基于机器学习的智能控制数值虚拟飞行方法

基于机器学习的智能控制数值虚拟飞行方法

朱超 惠少勇

中航西安飞机工业集团股份有限公司

陕西省西安市 710089

摘要：基于机器学习的智能控制策略下的数值虚拟飞行技术研究。基于 CFD/RBD 耦合算法实现飞行器有控飞行过程中的实时气动更新和获取。引入 BP 神经网络对PID 控制器参数进行自我学习，从而实现飞行器飞行姿态控制系统的智能化，分别结合传统 PID 控制策略和基于BP 神经网络 PID 智能控制策略的数值虚拟飞行模拟，实现小型无人飞行器自由释放后的俯仰角快速稳定控制飞行仿真，基于 BP 神经网络的 PID 智能控制器相比传统 PID 控制器，控制变量的各项性能指标均有显著提升。

关键词：机器学习；智能控制；飞行  

一、机器学习方法

随着计算机技术的发展，机器学习方法受到国内外研究学者越来越多地关注，他们提出的许多机器学习的方法被应用在分类识别中。目前主要机器学习方法有贝叶斯法、神经网络法。

1、贝叶斯法。通过数据挖掘理论构建贝叶斯分类器的方法，该方法新颖，且可以自适应于不同的数据，具有较强的适应性。[1]利用缺失数据的选择性，实现贝叶斯分类的算法，该方法通过统计量构建分类器，能够在样本个数减少的情况下，获得较高的识别率。将加法回归模型应用到贝叶斯网络，实现分类器的选择学习，该方法有效提高了分类的准确性及稳定性，虽然具有方法简单、稳定性强的特点，且具有较强的抗干扰能力，但它们的分类的准确性取决于各自的先验概率，对样本维数较多或特征属性相关性强的样本集，识别效果不佳。

2、神经网络法：提出一种自适应的 RBF 神经网络，有效提高了多类分类的识别率。[2]利用一种改进型 BP 神经网络方法，解决了训练收敛速度慢及识别准确率低的问题。提出一种输电线路故障识别的方法，该方法采用粗神经元和模糊神经元实现故障识别，有效提高了网络训练的速度，取得了较好的成效。基于 RBF 神经网络信号分类的方法，该方法采用免疫算法对网络隐层参数进行优化，获得较高的识别率，提出一种 Elman 神经网络的状态识别方法，该方法利用经验模态分解，提取了状态特征，从而有效识别了不同的故障信号，BP 神经网络的识别方法，该方法采用多目标提取特征，获得了较高的分类准确率。

二、基于机器学习的自适应智能控制律

1、传统增量式 PID控制器设计在传统飞行控制系统中，应用成熟且广泛的是 PID 制器，PID控制器是根据期望值和测量值相减构成控制偏差 e，将偏差 e 的比例项（P）、积分项（I）和微分项（D）通过线性相加形成控制量u，从而实现对被控对象进行控制。

2、基于 BP神经网络的智能 PID控制律设计。基于 BP 神经网络设计的 PID 控制器是一种实时在线的具有自学习和适应性能力的智能 PID 控制器；通过 BP 神经网络使系统能够在线自学习，并实现对任意非线性系统的表达，使得 BP 神经网络能够对 PID 的控制参数实现最佳性能组合。传统的 PID 控制器是直接对被控对象进行调节的，而 BP 神经网络是根据控制系统的运行状态来自动调节 Kp、Ki、Kd从而间接实现被控对象的调整。通过 BP 神经网络的自学习和权值调整，使得 BP 神经网络输出的PID控制参数可以对控制系统变化做出相应的实时调整，对每一次数值虚拟飞行过程，BP 神经网络系统都需要重新学习，但是只需提供初始训练样本，仿真计算过程中计算结果可以直接为下一步的仿真计算提供训练样本。因此，BP 网络学习的样本数量是在仿真过程中实时增加的。

三、基于 BP神经网络智能控制数值虚拟飞行仿真

基于建立的 CFD/RBD 耦合数值虚拟飞行仿真算法，分别采用传统 PID 控制器和基于 BP 神经网络的 PID 智能控制器，构建小型无人飞行器俯仰角跟踪系统，对 Basic Finner 小型无人飞行器的纵向俯仰运动进行带闭环控制的数值虚拟有控飞行数值仿真。参照二阶阻尼系统的动态性能指标，包括超调量 σp、过渡时间 ts、稳态误差等，结合传统PID 控制器的控制效果，对基于 BP 神经网络的智能 PID控制器性能 和效果进行验证和评估分析。

1、传统 PID控制器。传统 PID 控制器采用基于线性模型的经验试凑法进行 PID 参数整定，构成闭环俯仰姿态角稳定控制系统，具体采用的 PID 控制参数比例系数 Kp=0. 2，Ki=30，Kd=0. 06，对小型无人飞行器俯仰通道自由释放后的无控飞行状态和加入传统 PID闭环控制后的飞行状态分别进行数值模拟。

对小型无人飞行器自由释放后的俯仰角进行快速稳定控制，以及对阶跃式、俯仰角输入进行跟踪控制时，采用传统 PID 控制器可以达到所需要的控制效果。但是在具体应用时，为了达到理想的控制效果，需要对 PID 控制器参数进行反复调整，才能改善其系统性能，严重依赖于设计人员的工程经验，不利于控制系统快速设计。

2、基于 BP神经网络的 PID智能控制器，BP 神经网络具有逼近任意非线性函数的能力，将其应用于 PID 控制系统设计时，可以通过对系统性能的智能学习来实现 PID 最佳参数的自动组合。通过采用基于机器学习的 BP 神经网络，建立 Kp、Ki、Kd参数自学习的神经网络PID 智能控制，达到 PID 参数自行调整和优化的目的，实现基于 PID 智能控制的小型无人飞行器数值虚拟飞行仿真算法，并采用以下算例进行验证。仿真计算采用的非定常物理推进时间步长为 1 ms，控制系统控制周期为 1 ms，采用建立的智能 PID 控制策略下的数值虚拟飞行仿真算法，分别进行了俯仰姿态角输入的跟踪与控制虚拟飞行仿真。采用 BP 神经网络智能 PID 控制的数值虚拟飞行算法，对小型无人飞行器自由释放后的俯仰角快速稳定飞行状态和俯仰角跟踪飞行状态进行仿真后，其结果表明，智能 PID 控制器取得了很好的控制效果，相比于传统 PID 控制器，各项性能指标均有显著提升，且人工干预的工作量大大减少；不同的学习效率也会影响 BP 神经网络智能 PID 的控制性能；不同输入条件下，特别是 15°俯仰角工况下的姿态跟踪，气动上已出现局部的非线性，BP 神经网络智能 PID 控制也能达到满意的控制效果，具备良好的泛化能力。

参考文献：

［1］ 蒋胜矩，梁益铭 . 基于数值虚拟飞行技术的弹丸稳定性评估方法［J］. 弹箭与制导学报，2019，37（1）：18

［2］ 梁益铭，康顺 . 旋转弹箭数值虚拟飞行研究［J］. 弹箭与制导学报，2019，37（1）：107-111.

［3］ 罗炯，李志宏，陈科. 基于嵌套网格变几何轴对称进气道非定数值模拟［J］. 航空学报 ，2019，43（12）：28.