硕士开题报告范例完整版.docx
XX大学攻读硕士学位研究生课题论证报告姓名学号专业研究方向指导教师2013年12月17日课题名称:民机飞行特情状态预测及改出控制研究选题依据(包括课题的来源、研究目的、必要性和重要性、意义以及国内外研究的技术现状分析)1 .课题来源2 .课题研究意义和目的2.1 课题研究的意义通过多年的飞行事故统计,可以发现由于民航飞机本身的意外系统故障或者突发外部环境干扰诱发的飞行员操纵失误,进而导致飞机失控的事故占到了总事故的75%,伤亡人数更是占到了伤亡总人数的85%以上。因此,进行有效的飞机状态短时预测对飞行平安有着很大帮助,主要表达在以下两个方面。第一,通过针对性地设计改出控制律,提高自动飞行的平安性;第二,可向驾驶员提前预警,以便采取应急措施。研究民用飞机飞行特情的状态预测及改出特情的飞行控制律设计具有理论意义和工程实用价值。2.2 课题研究的目的:本课题研究的目的是实现在特殊情况下对飞机状态的预测以及控制。首先建立飞机动力学仿真模型;在此根底上,对受到特定的外部环境或自身故障影响下的飞机进行飞行状态短时预测。最后,以飞行平安包线保护为控制目标,实现改出特情状态的飞行控制律设计。3 .国内外研究现状分析1 .1由特情造成的飞机失控事故分析飞行失控(1.oss-Of-Contro1.1.OC)是指飞机在可控飞行状态下,由于某种原因进入危险姿态而未能正确改出,以致飞机超出正常飞行包线,从而造成飞行事故,是诱发严重飞行事故和人员伤亡的主要原因【I据国际民用航空组织(ICAC)的统计,在2008年商用喷气飞机事故中,由飞机失控和可控飞行触地引发的事故为39起,占总事故的42.8%,造成人员伤亡2887,占总伤亡人数的61.2%。这其中,由飞机驾驶员错误判断导致飞行事故占到了42.8%。事故统计分析此类事故是由以下三种不利因素导致的。第一,机载设备发生故障;第二,外部环境的恶劣变化和扰动;第三,飞机处于异常飞行状态(如飞机处于不正常高度或者不正常的速度)。而且尤以前两个因素为主要诱因,占据了飞机失控和可控飞行触地事故起因的90%以上。随着飞机本身的可控性和可靠性的不断开展,由民航飞机本身的意外系统故障或者突发外部环境干扰直接造成飞机失控进而导致飞机事故呈下降趋势,并且飞机在遭遇微下击暴流或低空风切变等大多数特殊情况下,只要机组人员做出正确判断和决策,飞机是具有改出的能力的。所以大多数事故是由在特情下对飞机错误操作导致飞机振荡、失控而产生的。因此,对飞机状态进行短时预测和改出控制律设计对飞行平安是有着很大帮助。3 .2飞行状态预测的手段鉴于飞机失控对飞行平安的严重威胁,2000年以后,FAA,美国波音公司,NASA兰利研究中心等许多著名的航空研究机构就飞行状态预测,飞行控制策略进行了深入的研究。就飞行状态预测而言,研究主要针对以下几个问题:(1)如何建立飞行动力学模型来精确反映飞机运动状态的非线性动力学特性。以往的飞行动力学模型的理论根底是在飞机平衡点附近,对非线性系统应用一阶Tayk展开,所得结果是原非线性系统在特定平衡点周围的局部近似。这种方法的缺点主要有两点。第一,由于采用一阶Taylor展开而带来的舍入误差;第二,在遇到实际微下击暴流或者低空飞切变时,飞机的运动状态已不在该平衡点附近,如果仍基于该线化模型进行控制律设计,其控制效果将远不会到达预期效果,有时甚至会导致飞机的振荡、失控进而导致严重的飞机事故。(2)采用何种算法进行飞行状态预测。对于商用民航飞机而言,目前预测失控趋势的手段较为单一,只有基于观测数据的预测方法和基于小扰动线化方程设计自适应预测控制模型。近年来,为解决飞机运动状态的非线性动力学模型的建立问题,线性变参数(1.PV)模型在飞行动力学方面有了很大开展,并已成功应用于固定翼飞机和无人机运动建模。1.PV模型是一类重要的时变系统模型,其状态空间矩阵是实时可测且在闭集上变化的变参数确实定函数。基于1.PV模型的鲁棒变增益控制由于能够在理论上保证系统的全局稳定性和鲁棒性,克服了传统变增益控制的缺点。由于飞机在要根据不同的改出控制策略以及飞行状态变化而动态更新模型,而1.PV模型恰好可以通过一定的调度算法更新系数矩阵,计算获得新的状态。这种在线修正的特点,恰好可以应用于飞机模型的建立。在1.PV建模的根底上,飞行状态预测可以得到进一步完善向。