目前，通常有2种策略实现对拖曳飞行器运动轨迹的控制。一种为间接的被动控制方法，即通过拖曳母机的航路规划和控制，以间接实现对无操纵面拖曳飞行器的被动控制[18-20]，由于需要复杂的缆绳模型计算和母机规划控制，该方法很难实现拖曳飞行器的高精度控制。另一种方法则直接用拖曳飞行器上配备的多个气动操纵面，实现对拖曳飞行器运动的主动控制[5]，该方法已被应用于空中加油拖曳浮标稳定[21-22]和绳系拖曳靶标控制[3, 5-6]等领域，其能实现更高精度和效率的轨迹控制，也避免了间接方法中的规划与控制设计。因此，这种主动操纵面直接控制为拖曳飞行器轨迹控制提供了一种更高效的解决方案。
然而，当前针对拖曳飞行器的抗干扰精确轨迹跟踪控制的研究却相对较少。国外****Ro等[22-23]提出基于线性化的加油软管-锥套模型，设计了轨迹控制器，但并未考虑未知气流和不可测缆绳拉力的干扰作用，其控制精度和抗干扰能力有待进一步验证。Sun等[24]将拖曳飞行器视为质点，提出了一种仅以浮标阻力系数为唯一控制变量的位置稳定控制器，但并未考虑拖曳飞行器的六自由度(6 DOF)模型。Bourmistrov等[5]提出了基于非线性动态逆的拖曳靶标轨迹控制方法，但该方法同样未考虑气流扰动的影响，且缺少专门的抗干扰机制。国内****方晓星等[6]针对低空掠海拖曳飞行器，采用自抗扰技术设计了高度控制器，却未充分考虑拖曳飞行器6 DOF模型。当前，针对拖曳飞行器6 DOF模型的高抗扰轨迹精确跟踪控制技术仍是一个有待深入研究的开放性问题。
拖曳飞行器轨迹控制器设计时需同时兼顾以下问题：①建立考虑气流扰动影响的拖曳飞行器6 DOF运动模型；②考虑未知扰流(母机尾涡、紊流和阵风等)和不可测量瞬态缆绳拉力等多重干扰对拖曳飞行器运动的影响；③兼顾整个缆绳-拖曳飞行器系统的稳定；④轨迹控制需具有专门的抗干扰机制。
本文针对多重扰动下拖曳飞行器高抗扰机动轨迹跟踪控制问题进行了研究。首先，结合绳系拖曳系统多刚体动力学模型[14, 23]，构建拖曳飞行器6 DOF非线性模型；然后，针对未知气流和不可测量瞬变缆绳拉力等扰动的综合影响，构建了基于最小学习参数神经网络(Minimal Learning Parameter Neural Network, MLPNN)的拖曳飞行器状态/扰动在线估计器，该估计器依据飞行状态对系统不可测量集总扰动进行准确重构，无需离线训练，重构后的总扰动将在控制器设计中予以前馈补偿，在此基础上，结合反步动态面控制(Dynamic Surface Control, DSC)技术，设计了一种基于最小学习参数神经网络状态/扰动在线估计器的拖曳飞行器轨迹动态面控制方法，并分析了闭环系统的稳定性；最后，通过拖曳飞行器位置稳定和机动轨迹跟踪飞行仿真，验证MLPNN-DSC方法下的控制精度和抗风扰性能。
1 问题建模 1.1 绳系拖曳飞行器模型 为了完整描述拖曳飞行器系统受拖曳运动特性，拟借鉴软式空中加油拖曳软管建模方法[14, 23-24]，采用长度可变的多段等长连杆-节点模型构建拖曳缆绳-飞行器组合体多体动力学模型，同时考虑缆绳牵连拉力、重力、母机尾涡、大气紊流、阵风等因素的影响。
图 1为受拖曳飞行器系统示意图。假设母机定高定速飞行；Og-XgYgZg为惯性坐标系；OD-XDYDZD为拖曳坐标系(也即建模参考坐标系)，其坐标轴指向与母机航迹坐标系OH-XHYHZH平行；OB-XBYBZB为拖曳飞行器机体坐标系。
 |
| 图 1 拖曳飞行器建模示意图 Fig. 1 Schematic diagram of towed vehicle modeling |
| 图选项 |
假设拖曳缆绳-浮标组合体由N段等长连杆-节点单元构成，连杆间由各自两端可视为质点的无摩擦球轴节点连接，每段质量及载荷均集中于节点处；第1个节点为缆绳起始牵引点，配备操纵面的拖曳飞行器为其第N个节点。由软式空中加油拖曳软管建模方法[14, 23-24]可知，拖曳系统的运动状态(位置、偏转姿态和拉力等)可以由各连杆相对拖曳坐标系OD-XDYDZD的偏转角度ξi和ζi(i=1, 2, …, N)进行描述。因此，通过缆绳-拖曳飞行器多刚体动力学建模，不仅可以对拖曳系统运动状态进行准确描述，还可以解算得到柔性缆绳对拖曳飞行器在其机体坐标系下的拉力TN=[TNx, TNy, TNz]T，从而为无动力拖曳飞行器6 DOF非线性建模奠定基础。需要强调的是，缆绳TN=[TNx, TNy, TNz]T通常为不可测量变量，后续设计中将其视为拖曳飞行器各子系统集总扰动的一部分予以重构和补偿。
