運載火箭動力系統故障下制導控制技術研究進展

李爽，劉旭，葉松，林子瑞

運載火箭動力系統故障下制導控制技術研究進展

李爽1，劉旭1，葉松2，林子瑞1

（1.南京航空航天大學 航天學院，江蘇 南京 211106；2.北京航天自動控制研究所，北京 100854）

動力系統故障是導致運載火箭發射任務失敗的最常見原因，從動力系統故障建模、自主制導和容錯控制方面，系統地闡述了動力系統故障下運載火箭制導控制技術的研究進展，為發展新型制導控制算法提供了思路。建立了推力下降故障和執行機構故障的數學建模，并對比了國內外先進運載火箭的制導控制性能；總結了動力系統故障下自主制導所涉及的軌跡優化和制導算法；在被動、主動容錯控制框架內，回顧了典型的故障診斷、控制重構、容錯控制和震動抑制方法；同時，概述了人工智能技術在自主制導和容錯控制方面的應用；結合“會學習”的運載火箭概念，討論了人工智能技術在促進運載火箭自主化和智能化方面的發展趨勢，對未來智慧火箭的制導控制技術進行了展望。

運載火箭；動力系統故障；故障診斷；制導控制；人工智能

0　引言

截至2022年初，全球運載火箭發射任務已經超過6 000次，但失敗也超過500次，尤其是近年頻繁發生運載火箭發射失利的情況［1］。以2021年發射情況為例，美國RocketLab公司的電子號火箭二級發動機點火異常導致關機；阿斯特拉公司的Astra Rocket 3.3火箭一級發動機起火爆炸［2］；而我國星際榮耀公司的雙曲線一號火箭的一級和三級發動機異常關機導致2次發射失利；快舟一號甲運載火箭因為發動機故障而發射失敗。

導致運載火箭發射失利的原因主要有3類［3］：分離系統故障、制導控制系統故障和動力系統故障。分離系統故障主要包括逃逸塔分離失敗、整流罩分離失敗、級間分離失敗與星箭分離失敗。制導控制系統故障包括執行機構卡死故障和控制系統開環故障。動力系統故障包括運載火箭發動機推力下降故障、異常關機、未成功點火、爆炸。上述故障按照故障的能量屬性可大致劃分為4類［4］：

1）非（微）能量故障包括制導控制系統部分信息錯亂、丟失等；

2）小型能量故障包括某級推力小幅下降且超過預期閾值、部分助推器未按預期時間分離等；

3）中型能量故障包括某級推力非預期大幅下降、執行機構部分卡死等；

4）大型能量故障包括火箭爆炸、某級推力完全喪失、執行機構完全卡死、級間未分離等。

以上4類故障除大型能量故障為致命故障外，其余均為非致命故障。盡管非致命故障不會導致箭體爆炸或解體等嚴重事故，但不及時采取救援措施將導致發射任務失敗。例如，2017年7月發射的長征五號火箭飛行至346.7 s后一臺發動機出現故障，火箭仍舊按照原有制導和控制方案飛行，導致二級飛行未能飛出大氣層，最終任務失敗。如果能及時調整制導和控制方案，則仍有可能在出現非致命故障時提升運載火箭的發射成功率。1964年，美國土星一號運載火箭在飛行117 s后，一臺發動機異常關機，通過調整運載火箭的飛行程序，利用剩下 7臺發動機進入原定軌道，最終完成了預設任務目標。2012年，Falcon 9運載火箭執行發射任務，在發射79 s后，其中一臺發動機發生故障關機，隨后通過在線軌跡重構使得運載火箭的載荷成功進入原定軌道，完成飛行任務。Falcon 9搭載的9臺發動機形成動力冗余架構，保證了飛行全程1臺發動機故障、飛行90 s后2臺發動機故障都不影響完成發射任務［4］。

盡管土星一號和Falcon 9火箭在發生推力下降故障情況下成功完成發射任務，但并不意味著它們具備制導律重構和容錯控制能力，因為上述火箭在設計時就增加了1臺發動機用來提供運載能力冗余，以確保動力系統故障后仍能將載荷送入原定軌道［4］。我國長征系列運載火箭由于發動機結構布局難以增加1臺發動機，運載能力冗余較小。隨著運載火箭載荷的不斷增大，通過增加發動機的硬件冗余方式已經無法應對非致命故障下的安全需求。因此，發展具有自主制導和容錯控制能力的方法以提高運載火箭的生存概率勢在必行。

本文從動力系統故障建模、自主制導和容錯控制3方面，系統地回顧了運載火箭動力系統故障下制導控制技術的進展，并結合人工智能技術進行了展望，總體框架如圖1所示。

圖1　運載火箭動力系統故障下制導控制技術進展概覽

1　動力系統故障模型

運載火箭非致命故障以動力系統推力下降、發動機擺角執行機構故障最為常見，主要考慮以上 2類故障的建模問題。

1.1　推力下降故障

運載火箭推力下降故障主要考慮2類故障模式［3］，運載火箭發動機推力下降為發動機額定推力的比例值和運載火箭發動機推力持續線性下降至一定推力值。第1種故障模式也稱為推力比例下降；第2種故障模式也稱為推力線性下降。2類故障如圖2所示。

圖2　運載火箭推力下降故障

1）推力比例下降模型

運載火箭發動機推力比例下降故障的數學模型如下：

式中：為飛行時間；為運載火箭發動機實際推力；0為發動機額定推力；1為發動機發生推力比例下降故障后發動機實際推力；1為發動機故障發生的時間。

2）推力線性下降模型

運載火箭發動機推力線性下降故障的數學模型如下：

式中：2為發動機發生推力線性下降故障后發動機實際推力大小；2為發動機推力線性下降故障的發生時間；3為發動機推力線性下降故障的穩定時間。

1.2　執行機構故障

運載火箭發動機擺角執行機構故障會影響發動機輸出擺角大小，進而影響運載火箭推力的大小和方向，導致軌跡和姿態控制失穩。擺角執行機構常見的故障主要包括卡死、松浮、損傷及飽和故障［5-6］，故障模型如圖3所示。

圖3　運載火箭執行機構故障［6］

1）卡死故障。卡死故障是指發動機擺角執行機構長期保持在某一非0位置，無法響應控制指令，但仍輸出常值擺角。

2）松浮故障。松浮故障是指執行機構發生松動，一直保持在0位置，無法響應控制系統指令。

3）損傷故障。損傷故障是指執行機構的控制增益發生變化，導致響應控制指令后產生偏差，導致控制性能降低。

4）飽和故障。飽和故障是指執行機構長期響應到正向或負向最大位置。此類故障中執行機構無法滿足控制指令需求。

運載火箭擺角執行機構故障模型如下：

式中：0為執行機構的0位置；max、min分別為執行機構的最大、最小值；c為正常情況下執行機構的輸出量；c1、c2、c3和c4分別為卡死、松浮、損傷和飽和故障下執行機構的輸出量；c1、c2、c3和c4分別為擺角執行機構發生卡死、松浮、損傷和飽和故障的時間。

1.3　運載火箭制導控制冗余能力

現役的運載火箭一般依賴動力系統硬件冗余和姿態控制系統的相位裕度來包容動力系統故障，但只適用于非能量故障和部分小型能量故障。以我國長征系列運載火箭為例，其制導控制系統主要由分系統級信息管理系統、控制系統冗余架構和制導控制算法構成，通過配置雙通道或三冗余總線、箭機、慣組等實現故障診斷和控制重構，由于缺乏全箭級的系統管理能力，只能應對故障引起的小偏差問題［7-9］。國外新型運載火箭（如太空發射系統SLS和Falcon系列火箭）配置了全箭級信息管理系統和魯棒性較強的制導控制算法，對于較大的推力下降故障和發動機擺角執行機構卡死、失效等故障，有一定的適應能力。國內外運載火箭制導控制系統性能對比見表1［8-10］。

表1　國內外運載火箭制導控制系統性能對比

由表1可知，國外運載火箭的優勢在于成熟的信息管理系統和制導控制算法，在硬件冗余方面和國內“長征”系列運載火箭差距不大。通過增加硬件冗余提升制導控制系統品質的方式已經基本到達上限，繼續增加硬件反而會使控制邏輯龐雜和運載能力下降，而發展更加自主、容錯的制導控制算法將在不增加硬件的情況下有效提升運載火箭的自主任務規劃和在線控制重構能力，是未來運載火箭發展的新方向。

2　動力系統故障下制導技術

運載火箭制導技術包括軌跡優化和制導算法。制導算法也稱制導律，用于生成運載火箭從地面轉移到目標軌道所需的制導指令，具有實時性和魯棒性，但不一定最優。軌跡優化算法通常不考慮飛行系統內部模型或參數的誤差以及外部擾動，經離線或在線計算得出滿足運載火箭上升、入軌約束條件的最優軌跡，等價于開環制導算法。在實際任務中，軌跡優化是制導的基礎環節，如為制導算法提供參考軌跡或直接作為制導律生成制導指令，因此本文對兩者不加區分，統稱為制導算法。