一种方法是采用状态滤波方法,状态滤波方法是,在1.PV模型的根底上,应用推广卡尔曼滤波或无味滤波短时估计失控后的飞行状态变化。只要有完整气动数据的支持,这种估计方法能在很大程度上逼近实际情况。另一种模型预测方法是采用无模型的神经网络进行预测。不过这种预测方式一般需要大量事故的飞行数据的支持和风洞试验数据的支持才能有很好的效果。3 .3改出控制美国波音公司,NASA兰利研究中心等许多著名的航空研究机构为实现更全面的飞行平安控制策略,提出了基于包线保护策略的飞行平安控制律设计方案。即在有外部环境干扰(如湍流或者低空飞切变)或者飞机本身的意外系统故障(如单发停车或者飞机舵面卡阻)的情况下,预测飞机飞行状态,并给出飞机控制律或者一组控制序列,使飞机可以在平安状态下(即平安的飞行包线内)实现改出或者降落。飞行包线综合地描述了一架飞机所能平安飞行的高度与速度范围,反映了气动、推力和结构等因素对飞行范围的限制。以B737飞机为例,如图1(八)所示,为B737飞机建模数据提供的该机襟翼收起的正常飞行的迎角-侧滑角包线,(b)图所示,为襟翼着陆构型时的包线。可以看出,一般商用飞机经飞行试验验证的包线只是飞行模拟器上所用包线的子包络,只有在经验证的包线内飞行才是绝对平安的。包线保护系统通过控制律设计、增加限制器等措施使得飞机能够在包线范围内平安飞行。目前,包线保护系统已广泛应用在改出风切变飞控设计中。图1B-737飞机迎角-侧滑角包线由上述可知,飞行平安的关键就是当飞机状态处于飞行包线边缘,即临界状态时,可以通过飞机自动飞行系统自身或者人为干预使得飞机改出可以危险姿态,防止出现超出飞行包线的发生。因此要实现基于包线保护系统的飞行平安策略关键包括两个方面:(1)决定性参数的选取与平安包线的制定。在不利因素干扰下,飞机的运动参数不断变化。对于这些特殊飞行状态,将那些对飞行平安性具有决定性作用的参数称为决定性参数。通常情况下决定性参数会包括:迎角、过载、表速、滚转角速度等。(2)在危险状态下的改出控制律设计。目前,主要有两种设计方法。一种是基于1.PV模型的变增益控制器设计。基于1.PV模型的变增益控制器可以利用有限个设计点(平衡点),自行进行自增益调节,进而完成对飞机状态的控制,并且在所考虑的包线范围内保证一定程度的鲁棒稳定性和鲁棒性能。第二种方法是基于模型预测控制的控制器设计。这种设计方法主要包括三个关键步骤:预测系统未来动态;(数值)求解最优化问题,给出控制律或控制序列;将优化解的第一个元素作用于系统。模型预测控制在飞行控制方面有着很明显的优势,主要包括两个方面。一是,显式和主动处理约束;二是,预测模型可以进行在线修正。本课题针对民航商用飞机,尝试应用滤波方法或神经网络方法对飞机进行状态预测,并对可能存在的失控情况,研究改出危险状态的方法,并以一种新的控制器设计思路-模型预测控制为理论根底,探讨基于此理论进行控制器设计的方法。课题研究方案(包括具体的研究目标、研究内容和拟解决的关键问题;拟采取的研究方法、技术路线、实验方案及可行性分析)4 .研究目标、研究内容和拟解决的关键问题课题的研究目标包括:从B737的真实的飞行数据入手,建立B737飞机飞行动力学模型,实现飞机短时状态预测和危险状态下的改出控制律设计。其具体研究内容有:(1)含一定自动飞行系统的B737飞行动力学模型。从现有的B737飞机数据和已有的六自由度飞机动力学模型的C+开源代码入手,利用数据系统地构建B737飞机模型。它主要包括气动力/力矩模型、运动方程模型、起落架力和力矩模型、大气紊流和风模型等关键模型。飞行系统模型所要完成的功能有:飞机空气动力学的仿真、实现特定状态下的飞机配平和一定的飞机纵向面的自动飞行任务,(如机翼水平状态下的恒速平飞,机翼水平状态下的稳定爬升等)。飞行动力学模型将用以支持之后课题的飞行仿真及控制律验证可行性。(2)飞机状态预测及失控趋势检测。针对B737飞机模型基于动态配平,和典型的大量事故的飞行数据,建立神经网络。之后验证神经网络的有效性,在舵面突发扰动的情况下,将B737飞机的实际飞行状态轨迹和经神经网络预测的飞行状态进行比拟,观察尤其是会影响飞行平安的决定性参数的变化趋势。(3)飞机危险状态下的改出控制律设计当B737飞机在遭遇会引起飞机失控的大气扰动的情况,采用模型预测控制设计改出控制律,按“滚动优化”控制策略设置控制变量。