杨弘枨 刘 山 焦玮玮 王效亮 丁弘毅
北京精密机电控制设备研究所,北京100076
作为火箭控制系统中影响成败的关键控制执行分系统,推力矢量伺服系统在面对复杂时变非线性控制对象的同时,需满足总体高精度、高动态、大功率、高比功率和高可靠的控制需求。以柔性喷管推力矢量伺服系统为例,伺服系统的研制面临柔性喷管摆心不固定、非线性负载力矩大、需自备大功率弹上能源及技术性能要求高等一系列相关难题。
智能控制出现于20世纪60年代,是由控制论、人工智能和运筹学的研究成果交叉衍生的新方法,可用于对复杂非线性系统进行建模、控制及优化[1]。通过综合利用现代控制理论、人工智能、专家系统、遗传算法和计算机科学等新兴技术,可协调解决复杂过程的控制问题。人们普遍认为,对于具有不确定性的数学模型、高度的非线性和复杂任务要求的一类系统,智能控制是目前解决此类复杂对象控制问题的最好手段。结合航天推力矢量控制系统研制中面临的一些问题,本文针对智能控制理论的应用进行了分析和展望。
航天推力矢量控制技术在未来的发展中面临以下问题:
1)需要适应复杂的负载特性。由于伺服系统负载特性比较复杂,以柔性喷管为例,在飞行过程中随着发动机燃烧室压力的变化,存在着由结构变形引起的摆心移动和复杂的模态变化。由于柔性接头具有较大弹性,喷管摆心会在燃烧室压力作用下向下运动;在其受到伺服驱动力作用时会产生不同于常规轴承的横、侧向乃至纵向运动;在大负载力矩作用下呈现显著的非线性[2]。不同批次产品的力矩梯度也存在一定散布,贮存过程中,老化力矩的占比最高可达到30%。柔性喷管负载复杂的动力学特性给伺服系统的设计,包含模型辨识、地面仿真和验证带来了挑战。
2)需要实现多约束条件下的特性最优设计。航天伺服系统处于控制系统、动力系统和总体结构的结合部,需要协调满足多约束条件下的任务需求。一方面伺服系统需要较大的功率储备才能提供更快的响应速度,另一方面总体要求机械结构的重量不能过大,否则将导致安装结构无法承受过大的输出力。为此,在满足控制系统动态特性的同时需要对伺服系统的最大输出力进行限制。采用无尾罩发射时,为实现一级柔性接头的防护,伺服系统需同时对输出位置和输出力进行控制。传统控制策略以飞行时序为依据调整参数达到不同阶段的控制需求,但由于负载存在复杂非线性,各项参数的设置需进行大量调试,且仍难以达到控制性能的最优。
3)需要具备对冗余资源进行智能化的在线故障诊断和冗余资源管理的功能。在尽量提高各部件可靠性的前提下,另一种提高伺服系统可靠性的思路是应用余度技术。传统的多数表决和故障吸收方式占用资源较多,且由于故障产生机理复杂,有时会产生虚诊和漏诊的诊断错误。为减少多余度机构占用资源,避免诊断错误,提高伺服系统的自组织、自重构、自学习能力,需要对其进行智能故障识别和诊断方法的研究,使系统在发生故障时,能够快速自主识别故障模式并实时切换到新的工作状态。
以下将对几种智能控制技术在推力矢量控制系统研制工作中的应用和前景进行分析。
带载测试既是推力矢量伺服系统研制必不可少的工作内容,也是控制系统仿真试验不可或缺的重要环节。负载模拟作为伺服系统带载测试的必备条件,目前常用的主要有等效真实负载和机械模拟负载2种。对于柔性喷管推力矢量控制系统而言,模态数据虽然较为真实,但仍无法覆盖任务书规定的最大力矩,难以模拟实际飞行过程中的摆心和力矩梯度变化,且使用维护成本高、寿命短;机械式模拟负载台采用惯量块和弹簧钢板进行负载模拟,动力学特性模拟真实度低、参数调整不够灵活,因此迫切需要研制具有任意加载能力的高精度通用可控负载模拟器,原理如图1所示。在通用可控负载模拟器的应用工作中,负载特性辨识和保证加载精度成为亟需解决的问题。