早期運載火箭以程序制導方案為主，通過姿態控制系統跟蹤離線規劃好的程序角實現飛行剖面控制。該方法屬于開環制導，無法根據飛行狀態實時更新程序角指令，自主性差。目前，運載火箭大多采用攝動制導和迭代制導的組合方案。在大氣層內，攝動制導將實際軌跡在參考軌跡附近取一階近似，然后根據制導精度和特定飛行狀態的誤差量設計反饋控制增益，使運載火箭盡可能飛行在參考軌跡附近［11］。在大氣層外，迭代制導將入軌位置和速度矢量作為約束條件，基于最優控制理論推導閉環解析解，逐漸消除攝動制導的誤差后實現精確入軌。攝動制導易于實現，對計算性能要求不高，但發生推力下降故障或外界干擾明顯時，運載火箭的飛行剖面將大幅偏離參考軌跡，無法滿足一階線性假設，進而使導引系數的修正能力飽和，并最終使運載火箭偏離目標軌道，甚至引發箭體失衡［12］。因此，提高制導系統應對動力系統故障的能力是當前制導技術的研究熱點之一。

2.1　間接法

間接法以最優控制理論為基礎，將最優軌跡優化問題轉變為兩點或多點邊值問題，然后求解。早在20世紀60年代，LAWDEN［13］基于最優控制理論得出了真空狀態下常值推力火箭入軌的最優推力方向和速度協態變量位于同一方向的結論，該結論也被稱為“主矢量”理論。CHANDLER等［14］基于平坦地球假設推導了解析的線性正切制導律，并進一步發展為迭代制導。目前，包括迭代制導、真空最優制導（Vacuum Optimal Guidance，OPGUID）和動力顯式制導（Powered Explicit Guidance，PEG）等方法已經成為運載火箭大氣層外制導的主流算法。隨著箭載計算機技術的發展，采用打靶法、有限差分法等數值方法求解兩點邊值問題成為可能［15］。CALISE等［16-17］將真空最優制導的解析作為大氣層內軌跡優化問題的同倫初值，采用配點法求解了對應的兩點邊值問題，能夠在線生成滿足過程約束的制導指令，同時也將該方法用于運載火箭發射逃逸軌跡的設計。DUKEMAN和GATH等［18-20］將這一方法擴展到包含滑翔過程的運載火箭上升制導中。PU等［21-22］和PAN等［23］則進一步結合有限差分和大氣密度同倫技術對CALISE的工作［16-17］進行提高，實現大氣層內助推-滑翔上升和大氣層外入軌全過程的在線軌跡優化與閉環制導。HANSON等［24］從路徑約束滿足情況、計算量等方面定量評估了基于間接法的運載火箭制導律，結果表明，真空最優解可作為大氣層內閉環制導的初始猜測值，縮短了發射準備時間，并滿足過載、動壓、入軌條件等約束，且具備應對動力系統非致命故障的潛力。但是間接法應用于在線軌跡或制導指令生成時的收斂性和穩定性有待提高。

為提高動力系統故障下運載火箭的安全性和成功率，近年來研究人員對間接法進行了改進。 湛康意等［25］針對推力下降故障，設計了以入軌點高度為自變量的特征量函數來評估運載火箭剩余入軌能力，并采用真空最優制導算法實現目標軌道和救援軌道的入軌，但僅固定了目標軌道傾角，沒有考慮升交點赤經約束。李文清等［26］基于迭代制導算法，分析了不同推力下降故障發生時運載火箭的剩余入軌能力。韓雪穎等［27］則進一步采用迭代制導算法構建了運載火箭推力下降故障軌跡數據庫，通過遙測數據判斷是否修改迭代制導算法的發射諸元來進入救援軌道。WANG等［28］為了確定助推-滑翔-助推運載火箭進入預定目標軌道的故障狀態集，提出了一種基于迭代制導和牛頓法的轉移軌道快速重規劃方法，將復雜的多段軌道規劃問題轉化為轉移軌道搜索問題，可快速求解。

2.2　偽譜法

偽譜法是將狀態量和控制量在全局正交節點上離散，從而把最優控制問題轉化為參數優化問題，再采用非線性規劃算法求解。該方法具有處理約束能力強、收斂精度高的特點，在2000年前后大規模應用于航空航天軌跡優化和制導領域。在運載火箭軌跡優化方面，RAO等［29］基于偽譜法開發了軌跡優化軟件GPOPS，并求解了多級運載火箭大氣層內發射的問題。MA等［30］采用自適應偽譜法研究了多級運載火箭不同故障程度下的在線軌跡重規劃方案。LIU等［31］為提高Gauss偽譜法的計算效率，提出了初值-終值迭代方法，將不考慮性能指標的最優解作為燃耗最優問題的初始猜測值，該方法有效地提升了最優軌跡計算效率，但仍無法實現在線軌跡優化。馬林［32］采用自適應Gauss偽譜法求解了運載火箭六自由度軌跡優化問題。王志祥［15］以故障時刻的飛行狀態為初值，結合助推段飛行終端約束，采用Gauss偽譜法完成了最優軌跡重構。但該方法無法保證任何故障狀態下運載火箭仍能進入目標軌道，且軌跡優化時間不符合在線軌跡重構要求。張志國等［33］采用C語言版SNOPT求解器，通過調整Gauss偽譜法的節點數目和制導周期，在滿足入軌精度和終端約束的同時提高了計算效率，滿足了在線軌跡規劃需求，但節點數目和制導周期的確定依賴前期大量仿真，通用性和自主性較差。HE等［34］為解決推力下降故障下運載火箭無法入軌的問題，基于自適應配點法離線生成了故障下的最優救援軌道和上升軌跡，使用深度神經網絡映射故障狀態與最優救援軌道根數和終端控制變量的關系，確定不同故障狀態下應進入的救援軌道，最終采用自適應配點法完成上升軌跡重構。

目前，偽譜法的發展已不再局限于直接配點法的思路。FARHOO等［35］和YAN等［36］提出了只需要進行簡單矩陣運算便可以獲得跟蹤制導指令的間接偽譜法。隨后TIAN等［37］和LIAO等［38］等分別將間接Legendre偽譜法和間接Radau偽譜法用于大氣再入跟蹤制導。同時，經典偽譜法也常常和滾動時域控制結合，用于設計運載器大氣再入跟蹤制導律。此外，YANG等［39］和RAHMAN等［40］等也開發了不依賴參考軌跡的偽譜模型預測制導算法，實現了大氣層外運載火箭自適應制導，將有望應用于推力下降故障場景。MA等［41］采用投影牛頓型方法改進了并行牛頓型制導方法，并將其用于在線求解運載火箭動力下降故障下時間自由軌跡重規劃問題。盡管間接偽譜法和基于經典偽譜法的模型預測控制算法在運載火箭軌跡優化方面應用較少，但大氣再入和上升2類場景互為逆過程，因此該思路也可推廣到運載火箭制導領域。

2.3　凸優化方法

凸優化方法通過凸松弛、無損凸化等手段，將非凸優化問題轉化為凸問題求解，由于凸優化理論具有理論全局最優性和多項式計算復雜度的優勢，在飛行器軌跡優化和制導領域得到了廣泛關注。美國國家航空航天局（National Aeronautics and Space Administration，NASA）和太空探索技術公司為Falcon 9火箭垂直著陸開發的制導算法G-FOLD就采用了凸優化方法［42］。CHENG等［43］在研究火箭最優上升制導問題時采用Newton-Kantorovich迭代法對系統動力學進行線性化，再使用序列凸優化法進行求解，同時給出收斂性證明，算法計算耗時約 2～3 s。王嘉煒等［44］在CHENG研究成果的基礎上向性能指標中加入鄰近規則化項，采用Proximal-Newton-Kantorovich迭代法對動力學進行線性化，計算效率進一步提高到1 s。SUN等［45］在序列凸優化方法的基礎上，引入了收縮信賴域策略，提高了算法求解效率，但只求解了運載火箭在彈道平面內的上升制導問題。ZHANG等［46］考慮了火箭上升過程中的阻力，采用序列凸優化方法求解了發射平面內的上升軌跡。BENEDIKTER等［47-48］結合序列凸優化和同倫策略，提出了用于解決運載火箭大氣層內時間最優軌跡優化問題的凸優化算法。李敏等［49］將火箭制導控制一體化動力學模型反饋線性化，從而將非凸軌跡跟蹤問題轉化為凸優化問題，并在模型預測控制框架下實現魯棒制導，但只研究了彈道平面內的跟蹤制導問題。近期，偽譜凸優化憑借更高的計算精度和計算效率得到關注。在運載火箭軌跡優化方面，王洪波等［50］采用LGR偽譜凸優化方法，并將滑行時間增廣為控制變量，解決了固體燃料運載火箭入軌制導的點火時間不確定問題。

此外，李師堯等［51］將二維簡化模型下的優化結果作為推力故障下軌跡重構問題的初值，通過凸優化求解了燃耗最優的最高圓軌道或橢圓軌道。 宋征宇等［52］在故障時估計地心角和凸優化計算最高圓軌道，并將其作為自適應偽譜法的初值，進一步求解不含地心角約束的最高圓軌道用于決策是否調整軌道根數。LI等［53］結合無損凸優化和序列凸優化方法，求解了推力下降故障下運載火箭軌跡優化問題，使運載火箭進入最優或次優軌道。 LI等［54］進一步提出間接凸優化方法，但只適用于大氣層外軌跡優化。MIAO等［55］引入虛擬控制量來彌補推力故障導致的火箭加速度損失，通過求解凸優化問題來判斷推力故障下運載火箭是否能進入目標軌道。SONG等［56］為解決推力下降情況下運載火箭目標軌道與飛行軌跡的在線聯合優化問題，提出了狀態觸發指標以提高求解效率，包括用于計算推力下降時軌道面內最高圓軌道、橢圓軌道的最優高度指標，以及尋找非共面最高橢圓軌道的最小軌道平面偏差指標，進而構造了近似子問題來初始化凸優化算法，使得最優軌跡收斂于最優或次優解，避免了推力下降導致軌跡重構問題無解。