在飞机动力学模型仿真中,让飞机受到突发扰动时,检验模型预测控制的有效性。课题拟解决的关键问题包括:神经网络预测问题神经网络预测模型般需要大量事故的飞行数据和风洞试验数据的支持。而且,设计神经网络的隐含层数、神经元个数和传输函数的选取都依赖于经验,并没有成熟的理论支持。(2)决定性参数的选取如何选取足够的决定性参数来量化计算飞行平安是设计平安飞行包线的难点。在不同的飞行状态下,不同的状态变量会对飞机平安有着不同程度的影响,明确哪些状态变量更为重要,有着更为重要的控制优先级。(3)模型预测控制的模型选取问题。在改出控制律设计时,动力学模型的选取对模型预测控制的控制效果有着至关重要的影响。因此,对于动力学模型的选取要十分慎重。目前优先采用无模型的神经网络进行测试,并根据实际需要修正优化预测模型。(4)模型预测控制的算法选取问题。在模型预测控制中,优化算法会直接影响控制律的设计,为了使得飞机状态可以更好更快的到达理想的飞行状态,不同的算法将会根据实际需要进行取舍。5 .拟采取的研究方法、技术路线、实验方案及可行性分析5.1 研究方法与技术路线飞机空气动力学建模是本课题研究的根底。在此根底上,研究神经网络预测机制,并分别基于模型预测控制技术完成对飞机改出危险的控制律设计。研究步骤如图2所示。图2课题研究步骤(1)飞机六自由度模型。基于飞行数据建立的非线性动力学模型通过大量插值运算和局部近似,计算空气动力学系数和发动机推,充分反映了气动力和发动机推力的非线性动态。对简化非线性模型应进行典型操纵输入试验,分别测试纵向长短周期模态、滚转衰减模态。通过比照验证,对简化模型进行修正和优化。(2)飞机的状态预测和控制律设计。收集局部事故的飞行数据,用以建立基于动态配平的神经网络,进行飞机状态预测。并在此根底上进行有包线保护约束模型预测控制(MPC),如图3所示。并将计算所得的控制变量输入到飞行动力学模型中,并基于FlightGear进行可视化输出,验证算法的有效性。获取仿真时飞行状态是否有失控趋势根据改出控制律设定控制输入量(结束)图3单步仿真流程图5.2 研究可行性分析目前,实验室已获得B737NG飞机的建模的相关数据和局部飞机事故飞行数据和开源的飞行动力学模型JSBSim,并已完成了飞行动力学模型的初步建立,可用于飞行模拟器的飞行实时仿真。在此根底上,进行特情飞行状态预测和MPC控制律设计完全可行。研究基础(包括与本工程有关的研究工作积累和已取得的研究工作成绩;课题研究现有的根底和已具备的实验条件,可能遇到的困难或问题和拟解决的途径和措施等)。1 .研究工作积累和已具备的实验条件(1)掌握飞行动力学建模所需的相关知识,熟悉神经网络建立的各个环节以及一定的理论根底,初步了解MPC的根底知识和使用方法。(2)熟练C+相关知识,可以熟练使用MicrosoftVisualStudio2010所提供的开发环境。(3)掌握基于开源的飞行动力学模型代码(JSBSim)软件,并通过适当修改,使飞机动力学模型符合B737的飞行特征。2 .可能遇到的困难及解决途径(1)神经网络预测问题神经网络预测在设计神经网络的隐含层数、神经元个数和传输函数的选取时,大都依赖于经验,并没有成熟的理论支持。这就需要通过对神经网络进行屡次实验测试,并在这些测试过程中不断修正及优化神经网络模型。(2)决定性参数的选取由于在不同的飞行状态下,不同的状态变量会对飞机平安有着不同程度的影响。所以可以通过以往文献确立哪些决定性参数更为关键,并通过实验验证选取这些状态变量为决定性参数的可行性及有效性。(3)模型预测控制的模型选取问题。在改出控制律设计时,动力学模型的选取对模型预测控制的控制效果有着至关重要的影响。因此,对于动力学模型的选取要十分慎重。目前优先采用无模型的神经网络进行测试,并根据实际需要修正优化预测模型。(4)模型预测控制的算法选取问题。在模型预测控制中,优化算法会直接影响控制律的设计,为了使得飞机状态可以更好更快的到达理想的飞行状态,不同的算法将会根据实际需要进行取舍。研究计划和进度2013年12月-2014年3月:建立飞行动力学模型,并验证模型准确性。2014年3月-2014年6月:完成基于飞行事故数据的神经网络预测,并根据实际仿真情况验证其有效性。2014年6月-2014年10月:完成基于模型预测控制的控制律设计。