡量提高各部件可靠性的前提下，另一種提高伺服系統可靠性的思路是應用余度技術。傳統的多數表決和故障吸收方式占用資源較多，且由于故障產生機理復雜，有時會產生虛診和漏診的診斷錯誤。為減少多余度機構占用資源，避免診斷錯誤，提高伺服系統的自組織、自重構、自學習能力，需要對其進行智能故障識別和診斷方法的研究，使系統在發生故障時，能夠快速自主識別故障模式并實時切換到新的工作狀態。

2 智能控制技術分析

以下將對幾種智能控制技術在推力矢量控制系統研制工作中的應用和前景進行分析。

2.1 復雜負載特性的辨識和模擬

帶載測試既是推力矢量伺服系統研制必不可少的工作內容，也是控制系統仿真試驗不可或缺的重要環節。負載模擬作為伺服系統帶載測試的必備條件，目前常用的主要有等效真實負載和機械模擬負載2種。對于柔性噴管推力矢量控制系統而言，模態數據雖然較為真實，但仍無法覆蓋任務書規定的最大力矩，難以模擬實際飛行過程中的擺心和力矩梯度變化，且使用維護成本高、壽命短；機械式模擬負載臺采用慣量塊和彈簧鋼板進行負載模擬，動力學特性模擬真實度低、參數調整不夠靈活，因此迫切需要研制具有任意加載能力的高精度通用可控負載模擬器，原理如圖1所示。在通用可控負載模擬器的應用工作中，負載特性辨識和保證加載精度成為亟需解決的問題。

2.1.1 基于神經網絡的柔性噴管模型辨識方法

當前對柔性噴管特性的模型辨識研究，通常將其看作變阻尼變剛度的質量彈簧系統[3-4]，通過對試驗數據或仿真數據的分析，分別獲得激振頻率、激振振幅、溫度等因素對柔性接頭力矩特性的影響，再基于動力學模型和試驗數據對噴管模型進行擬合建立預測模型[5]。然而，噴管剛度和阻尼特性與激振頻率和振幅、環境溫度、燃燒室壓強、材料特性等眾多因素相關，基于簡化模型進行建模的方法受限于動力學建模方法的合理性，無法準確分析多種因素的綜合影響；通過試驗系統難以測得噴管在極限負載下的力矩特性和分析更高頻率的動態特性；根據試驗方法對噴管非線性特性的研究，也僅能獲得其特性的變化趨勢，無法精確建模。近年來，神經網絡[6-7]、模糊理論[8]、小波網絡[9]、支持向量機[10]等智能方法已經逐漸應用于復雜非線性系統的辨識當中。

圖1 可控加載負載模擬器原理圖

圖2 BP網絡的結構圖

由于神經網絡方法可表達任意非線性映射，利用神經網絡的自學習和自適應能力，使其自主訓練調整結構參數，能大量減少參數識別和模型辨識的工作量。考慮到BP神經網絡學習速度快，且具有關聯信息分散存儲、容錯性好等優點，使用BP神經網絡對柔性噴管模型進行建模和辨識[11]。其結構如圖2所示。采用離線學習，用訓練集內所有模式即柔性噴管的測試數據依次訓練網絡，通過累加各權值修正量并統一修正網絡權值，可以使權值按最快速下降方向進行，大幅度提高網絡學習速度。

通過訓練和修正得到的柔性噴管參數辨識BP神經網絡，有望充分體現柔性噴管復雜的非線性特征，在給定輸入量時給出合理的預測輸出，可在控制算法中對控制對象進行辨識，作為半實物仿真系統構建和自適應控制器設計的基礎。

2.1.2 基于迭代學習控制的高精度負載模擬技術

負載模擬器的高精度加載控制作為研制半實物仿真中的一項關鍵技術，是航空、航天領域內的重要研究方向之一。電液負載模擬器作為典型的加載裝置，加載過程中多余力(力矩)的存在是設計和使用過程中難以克服的技術難點，直接影響負載模擬器動態加載精度的提高。文獻[12]根據一般測試過程中，負載模擬器加載對象的主動運動允許具有一定重復性的特點，提出運用迭代學習控制消除負載模擬器加載系統的多余力(力矩)，并進行了提高加載精度方面的研究。同時建立了電液負載模擬器及其被加載系統的全系統數學模型，并在此基礎上詳細分析了多余力(力矩)產生的機理。選取PID型迭代學習控制作為控制算法，利用算子理論對該算法的收斂條件、收斂速度、魯棒性和初值問題以及開環PID型迭代學習控制和閉環PID型迭代學習控制的優缺點進行了理論推導和證明，為PID型迭代學習控制應用于負載模擬器，消除多余力(力矩)和提高加載精度提供了參考依據，迭代學習控制算法如圖3所示。在理論推導和仿真試驗的基礎上，提出了具有監督機制的改進P型迭代學習控制。仿真試驗表明，該方法對提高加載精度、減小學習過程后期輸出毛刺、防止誤差發散等方面具有較好的效果。使用開環P型迭代學習控制算法和改進P型開環迭代學習控制算法進行了電液位置伺服系統提高跟蹤精度的試驗(圖4)。結果表明，迭代學習控制算法能夠有效地提高電液伺服系統的跟蹤精度。