2.4　啟發式方法

啟發式方法通過模擬物理或生物規律實現問題尋優，主要包括模擬退火算法、粒子群算法、遺傳算法、哈里斯鷹算法、鯨優化算法等。由于發展較早，已有大量文獻將啟發式算法用于運載火箭軌跡優化。羅亞中等［57］為二級運載火箭提出了基于軌道分解優化和遺傳算法（Genetic Algorithm，GA）的太陽同步軌道任務發射軌跡設計方法。胡凡等［58］將自適應遺傳算法優化的結果作為序列二次規劃的優化初值，以起飛質量為目標函數，研究了固體燃料運載火箭軌跡和參數一體優化的問題。楊希祥等［59］通過改進控制參數和引入函數拉伸策略，對粒子群算法進行了改良，并求解了固體燃料運載火箭上升段程序角優化問題，同時闡述了智能算法在飛行器軌跡優化中的應用。張柳等［60］改進了PSO-Powell算法的參數設置，并引入增廣拉格朗日乘子處理運載火箭上升段的過程約束，取得了良好的效果。高哲等［61］將最大有效載荷作為優化目標函數，研究了罰函數法、粒子群算法和Powell法在多級固體燃料運載火箭軌跡優化問題中的性能。李曉蘇［62］采用多目標啟發式算法對運載火箭軌跡規劃問題進行研究，從算法的計算時間、收斂性和收斂速度等方面進行分析評估。根據現有研究可知，啟發式算法一般用于運載火箭發射前總體參數和參考軌跡的優化，在應對動力系統故障方面作用不大。

2.5　不確定性方法

有別于確定性優化問題，不確定性優化問題考慮了系統參數、初始條件等因素的誤差，研究系統在誤差條件下的演化。主要的不確定性優化方法包括魯棒優化、協方差分析、系統靈敏度理論、不確定性量化等。ROSE等［63］將線性協方差技術應用于動力顯式制導，開發了快速確定軌跡控制誤差、推進劑偏差、入軌偏差、導航誤差，以及傳感器誤差、執行器不確定性和隨機干擾靈敏度的仿真工具，可用于多級運載火箭發射前任務分析。倪彧祺［64］在考慮運載火箭模型參數不確定性的情況下使用協方差矩陣方法設計了閉環制導律，有效抑制了模型參數誤差對入軌精度的影響。SHEN等［65］基于系統靈敏度理論提出了脫敏最優控制，通過引入微分黎卡提方程實現了火箭在各類不確定性條件下的垂直閉環著陸，該算法可推廣到運載火箭上升軌跡優化和制導問題中。ZHANG等［66］分析了模型參數、外界干擾等不確定性因素對運載器軌跡優化的影響，并采用基于靈敏度非線性規劃求解器sIPOPT的Gauss偽譜法求解了運載器軌跡優化問題。但是非確定性優化方法很少考慮動力系統非致命故障。

2.6　制導技術小結

綜上所述，現有制導方法的總結見表2。

表2　制導方法性能對比

目前，自主制導是運載火箭動力系統故障下制導技術的研究熱點，該方法根據飛行狀態實時規劃滿足后續過程約束和終端條件的飛行軌跡，并生成當前制導指令。自主制導可以處理復雜、時變的非線性約束，具有很強的適應性和魯棒性。通常，具有同一概念的方法也被稱為計算制導、在線軌跡優化、自主任務規劃、自適應最優制導、端對端規劃、容錯制導等［52］，但自主制導對于制導律的計算效率和可靠性有較高的要求，因此提高算法的計算效率和收斂性是后續發展運載火箭動力系統故障下制導技術的關鍵。

3　動力系統故障下控制技術

運載火箭發動機推力下降，或者擺角執行機構卡死、飽和、損傷等故障時容易導致運載火箭姿態控制系統的控制精度下降，而未建模或建模不充分的彈性震動和液體晃動可能覆蓋控制指令，因此要求運載火箭姿態控制系統具備容錯和抗干擾能力。為避免動力系統故障給運載火箭姿態控制系統造成嚴重影響，通常采用硬件冗余和解析冗余方案提高運載火箭姿態控制系統的性能。硬件冗余是指在設計姿態控制系統時額外增加若干個機構，當部分機構發生故障時剩余的機構仍能保證控制系統穩定［67］。解析冗余則通過設計恰當的控制器，最大限度地利用控制能力，提高姿態控制系統應對故障的能力。硬件冗余只需要在發生故障時啟用備份硬件即可，對控制器的設計沒有特殊要求。解析冗余又稱主動冗余或容錯控制，根據故障信息來改變控制器參數或結構，從而充分利用系統控制能力實現故障在線補償。目前，運載火箭動力系統故障補償成功案例基本上都是基于動力系統硬件冗余實現的，即關閉故障發動機后對其他并聯發動機進行調節，以補償發動機故障造成的推力減少和推力方向偏差。但運載火箭的發動機和執行機構等硬件冗余已經達到上限，難以通過繼續增加冗余度來提高制導控制品質，因此，解析冗余是當前研究的重點。

解析冗余的實現方式較多，根據是否需要準確的故障信息，可將解析冗余方法分為2類：1）依賴在線故障診斷信息對系統控制力矩進行重構，使得系統在故障情況下仍能保持高精度穩定，該方法根據故障信息主動調整了控制律，也被稱為主動容錯控制；2）不依賴精確的故障信息，而是通過自適應或魯棒策略，根據故障下狀態量的變化情況進行控制律參數在線調節，從而保持控制系統穩定，也被稱為被動容錯控制［6］。因此，運載火箭控制技術的研究方向主要包括故障診斷技術、控制力矩重構技術，以及被動容錯控制技術。此外，鑒于控制模型中未建模動態給姿態控制系統造成的干擾，控制系統對箭體震動的抑制技術也是研究的重點。

3.1　故障診斷技術

故障診斷技術是火箭發動機健康管理系統的核心，是基于數據、知識和模型的故障診斷算法，用于飛行、試車和試車后的發動機故障診斷與分析［68-69］。對于飛行過程中發生的動力系統故障，由于運載火箭難以測量全部信號且地面測控系統也無法及時處理回傳信號，因此自主故障診斷技術非常重要。

自主故障診斷系統應具備自主故障檢測、估計和定位能力，其中故障檢測和估計反映了故障是否發生以及嚴重程度，故障定位則需要確定故障的位置并將其從控制系統中隔離［70-72］。常用的自主故障診斷方法是基于冗余信息的處理與自檢測技術，主要依據交叉檢查、一致性檢查、表決機制等策略，已經得到實際應用。

基于知識和數據的方法受限于箭上計算能力而發展較慢。目前，自主故障診斷主要依賴基于模型的算法［69］。自主測試工程師（Knowledge-based Autonomous Test Engineer，KATE）方法是基于模型的算法之一，該方法建立發動機的標稱模型和故障模型，通過數學仿真發現和定位故障。隨著控制理論的發展，基于濾波器、系統辨識和最優化等方法的故障診斷方法逐漸發展起來。符文星等［73］基于簡化的運載火箭6自由度模型，在擴展卡爾曼濾波中引入時變遺忘因子，實時調整狀態預測誤差協方差矩陣的大小，從而調整濾波器增益矩陣以提高濾波器對推力突變故障的適應能力。在此基礎上，ZHANG等［74］則通過擴展卡爾曼濾波計算俯仰角速度的殘差，采用靈敏度分析方法確定殘差和推力下降比例之間的關系式，并根據箭體法向過載信息確定故障發動機位置。葉松等［70］在此基礎上采用滾動二次規劃方法代替最小二乘方法估計了推力下降的程度。CHEN等［75］則基于運載火箭模型，使用跟蹤微分器估計故障情況下角加速度，通過對比故障下和非故障下的角加速度來判斷是否發生故障，并引入帶有遺忘因子的最小二乘算法和加速度信息實現推力下降故障程度和位置的估計。CHA等［76］建立液體燃料發動機的非線性模型，結合擴展卡爾曼濾波和無跡卡爾曼濾波設計了多模型濾波器用于檢測發動機故障。LEE等［77］為進一步實現發動機穩定工作情況下的故障，將發動機模型線性化，基于卡爾曼濾波、閾值測試、白度測試、廣義似然比測試和多模型方法設計了故障診斷算法，能夠快速準確地定位發動機渦輪效率下降故障。孫成志等［78］基于神經網絡和證據理論，采用徑向基神經網絡建立火箭視加速度、角速度和故障類型矩陣的映射關系來完成火箭發動機故障診斷，隨后基于D-S證據理論融合故障診斷結果，并通過擴展卡爾曼濾波完成火箭飛行狀態特征量估計，確定運載火箭推力下降比例或執行機構是否卡死。王碩等［79］聯立角速度和視加速度的狀態方程，構造了卡爾曼濾波的測量方程，采用帶有遺忘因子的最小二乘算法估計了推力下降程度，算法具有一定魯棒性。趙萬里等［80］為解決某型液體燃料火箭發動機的實時故障診斷問題，基于現有發動機模型和傳感器數量，設計了一種遞歸結構識別算法。該方法采用自適應學習網絡建立了傳感器輸出信號和發動機響應量之間的最優預測模型，若預測響應和實際響應的誤差超過閾值，則判斷發動機發生故障，再根據平均絕對誤差完成故障定位，算法在FPGA和DSP雙系統平臺上部署后可在 6 ms內診斷出發動機流量衰減故障。