2013年10月-2014年12月:完成毕业论文。研究经费预算与来源(含支持本课题的工程编号)参考文献1伍开元.飞行技术与航空平安研究M.成都:四川科学技术出版社,2006.11.17.2 StatisticalSummaryofCommercialJetAirplaneAccidents,WorldwideOperations,1959-2008,BoeingCommercialAirplanes,July2009.3 TheBoeingCompany.StatisticalSummaryofCommercialJetAirplaneAccidentsWorldwideOperations1959-2011.4 AndresMarcos,GaryJBalas.Developmentof1.inearParameterVaryingModelsforAircraft.JournalofGuidance,Control,andDynamics,2004,27(2):218-228.5宗群,吉月辉,窦立谦等.无人机侧向系统1.PV模型降阶.控制与决策,2010,25(6):948-952.6 ShinJY.Worst-caseanalysisandlinearparametervaryinggainscheduledcontrolofaerospacesystemsD.UniversityofMinnesota,2000.7 AtillaDogan.GuidanceStrategiesforMicroburstEscape.Ph.DDissertationofUniversityofMichigan,2000.8 1.ingMa,YouminZhang.FaultDetectionandDiagnosisforGTMUAVwithDualUnscentedKalmanFilter.In:AIAAGuidance,NavigationandControlConference,2010,1-12.19 Yavrucuk1.AdaptivelimitmargindetectionandlimitavoidanceM.2003.10葛志浩,徐浩军,孟捷.飞行失控的向量空间建模与应用研究J飞行力学,2008,26(3):18-21.I111RobertAR,JamesEW,WilliamG.DynamicsModelingandSimulationof1.argeTransportAirplanesinUpsetConditions!R.AIAA20055933,2005.12JamesEW,JohnVF.DefiningCommercialTransport1.ossofControlAQuantitativeApproachR.AIAA20044811,2004.13TulvioSDurand,RichardJWasicko.AnAnalysisofCarrier1.andinglR.AIAA65-791,1965,plp34114JJMUmes,RKHess,RFMoomaw,RKHuff.H-DotAutomaticCarrier1.andingSystemforApproachControlinTurbulenceRlAIAA79-1772R,1981,Vol.4,pl77-pl83115EduardoCamponogara,DongJia,BruceH.Krogh,andSaroshTalukdar.DistributedModelPredictiveControlJ.IEEEControlSystemsMagazinel16JasminFPatry.ModelPredictiveControlDesignwithProcessConstraintsandImplicitEconomicCriteriaJ1IEEEInstrumentationandMeasurement117BeiHuandArno1.innemann.TowardInfinite-HorizonOptimalityinNonlinearModelPredictiveControlJ1IEEETransactionsonAutomaticControl,vol.47,NO.4,APRI1.2002118席裕庚预测控制.