结合固定翼飞机建模方法[25-28]，构建兼顾气流扰动作用的拖曳飞行器6 DOF非线性运动模型如下[5]：
 | (1) |
 | (2) |
 | (3) |
 | (4) |
式中：g为重力加速度；M=mN+mV，mN为第N节点质量，mV为拖曳飞行器质量；x、y、z为位置分量；V、χ、γ分别为空速、航迹偏航角、航迹倾角；Ix、Iy、Iz、Ixz为拖曳飞行器各轴转动惯量; α、β、?分别为迎角、侧滑角、滚转角；p、q、r为三轴角速度；D、Y、L分别为阻力、侧力、升力；
 | (5) |
 | (6) |
式中：Q为动压; S为气动截面积；b为拖曳飞行器翼展；c为平均气动弦长；cL、cD、cY分别为升力系数、阻力系数、侧力系数；
为便于非线性控制设计，需将式(1)~式(4)转换成仿射非线性形式[5, 27-28]。为简便起见，定义如下：
 | (7) |
式中：V0为母机期望拖曳飞行速度；ρ为大气密度。则可得仿射非线性模型[27-28]为
 | (8) |
式中：Fi(i=1, 2, 3, 4)为各子系统集总扰动，后续将对其进行重构和补偿；Bi(i=1, 2, 3, 4)为子系统输入矩阵。
 | (9) |
 | (10) |
 | (11) |
 | (12) |
 | (13) |
 | (14) |
 | (15) |
 | (16) |
1.2 神经网络估计器 径向基函数神经网络(Radial Basis Function Neural Network, RBFNN)因其出色的全局逼近能力[29-31]，已在非线性系统状态/干扰逼近领域有了不少应用。为了进一步减少RBFNN的节点数和待调整参数，最小学习参数(Minimal Learning Parameter, MLP)RBFNN被提出[31]。RBFNN的核心可以由引理1进行概括。
引理1[30-32] ??对于初值为零的给定连续有界函数f(X)(f(0)=0)，利用连续函数分离技术和RBFNN逼近技术，则由RBFNN输入X=[x1, x2, …, xn]T∈Rn与输出y=W*Th(X)∈Rn之间的映射关系，可得
 | (17) |
式中：?>0为估计误差，其上界为?M；W*=[w1*, w2*, …, ws*]∈Rs为权重向量；h(X)=[h1(X), h2(X), …, hsn(X)]T∈Rsn，n为输入向量维数，s为权重向量维数，sn为节点数。
 | (18) |
式中：c=[c1, c2, …, cn]T∈Rn为中心向量；bj为基函数的宽度。
由式(17)可知，可以采用RBFNN的输出来逼近未知连续有界函数f(X)，估计误差为?>0。需要注意的是，标称权重向量W*通常是未知的，因此，w1*, w2*, …, w*sn需要适时自适应更新。为了减少计算量，定义φ=‖W*‖2用以替代标称权重向量W*，从而可以大幅减少RBFNN的计算量。该思路也即是基于MLP的RBFNN。
对于基函数(18)，指数函数exp(·)是严格单调递增的，且-‖X-c‖/(2bj2)≤0，故可得0 < hj(X)≤hj(0)=1。因此，存在正常数h，使得hj(X)≤h。
2 基于MLPNN估计器的拖曳飞行器轨迹动态面跟踪控制 鉴于拖曳飞行器是无动力的，根据反步控制分层设计思路[27-28, 33-34]，其轨迹跟踪控制可以分为轨迹回路、航迹回路、姿态回路和角速度回路4个串级子系统，如图 2所示。为了消除传统反步控制中因连续求解虚拟控制量微分而产生的“微分爆炸”问题[35]，本节拟采用动态面控制技术[35-36]，来完成拖曳飞行器轨迹非线性跟踪控制器设计。因此，通过结合MLPNN估计和动态面控制技术，设计如图 2所示的拖曳飞行器高抗扰轨迹跟踪控制方法。鉴于气流扰动和缆绳拉力的影响不可测，采用MLPNN状态/扰动在线估计器重构各回路集总扰动，并予以前馈补偿。各回路虚拟控制量的微分信号采用动态面控制器获取。