3.2　控制力矩重構技術

控制重構技術是根據故障信息對控制器的參數或結構進行在線調整，可以充分利用系統的控制能力來減小甚至消除動力系統故障的不良影響。在航空航天領域，控制重構技術主要用于衛星姿態噴管故障重構、飛機或運載器氣動舵面故障重構。控制重構技術主要有廣義逆、線性規劃、二次規劃、凸優化、神經網絡等方法［15，67，81］。尹彪等［82］針對運載火箭發動機擺角發生卡死故障，對擺角進行重新分配后實現了控制力矩重構，但沒有考慮擺角速率和擺角幅值等約束。黃盤興［67］以重構力矩誤差為目標函數，構造了二次規劃問題，采用不動點迭代法進行求解，相比經典偽逆法可以避免執行機構飽和。孟洲［81］將芯級和助推級進行聯合分配，通過廣義逆法實現控制力矩重構，避免了運載火箭執行機構卡死導致的姿態失穩。李鑄［83］將重構力矩誤差最小問題松弛為一個凸優化問題，采用凸優化方法求解，滿足控制約束的同時保證誤差最小，但計算效率有待提高。

進一步采用神經網絡建立了故障程度和重構最優解之間的映射網絡，實現在線重構。馮昊等［84］基于故障補償思想，開展了執行機構卡死故障下的大推力運載火箭控制分配研究，但未考慮執行機構的幅值和速率飽和。程堂明等［85］采用線性規劃控制方法進行運載火箭擺角分配，系統容錯性能提高，但該方法計算耗時較長。余光學等［86］通過引入非負松弛變量，將等式和不等式約束統一為等式約束，將發動機擺角控制分配問題轉化為線性規劃問題求解。ZHANG等［87］針對推力下降故障下運載火箭姿態跟蹤控制問題，提出了結合級聯偽逆分配方法和神經元自適應增益調度方法的兩級控制力矩重構方案，同時針對一些典型的故障場景，提出了基于控制狀態可達性的故障系統重構方法，該控制重構策略能有效地處理推力損失故障，實用性較好。于海森等［88］將運載火箭控制力矩重構問題描述為約束二次規劃問題，并采用基于Armijo搜索準則和BFGS算法相結合的控制分配算法進行求解，該方法在單臺發動機故障下具有良好的姿態控制精度。WEI等［89］基于自適應非奇異快速終端滑模控制律，提出了一種基于加速Landwber迭代的控制分配算法，根據執行機構的有效增益以及執行機構當前位置到相應飽和極限的距離來確定控制比例分配，同時將過飽和指令在正常執行機構之間進行再分配，可用于執行機構發生故障時對控制器進行在線重構。綜上所述，控制力矩重構多采用基于優化的策略，通過優化發動機擺角來實現重構力矩誤差最小。該策略能夠處理擺角幅值、擺角速率等約束條件，因而得到廣泛關注，但計算效率有待提高。

3.3　被動容錯控制技術

被動容錯控制技術在運載火箭姿態控制技術領域發展較快，主要方法有自適應控制、魯棒控制、滑模控制、模型預測控制等［6］，但現有研究大多考慮干擾、模型參數或結構不確定性對控制系統性能的影響，而很少研究執行機構故障問題。典型的運載火箭被動容錯控制系統是NASA為太空發射系統（Space Launch System，SLS）開發的自適應增廣控制（Adaptive Augmented Control，AAC）方法［90-92］，該方法根據MH-90等飛機的自適應駕駛系統開發，結合了PID控制和自適應技術。當運載火箭處于標稱飛行狀態且外部干擾較小時，由PID控制器單獨控制，而當外部環境對火箭產生明顯干擾，導致模型結構或參數發生較大改變時，自適應控制將通過系統辨識方法修改模型，并聯合PID控制器調整控制指令，因對控制系統中未知或未建模動態、非線性和環境干擾具有很好的魯棒性［6，93-94］。NASA從2012年開始系統測試自適應增廣控制技術在運載火箭控制系統中的應用效果，先后開展了數值仿真、F-18飛行測試和全面安全性評估，測試結果表明，AAC方法對于閉環不穩定情況具有抑制作用，具有從低控制性能中恢復、防止或減少火箭控制系統失效的能力，有效地增強了系統的穩定性和魯棒性［90-92］。目前，AAC方法已經用于SLS的無人飛行測試。TROTTA等［95］對AAC方法進行了改進，提出采用魯棒優化方法替代AAC的參數整定工作，分別采用基于遺傳算法和Min-max策略對這一魯棒優化問題進行求解。仿真結果表明，運載火箭在故障和干擾情況下的姿態穩定概率達到94%。 崔乃剛等［97］為自適應增廣控制增加了干擾補償回路和主動減載回路，明顯提高了運載火箭在內部參數、外界風干擾和彈性震動影響下的適應能力。

除AAC方法之外，LEFEVRE等［91］針對Ares-I火箭的彈性抑制問題，設計了基于誤差四元數和神經網絡的自適應PID控制器，當推力下降10%時取得比傳統增益調度和PID控制律更好的跟蹤效果。梁小輝等［98］采用自適應和滑模變結構控制，設計了容錯控制律，保證了運載火箭發動機擺角執行機構發生故障時姿態跟蹤誤差有限時間收斂，同時結合了自適應動態規劃方法對姿態跟蹤誤差進行補償。ZHANG等［99］設計了固定時間擴張狀態觀測器（Fixed-Time Extended State Observer，FxTESO），用以估計運載火箭姿態跟蹤誤差的導數和外界干擾，結合具有自適應增益的非奇異快速終端滑模方法（Nonsingular Fast Terminal Sliding Mode Scheme，NFTSMS）提出了一種自適應容錯控制方案，該方案對多種干擾和柵格翼的執行器故障都具有魯棒性。馬艷如等［100-101］考慮干擾和執行器故障，采用非奇異終端滑模方法解決了運載火箭姿態系統跟蹤問題，獲得了較好的抗干擾和故障容錯能力，并使用自適應徑向基神經網絡逼近外界干擾和內部故障造成的力矩增減量，進而對控制力矩指令進行補償，避免姿態跟蹤誤差因干擾和執行機構故障而發散。朱海洋等［72］針對運載火箭推力下降或執行機構卡死等故障，提出了構建基于RBF神經網絡的在線辨識模型，并結合滑模變結構控制設計了基線控制器對故障模型和干擾進行辨識和補償，實現建模偏差較大、單臺執行機構卡死和芯級單臺發動機推力下降多種故障工況下姿態控制系統的穩定。蘇秀健［102］針對發動機執行機構卡死故障，采用二次規劃方法進行擺角重構，結合自適應L1控制器提高了控制系統的穩定性。孫慧杰［103］針對運載火箭擺角輸出受限或卡死的情況，采用L2增益干擾滑模控制器進行故障抑制，避免了控制飽和導致的箭體姿態不穩定。ZHAO等［104］考慮未知外部干擾、動力學建模誤差、執行機構故障和執行機構約束的情況，通過輸入輸出反饋將運載火箭姿態動力學表述為二階輸入輸出系統，使用廣義比例積分（Generalized Proportional Integral，GPI）觀測器對系統的狀態和廣義擾動進行估計，同時引入非線性積分滑模流形進行魯棒容錯滑模控制器設計，使該控制方案在面對執行機構故障和執行機構約束時具有良好的姿態跟蹤性能。

3.4　震動抑制技術

由于測量得到的角度和角速度信號含有運載火箭的彈性震動和液體晃動信號，進而影響控制精度。如果運載火箭的彈性震動和液體晃動信號過大，將導致控制信號被覆蓋，進而無法穩定箭體姿態，因此工程型號中通常采用陷波器抑制箭體彈性震動信號。如ORR等［90］通過線性濾波器實現太空發射系統橫向彎曲和晃動的相位穩定。TROTTA等［95］為了增強對彈性模態參數變化的魯棒性，為自適應增廣控制集成了自適應陷波濾波器，以保證一階彈性模態的相位穩定。LEFEVRE等［96］為避免箭體彈性震動信號影響姿態跟蹤精度，在反饋控制回路中引入了濾波器，降低了彈性震動的影響。自適應濾波器的核心是震動頻率辨識，主要有時域法和頻域法［6］。時域法通過迭代或遞歸的方式來自適應更新陷波器參數，從而實現震動辨識，主要有陣列辨識法和模型辨識法等。但時域法運算量大、辨識參數精度不高。頻域法通過傅里葉變換及插值方法將系統變換到頻域內，然后采用極點配置自校正等方法進行陷波器設計。

