基于MPL-CS自適應反步法的過失速機動控制

摘 要：超機動能力仍是未來飛機的重要性能指標，而過失速機動控制的效果將成為決定近距空戰勝負的關鍵。本文提出了一種基于最小參數學習和布谷鳥搜索（MPL-CS）的自適應反步法的過失速機動控制方法，以解決先進布局飛機過失速機動中嚴重的非線性、耦合性和遲滯性等導致的魯棒性差和控制精度低等問題。首先，基于一套完整的先進布局飛機縮比模型大振幅振蕩風洞試驗數據，在給定的建模精度目標下，通過改進極限學習機（ELM）方法，建立了大迎角下先進布局飛行器精確的非定常氣動模型。其次，設計了一種基于MPL的自適應反步法，以減少需要優化的參數數量。在不確定性和模型擾動的影響下，結合串接鏈分配方法完成了分配設計。基于CS方法對MPL下自適應反步控制律的關鍵參數進行了優化。最后，經典的眼鏡蛇機動仿真結果表明，該方法的控制精度高于傳統的基于MPL的自適應反步方法，且充分考慮了工程的實際需求，控制精度高、魯棒性強。該方法為未來先進布局飛機的過失速機動控制提供了理論支撐和技術路徑。

關鍵詞：過失速機動； 非定常氣動力； 布谷鳥搜索； 最小參數學習； 自適應反步控制

中圖分類號：V249.1 文獻標識碼：A DOI：10.19452/j.issn1007-5453.2024.02.013

基金項目： 國家自然科學基金（62173277）；航空科學基金（20180753006）；陜西省自然科學基金（2023-JC-YB-526）

先進布局飛機為了完成過失速機動，有必要設計相應的氣動外形，使飛機具有良好的機動性，并安裝帶有推力矢量的發動機[1-2]。在此基礎上，還需要開發先進的飛行控制系統，以解決非定常氣動力和縱向—橫向耦合問題[3]。結合良好的氣動外形，必須考慮大迎角非定常氣動力建模、非線性控制方法、控制分配等相關技術，才能實現過失速機動的穩定和準確控制。

在氣動建模方面，在大迎角機動時，機身和機翼表面的氣流會經歷附著流、渦流和渦流破裂的過程，這些特殊的氣流現象使飛機氣動導數的非線性、遲滯性和耦合性更加突出，氣動力不再是常規氣動力或準穩態氣動力。因此，傳統的建模方法失效，需要進行非定常氣動力建模，提供準確的過失速機動模型[4]。對于非定常氣動力建模的研究，模型物理含義和模型精準度之間是矛盾的。例如，具有明確物理含義的代數多項式、微分方程等方法的建模精度不高，而基于智能方法和機器學習方法的非定常氣動力模型精度很高，但模型無法和經典的導數模型相對應，在建模時需要根據目標選擇方法。

在過失速機動控制方面，借助非線性控制方法是實現控制的重要途徑[5-6]。在非線性控制方法的理論應用中，飛機模型是一個精確的非線性模型，這可以使數字模擬更接近真實的飛機飛行，并為后續的實際飛行試驗提供更有效的準備[7-8]，然而非線性方法大多數要求準確的飛機模型，這對建模精度提出了較高的要求，因此在大迎角控制方法設計中，可以將建模誤差和擾動當作不確定性，根據氣動數據確定不確定性邊界，從而實現帶有不確定性的過失速機動控制。

在控制分配方面，具有推力矢量的多操縱面構型不僅擴大了先進布局飛機的飛行包線，提高了作戰性能，還增加了飛行控制系統設計的工作量，但給工程設計帶來了許多挑戰[9-10]。與傳統的氣動操縱面不同，推力矢量發動機的動力學模型更加復雜，并且會與機體產生耦合效應。同時，推力矢量不僅會改變飛機的推力和推力矩，還會嚴重影響飛機周圍的流場，對先進布局飛機的飛行狀態有很大影響[11]。當先進布局飛機配備推力矢量發動機時，過驅動系統的設計不再局限于多個氣動操縱面之間的分布，推力矢量與傳統氣動操縱面的協調控制也是難點。

為了提高控制精度，需要對非線性方法中的參數進行優化。布谷鳥搜索算法是劍橋大學的Yang在參考文獻[12]中提出的一種種群智能優化算法，這也是一種新的元啟發式搜索算法。這個算法主要基于兩種策略：布谷鳥寄生和Levy飛行機制。通過隨機游動搜索，可以得到一個最優的巢穴來孵化各自的蛋，這可以實現高效的優化模式[13-14]。