2.1.1 基于神经网络的柔性喷管模型辨识方法
当前对柔性喷管特性的模型辨识研究,通常将其看作变阻尼变刚度的质量弹簧系统[3-4],通过对试验数据或仿真数据的分析,分别获得激振频率、激振振幅、温度等因素对柔性接头力矩特性的影响,再基于动力学模型和试验数据对喷管模型进行拟合建立预测模型[5]。然而,喷管刚度和阻尼特性与激振频率和振幅、环境温度、燃烧室压强、材料特性等众多因素相关,基于简化模型进行建模的方法受限于动力学建模方法的合理性,无法准确分析多种因素的综合影响;通过试验系统难以测得喷管在极限负载下的力矩特性和分析更高频率的动态特性;根据试验方法对喷管非线性特性的研究,也仅能获得其特性的变化趋势,无法精确建模。近年来,神经网络[6-7]、模糊理论[8]、小波网络[9]、支持向量机[10]等智能方法已经逐渐应用于复杂非线性系统的辨识当中。
图1 可控加载负载模拟器原理图
图2 BP网络的结构图
由于神经网络方法可表达任意非线性映射,利用神经网络的自学习和自适应能力,使其自主训练调整结构参数,能大量减少参数识别和模型辨识的工作量。考虑到BP神经网络学习速度快,且具有关联信息分散存储、容错性好等优点,使用BP神经网络对柔性喷管模型进行建模和辨识[11]。其结构如图2所示。采用离线学习,用训练集内所有模式即柔性喷管的测试数据依次训练网络,通过累加各权值修正量并统一修正网络权值,可以使权值按最快速下降方向进行,大幅度提高网络学习速度。
通过训练和修正得到的柔性喷管参数辨识BP神经网络,有望充分体现柔性喷管复杂的非线性特征,在给定输入量时给出合理的预测输出,可在控制算法中对控制对象进行辨识,作为半实物仿真系统构建和自适应控制器设计的基础。
2.1.2 基于迭代学习控制的高精度负载模拟技术
负载模拟器的高精度加载控制作为研制半实物仿真中的一项关键技术,是航空、航天领域内的重要研究方向之一。电液负载模拟器作为典型的加载装置,加载过程中多余力(力矩)的存在是设计和使用过程中难以克服的技术难点,直接影响负载模拟器动态加载精度的提高。文献[12]根据一般测试过程中,负载模拟器加载对象的主动运动允许具有一定重复性的特点,提出运用迭代学习控制消除负载模拟器加载系统的多余力(力矩),并进行了提高加载精度方面的研究。同时建立了电液负载模拟器及其被加载系统的全系统数学模型,并在此基础上详细分析了多余力(力矩)产生的机理。选取PID型迭代学习控制作为控制算法,利用算子理论对该算法的收敛条件、收敛速度、鲁棒性和初值问题以及开环PID型迭代学习控制和闭环PID型迭代学习控制的优缺点进行了理论推导和证明,为PID型迭代学习控制应用于负载模拟器,消除多余力(力矩)和提高加载精度提供了参考依据,迭代学习控制算法如图3所示。在理论推导和仿真试验的基础上,提出了具有监督机制的改进P型迭代学习控制。仿真试验表明,该方法对提高加载精度、减小学习过程后期输出毛刺、防止误差发散等方面具有较好的效果。使用开环P型迭代学习控制算法和改进P型开环迭代学习控制算法进行了电液位置伺服系统提高跟踪精度的试验(图4)。结果表明,迭代学习控制算法能够有效地提高电液伺服系统的跟踪精度。
图3 迭代学习控制算法框图
图4 迭代学习控制加载跟踪试验结果
由于柔性喷管存在着结构变形引起的复杂模态,且力矩特性参数难以准确描述,给推力矢量的伺服控制带来了困难;推力矢量伺服系统需同时对输出位置和输出力进行控制,传统控制方法难以实现。结合上述需求,对可用于推力矢量伺服系统的新型控制策略进行了初步分析。
2.2.1 面对力/位置输出综合要求的主动柔顺控制方法
