【技术实现步骤摘要】
一种基于SRSM和NIPC的飞行器鲁棒轨迹优化方法
[0001]本专利技术属于飞行器
,具体涉及一种基于SRSM和NIPC的飞行器鲁棒轨迹优化方法。
技术介绍
[0002]作为飞行器设计的关键技术之一,轨迹优化逐渐成为高超声速等航空航天领域研究的热点问题。然而,现有的轨迹优化研究通常仅注重标称情况下的轨迹性能优化提升,而没有考虑真实情况下轨迹的鲁棒性和可靠性。在实际飞行任务中,初始状态、动力学及环境参数等均存在诸多不确定性,势必使得沿标称轨迹飞行时产生较大的过程及终端偏差,进而增大约束违反的风险,降低飞行可靠性和终端任务精度。因此,为了提高优化轨迹的可靠性和抗干扰能力,部分学者逐步将研究重心聚焦于考虑不确定性的鲁棒轨迹优化,即在轨迹设计阶段事先考虑不确定性的影响,从而降低轨迹规划迭代耗时和轨迹偏差修正所带来的制导控制系统负担。
[0003]求解鲁棒轨迹优化问题的典型策略为:先将含有随机微分方程的随机最优控制问题转化为包含扩展确定性微分方程的确定最优控制问题,进而采用高效的轨迹优化算法对该高维问题进行数。值求解,即包含不确定性量化传播和确定性轨迹优化两部分关键技术。典型的不确定性量化传播理论和方法包括蒙特卡洛方法(Monte Carlo,MC)、线性协方差分析法、无迹变换法及混沌多项式展开法(Polynomial Chaos,PC)等。蒙特卡洛方法因其简单易行而被广泛应用于不确定性量化及传播,但大量的数值模拟会导致统计结果收敛速度较慢;线性协方差分析法可对线性高斯过程模型中的不确定性进行量化传播,且具有较 ...
【技术保护点】
【技术特征摘要】
1.一种基于SRSM和NIPC的飞行器鲁棒轨迹优化方法,其特征在于,包括以下步骤:构建参数不确定条件下的飞行器鲁棒轨迹优化问题P
R
;基于非嵌入式混沌多项式NIPC与随机响应面法SRSM构建不确定性量化传播模型,将飞行器鲁棒轨迹优化问题P
R
转化为高维确定性最优控制问题P
ED
;利用逐次线性化方法将高维确定性最优控制问题P
ED
凸化为凸优化问题P
ED
‑
Convex
;将凸优化问题P
ED
‑
Convex
进行离散化处理,得到参数凸优化问题P
ED
‑
disConvex
,并构建基于序列凸优化的优化求解算法,通过迭代求解凸优化问题P
ED
‑
disConvex
逼近飞行器鲁棒轨迹优化问题P
R
的解;将飞行器的总体参数、约束条件参数、不确定参数及权重系数作为参数输入,通过调用基于序列凸优化的优化求解算法进行优化求解,得到最优控制量,完成飞行器轨迹优化。2.根据权利要求1所述的基于SRSM和NIPC的飞行器鲁棒轨迹优化方法,其特征在于,所述飞行器鲁棒轨迹优化问题P
R
的模型为:式(1)中,x(t)为状态向量,u(t)为控制向量,w为系统随机参数向量;u
min
与u
max
为控制量的上下边界;J为目标函数,f为动力学函数,g为过程约束函数,下标μ和σ代表对应变量的均值和标准差,下标0和f分别表示初始与终端状态;k
J
、k
g
为待设计权重系数,x
0μ
与x
0σ
分别为初始状态的均值和标准差,ε
f
为状态终值标准差的上界,为状态向量的随机微分向量。3.根据权利要求2所述的基于SRSM和NIPC的飞行器鲁棒轨迹优化方法,其特征在于,所述基于非嵌入式混沌多项式NIPC与随机响应面法SRSM构建不确定性量化传播模型,将飞行器鲁棒轨迹优化问题P
R
转化为高维确定性最优控制问题P
ED
,具体为:通过引入拉丁超立方采样策略,并基于随机响应面法SRSM将含不确定参数的状态向量的随机微分向量扩展为关于PC多项式系数的高维常微分方程,并通过PC多项式系数计算问题P
R
中状态、约束、目标函数的均值及标准差,进而将飞行器鲁棒轨迹优化问题P
R
转化为高维确定性最优控制问题P
ED
。4.根据权利要求3所述的基于SRSM和NIPC的飞行器鲁棒轨迹优化方法,其特征在于,所述将飞行器鲁棒轨迹优化问题P
R
转化为高维确定性最优控制问题P
ED
,具体包括以下步骤:(1)状态向量的随机微分向量的PC展开假设随机状态向量x为n维,系统参数向量w为s维,则每个状态变量x
i
(t)及参数w
k
展开
为PC多项式:为PC多项式:其中,Δ={Δ1,
…
,Δ
d
}为d维随机向量,Φ
j
(Δ)为正交多项式函数,通过与Δ分布类型相对应的一元正交基函数φ
j
(Δ
l
),l=1,...,d求张量积得到;x
ij
(t)和w
kj
为PC系数,展开项数P+1=[(p+d)!]/(p!d!),即由正交基函数φ
j
(Δ)的阶数p和随机变量维数d决定;PC系数w
kj
及x
ij
(t0)根据w
k
及x
i
(t0)的分布确定,采用随机响应面法导出求解系数x
ij
(t)的表达式;将式(2)、(3)代入式(1)的微分方程中得:其中,i=1,2,...,n,k=1,2,...,s;采用拉丁超立方方法进行n
s
次随机采样,并将随机样本点代入方程(4)中,得微分方程组:式(5)中,X与W分别表示随机状态向量x与参数w的PC系数向量,F(X,u,t,W)为关于扩展状态X的非线性函数,且有:W=[w
10
,
…
,w
1P
,w
20
,
…
,w
2P
,
…
,w
s0
,
…
,w
sP
]
T
ꢀꢀꢀꢀ
(7)设Ω(Δ
m
)=[Φ0(Δ
m
),Φ1(Δ
m
),
…
,Φ
P
(Δ
m
)],(m=1,2,...,n
s
),定义:则若n
s
≥P+1,则通过最小二乘回归法求解式(5)的微分方程组,即有:
式(10)中,常值矩阵采样点n
s
=2(P+1),通过积分式(10)即获得每一时刻的PC系数向量X(t);(2)过程约束及目标函数的PC展开由于过程约束函数g(x(t),u(t),t,w)与目标函数J(x(t),u(t),t,w)均为状态向量x(t)的函数,故采用上述进行混沌多项式展开,具体如下:具体如下:式(11)和(12)中,g
j
(x(t),u(t),t)与J
j
(x(t),u(t),t)为对应函数的PC多项式系数;将随机样本点代入方程(11)、(12)得:代入方程(11)、(12)得:式(13)和(14)中,与分别表示函数g(x(t),u...
【专利技术属性】
技术研发人员:闫循良,王培臣,夏文杰,杨宇轩,杨春伟,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。