 |
| 图 2 拖曳飞行器轨迹跟踪控制框图 Fig. 2 Block diagram of towed vehicle trajectory tracking control |
| 图选项 |
2.1 拖曳飞行器轨迹跟踪控制器设计 根据反步控制设计思路，拖曳飞行器轨迹跟踪控制器的设计可通过如下步骤实现。
步骤1 ??定义轨迹跟踪误差e1=X1-X1c，X1c=[yc, zc]T/V0为拖曳飞行器期望的轨迹指令(yc和zc分别为拖曳飞行器横侧向和垂向轨迹指令)。则e1关于时间的微分为
 | (19) |
为实现轨迹跟踪误差镇定，设计轨迹回路虚拟控制量为
 | (20) |
式中：K1=diag(ky, kz)为轨迹回路控制增益，ky和kz分别为横侧向和垂向轨迹通道控制增益，共同组成轨迹回路控制增益。
为避免传统反步控制中的“微分爆炸”问题，构建航迹角指令动态面控制器(21)，以便求取指令X2c及其微分?2c，即使虚拟控制量X2通过时间常数τ2>0的一阶滤波器(21)，从而获得X2c及?2c。
 | (21) |
定义航迹角指令DSC滤波误差ε2=X2c-X2，结合控制律(20)，可得ε2的微分为
 | (22) |
式中：M2=-d(B1-1(-F1-K1e1+?1c))/dt。
注1 ??根据Swaroop等[34]的研究结论，对于式(22)所描述的滤波误差动态
步骤2 ??定义航迹角跟踪误差e2=X2-X2c，X2c为航迹角回路指令信号，其由式(21)获取。进一步地，可得航迹角跟踪误差e2的微分为
 | (23) |
式中：X3*=[X3(1), X3(2)]T。
依据反步控制思路，可设计航迹回路控制律为
 | (24) |
式中：K2=diag(kχ, kγ)为航迹回路控制增益，kχ和kγ分别为χ和γ通道控制增益，共同组成航迹回路控制增益；
据RBFNN逼近原理[29-31]，F2可由如下MLPNN估计：
 | (25) |
式中：W2*=[Wχ*, Wγ*]T为权重向量，Wχ*和Wγ*为理想权重；h2(X2)=[h2χ(X2), h2γ(X2)]T为高斯基函数；X2为估计器的输入；逼近误差满足‖?2‖≤?2*，?2*>0为正常数。
为避免传统权重系数自适应更新律可能导致的MLPNN在学习时出现瞬态高频振荡的问题，构建航迹回路MLPNN状态/扰动在线估计器[32]为
 | (26) |
式中：W2为航迹回路MLPNN权重向量；η2=[η2χ, η2γ]T, η2χ>0, η2γ>0为待设计的估计器增益；
同时，设计新型权重向量自适应更新律为
 | (27) |
式中：Γ2=diag(Γ2χ, Γ2γ)为自适应增益矩阵，Γ2χ和Γ2γ分别为χ和γ通道自适应参数，共同构成航迹回路自适应增益矩阵；σ2=diag(σ2χ, σ2γ)为待调参数，σ2χ和σ2γ分别为χ和γ通道待调参数。
注2 ??上述MLPNN估计器依据飞行状态对系统不可测量集总扰动进行准确重构，无需离线训练。并且通过上述状态/扰动在线估计器的构建，权重量的估计(见式(26))将依赖于状态估计误差
注3 ??通过上述状态/扰动在线估计器的构建，状态估计误差的初值可人工设置为零，避免了传统神经网络在跟踪误差出现跳变时可能产生的瞬态高频振荡问题；此外采用MLP技术，用权重向量的模φ=‖W*‖2替代权重向量元素，减小了神经网络的计算负担。
此外，为避免反步控制中的“微分爆炸”问题，使虚拟控制量X3*通过时间常数τ3>0的一阶滤波器(28)，由姿态角指令动态面控制器来求取姿态角(下一回路)指令X3c*及其微分?3c*。
 | (28) |
定义气流角(迎角和侧滑角)指令DSC滤波误差ε3=X3c*-X3*，结合控制律(24)，可得ε3的微分为
 | (29) |
式中：
由步骤1中注1分析可知，存在一个正常数M3, max>0，使得‖M3‖≤M3, max成立。
步骤3 ??定义姿态回路跟踪误差e3=X3-X3c=X3-[X3c*(1), X3c*(2), 0]T，X3c*为姿态回路指令信号，其由式(28)获取。而误差e3的微分为