北京:国防工业出版社,199619王树青.先进控制技术及应用.北京:化学工业出版社,200120肖顺达.飞行自动控制系统(上、下册)M.北京:国防工业出版社980121飞机飞行品质分析S.中华人民共和国航空工业部,1983122 Isidori,A.,NonlinearControlSystems:AnIntroduction,Vol.72,1.ectureNotesinControlandInformationScience,Springer-Verlag,Berlin,198523 Tahk,M.,Briggs,M.M.,andMenon,P.K.A.,uApplicationsofPlantInversionviaStateFeedbacktoMissileAutopilotDesign,"Proceedingsofthe27thIEEEConferenceonDecisionandControl(Austin,TX),Dec.1988,pp.730-735.24 Desoer,C.A.,andWang,Y.-T.,"FoundationsofFeedbackTheoryforNonlinearDynamicalSystems/'IEEETransactionsonCircuitsandSystems,Vol.CAS-27,No.2,Feb.1980,pp.104-123.25 Reichert,R.,nModernRobustControlforMissileAutopilotDesign,"ProceedingsoftheAmericanControlConference(SanDiego,CA),June1990,pp.2368-2373.26 Shamma,J.S.,andAthans,M.,nGuaranteedPropertiesOfGainScheduledControlof1.inearParameter-VaryingPlants/1Automatica,Vol.27,No.3,May1991,pp.559-565.27 Shahruz,S.M.,andBehtash,S.,"DesignofControllersfor1.inearParameterVaryingSystemsbytheGainSchedulingTechnique,"BerkeleyEngineeringResearchInst.,MemorandumBERIM90l,Univ.ofCalifornia,Berkeley,CA,Jan.1990.28 Shamma,J.S.,andAthans,M.,uGainScheduling:PotentialHazardsandPossibleRemedies/IEEEControlSystemsMagazine,June1992.HDesoer,C.A.,andVidyasagar,M.,FeedbackSystems:Input-OutputProperties,Academic,NewYork,197529肖业伦,金长江.大气扰动中的飞行原理M.北京:国防工业出版社,1993.文献综述(不少于6千字)一、概述飞机失控是民用运输机失事的主要原因之一。导致飞机失控的原因有多种多样,诱因主要表达在以下三个方面。第一,机载设备发生故障;第二,外部环境的恶劣变化和扰动;第三,飞机处于异常飞行状态(如飞机处于不正常高度或者不正常的速度)。随着飞机本身的可控性和可靠性的不断开展,由民航飞机本身的意外系统故障或者突发外部环境干扰直接造成飞机失控进而导致飞机事故呈下降趋势,并且飞机在遭遇微下击暴流或低空风切变等大多数特殊情况下,只要机组人员做出正确判断和决策,飞机是具有改出的能力的。所以大多数事故是由在特情下对飞机错误操作导致飞机振荡、失控而产生的。因此,对飞机状态进行短时预测和改出控制律设计对飞行平安是有着很大帮助。本课题研究的目的是实现在特殊情况下对飞机状态的预测以及控制。首先建立飞机动力学仿真模型;然后基于模型的根底上,对受到特定的外部环境或自身故障影响下的飞机进行状态预测。最后,以包线保护为控制目标,实现飞机平安飞行的目的。二、飞机事故分析随着飞机平安性水平的提高,是近几10年来技术进步和管理水平提高的综合效应,是平安性分析、设计、验证及管理技术和各种科学技术进步相结合的结果。