圖3 迭代學習控制算法框圖

圖4 迭代學習控制加載跟蹤試驗結果

2.2 時變非線性負載的高精度力位混合控制

由于柔性噴管存在著結構變形引起的復雜模態，且力矩特性參數難以準確描述，給推力矢量的伺服控制帶來了困難；推力矢量伺服系統需同時對輸出位置和輸出力進行控制，傳統控制方法難以實現。結合上述需求，對可用于推力矢量伺服系統的新型控制策略進行了初步分析。

2.2.1 面對力/位置輸出綜合要求的主動柔順控制方法

傳統的推力矢量控制屬于位置閉環控制。近年來，由于對噴管輔助支撐的需要，借鑒航空發動機的推力矢量控制，提出的一種推挽式伺服系統控制方案[13]，需要同時對伺服作動器的輸出力和位移進行協調控制。為此，借鑒了機器人控制領域柔順控制的技術思路。

機器人領域的柔順控制分為被動柔順控制和主動柔順控制2類。前者使用一些在與環境作用時能夠吸收或儲存能量的機構，如彈簧、阻尼，使其在與環境接觸時能夠對外部作用力產生自然順從；后者使用力的反饋信息，采用一定的控制策略，主動控制機構與環境間的作用力。由于被動柔順機構的剛度與柔順性存在矛盾，且適應性較差，難以在復雜工作狀態下實現位置和力的準確控制。因此，基于力反饋的主動柔順控制是主要的研究方向[14]。由于推力矢量伺服系統需要同時對輸出位置和輸出力進行控制，因此考慮使用力/位切換控制方法。其中，各種控制方案間能否實現平滑切換是切換控制成敗的關鍵。此外，切換時系統應具有較小的相對剩余能量，使系統在切換后不至于發生往復振蕩[15]。

文獻[16]提出了一種針對機器人的多模型模糊切換控制策略，其原理如圖5所示。多模型控制的基本思想是：在多個工作點或多種工況下，將非線性過程或線性不確定過程劃分為若干個線性化模型，利用多個模型逼近整個系統的動態特性。分別建立多個數學子模型，針對每個子模型設計相應的子控制器。利用一個有效的切換方案，將這些簡單的子控制器映射成最終的控制作用，實現對復雜系統的控制[17]。為保證切換的平穩性，可使用模糊控制方法，將系統的精確量轉化為相應的模糊量。然后，按照相應的語言控制規則對模糊量進行模糊推理，并做出模糊決策。最后將經過模糊推理得到的模糊結果轉化為精確量[18]。用模糊推理的過程代替簡單判斷的切換條件，可以避免系統在切換點附近頻繁切換控制策略時可能出現的抖動，實現切換過程的平穩過渡，進一步保證系統在切換點附近的穩定性[19]。

圖5 多模型模糊切換控制策略原理圖

采用力控制和位置控制2個模型來模擬負載特性的非線性，并設計相應的子控制器。模糊切換規則根據反饋力和位置的信息和輸出需求來控制權值σ1和σ2，控制權值的論域為[0,1]，力控制器輸出u1和位置控制器輸出u2分別乘以σ1和σ2作為被控對象的輸入量。當需要對位置精確控制時，權值σ2取值在1附近，位置控制占比提高；當需要對輸出力精確控制時，權值σ1取值在1附近，力控制占比提高。由于控制策略的切換是一個漸變的過程，使系統切換過程更平穩，力波動更小，能夠較好地實現推力矢量伺服系統的力/位置綜合主動柔順控制。

2.2.2 面對非線性不確定負載的模型參考自適應控制方法

在飛行過程中，柔性噴管隨著發動機燃燒室壓力的變化，存在著由結構變形引起的擺心移動和模態的復雜變化。此外，在貯存過程中，由于非金屬老化導致的力矩梯度變化也很大。推力矢量控制伺服系統需要適應上述變化。自適應控制的基本思想是通過不斷地監測被控對象，根據其變化調整控制參數，使系統運行于最優狀態，因此可使用自適應控制方法解決對該不確定對象的控制問題[20]。

自適應控制主要有2種類型，即模型參考自適應控制和自校正控制。前者直接對控制器參數進行更新，運算速度快，適用于實時性要求較高的系統。它由以下幾部分組成，即參考模型、被控對象、反饋控制器和自適應機構等部分。系統根據實際輸出y(t)和模型輸出yM(t)產生的偏差，驅動自適應機構產生調節作用，直接改變控制器的參數，最終使得y(t)=yM(t)。設計這類系統的核心問題是如何設計自適應調節器的算法。