本文首先基于風洞試驗數據和改進的極限學習機（ELM）方法建立了準確的非定常氣動力模型；其次，設計了基于最小參數學習（MPL）的控制律，結合布谷鳥搜索（CS）方法對控制律中的相關參數進行了優化；最后，通過典型的眼鏡蛇過失速機動的數字仿真說明了所提方法的有效性。

1 非定常氣動力建模

1.1 風洞試驗

如圖1所示，在中國航空工業空氣動力研究院設計的FL-8風洞兩自由度大振幅振蕩試驗系統內完成了先進布局飛機的縮比模型的風洞試驗[15]，獲得了一套完整的先進布局飛機縮比模型大振幅振蕩風洞試驗數據。通過處理和分析單軸振蕩和雙軸耦合振蕩下的靜態和動態數據，為氣動力建模和控制律設計提供了可靠的數據支撐。

1.2 基于改進ELM方法的非定常氣動力建模

為了建立精確的非定常氣動力模型，本文采用了改進的ELM方法，具體算法流程如圖2所示。關于ELM方法的基本介紹和實現參見參考文獻[16]。

基于改進ELM方法的非定常氣動力建模結果如圖3所示。從圖3可以看出，該方法在縱向俯仰力矩系數、軸向力系數和法向力系數方面都取得了良好的建模效果，并且建模和預測模型的精度指標——相關系數均大于0.99，表明基于改進的ELM方法可以建立準確、有效的非定常氣動力模型，為后續的過失速機動控制奠定了模型基礎。

2 控制律設計

先進布局飛機的超強機動性成為未來近距離空戰的關鍵因素。超機動性能的最大值不僅取決于整體空氣動力學設計，還取決于精確可靠的失速后機動控制系統。

表1給出了本文所提方法和其他方法在過失速機動控制精度方面的對比。

從圖6和表1的仿真結果對比可以看出，兩種方法都可以準確跟蹤非定常氣動力下的預期迎角曲線，但由于CS方法對MPL方法中的關鍵參數進行了優化，使迎角的影響曲線更接近期望的迎角曲線，其實證數據的精度更高，且在眼鏡蛇機動迎角拉起的過程（局部放大圖）中，響應的滯后更小，響應更快，實現了更高的控制精度。

5 結論

本文主要研究了基于MPL-CS的先進布局飛機過失速機動控制方法。首先，基于大量風洞試驗數據，建立了大迎角下非定常氣動力學的精確模型。其次，針對過失速機動控制，設計了一種參數較少、求解效率較高的MPL方法。對于上述方法的關鍵參數，基于CS方法進行了優化，收到了良好的控制效果。本文提出的過失速機動控制方法結構簡單，易于工程實現，為過失速機動控制提供了可靠的理論依據和可行的工程手段。未來，如果試驗條件具備，將針對本文方法進行相關的飛行試驗驗證。

參考文獻

[1]趙仕偉，闞梓，李道春.柔性后緣可變形機翼氣動彈性分析方法研究[J].航空科學技術，2022，33（12）：62-69. Zhao Shiwei， Kan Zi， Li Daochun. Research on the aeroelastic analysis method of flexible trailing edge morphing wing[J]. Aero‐nautical Science Technology， 2022，33（12）：62-69.（in Chinese）

[2]杜偉，孫娜.電動垂直起降飛行器的發展現狀研究[J].航空科學技術，2021，32（11）：1-7. Du Wei， Sun Na. Research on development status of eVTOL[J]. Aeronautical Science Technology， 2021，32（11）：1-7.（in Chinese）

[3]Li Jinfeng， Zhang Xiaobing. Active flow control for supersonic aircraft： A novel hybrid synthetic jet actuator[J]. Sensors and Actuators A： Physical， 2020， 302： 111770.

[4]Senlin C， Gao Zhenghong， Zhu Xinqi， et al. Unstable unsteady aerodynamic modeling based on least squares support vector machines with general excitation[J]. Chinese Journal of Aeronautics， 2020， 33（10）： 2499-2509.

[5]Liu Junjie， Sun Minewei， Chen Zengqiang， et al. Super-twisting sliding mode control for aircraft at high angle of attack based on finite-time extended state observer[J]. Nonlinear Dynamics， 2020， 99（4）： 2785-2799.