1）時域法

范軍朋［105］為辨識箭體彈性震動頻率，基于遞推最小二乘法設計了自適應陷波器。ZHAO等［104］為消除彈性模態的影響，采用自適應陷波器處理角度和角速度的量測信號。趙小平等［106］結合參數投影技術和μ綜合法設計了自適應魯棒∞控制器，以應對大型運載火箭飛行參數不確定性和彈性震動明顯的情況。劉昆等［107］基于Steiglitz-McBride方法（SMM）設計了自適應濾波器抑制彈性震動信號。ZHANG等［99］基于SMM設計了自適應震動頻率識別算法，并采用自適應IIR濾波器對火箭各階震動頻率進行識別，同時設計了相應的校正網絡。張晉［108］設計了基于量子遺傳算法的彈性震動抑制網絡。

2）頻域法

CHOI等［109］提出將陷波器極點保持在平面單位圓內并對參數進行自適應調整，可滿足單參數濾波器始終穩定，保證濾波收斂，同時對彈性彎曲信號的抑制作用良好。KHOSHNOOD等［110］為解決箭體的震動濾波問題，基于模型參考自適應理論設計了陷波器，確保了姿態控制系統的閉環穩定。ELMELHI［111］采用徑向基神經網絡積分器替換了經典自適應陷波濾波器的頻率跟蹤積分器，從而擴大了經典自適應濾波器的跟蹤范圍，保證閉環系統在大頻率彈性震動情況下仍能保持有效增益。CHOONG等［112］將運載火箭的平面運動簡化為剛體俯仰運動與彈性震動耦合模型，通過自適應更新陷波器的參數，地面試驗表明，該方法可以實現運載火箭的姿態穩定。張志健等［113］基于插值離散傅立葉變換設計了自適應陷波方法，以防止固定系數陷波器處理低頻震動信號時導致的相位滯后問題。

3.5　控制技術小結

運載火箭動力系統故障主要是運載火箭推力下降和執行機構卡死，實現故障下的容錯控制是運載火箭姿態控制的關鍵之一。隨著運載火箭的大型化和復雜化，姿態控制系統的震動抑制能力也很重要。根據調研結果，自主故障診斷、控制力矩重構、陷波器3類技術的特征對比和總結分別如圖4、表3和表4所示，而各類被動容錯姿態控制方法在干擾、誤差等不確定條件下的研究較為成熟，但對運載火箭動力系統故障的容錯性能有待進一步研究。

圖4　自主故障診斷方法性能對比

表3　控制力矩重構方法對比

表4　陷波器設計方法對比

4　人工智能技術的應用前景

航天事業的快速發展對運載火箭的安全性、可靠性和速度提出了新的要求，但傳統的運載火箭制導控制技術需要大量的發射前準備工作，并且任務適應能力單一，難以適應未來復雜多變的發射任務和飛行工況。隨著人工智能技術在控制領域的應用發展，采用人工智能技術解決傳統制導控制技術難以克服的問題成為可能。目前，北京航天自動控制研究所提出了“會學習”的運載火箭概念，如圖5所示，包括“邊飛邊學”和“終身學習”兩大特征［114-115］。其中，“邊飛邊學”要求運載火箭充分利用箭上資源，在飛行過程中通過先進的控制理論和機器學習等技術實現飛行狀態和環境參數在線辨識、運載和控制能力在線評估、目標在線變更、軌跡在線重新規劃、控制力矩在線重構等功能，具備任務快響應、環境強適應、飛行自學習的特點。“終身學習”要求基于大數據等技術充分挖掘運載火箭全生命周期數據，完成智能建模、智能模型修正方案以及參數智能優化等工作，實現運載火箭制導控制系統的自我學習、優化更新和遷移推廣。

圖5　“會學習”的運載火箭概念

4.1　在自主制導方面的應用

人工智能方法在自主制導方面主要有2項應用：1）使用神經網絡學習最優軌跡數據庫，為任務目標軌道在線規劃進行決策；2）采用基于強化學習等策略進行軌跡優化，但該方法的實時性有待提高。張榮升等［117］通過程序角優化構建了推力下降故障下運載火箭最優彈道數據庫，并采用神經網絡建立了推力下降故障與程序角之間的映射關系，使運載火箭在發生推力下降故障時能夠在線估計剩余運載能力和重構程序角。HE等［34］采用由概率神經網絡和基于故障救援知識訓練的徑向基函數神經網絡組成的故障救援知識集成模型，來確定最優救援軌道。林子瑞等［3］針對運載火箭推力下降時無法正常入軌的問題，采用局部配點法建立推力下降故障下燃耗最優軌跡數據庫，采用人工神經網絡建立推力下降故障與入軌能力之間的映射關系，使運載火箭出現推力下降時實現入軌能力在線評估與決策，提高了發射任務的成功率。譚述君等［118］采用離線優化方法，建立各類故障下的“故障狀態-救援軌道”樣本集，采用徑向基神經網絡學習數據庫得到入軌決策網絡，并用于運載火箭在線軌跡重構。CELIS等［119］提出了基于神經網絡的非線性混合算法，采用神經網絡進行導航傳感器數據融合以及動力學模型的學習。蒙特卡洛仿真表明，該方法在閉環制導中對發射任務、傳感器性能、大氣和推力偏差具有很高的魯棒性。此外，國際制導控制專家IZZO等［120］闡述了人工智能方法在衛星控制、火箭垂直著陸、火箭制導等方面的應用和前景。CHENG等［121］和GAUDET等［122］分別采用深度神經網絡和深度學習方法實現了小行星3自由度和6自由度著陸制導。陳書釗等［123］等提出了狀態預測神經網絡控制方法，完成了小型火箭垂直回收試驗。

4.2　在故障診斷方面的應用

人工智能技術在運載火箭故障診斷領域應用較早，常用于地面測控系統對動力系統故障的監測、診斷和分析工作。例如，美國成熟的火箭發動機健康管理系統（Health Management System for Rocket Engine，HMSRE）中應用結構辨識神經網絡，以及時間序列分析和長短時記憶神經網絡［68］。在國內，李輝等［124-126］基于故障樹和人工神經網絡開發了運載火箭故障診斷軟件，可實現發動機故障診斷和故障數據庫更新。黃強等［127］開發了基于過程神經元網絡、自適應神經模糊推理系統等技術的發動機地面試車故障檢測和診斷系統。深度學習［128-129］、遷移學習［130-131］等網絡也被用于發動機啟動和穩態運行情況下的故障診斷和監管。但人工智能技術用于在線故障診斷的案例較少。YU等［132］為實現液體燃料火箭發動機的實時故障檢測，提出了一種利用自適應遺傳算法優化BP神經網絡的實時故障診斷方法，將神經網絡的預測值與實際收集的數據進行比較，并使用閾值判斷機制確定發動機是否有故障，該算法具有較高的故障靈敏度和系統魯棒性。XU等［133］采用量子遺傳算法對BP神經網絡參數進行優化，實現了液體燃料火箭發動機故障檢測，在液體燃料火箭發動機典型故障檢測仿真中，比傳統BP神經網絡和單一遺傳算法的故障檢測精度提高。

4.3　在容錯控制方面的應用

容錯控制方面，主要依賴各類新型神經網絡開發具有干擾補償和故障辨識能力的觀測器，或者使用機器學習算法對現有容錯控制律進行學習，設計具有故障自適應能力的容錯控制器。CHEN等［134］針對運載火箭執行機構故障，研究了基于記憶增強神經網絡（Memory-Augmented Neural Networks，MANN）的智能自適應容錯控制，設計了二階擾動觀測器實現對時變擾動的精確估計和補償，并引入MANN作為在線逼近器來抑制未知非線性的不利影響。同時，提出了自適應律來實現對執行機構故障的快速響應和MANN權值的更新。LI等［135］采用深度神經網絡學習了推力下降故障下的偽逆分配數據，仿真表明，實際控制力矩能夠很好地跟蹤所需的控制力矩。SCLAFANI等［136］考慮建模不確定性、彈性動力學、燃油晃動和不穩定空氣動力學等內外因素，結合憶遞歸神經網絡和PID控制器提出了一種自適應控制策略，用于改善運載火箭的姿態控制品質。相比采用前饋神經網絡和循環神經網絡的PID控制器，該方法對控制系統不確定性和故障的容錯能力更強。DUAN等［137］根據運載火箭姿態控制數據，采用無模型自適應控制（Model-Free Adaptive Control，MFAC）設計了運載火箭姿態控制律，對運載火箭載荷擾動有較好魯棒性。黃旭等［138］建立了火箭頻域分析和參數設計模型，采用雙深度Q學習（Double Deep Q-Network，DDQN）算法，通過記憶回放和時間差分選代的方式，調整馬爾可夫鏈模型來學習參數，最終得到的參數成功用于運載火箭姿控系統。

5　結束語

現役運載火箭的制導控制系統在建模時很少考慮動力系統非致命故障，并且算法對動力系統非致命故障的容錯能力也有限，導致運載火箭難以適應推力下降和執行機構失效等動力系統故障。隨著先進的控制理論的發展和人工智能技術的成熟，運載火箭應以軟件為發展方導，研發具有自主決策和重構能力的智慧制導控制系統：

1）在制導方面，依托高性能箭機設備、最優化理論、人工智能等技術發展具備運載能力評估、任務目標規劃和在線軌跡規劃能力的自主制導算法，以彌補運載火箭飛行過程中地面指揮系統無法及時響應的缺點，增強運載火箭的自主能力。

2）基于先進的控制理論，提高現有主動、被動容錯控制方法和震抑制方法的控制品質，并結合機器學習理論發展具有工程可行性的智能控制策略，保證故障下箭體姿態穩定。

3）利用數據挖掘技術，充分發掘現有大量地面測試和飛行數據的價值，通過自學習的方式從現有數據中提取新的故障診斷和制導控制策略，實現箭體軟件系統升級換代。

［1］ 曲晶，張綠云.國外火箭發射及故障情況統計分析［J］.中國航天，2016（2）：13-18.