 | (30) |
设计如下姿态回路控制律：
 | (31) |
式中：K3=diag(kα, kβ, k?)为控制增益，kα、kβ、k?分别为迎角、侧滑角、滚转角通道控制增益，共同组成气流角回路控制增益；?3c可由式(28)获取；
与前两步类似，F3可由如下MLPNN估计：
 | (32) |
式中：W3*=[Wα*, Wβ*, W?*]T为期望权重向量，Wα*、Wβ*、W?*分别为迎角、侧滑角、滚转角通道权重值；h3(X3)=[h3α(X3), h3β(X3), h3?(X3)]T为高斯基函数，h3α(X3)、h3β(X3)、h3?(X3)分别为迎角、侧滑角、滚转角三通道高斯计函数；逼近误差?3满足‖?3‖≤?3*，?3*>0为常数。
通过构建如下MLPNN状态/扰动在线估计器，来逼近重构干扰F3。
 | (33) |
式中：η3=[η3α, η3β, η3?]T为待设计的估计器增益，η3α、η3β、η3?分别为气流角回路MLPNN估计器中迎角、侧滑角、滚转角通道的估计增益；
设计权重向量自适应更新律为
 | (34) |
式中：Γ3=diag(Γ3α, Γ3β, Γ3?)为自适应增益矩阵，Γ3α、Γ3β、Γ3?分别为迎角、侧滑角、滚转角回路估计器的自适应增益；σ3=diag(σ3α, σ3β, σ3?)为待调参数，σ3α、σ3β、σ3?分别为MLPNN(33)中迎角、侧滑角、滚转角回路待调参数。
此外，构建角速度指令动态面控制器，使虚拟控制量X4通过时间常数τ4>0的一阶滤波器(35)，以便求取角速度指令X4c及其微分?4c。
 | (35) |
定义角速度指令DSC滤波误差ε4=X4c-X4，结合式(31)，得ε4的微分为
 | (36) |
式中：
由注1分析可知，存在一个正常数M4, max>0，使得‖M4‖≤M4, max成立。
步骤4 ??对于最后的角速度回路，定义跟踪误差为e4=X4-X4c，X4c为角速度指令信号，可由式(35)获取。求取误差e4的微分为
 | (37) |
因此，可设计拖曳飞行器实际控制律为
 | (38) |
式中：K4=diag(kp, kq, kr)为角速度回路控制增益，kp、kq、kr分别为p、q、r通道控制增益，共同构成角速度回路控制增益；?4c可由式(35)获取；
类似地，F4可由如下MLPNN估计：
 | (39) |
式中：W4*=[Wp*, Wq*, Wr*]T为期望权重向量，Wp*、Wq*、Wr*分别为p、q、r通道期望权重值；h4(X4)=[h4p(X4), h4q(X4), h4r(X4)]T为高斯基函数，h4p(X4)、h4q(X4)、h4r(X4)分别为p、q、r通道高斯基函数；逼近误差?4满足‖?4‖≤?4*，?4*>0为常数。
构建MLPNN状态/扰动在线估计器(40)，以便逼近重构干扰F4。
 | (40) |
式中：η4=[η4p, η4q, η4r]T为待设计的估计器增益，η4p、η4q、η4r为角速度回路MLPNN(40)中待设计的估计增益；
设计权重向量自适应更新律为
 | (41) |
式中：Γ4=diag(Γ4p, Γ4q, Γ4r)为自适应增益矩阵，Γ4p、Γ4q、Γ4r分别为MLPNN(40)中p、q、r通道自适应增益；σ4=diag(σ4p, σ4q, σ4r)为待调参数，σ4p、σ4q、σ4r分别为MLPNN(40)中p、q、r通道待调参数。
2.2 稳定性分析 本节将对上述设计的拖曳飞行器轨迹跟踪控制器闭环稳定性进行分析。
定理1 ??针对绳系拖曳飞行器6 DOF非线性模型(8)，设计控制律(20)、控制律(24)、控制律(31)和控制律(38)，DSC滤波器(21)、滤波器(28)和滤波器(35)，状态/扰动在线估计器(26)、估计器(33)和估计器(40)，以及自适应更新律(27)、更新律(34)和更新律(41)，则对给定连续光滑轨迹指令信号X1c，通过选取合适的参数，可确保所有的误差信号ei(i=1, 2, 3, 4)和
证明 ??以下分两步对上述定理进行证明。