[6]Dong Chaoyang， Liu Yang， Wang Qing. Barrier Lyapunov function based adaptive finite-time control for hypersonic flight vehicles with state constraints[J]. ISA Transactions， 2020， 96： 163-176.

[7]Lyu Yongxi， Cao Yuyan， Zhang Weiguo， et al. Dynamic surface control design of post-stall maneuver under unsteady aerody‐namics[J]. Aerospace Science and Technology， 2018， 80： 269-280.

[8]Lai Guanyu， Liu Zhi， Zhang Yun， et al. Fuzzy adaptive inverse compensation method to tracking control of uncertain nonlin‐ear systems with generalized actuator dead zone[J]. IEEE Transactions on Fuzzy Systems， 2017， 25（1）： 191-204.

[9]Yan Yunda， Yang Jun， Liu Cunjia， et al. On the actuator dynam‐ics of dynamic control allocation for a small fixed-wing UAV with direct lift control[J]. IEEE Transactions on Control Sys‐tems Technology， 2020， 28（3）： 984-991.

[10]Kolaric P， Lopez V G， Lewis F L. Optimal dynamic control al‐location with guaranteed constraints and online reinforcement learning[J]. Automatica， 2020， 122： 109265.

[11]Li Kai， Kou Jiaqing， Zhang Weiwei. Deep neural network for unsteady aerodynamic and aeroelastic modeling across multi‐ple Mach numbers[J]. Nonlinear Dynamics， 2019， 96（3）： 2157-2177.

[12]Yang X S， Deb S . Engineering optimisation by Cuckoo search[J]. International Journal of Mathematical Modelling Numerical Optimisation， 2010， 1（4）：330-343.

[13]Ali R， Yildiz B. Cuckoo search algorithm for the selection of optimal machining parameters in milling operations[J]. The International Journal of Advanced Manufacturing Technology， 2013， 64（1-4）：55-61.

[14]Gandomi A H， Yang X S， Amir H A. Cuckoo search algorithm： A metaheuristic approach to solve structural optimization problems[J]. Engineering with Computers， 2013，29（2）：245-245.

[15]Liu Chunming， Zhao Zhijun， Bu Chen. Double degree-offreedom large amplitude motion test technology in low speed wind tunnel[J]. Acta Aeronautica et Astronautica Sinica， 2016， 37（8）：2417-2425.

[16]Lyu Yongxi， Zhang Weiguo， Shi Jingping， et al. Unsteady aero‐dynamic modeling of biaxial coupled oscillation based on im‐proved ELM[J]. Aerospaceence Technology， 2017， 60：58-67.

[17]Shi Jingping， Lyu Yongxi， Cao Yugan， et al. Minimum parame‐ters learning based dynamic surface control for advanced aircraft at high angle of attack[J]. IEEE Access， 2019， 99：1.

MPL-CS Based Adaptive Backstepping Method for Post Stall Maneuver Control

Lyu Yongxi， Shi Jingping， Qu Xiaobo

Northwestern Polytechnical University， Xi’an 710072， China

Abstract： Super maneuverability remains an important performance indicator for future aircraft， and the effectiveness of post stall maneuver control will become the key to determining the outcome of close range air combat. In this paper， an adaptive backstepping control method based on minimum parameter learning and cuckoo bird search（MPL-CS） is proposed to solve the problem of poor robustness and low control accuracy caused by serious nonlinearity， coupling and hysteresis in post stall maneuver of advanced layout aircraft. Firstly， based on a complete set of large-scale oscillation wind tunnel test data of an advanced layout aircraft scaled model， an accurate unsteady aerodynamic model of the advanced layout aircraft at high angles of attack was established by improving the Extreme Learning Machine （ELM） method with given modeling accuracy goals. Secondly， an adaptive backstepping method based on MPL was designed to reduce the number of parameters that need to be optimized. Under the influence of uncertainty and model disturbance， the allocation design was completed by combining the daisy-chain allocation method. The key parameters of the adaptive backstepping control law under MPL were optimized based on the CS method. Finally， the classic Cobra maneuver simulation results show that the control accuracy of this method is higher than that of traditional adaptive backstepping methods based on MPL， and it fully considers the actual needs of engineering， with high control accuracy and strong robustness. The method proposed in this paper provides theoretical support and technical path for the post stall maneuver control of future advanced layout aircraft.

Key Words： post stall maneuver； unsteady aerodynamic； Cuckoo search； minimum parameter learning； adaptive backstepping control