首先,飞行器、发动机、各种平安关键系统设计技术的改良和计算机、电子、信息、新材料及新工艺等的应用,大大减少了飞行器及各种系统的故障;其次是各种显示、监控和告警设备的采用,使飞行人员能随时了解飞行器的工作状况,及时采取有效的防止事故发生的措施;第三是飞行人员的培训方法的改良及驾驶技术的提高,减少了各种驾驶过失所造成的事故;第四是地面使用、维修、保障和空中交通管制设施及技术的改良;第五是飞行平安规章及条例的实施和贯彻。然而,近20多年来,一是因为飞行器的复杂性大大提高,飞行器研制中仍然存在着一定数量的可能导致灾难性事故的设计缺陷;二是由于人为因素导致灾难性飞行事故发生的主导因素,而且这些人为因素存在着很大的随机性。飞机的飞行事故受飞机设计、驾驶员操作、地面维修、空中交通管制和气象等各种复杂因素的影响,而且许多事故往往是多种相关联的因素影响造成的;同时,由于各种飞机因使用环境条件、飞行剖面,飞行持续时间等的不同,造成事故的主导因素也可能不同;此外,随着技术进步,造成事故的主导因素也可能发生变化。美国把飞机事故主要原因划分为驾驶和后勤两类。驾驶类事故包括飞机失控、撞地、空中相撞、起飞与着陆过程造成的事故;后勤类事故包括发动机、飞行操纵系统、燃油系统、起落架、结构、液压系统及电气系统等的设计缺陷、设备故障或维修过失等造成的事故。近20年来,虽然飞机总的事故次数在不断下降,而这些事故中其中占绝大算数是由于人为因素而直接或者间接导致的飞行失控而产生的。飞行失控(1.oss-Of-Controh1.OC)是指飞机在可控飞行状态下,由于某种原因进入危险姿态而未能正确改出,以致飞机超出正常飞行包线,从而造成飞行事故,是诱发严重飞行事故和人员伤亡的主要原因。据国际民用航空组织(ICAc)的统计,在2008年商用喷气飞机事故中,由飞机失控和可控飞行触地引发的事故为39起,占总事故的42.8%,造成人员伤亡2887,占总伤亡人数的61.2%。这其中,由飞机驾驶员错误判断导致飞行事故占到了42.8%0事故统计分析此类事故是由以下三种不利因素导致的。第一,机载设备发生故障;第二,外部环境的恶劣变化和扰动;第三,飞机处于异常飞行状态(如飞机处于不正常高度或者不正常的速度)。而且尤以前两个因素为主要诱因,占据了事故起因的90%以上。随着飞机本身的可控性和可靠性的不断开展,由民航飞机本身的意外系统故障或者突发外部环境干扰直接造成飞机失控进而导致飞机事故呈下降趋势,并且飞机在遭遇微下击暴流或低空风切变等大多数特殊情况下,只要机组人员做出正确判断和决策,飞机是具有改出的能力的。所以大多数事故是由在特情下对飞机错误操作导致飞机振荡、失控而产生的。为防止人为过失,一方面是改良飞机平安性设计和分析,采用自动化技术,从设计上防止人为过失及其影响;另一方面是开展人为因素研究,尽量防止人为过失,减少飞机的飞行事故。美英等航空兴旺国家及世界民航组织都在实施人为因素研究方案,主要工程包括飞行员疲劳、飞行时差反响、飞行员生理节奏失调、飞行员之间的协调、人为过失的监控、人为过失的事故链、飞机座舱自动化的人为因素以及显示和告警系统的人为因素等。就第一方面而言,实现飞机状态进行短时预测和改出控制律设计对飞行平安是有着很大帮助。三、飞机状态预测模型飞机的飞行状态预测问题历来是飞控系统设计与仿真、机动目标跟踪以及飞行器系统辨识等领域关心的重大课题。美国学者RKlrnn于六十年代初提出了卡尔曼滤波算法,该算法非常适合于计算机递推计算,成为解决状态预测问题的最有效手段,在工程中获得了广泛的应用。随着应用的展开,人们对卡尔曼滤波算法进行了种种的改良。为了适应非线性系统,提出了推广卡尔曼滤波,为进一步提高非线性滤波精度,又研究了迭代滤波、非线性二阶滤波等算法。对于商用民航飞机而言,研究其有无发生失控的趋势,对于提高飞行平安是很有意义的。如在飞机发生积冰、舵面失效或者遭遇到强对流天气时,短时预测系统如果能给出飞机有无失控趋势,这将给机组人员及时作出相应对策有重大帮助。因此如何借助动力学模型,并基于模型给出失控趋势的预测,是目前研究的重点之一。自2000年以后,FAA,美国波音公司,NASA兰利研究中心等许多著名的航空研究机构就飞行状态预测,飞行控制策略进行了深入的研究。就飞行状态预测而言,研究主要针对以下几个问题:(1)如何建立可以精确反映飞机运动状态的非线性动力学特性。