传统的推力矢量控制属于位置闭环控制。近年来,由于对喷管辅助支撑的需要,借鉴航空发动机的推力矢量控制,提出的一种推挽式伺服系统控制方案[13],需要同时对伺服作动器的输出力和位移进行协调控制。为此,借鉴了机器人控制领域柔顺控制的技术思路。
机器人领域的柔顺控制分为被动柔顺控制和主动柔顺控制2类。前者使用一些在与环境作用时能够吸收或储存能量的机构,如弹簧、阻尼,使其在与环境接触时能够对外部作用力产生自然顺从;后者使用力的反馈信息,采用一定的控制策略,主动控制机构与环境间的作用力。由于被动柔顺机构的刚度与柔顺性存在矛盾,且适应性较差,难以在复杂工作状态下实现位置和力的准确控制。因此,基于力反馈的主动柔顺控制是主要的研究方向[14]。由于推力矢量伺服系统需要同时对输出位置和输出力进行控制,因此考虑使用力/位切换控制方法。其中,各种控制方案间能否实现平滑切换是切换控制成败的关键。此外,切换时系统应具有较小的相对剩余能量,使系统在切换后不至于发生往复振荡[15]。
文献[16]提出了一种针对机器人的多模型模糊切换控制策略,其原理如图5所示。多模型控制的基本思想是:在多个工作点或多种工况下,将非线性过程或线性不确定过程划分为若干个线性化模型,利用多个模型逼近整个系统的动态特性。分别建立多个数学子模型,针对每个子模型设计相应的子控制器。利用一个有效的切换方案,将这些简单的子控制器映射成最终的控制作用,实现对复杂系统的控制[17]。为保证切换的平稳性,可使用模糊控制方法,将系统的精确量转化为相应的模糊量。然后,按照相应的语言控制规则对模糊量进行模糊推理,并做出模糊决策。最后将经过模糊推理得到的模糊结果转化为精确量[18]。用模糊推理的过程代替简单判断的切换条件,可以避免系统在切换点附近频繁切换控制策略时可能出现的抖动,实现切换过程的平稳过渡,进一步保证系统在切换点附近的稳定性[19]。
图5 多模型模糊切换控制策略原理图
采用力控制和位置控制2个模型来模拟负载特性的非线性,并设计相应的子控制器。模糊切换规则根据反馈力和位置的信息和输出需求来控制权值σ1和σ2,控制权值的论域为[0,1],力控制器输出u1和位置控制器输出u2分别乘以σ1和σ2作为被控对象的输入量。当需要对位置精确控制时,权值σ2取值在1附近,位置控制占比提高;当需要对输出力精确控制时,权值σ1取值在1附近,力控制占比提高。由于控制策略的切换是一个渐变的过程,使系统切换过程更平稳,力波动更小,能够较好地实现推力矢量伺服系统的力/位置综合主动柔顺控制。
2.2.2 面对非线性不确定负载的模型参考自适应控制方法
在飞行过程中,柔性喷管随着发动机燃烧室压力的变化,存在着由结构变形引起的摆心移动和模态的复杂变化。此外,在贮存过程中,由于非金属老化导致的力矩梯度变化也很大。推力矢量控制伺服系统需要适应上述变化。自适应控制的基本思想是通过不断地监测被控对象,根据其变化调整控制参数,使系统运行于最优状态,因此可使用自适应控制方法解决对该不确定对象的控制问题[20]。
自适应控制主要有2种类型,即模型参考自适应控制和自校正控制。前者直接对控制器参数进行更新,运算速度快,适用于实时性要求较高的系统。它由以下几部分组成,即参考模型、被控对象、反馈控制器和自适应机构等部分。系统根据实际输出y(t)和模型输出yM(t)产生的偏差,驱动自适应机构产生调节作用,直接改变控制器的参数,最终使得y(t)=yM(t)。设计这类系统的核心问题是如何设计自适应调节器的算法。
基于神经网络的模型参考自适应控制可分为以下2种类型:
1)直接模型参考自适应控制
如图6所示,控制系统的目的是维持受控对象输出与参考模型输出的差e(t)=y(t)-yM(t)→0。但由于神经网络控制器(NNC)的反向传播需要已知受控对象的数学模型,当系统模型未知或部分未知时,NNC的学习和修正较难进行,不适用于对不确定对象的控制。