［2］ 劉秉.美國阿斯特拉太空公司AstraRocket3.3火箭發射故障分析［J］.中國航天，2021（9）：32-37.

［3］ 林子瑞，葉松，劉旭，等.運載火箭推力下降時入軌能力評估與軌跡重構方法［J］.吉林大學學報（工學版），2022（3）：1-12.

［4］ 常武權，張志國.運載火箭故障模式及制導自適應技術應用分析［J］.宇航學報，2019（3）：302-309.

［5］ ZHANG L， WEI C， LIANG J， et al. Heavy lift launch vehicle technology of adaptive augmented fault tolerant control［C］// 2016 IEEE Chinese Guidance， Navigation and Control Conference （CGNCC）. Washington D.C.， USA： IEEE Press， 2016： 1587-1593.

［6］ 張亮.重型運載火箭自適應控制方法研究［D］.哈爾濱：哈爾濱工業大學，2019.

［7］ 李學鋒.運載火箭智慧控制系統技術研究［J］.宇航總體技術，2018，2（2）：43-48.

［8］ 宋征宇，吳義田，徐珊姝，等.長征八號：長征火箭系列商業化與智慧化的先行者［J］.深空探測學報（中英文），2021，8（1）：3-16.

［9］ 楊岫婷，蘇磊，權赫，等.新一代大型運載火箭控制系統全數字動態重構技術［J］.導彈與航天運載技術，2021，7（5）：71-77.

［10］ 李平岐，李東，楊虎軍，等.長征五號系列運載火箭研制應用分析及未來展望［J］.導彈與航天運載技術，2021，7（2）：5-8.

［11］ 宋征宇，潘豪，王聰，等.長征運載火箭飛行控制技術的發展［J］.宇航學報，2020，41（7）：868-879.

［12］ 宋征宇，鞏慶海，王聰，等.長征運載火箭上升段的自主制導方法及其研究進展［J］.中國科學：信息科學，2021，51（10）：1587-1608.

［13］ LAWDEN D F. Optimal trajectories for space navigation［M］. Singapore： Butterworth & Co.Ltd.， 1963.

［14］ CHANDLER D C， SMITH I E. Development of the iterative guidance mode with its application to various vehicles and missions［J］. Journal of Spacecraft and Rockets， 1967， 4（7）： 898-903.

［15］ 王志祥.推力下降故障下運載火箭軌跡在線生成與姿控系統重構［D］.長沙：國防科學技術大學，2016.

［16］ CALISE A J， MELAMED N， LEE S. Design and evaluation of a three-dimensional optimal ascent guidance algorithm［J］. Journal of Guidance， Control， and Dynamics， 1998， 21（6）：867-875.

［17］ CALISE A J， BRANDT N. Generation of launch vehicle abort trajectories using a hybrid optimization method［J］. Journal of Guidance， Control， and Dynamics， 2004， 27（6）： 929-929.

［18］ GATH P F， CALISE A J. Optimization of launch vehicle ascent trajectories with path constraints and coast arcs［J］. Journal of Guidance， Control， and Dynamics， 2001， 24（2）：296-304.

［19］ DUKEMAN G A， CALISE A J. Enhancements to an atmospheric ascent guidance algorithm［C］// AIAA Guidance， Navigation， and Control Conference and Exhibit. Reston， USA： AIAA Press ， 2003： 1-11.

［20］ DUKEMAN G， HILL A. Rapid trajectory optimization for the Ares I launch vehicle［C］// AIAA Guidance， Navigation and Control Conference and Exhibit. Reston， USA： AIAA Press， 2008： 6288.

［21］ LU P， SUN H， TSAI B. Closed-loop endoatmospheric ascent guidance［J］. Journal of Guidance， Control， and Dynamics， 2003， 26（2）：283-294.

［22］ LU P， GRIFFIN B J， DUKEMAN G A， et al. Rapid optimal multiburn ascent planning and guidance［J］. Journal of Guidance， Control and Dynamic， 2008， 31（6）： 1656-1664

［23］ LU P， PAN B. Highly constrained optimal launch ascent guidance［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（2）： 404-414.

［24］ HANSON J， SHRADER M W， CRUZEN C. Ascent guidance comparisons［C］// Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 1995： 230-240.

［25］ 湛康意，陳海朋，賀從園，等.基于間接法在線能力評估和自主規劃技術研究［J］.中國空間科學技術，2021，41（3）：31-38.

［26］ 李文清，王俊峰，張志國，等.火箭適應發動機推力下降故障的彈道制導策略優化分析［J］.導彈與航天運載技術，2020，6（4）：73-78.

［27］ 韓雪穎，馬英，程興，等.運載火箭推力故障下的彈道重構策略研究［J］.導彈與航天運載技術，2019，5（2）：7-11.

［28］ WANG C， SONG Z. Powered-coast-powered guidance reconfiguration method of launch vehicle with thrust drop fault［J］. Guidance， Navigation and Control， 2022， 2（1）： 2250003.

［29］ PATTERSON M A， RAO A V. GPOPS-Ⅱ： a Matlab software for solving multiple-phase optimal control problems using hp-adaptive Gaussian quadrature collocation methods and sparse nonlinear programming［J］. ACM Transactions on Mathematical Software （TOMS）， 2014， 41（1）： 1-37.

［30］ MA H，LI X，HUANG H. A trajectory re-planning method for multi-stage rockets based on decision classification［C］// Proceedings of the 38th Chinese Control Conference. Washington D.C.， USA： IEEE Press， 2019： 4119-4123.

［31］ LIU F， CHAO T， WANG S， et al. Trajectory optimization for launch vehicle boost phase based on gauss pseudospectral method［C］// 2016 35th Chinese Control Conference （CCC）. Washington D.C.， USA： IEEE Press， 2016： 10910-10914.

［32］ 馬林.垂直起降運載火箭動力軟著陸軌跡優化方法研究［D］.杭州：浙江大學，2019.

［33］ 張志國，余夢倫，耿光有，等.應用偽譜法的運載火箭在線制導方法研究［J］.宇航學報，2017，38（3）：262-269.

［34］ HE X， TAN S， WU Z， et al. Mission reconstruction for launch vehicles under thrust drop faults based on deep neural networks with asymmetric loss functions［J］. Aerospace Science and Technology， 2022， 121： 107375.

［35］ FAHROO F， ROSS I M. Pseudospectral methods for infinite-horizon nonlinear optimal control problems［J］. Journal of Guidance， Control， and Dynamics， 2008， 31（4）： 927-936.

［36］ YAN H， FAHROO F， ROSS I M. Optimal feedback control laws by Legendre pseudospectral approximations［C］// Proceedings of the 2001 American Control Conference. Washington D.C.， USA： IEEE Press， 2001： 2388-2393.

［37］ TIAN B， ZONG Q. Optimal guidance for reentry vehicles based on indirect Legendre pseudospectral method［J］. Acta Astronautica， 2011， 68： 1176-1184.

［38］ LIAO Y， LI H， BAO W. Indirect radau pseudospectral method for the receding horizon control problem［J］. Chinese Journal of Aeronautics， 2016， 29（1）： 215-227.

［39］ YANG L， ZHOU H， CHEN W. Application of linear gauss pseudospectral method in model predictive control［J］. Acta Astronautica， 2014， 96： 175-187.

［40］ RAHMAN T， ZHOU H， YANG L， et al. Pseudospectral model predictive control for exo-atmospheric guidance［J］. International Journal of Aeronautical and Space Sciences， 2015， 16（1）： 64-76.

［41］ MA Y， PAN B， TANG S. Improved parallel-structured Newton-type guidance for launch vehicles under thrust drop fault［J］. Journal of Spacecraft and Rockets， 2021，59（2）： 1-15.

［42］ ACIKMESE B， CASOLIVA J， CARSON J M， et al. G-fold： a real-time implementable fuel optimal large divert guidance algorithm for planetary pinpoint landing［J］. Concepts and Approaches for Mars Exploration， 2012， 1679： 4193.

［43］ CHENG X， LI H， ZHANG R. Efficient ascent trajectory optimization using convex models based on the Newton-kantorovich/pseudospectral approach［J］. Aerospace Science and Technology， 2017， 66： 140-151.

［44］ 王嘉煒，張冉，郝澤明，等.基于Proximal-Newton-Kantorovich凸規劃的空天飛行器實時軌跡優化［J］.航空學報，2020，41（11）：116-125.

［45］ SUN Z， TAO C， WANG Y， et al. Convex method for ascent trajectory optimization using iterative narrowing trust region［C］// 2018 IEEE CSAA Guidance，Navigation and Control Conference （CGNCC）. Washington D.C.， USA： IEEE Press， 2018： 1-6.