以往的飞行动力学模型的理论根底是在飞机平衡点附近,对非线性系统应用一阶TayIor展开,所得结果是原非线性系统在特定平衡点周围的局部近似。这种方法的缺点主要有两点。第一,由于采用一阶Taylor展开而带来的舍入误差;第二,在遇到实际微下击暴流或者低空飞切变时,飞机的运动状态已不在该平衡点附近,如果仍基于该线化模型进行控制律设计,其控制效果将远不会到达预期效果,有时甚至会导致飞机的振荡、失控进而导致严重的飞机事故。(2)采用何种算法进行飞行状态预测。对于商用民航飞机而言,目前预测失控趋势的手段较为单一,只有基于观测数据的预测方法和基于小扰动线化方程设计自适应预测控制模型。许多成功的工程实践证明变增益是一种非常有效并广泛使用的方法,特别是在航空航天领域。传统的变增益控制系统的设计思想是采用多个线性控制器来近似替代所要求的非线性控制器。例如飞行控制系统,因为飞机的动力方程在整个飞行包线内不能用一个线性模型表示,所以首先在飞行包线内选取多个设计点,在这些设计点上进行线性化,然后在每个设计点上采用传统的控制器设计方法(如PID、1.Q)设计线性控制器,最后通过预定的调度程序在这些线性控制器之间插值,得到一个完整的非线性控制律。传统的变增益控制是补偿非线性特性的一种有效方法,在这种方案中,控制器对变化的运行条件能做出快速的反响,但是传统变增益方法的局限在于控制器的参数是按开环方式改变的,没有来自闭环系统性能的反响作用,而且传统变增益控制缺乏稳定性的严格理论证明。近年来,许多学者都致力于研究一种称为自增益调度的新控制器综合方法,这种方法设计出的控制器依赖于调度变量,并且在所考虑的包线范围内能保证一定程度的鲁棒稳定性和鲁棒性能,最大优点是:(1)同传统变增益控制不同,设计者不必再考虑如何插值;(2)鲁棒稳定性可以从理论上保证,而不必通过详尽的计算机仿真来证明。这就是20世纪90年代后期开展的基于线性变参数(1.inearParameterVarying,1.PV)系统的变增益技术,这种技术在工作区域期间采用自增益,保证了闭环系统的鲁棒性和稳定性,并已成功应用于固定翼飞机和无人机运动建模。1.PV模型是一类重要的时变系统模型,其状态空间矩阵是实时可测且在闭集上变化的变参数确实定函数。基于1.PV模型的鲁棒变增益控制由于能够在理论上保证系统的全局稳定性和鲁棒性,克服了传统变增益控制的缺点。由于飞机在要根据不同的改出控制策略以及飞行状态变化而动态更新模型,而1.PV模型恰好可以通过一定的调度算法更新系数矩阵,计算获得新的状态。这种在线修正的特点,恰好可以应用于飞机模型的建立。就1.PV建模而言,目前1.PV建模,主要分为两类,一类是基于系统的动态非线性系统方程的分析法;另外一种那么是根据系统的输入输出数据的实验法,主要是采用不同的辨识算法。两类方法都存在一定的缺点和限制。对于分析法,第一种方法称为雅可比线性化(JaCObianlineariZation)方法;第二种方法称为状态变换方法(StatetranSfOrmations);最后一种方法称作函数替换法(Functionsubstitution)o这三种方法的共同点就是都依赖系统的平衡点,其中前两种方法依赖于系统的多个平衡点,保守性更大些,最后一种方法只依赖于系统的一个平衡点。由于三种方法的共同缺点就是对平衡点的依赖,并且平衡点的选取对于系统性能的影响目前还没有计算方法,同时引入了平衡点就增加了系统的误差,也增加了计算量,而且求取系统的平衡点也是一件非常复杂的事情。另一类1.PV建模是利用实验法,通过系统辨识的方法首先获得系统的神经网络模型,然后转化为1.FT的形式,最后获得1.PV系统的多胞形结构,并将结果应用于控制中。在1.PV建模的根底上,飞行状态预测可以得到进一步完善。一种方法是采用状态滤波方法,状态滤波方法是,在1.PV模型的根底上,应用推广卡尔曼滤波或无味滤波短时估计失控后的飞行状态变化。只要有完整气动数据的支持,这种估计方法能在很大程度上逼近实际情况,并且该方法已成功运用在无人机失控后的状态估计,并与实际飞行状态进行了比照验证。另一种是采用基于动态配平(dynamictrim)的神经网络分析方法。