图6 直接模型参考自适应控制
2)间接模型参考自适应控制
如图7所示,当被控对象的数学表达不明确时,需要设计一个神经网络辨识器(NNI)来辨识被控对象,根据辨识误差e1(t)进行在线学习和修正,将辨识结果反馈至NNC,并提供控制误差e2(t)的反向传播。
图7 间接模型参考自适应控制
由于对柔性喷管难以进行准确建模,因此根据模型辨识的结果设计间接模型参考自适应控制器,可以使神经网络柔性喷管模型对喷管的各项状态量进行估计,指导控制器参数的自适应调整,以补偿喷管变形及摆心浮动、安装位置形变等影响因素,实现对推力矢量的智能化控制。
推力矢量伺服系统是火箭控制系统中影响发射成败的控制执行分系统。应用余度技术,可使其固有可靠度成数量级地提高。余度伺服技术的发展经历了简单并联余度方式、检测-纠正余度方式、多数表决余度方式、多数表决-检测纠正混合余度方式几个阶段[21]。其中,多数表决故障吸收式伺服机构系统方案无需故障检测和隔离,基本不占用计算资源,实时性较好,是当前应用的主要方法,可以对大多数故障模式准确识别。但由于故障产生机理复杂,有些故障模式下的表决方式会产生虚诊和漏诊的诊断错误,导致错误使用故障部件而影响飞行任务。文献[22]在三余度伺服系统中引入了智能检测补偿的软机制,通过软、硬件协同设计的方式,在控制产品体积、重量、成本和控制实时性的前提下,提高了伺服系统的可靠性。因此,对新型的智能故障诊断理论、方法和技术进行进一步研究,对于航天任务的顺利完成具有重要的意义。
近年来,对适用于新型火箭的高可靠容错机电伺服系统进行了深入研究,文献[23]提出了一种新型高可靠五相容错电机的可靠性技术方案,使得伺服系统在部分绕组故障下仍能满足火箭控制系统对伺服功能的要求,其关键技术之一是故障绕组的识别与诊断方法。目前关于此类方法的研究,解决了电机开路故障、短路故障等明显的故障识别,但仍有一定的局限性[24]。基于电流预测法、基于对称分量法、基于定子电压空间矢量等检测方法也有各种使用缺陷,存在使用条件受限或部分状态下不能识别故障的缺点[25]。考虑到故障类型的复杂性和表现的多样性,可在现有基于规则和FMEA分析结果的基础上,进一步开发能综合多种检测方法优点的智能故障识别方法[26]。
基于神经网络的故障识别方法利用了神经网络的模式识别和函数拟合2项主要功能。使用神经网络作为模式分类器,实现故障特征空间到故障类空间的映射,以得到诊断结果。首先设计网络拓扑结构和学习算法,将含有故障信息的特征量作为输入,故障模式作为输出,训练神经网络,确定神经网络节点的权值;再给定故障模式的输出作为神经网络的输入,将网络输出与训练模式中确定的故障编码进行比对,确定伺服系统的正常或故障,并判定故障模式及发生部位,采取相应的解决措施,提高伺服的可靠性。
由于神经网络模式识别技术并不需要预先给出关于模式的先验知识和判别函数,其网络特性由其拓扑结构、节点特性、学习或训练规则所决定,能充分利用各状态信息,对来自不同状态的信息逐一训练以获得某种映射关系。而且网络可连续学习,当环境改变,这种映射关系可以自适应调整,实现进一步逼近目标对象。因此,随着高性能伺服控制平台运算能力的不断提高,基于神经网络的在线智能故障诊断方法有着很大的应用潜力。
随着智能控制理论的逐步完善,将先进的控制理论应用在火箭推力矢量控制上是一种发展趋势。本文针对推力矢量控制技术发展中面临的问题,对能应用于推力矢量控制的智能控制技术进行了分析研究。神经网络控制、迭代学习控制、模糊控制、自适应控制等方法在航空航天领域有非常广阔的应用前景,有望在未来火箭的推力矢量控制中取得较传统控制方法更好的应用效果。