基于神經網絡的模型參考自適應控制可分為以下2種類型：

1)直接模型參考自適應控制

如圖6所示，控制系統的目的是維持受控對象輸出與參考模型輸出的差e(t)=y(t)-yM(t)→0。但由于神經網絡控制器(NNC)的反向傳播需要已知受控對象的數學模型，當系統模型未知或部分未知時，NNC的學習和修正較難進行，不適用于對不確定對象的控制。

圖6 直接模型參考自適應控制

2)間接模型參考自適應控制

如圖7所示，當被控對象的數學表達不明確時，需要設計一個神經網絡辨識器(NNI)來辨識被控對象，根據辨識誤差e1(t)進行在線學習和修正，將辨識結果反饋至NNC，并提供控制誤差e2(t)的反向傳播。

圖7 間接模型參考自適應控制

由于對柔性噴管難以進行準確建模，因此根據模型辨識的結果設計間接模型參考自適應控制器，可以使神經網絡柔性噴管模型對噴管的各項狀態量進行估計，指導控制器參數的自適應調整，以補償噴管變形及擺心浮動、安裝位置形變等影響因素，實現對推力矢量的智能化控制。

2.3 在線故障診斷和冗余資源管理

推力矢量伺服系統是火箭控制系統中影響發射成敗的控制執行分系統。應用余度技術，可使其固有可靠度成數量級地提高。余度伺服技術的發展經歷了簡單并聯余度方式、檢測-糾正余度方式、多數表決余度方式、多數表決-檢測糾正混合余度方式幾個階段[21]。其中，多數表決故障吸收式伺服機構系統方案無需故障檢測和隔離，基本不占用計算資源，實時性較好，是當前應用的主要方法，可以對大多數故障模式準確識別。但由于故障產生機理復雜，有些故障模式下的表決方式會產生虛診和漏診的診斷錯誤，導致錯誤使用故障部件而影響飛行任務。文獻[22]在三余度伺服系統中引入了智能檢測補償的軟機制，通過軟、硬件協同設計的方式，在控制產品體積、重量、成本和控制實時性的前提下，提高了伺服系統的可靠性。因此，對新型的智能故障診斷理論、方法和技術進行進一步研究，對于航天任務的順利完成具有重要的意義。

近年來，對適用于新型火箭的高可靠容錯機電伺服系統進行了深入研究，文獻[23]提出了一種新型高可靠五相容錯電機的可靠性技術方案，使得伺服系統在部分繞組故障下仍能滿足火箭控制系統對伺服功能的要求，其關鍵技術之一是故障繞組的識別與診斷方法。目前關于此類方法的研究，解決了電機開路故障、短路故障等明顯的故障識別，但仍有一定的局限性[24]。基于電流預測法、基于對稱分量法、基于定子電壓空間矢量等檢測方法也有各種使用缺陷，存在使用條件受限或部分狀態下不能識別故障的缺點[25]。考慮到故障類型的復雜性和表現的多樣性，可在現有基于規則和FMEA分析結果的基礎上，進一步開發能綜合多種檢測方法優點的智能故障識別方法[26]。

基于神經網絡的故障識別方法利用了神經網絡的模式識別和函數擬合2項主要功能。使用神經網絡作為模式分類器，實現故障特征空間到故障類空間的映射，以得到診斷結果。首先設計網絡拓撲結構和學習算法，將含有故障信息的特征量作為輸入，故障模式作為輸出，訓練神經網絡，確定神經網絡節點的權值；再給定故障模式的輸出作為神經網絡的輸入，將網絡輸出與訓練模式中確定的故障編碼進行比對，確定伺服系統的正常或故障，并判定故障模式及發生部位，采取相應的解決措施，提高伺服的可靠性。

由于神經網絡模式識別技術并不需要預先給出關于模式的先驗知識和判別函數，其網絡特性由其拓撲結構、節點特性、學習或訓練規則所決定，能充分利用各狀態信息，對來自不同狀態的信息逐一訓練以獲得某種映射關系。而且網絡可連續學習，當環境改變，這種映射關系可以自適應調整，實現進一步逼近目標對象。因此，隨著高性能伺服控制平臺運算能力的不斷提高，基于神經網絡的在線智能故障診斷方法有著很大的應用潛力。

3 結論

隨著智能控制理論的逐步完善，將先進的控制理論應用在火箭推力矢量控制上是一種發展趨勢。本文針對推力矢量控制技術發展中面臨的問題，對能應用于推力矢量控制的智能控制技術進行了分析研究。神經網絡控制、迭代學習控制、模糊控制、自適應控制等方法在航空航天領域有非常廣闊的應用前景，有望在未來火箭的推力矢量控制中取得較傳統控制方法更好的應用效果。