这种方法先将飞机的状态变量分为受到扰动后可以快速到达平衡的快速状态变量和受到扰动后缓慢随时间变化的慢速状态变量,之后以慢速状态变量和飞行控制变量作为神经网络输入,飞行决定性参数作为神经网络输出,并基于飞机较完整的飞行试验数据训练神经网络。应用训练好的神经网络对处于各种飞行状态和控制输入情况下的飞机进行飞行状态预测。不过这种预测方式一般需要大量事故的飞行数据的支持和风洞试验数据的支持才能有很好的效果。四、飞机改出控制律设计美国波音公司,NASA兰利研究中心等许多著名的航空研究机构为实现更全面的飞行平安控制策略,提出了基于包线保护策略的飞行平安控制律设计方案。即在有外部环境干扰(如湍流或者低空飞切变)或者飞机本身的意外系统故隙(如单发停车或者飞机舵面卡阻)的情况下,预测飞机飞行状态,并给出飞机控制律或者一组控制序列,使飞机可以在平安状态下(即平安的飞行包线内)实现改出或者降落。飞行包线综合地描述了一架飞机所能平安飞行的高度与速度范围,反映了气动、推力和结构等因素对飞行范围的限制。以B737飞机为例,如图1(八)所示,为B737飞机建模数据提供的该机襟翼收起的正常飞行的迎角-侧滑角包线,(b)图所示,为襟翼着陆构型时的包线。可以看出,一般商用飞机经飞行试验验证的包线只是飞行模拟器上所用包线的子包络,只有在经验证的包线内飞行才是绝对平安的。包线保护系统通过控制律设计、增加限制器等措施使得飞机能够在包线范围内平安飞行。目前,包线保护系统已广泛应用在改出风切变飞控设计中叫由上述可知,飞行平安的关键就是当飞机状态处于飞行包线边缘,即临界状态时,可以通过飞机自动飞行系统自身或者人为干预使得飞机改出可以危险姿态,防止出现超出飞行包线的发生。因此要实现基于包线保护系统的飞行平安策略关键包括两个方面:(1)决定性参数的选取与平安包线的制定。在不利因素干扰下,飞机的运动参数不断变化。对于这些特殊飞行状态,将那些对飞行平安性具有决定性作用的参数称为决定性参数。通常情况下决定性参数会包括:迎角、过载、表速、滚转角速度等。(2)在危险状态下的改出控制律设计。目前,主要有两种设计方法。一种是基于1.PV模型的变增益控制器设计。基于1.PV模型的变增益控制器可以利用有限个设计点(平衡点),自行进行自增益调节,进而完成对飞机状态的控制,并且在所考虑的包线范围内保证一定程度的鲁棒稳定性和鲁棒性能。第二种方法是基于模型预测控制的控制器设计。这种设计方法主要包括三个关键步骤:预测系统未来动态;(数值)求解最优化问题,给出控制律或控制序列;将优化解的第一个元素作用于系统。模型预测控制在飞行控制方面有着很明显的优势,主要包括两个方面。一是,显式和主动处理约束;二是,预测模型可以进行在线修正。模型预测控制(MOdeIPredictiveControl,MPC)是一种基于模型的先进控制技术,它是20世纪70年代中后期在欧美工业领域内出现的一类新型计算机优化控制算法。该算法直接产生于工业过程控制的实际应用,并在与工业应用的紧密结合中不断完善和成熟。经典控制理论和现代控制理论都需要受控对象的精确数学模型,然而实际中的对象往往是多变量、高阶、时变的复杂过程。与之相反,模型预测控制对模型精度的要求不高,同时却具有较高的控制性能。模型预测控制的优点决定了该方法能够有效地用于复杂工业过程的控制,并且已在石油、化工、冶金、机械等工业部门的过程控制系统中得到了成功的应用。近十多年来,预测控制在理论和应用方面开展十分迅速。结合近几年开展起来的各种先进控制策略,形成了一系列预测控制新算法。如极点配置预测控制、解耦预测控制、前馈补偿预测控制、自适应预测控制、鲁棒预测控制、智能预测控制等。极点配置预测控制是将极点配置方法与预测控制技术相结合,通过改变控制器的参数或在目标函数中引入加权多项式等方法来配置闭环系统的极点,使闭环系统有期望的稳定度。解耦预测控制是一类在多变量系统解耦根底上的预测控制算法,通过分散化和关联预测,得出一种建立在解耦根底上的多变量DMC设计方法。前馈补偿预测控制是在预测控制系统中引入前馈补偿器,构成前馈通道,来抑制扰动的具有扰动前馈补偿功能的预测控制算法。利用前馈补偿器实现系统解耦功能,提出一种基于多输入多输出模糊控制器的广义预测控制算法。自适应预测控制是将预测控制与自适应控制相结合构成的一类自适应预测控制器,实现方法很多。目前,预测控制已经开展到针对有扰动、有摄动和有约束的模型预测控制,研究其稳定性、鲁棒性、可行性等。带有约束的模型预测控制(CMPC)