[發(fā)明專利]基于改進(jìn)型混合多目標(biāo)PSO的飛翼無人機(jī)冗余舵面控制方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011294205.7
• 申請(qǐng)日: 2020-11-18
• 公開（公告）號(hào): CN112464557A
• 公開（公告）日: 2021-03-09
• 發(fā)明（設(shè)計(jì)）人: 鄭峰嬰;王峰;甄子洋;許夢(mèng)園;熊博威;李涵;嵇鼎毅
• 申請(qǐng)（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;B64F5/00;B64C13/00;G06F111/04;G06F111/06
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 熊玉瑋

本發(fā)明公開了基于改進(jìn)型混合多目標(biāo)PSO的飛翼無人機(jī)冗余舵面控制方法，屬于計(jì)算、推算或計(jì)數(shù)的技術(shù)領(lǐng)域。本發(fā)明針對(duì)先進(jìn)布局飛翼無人機(jī)的舵面綜合特性，包括舵面受限，強(qiáng)耦合、非線性等，常規(guī)線性分配方法難以精確控制的問題，提出基于混合多目標(biāo)粒子群算法的操縱冗余分配策略，有效處理飛翼無人機(jī)的舵面特性，解決飛行控制時(shí)的舵面操縱冗余。保證控制跟蹤精度，實(shí)現(xiàn)舵面平滑控制，并提高控制面操縱效率。

技術(shù)領(lǐng)域

本發(fā)明屬于飛行力學(xué)和飛行仿真技術(shù)，具體指基于改進(jìn)型混合多目標(biāo)PSO(Particle Swarm Optimization，粒子群優(yōu)化算法)的飛翼無人機(jī)冗余舵面控制方法，屬于計(jì)算、推算或計(jì)數(shù)的技術(shù)領(lǐng)域。

背景技術(shù)

飛翼布局艦載無人機(jī)擁有較好的隱身能力、較好氣動(dòng)效率以及較高的升阻比，因此，飛翼布局成為高性能無人機(jī)的首選氣動(dòng)布局方式。為提高無人機(jī)系統(tǒng)的可靠性，通常都設(shè)置有多組舵面構(gòu)成冗余控制。相較于常規(guī)布局無人機(jī)，冗余配置的舵面會(huì)帶來舵面操縱功能不明確的問題。控制分配技術(shù)是解決控制冗余舵面控制的常用方法。但不同于常規(guī)布局無人機(jī)，飛翼布局無人機(jī)各舵面布置緊密，舵面之間氣動(dòng)交互作用增強(qiáng)，進(jìn)而產(chǎn)生交叉耦合效應(yīng)，并在飛行控制的過程中需要考慮舵面偏轉(zhuǎn)的非線性特性，采用線性控制方法會(huì)降低控制分配精度。此外，對(duì)于飛行控制分配問題，由于各操縱面擔(dān)負(fù)職責(zé)、控制特性不同，因此在不同的飛行條件和飛行任務(wù)情況下不能一視同仁，而是應(yīng)該在不同的飛行任務(wù)中，根據(jù)任務(wù)需求設(shè)定不同的優(yōu)化目標(biāo)。實(shí)際飛行任務(wù)中的優(yōu)化目標(biāo)往往不是單一的而是需要綜合權(quán)衡有多個(gè)目標(biāo)，因此，對(duì)于飛翼布局艦載無人機(jī)的控制分配問題需要考慮非線性特性解決舵面強(qiáng)耦合、控制標(biāo)量約束的多目標(biāo)綜合優(yōu)化問題。

現(xiàn)階段國內(nèi)外關(guān)于飛行器飛行過程中出現(xiàn)的操縱冗余問題，多采用常規(guī)控制分配策略，如：偽逆法、鏈?zhǔn)椒ā⒅苯臃峙浞ā⒕€性規(guī)劃法，往往針對(duì)單一優(yōu)化目標(biāo)或單一約束條件，面對(duì)復(fù)雜控制對(duì)象處理復(fù)雜約束條件時(shí)，控制性能顯著降低。目前，常規(guī)控制分配策略所針對(duì)的對(duì)象大多是線性化的舵面效率模型，然而當(dāng)對(duì)象非線性特性明顯時(shí)，常規(guī)控制分配方法無法適用或出現(xiàn)分配精度降低進(jìn)而影響飛行控制穩(wěn)定性的情況。由于飛翼無人機(jī)操縱舵面存在舵面偏轉(zhuǎn)非線性和舵面交叉耦合非線性特性，且非線性特性明顯，不可忽略。因此常規(guī)控制分配策略無法適用于飛翼無人機(jī)冗余舵面的控制。

智能多目標(biāo)優(yōu)化算法是將智能算法引入到多目標(biāo)優(yōu)化問題，相較于傳統(tǒng)算法，具有自組織、自適應(yīng)和自學(xué)習(xí)等特性，優(yōu)化過程不嚴(yán)格要求目標(biāo)函數(shù)和約束的連續(xù)性與凸性。智能多目標(biāo)優(yōu)化算法中的粒子群算法，將每一個(gè)粒子都作為一個(gè)潛在的控制分配最優(yōu)解，根據(jù)非線性控制分配的各目標(biāo)特性，選取合適的個(gè)體和全局最優(yōu)解就可以讓群體粒子收斂至期望的最優(yōu)解。此外，粒子群算法由于所有粒子并行計(jì)算而有較快的收斂速度，且算法需要調(diào)整的參數(shù)較少易于工程實(shí)現(xiàn)，適合于解決飛翼布局無人機(jī)復(fù)雜的非線性控制分配問題。

目前，傳統(tǒng)多目標(biāo)粒子群優(yōu)化算法的主要思想是將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題，如目標(biāo)加權(quán)算法、滿意折衷法和模糊邏輯法，這樣可以降低問題的復(fù)雜度，減少時(shí)間消耗。然而，這類算法由于在目標(biāo)之間進(jìn)行了折衷，不能保證所有性能目標(biāo)都是最優(yōu)的。而飛翼無人機(jī)的多目標(biāo)控制分配問題需要較高的跟蹤精度，如果不能保證跟蹤精度則會(huì)導(dǎo)致系統(tǒng)飛行控制穩(wěn)定性下降，影響飛行安全性。粒子群算法在處理復(fù)雜系統(tǒng)多目標(biāo)優(yōu)化時(shí)，主要有以下幾類改進(jìn)算法：(1)基于分解的多目標(biāo)粒子群算法，通過把整個(gè)目標(biāo)空間分解為一系列子空間，并將優(yōu)化的多目標(biāo)分解為一系列單目標(biāo)，在各劃分空間中對(duì)單目標(biāo)進(jìn)行尋優(yōu)，此類算法有效降低了算法的復(fù)雜度，但常規(guī)固定權(quán)向量生成方式所獲得的解集，其均勻性依賴 Pareto前沿面形狀，對(duì)于復(fù)雜問題會(huì)丟失部分解集，目前不易規(guī)劃良好的權(quán)向量調(diào)整方式以得到更好的Pareto解集；(2)基于非Pareto支配的多目標(biāo)粒子群算法，通常是針對(duì)高維多目標(biāo)優(yōu)化問題，當(dāng)優(yōu)化目標(biāo)上升至四維及以上時(shí)，Pareto 支配的排序效率易過低，需提出新的支配規(guī)則以增大選擇壓力來加速算法收斂，該類算法易增加系統(tǒng)的復(fù)雜性，且不適用于低維系統(tǒng)。