［46］ ZHANG K， YANG S， XIONG F. Rapid ascent trajectory optimization for guided rockets via sequential convex programming［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2019， 233（13）： 4800-4809.

［47］ BENEDIKTER B， ZAVOLI A， COLASURDO G. A convex approach to rocket ascent trajectory optimization［C］// 8th European Conference for Aeronautics and Space Sciences . 2019：EUCASS2019-430.

［48］ BENEDIKTER B， ZAVOLI A， COLASURDO G， et al. Convex approach to three-dimensional launch vehicle ascent trajectory optimization［J］. Journal of Guidance， Control， and Dynamics， 2021， 44（2）：1-16.

［49］ 李敏，李惠峰，聶文明.火箭上升段滾動時域制導控制一體化設計［J］.宇航學報，2019（1）：41-50.

［50］ 王洪波，張若男，梁卓，等.基于改進序列凸優化的固體火箭入軌制導方法［J］.中國慣性技術學報，2021，29（1）：119-125.

［51］ 李師堯，常武權，閆宇申，等.運載火箭動力故障下的自主救援軌道規劃［J］.飛行力學，2021，39（2）：83-89.

［52］ 宋征宇，王聰，鞏慶海.運載火箭上升段推力下降故障的自主軌跡規劃方法［J］.中國科學：信息科學，2019，49（11）：1472-1487.

［53］ LI Y， GUAN Y， WEI C， et al. Optimal control of ascent trajectory for launch vehicles： a convex approach［J］. IEEE Access， 2019（7）： 186491-186498.

［54］ LI Y， PANG B， WEI C， et al. Online trajectory optimization for power system fault of launch vehicles via convex programming［J］. Aerospace Science and Technology， 2020， 98： 105682.

［55］ MIAO X， SONG Y， ZHANG Z， et al. Successive convexification for ascent trajectory replanning of a multi-stage launch vehicle experiencing non-fatal dynamic faults［J］. IEEE Transactions on Aerospace and Electronic Systems， 2022，58（3）： 2039-2052.

［56］ SONG Z， WANG C， GONG Q. Joint dynamic optimization of the target orbit and flight trajectory of a launch vehicle based on state-triggered indices［J］. Acta Astronautica， 2020， 174： 82-93.

［57］ 羅亞中，唐國金，梁彥剛.基于分解策略的SSO發射軌道遺傳全局優化設計［J］.航空學報，2004，25（5）：443-446.

［58］ 胡凡，楊希祥，江振宇，等.固體運載火箭軌跡/總體參數一體化優化設計研究［J］.固體火箭技術，2010，33（6）：599-602.

［59］ 楊希祥，李曉斌，肖飛，等.智能優化算法及其在飛行器優化設計領域的應用綜述［J］.宇航學報，2009，30（6）：2051-2061.

［60］ 張柳，張雪梅，唐瓊，等.基于組合粒子群算法的運載火箭彈道優化設計［J］.導彈與航天運載技術，2016（6）：1-5.

［61］ 高哲，王志剛.多約束條件下多級運載火箭彈道優化設計［J］.飛行力學，2018，36（6）：62-66.

［62］ 李曉蘇.基于多目標智能算法的運載火箭上升段彈道優化設計［D］.哈爾濱：哈爾濱工業大學，2019.

［63］ ROSE M B， GELLER D. Linear covariance techniques for powered ascent［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2010： 8175.

［64］ 倪彧祺.考慮參數不確定性的運載火箭上升段參考軌跡優化［D］.哈爾濱：哈爾濱工業大學，2020.

［65］ SHEN H， SEYWALD H， POWELL R W. Desensitizing the minimum-fuel powered descent for Mars pinpoint landing［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（1）： 108-115.

［66］ ZHANG D， LIU L， WANG Y. On-line ascent phase trajectory optimal guidance algorithm based on pseudo-spectral method and sensitivity updates［J］. The Journal of Navigation， 2015， 68（6）： 1056-1074.

［67］ 黃盤興.重型運載火箭可重構控制系統設計研究［D］.哈爾濱：哈爾濱工業大學，2012.

［68］ 張振臻，陳暉，高玉閃，等.液體火箭發動機故障診斷技術綜述［J］推進技術，2022，30（5）：40-45.

［69］ 宋征宇.運載火箭遠程故障診斷技術綜述［J］.宇航學報，2016，37（2）：135-144.

［70］ 葉松，陳曦，熊寸平.基于線性二次滾動時域法的運載火箭發動機推力故障診斷［J］.宇航總體技術，2020，4（6）：29-37.

［71］ 朱海洋，吳燕生，陳宇，等.適應運載火箭推力下降故障的神經網絡容錯控制方法［J］.航天控制，2019，37（4）：3-9.

［72］ 朱海洋，吳燕生，容易，等.適應有限故障的運載火箭神經網絡自適應容錯控制［J］.西北工業大學學報，2020，38（3）：668-676.

［73］ 符文星，朱蘇朋，閻杰，等.參數估計法在運載火箭動力系統故障診斷中的應用［J］.彈箭與制導學報，2007，27（1）：181-183.

［74］ ZHANG T， ZHAO X， HU R， et al. A method for fault diagnosis of power system of carrier rocket engine based on linear-quadratic receding time-domain algorithm［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2021： 09544100211021805.

［75］ CHEN H， YAN J， ZHANG T， et al. On-line fault diagnosis of launch vehicle thrust loss based on parameter estimation method［C］// 2021 IEEE Asia-Pacific Conference on Image Processing， Electronics and Computers （IPEC）. Washington D.C.， USA： IEEE Press，2021： 871-876.

［76］ CHA J， KO S， PARK S Y， et al. Fault detection and diagnosis algorithms for transient state of an open-cycle liquid rocket engine using nonlinear Kalman filter methods［J］. Acta Astronautica， 2019， 163：147-156.

［77］ LEE K， CHA J， KO S， et al. Fault detection and diagnosis algorithms for an open-cycle liquid propellant rocket engine using the Kalman filter and fault factor methods［J］. Acta Astronautica， 2018， 150： 15-27.

［78］ 閆曉東，孫成志.基于神經網絡和證據理論的火箭發動機故障診斷方法［J］.宇航總體技術，2020，4（4）：20-30.

［79］ 王碩，潘豪，白文艷，等.基于慣組信息的運載火箭主發動機推力故障在線辨識［J］.航天控制，2019，37（6）：8-12.

［80］ 趙萬里，郭迎清，楊菁，等.液體火箭發動機故障診斷器設計及其HIL驗證［J］.北京航空航天大學學報，2019，45（10）：1995-2002.

［81］ 孟洲.發動機執行機構故障下大型捆綁火箭容錯控制［D］.長沙：國防科學技術大學，2013.

［82］ 尹彪，劉磊，王永驥.火箭姿態控制與故障重構的研究［C］//中國自動化學會中南六省區自動化學會學術年會.2010：245-249.

［83］ 李鑄.運載火箭推力下降故障下姿態容錯控制［D］.武漢：華中科技大學，2020.

［84］ 馮昊，李新明，潘豪.大推力運載火箭控制系統控制力重構技術研究［J］.載人航天，2012，18（6）：75-79.

［85］ 程堂明，李家文，唐國金.執行機構故障下基于線性規劃的運載火箭姿控系統重構控制［J］.國防科技大學學報，2017，39（1）：51-57.

［86］ 余光學，宋敬群，楊華.運載器姿態控制重構研究［J］.導彈與航天運載技術，2021，7（1）：61-67.

［87］ ZHANG Y， LI Z， CHENG Z， et al. Attitude tracking control reconfiguration for space launch vehicle with thrust loss fault［J］. IEEE Access， 2019（7）： 184353-184364.

［88］ 于海森，譚述君，吳志剛.基于Armijo準則和BFGS算法的運載火箭控制重分配［J］.航空動力學報，2022，37（1）：204-213.

［89］ WEI C， WANG M， LU B， et al. Accelerated Landweber iteration based control allocation for fault tolerant control of reusable launch vehicle［J］. Chinese Journal of Aeronautics， 2022， 35（2）： 175-184.

［90］ ORR J， VAN Z T. Robust， practical adaptive control for launch vehicles［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2012： 2012-4549.

［91］ LEFEVRE B， JHA R. Launch vehicle ascent flight control augmentation via a hybrid adaptive controller［C］// AIAA Guidance， Navigation and Control Conference and Exhibit. Reston， USA： AIAA Press 2008： 7130.

［92］ HANSON C E， MILLER C J， VANZWIETEN T S， et al. Launch vehicle manual steering with adaptive augmenting control： in-flight evaluations of adverse interactions using a piloted aircraft ［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2015： 1776.

［93］ 吳蕾.考慮發動機推力損失的運載火箭容錯控制［D］.大連：大連理工大學，2019.

［94］ 何飛毅.重型運載火箭模型參考自適應增廣控制研究［D］.哈爾濱：哈爾濱工業大學，2018.

［95］ TROTTA D， ZAVOLI A， DE MATTEIS G， et al. Optimal tuning of adaptive augmenting controller for launch vehicles in atmospheric flight［J］. Journal of Guidance， Control， and Dynamics， 2020， 43（11）： 2133-2140.

［96］ LEFEVRE B D， JHA R. Hybrid adaptive ascent flight control for a flexible launch vehicle［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2011， 225（8）： 851-862.

［97］ 崔乃剛，陳誠，潘哲，等.運載火箭自適應增廣抗擾減載控制［J］.導彈與航天運載技術，2017，3（6）：1-7.

［98］ 梁小輝，胡昌華，周志杰，等.基于自適應動態規劃的運載火箭智能姿態容錯控制［J］.航空學報，2021，42（4）：511-524.

［99］ HANG L， WEI C， WU R， et al. Fixed-time extended state observer based non-singular fast terminal sliding mode control for a VTVL reusable launch vehicle［J］. Aerospace Science and Technology， 2018， 82： 70-79.

［100］馬艷如，王青，胡昌華，等.執行器故障下的運載火箭非奇異終端滑模容錯控制［J］.宇航學報，2020，41（12）：1553-1560.

［101］馬艷如，石曉榮，劉華華，等.運載火箭姿態系統自適應神經網絡容錯控制［J］.宇航學報，2021，42（10）：1237-1245.

［102］蘇秀健.基于L1自適應方法的火箭姿態控制［D］.大連：連理工大學，2020.

［103］孫慧杰.火箭起飛段姿態系統的滑模變結構控制［D］.哈爾濱：哈爾濱工業大學，2013.

［104］ZHAO D J， WANG Y J， LIU L， et al. Robust fault‐tolerant control of launch vehicle via GPI observer and integral sliding mode control［J］. Asian Journal of Control， 2013， 15（2）： 614-623.

［105］范軍朋.考慮不確定性的火箭姿態自適應控制系統設計［D］.大連：大連理工大學，2013.

［106］趙小平.基于自適應H∞的重型運載火箭u姿態控制方法研究［D］.哈爾濱：哈爾濱工業大學，2012.

［107］劉昆，孫平.固體運載器姿態控制系統自適應濾波器設計［J］.國防科技大學學報，2010，32（5）：44-48.

［108］張晉.固體運載器自適應增廣抗擾姿態控制方法研究［D］.哈爾濱：哈爾濱工業大學，2020.

［109］CHOI H D， BANG H. An adaptive control approach to the attitude control of a flexible rocket［J］. Control Engineering Practice， 2008（8）： 1003-1010.

［110］KHOSHNOOD A M， ROSHANIAN J. Model reference adaptive control for a flexible launch vehicle［J］. Proceedings of the Institution of Mechanical Engineers Part Ⅰ Journal of Systems and Control Engineering， 2008， 222（1）： 49-55.

［111］ELMELHI A. Modified adaptive notch filter based on neural network for flexible dynamic control［J］. International Journal of Computer and Electrical Engineering， 2014， 6（2）： 185-190.

［112］CHOONG S， BANG H， PARK C S. Attitude control of a flexible launch vehicle using an adaptive notch filter： ground experiment［J］. Control Engineering Practice， 2008， 16（1）： 30-42.

［113］張志健，王小虎.固體火箭多約束耗盡關機的動態逆能量管理方法［J］.固體火箭技術，2014，37（4）：435-441.

［114］馬衛華，禹春梅，路坤鋒，等.“會學習”運載火箭的制導控制技術［J］.航天控制，2020，38（2）：3-8.

［115］包為民.航天智能控制技術讓運載火箭“會學習”［J］.航空學報，2021，42（11）：8-17.

［116］張惠平，路坤鋒，曹玉騰.人工智能技術在“會學習”運載火箭的應用現狀和發展展望［J］.中國航天，2021（2）：9-13.

［117］張榮升，吳燕生，秦旭東，等.運載火箭推力下降故障下的在線彈道重構方法［J］.南京航空航天大學學報，2021，53（1）：25-37.

［118］譚述君，何驍，張立勇，等.運載火箭推力故障下基于智能決策的在線軌跡重規劃方法［J］.宇航學報，2021，42（10）：1228-1236.

［119］CELIS D R， LOPEZ P S， CADARSO L. Sensor hybridization using neural networks for rocket terminal guidance［J］. Aerospace Science and Technology， 2021， 111： 106527.

［120］IZZO D， MARTENS M， PAN B. A survey on artificial intelligence trends in spacecraft guidance dynamics and control［J］. Astrodynamics， 2019， 3（4）： 287-299.

［121］CHENG L， WANG Z， SONG Y， et al. Real-time optimal control for irregular asteroid landings using deep neural networks［J］. Acta Astronautica， 2020， 170： 66-79.

［122］GAUDET B， LINARES R， FURFARO R. Deep reinforcement learning for six degree-of-freedom planetary landing［J］. Advances in Space Research， 2020， 65（7）： 1723-1741.

［123］陳書釗，楚龍飛，楊秀梅，等.狀態預測神經網絡控制應用于小型可回收火箭［J］.航空學報，2019，40（3）：154-168.

［124］劉小明，李輝，蔣吉兵.基于故障樹和神經網絡的火箭故障診斷方法［J］.計算機仿真，2010，27（7）：38-42.

［125］郭博.基于神經網絡和故障樹的運載火箭故障診斷系統的研究［D］.成都：電子科技大學，2010.

［126］尹茂君.運載火箭故障診斷系統研究與實現［D］.成都：電子科技大學，2011.

［127］黃強，吳建軍.基于云-神經網絡的液體火箭發動機故障檢測方法［J］.國防科技大學學報，2010，32（1）：11-15.

［128］PARK S Y， AHN J. Deep neural network approach for fault detection and diagnosis during startup transient of liquid-propellant rocket engine［J］. Acta Astronautica， 2020， 177： 714-730.

［129］LI H， DENG Z， ZHANG J， et al. A deep learning based fault detection method for rocket launcher electrical system［C］// International Conference on Machine Learning， Optimization， and Data Science. Berlin， Germany： Springer， 2020： 316-325.

［130］張晨曦，唐曙，唐珂.遷移學習下的火箭發動機參數異常檢測策略［J］.計算機應用，2020，40（9）：2774-2780.

［131］LV H， CHEN J， WANG J， et al. A supervised framework for recognition of liquid rocket engine health state under steady-state process without fault samples［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-10.

［132］YU H， WANG T. A method for real-time fault detection of liquid rocket engine based on adaptive genetic algorithm optimizing back propagation neural network［J］. Sensors， 2021， 21（15）： 5026.

［133］XU L，ZHAO S， LI N， et al. Application of QGA-BP for fault detection of liquid rocket engines［J］. IEEE Transactions on Aerospace and Electronic Systems， 2019， 55（5）： 2464-2472.

［134］CHEN H， CHEN K， FU W. Memory augmented neural network-based intelligent adaptive fault tolerant control for a class of launch vehicles using second-order disturbance observer［J］. Mathematical Problems in Engineering， 2021： 9961278.

［135］LI Z， ZHANG Y， LIANG Z， et al. Control allocation reconstruction of launch vehicle based on neural network［C］// Proceedings of the 11th International Conference on Modelling， Identification and Control （ICMIC2019）. Berlin， Germany： Springer， 2020： 1025-1033.

［136］SCLAFANI R， SHANKAR P. Variable memory recurrent neural networks for launch vehicle attitude control［C］// AIAA Guidance， Navigation， and Control Conference. Reston， USA： AIAA Press， 2015： 1774.

［137］DUAN L， HOU Z， YU X， et al. Data-driven model-free adaptive attitude control approach for launch vehicle with virtual reference feedback parameters tuning method［J］. IEEE Access， 2019（7）： 54106-54116.

［138］黃旭，柳嘉潤，駱無意.基于DDQN的運載火箭姿態控制器參數設計［J］.航天控制，2020，38（4）：3-8.

Overview of Guidance and Control Technologies for Launch Vehicles under Propulsion System Faults

LIShuang1， LIUXu1， YESong2， LINZirui1

（1.College of Astronautics， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， Jiangsu， China； 2.Beijing Aerospace Automatic Control Institute， Beijing 100854， China）

Propulsion system faults are the most common causes for launch vehicle failure. In this paper， the guidance and control technologies for launch vehicles under propulsion system faults are overviewed from the aspects of fault modeling， autonomous guidance， and fault-tolerant control， which may enlighten the development of new guidance and control algorithms. First， the mathematical modeling of thrust drop and actuator faults is established， and the guidance and control performance of advanced launch vehicles at home and abroad is compared. Second， the trajectory optimization and guidance algorithms involved in autonomous guidance under faults are summarized. Third， the typical fault diagnosis， control reconstruction， fault-tolerant control， and vibration suppression methods within the framework of passive and active fault-tolerant control are reviewed. Meanwhile， the application of artificial intelligence technologies to fault diagnosis and guidance control is summarized. Finally， with the introduction of the “learning” launch vehicle concept， the development trend of artificial intelligence technologies in improving the autonomy and intelligence of launch vehicles is discussed， and the guidance and control technologies for future intelligent launch vehicles are envisaged.

launch vehicle； propulsion system fault； fault diagnosis； guidance and control； artificial intelligence

2022?03?25；

2022?06?06

國家自然科學基金項目（61273051，11672126）；航天一院高校聯合創新基金（CALT201703）

李爽（1978—），男，博士，教授，主要研究方向為航天器動力學與控制、深空探測技術、空間態勢感知與博弈。

V 448.1

A

10.19328/j.cnki.2096?8655.2022.04.008