1) 求取系统误差信号ei(i=1, 2, 3, 4)和
由ε2=X2c-X2和e2=X2-X2c，结合式(19)和式(20)，可得
 | (42) |
同理，可得
 | (43) |
式中：干扰估计误差为
 | (44) |
对于状态估计误差
 | (45) |
而对于自适应权重
 | (46) |
2) 选取如下Lapunov函数，对定理1进行证明。
 | (47) |
由式(43)，可得
 | (48) |
由式(22)、式(29)和式(36)，可得
 | (49) |
由式(45)，可得
 | (50) |
则
 | (51) |
又由Young不等式，可得
 | (52) |
 | (53) |
 | (54) |
 | (55) |
 | (56) |
 | (57) |
 | (58) |
 | (59) |
式中：λmin(·)、λmax(·)分别为某矩阵最小、最大特征值；Υ2=max{Wj*, j=χ, γ, α, β, ?, p, q, r}。
因此，式(51)可进一步整理为
 | (60) |
记
 | (61) |
设计控制参数满足以下条件：
 | (62) |
则不等式(60)可写成
 | (63) |
式中：μ=min{μ1, μ2, μ3, μ4}。
因此，当μ>Ω/VL时，有
3 飞行仿真校验与分析 为分析检验本文设计轨迹跟踪控制方法的有效性，基于拖曳飞行器6 DOF模型进行仿真校验。假设母机为定直平飞，飞行高度H0=7 000 m，飞行速度V0=100 m/s。母机质量为136 000 kg，翼展为39.88 m。仿真校验采用文献[5]中的拖曳缆绳参数和拖曳飞行器参数，并选取缆绳节点数目为N=10。
仿真中，控制器相关参数选取如下。
反馈增益：K1=3diag(1, 1)，K2=5diag(1, 1)，K3=8diag(1, 1, 1)，K4=15diag(1, 1, 1)；DSC时间常数：τ2=0.06，τ3=0.05，τ4=0.03；MLPNN参数：sn=100，ci=0, i=1, 2，…, n，bj, j=1, 2, …, sn，η2=30diag(1, 1, 1)，Γ2=2diag(1, 1, 1)，σ2=diag(1, 1, 1)，η3=50diag(1, 1, 1)，Γ3=2diag(1, 1, 1)，σ3=0.5diag(1, 1, 1)，η4=100diag(1, 1, 1)，Γ4=4diag(1, 1, 1)，σ4=0.2diag(1, 1, 1)。
本节将在以下2种情景下对所设计的控制方法进行验证：拖曳飞行器轨迹稳定控制和拖曳飞行器机动轨迹跟踪控制。
3.1 情景1：拖曳飞行器轨迹稳定控制 情景1考虑将拖曳飞行器稳定控制于母机后方某给定空间位置点，其潜在的应用场景有空中对接(空中加油对接、空基回收对接等)、绳系拖曳阵列等。假设拖曳缆绳初始长度为L0=30 m。由缆绳-拖曳飞行器多体动力学模型可得无气流扰动情况下拖曳飞行器稳定位置为xc=(-14.74+V0t) m, yc=0 m, zc=(-H0+25.42) m。取该稳定位置为期望位置，在图 3所示的气流扰动(含母机尾涡、大气紊流、阵风)下进行验证。
 |
| 图 3 气流扰动 Fig. 3 Airflow disturbances |
| 图选项 |
该情景下的仿真结果如图 4~图 11所示。图 4为采用MLPNN干扰估计器对各个回路干扰的估计效果。可见，MLPNN干扰估计器可以准确地近似估计各回路动态中的总扰动。为方便辨识和理解，采用拖曳飞行器在拖曳坐标系OD-XDYDZD中的坐标(xD, yD, zD)表示其位置，如图 5所示。由图中结果可知，当无稳定控制器时，拖曳飞行器位置在较大范围内波动，其yD和zD方向波动范围分别达到了[-1, 2.5] m和[23.5, 25.5] m，波动幅值分别达到了3.5 m和2.0 m。而采用本文方法可将yD和zD方向波动范围分别精确限制在[-0.01, 0.07] m和[25.40, 25.44] m内，波动幅值分别控制在0.08 m和0.04 m内，相较于无稳定控制器分别减少了97.7%和98%。该明显效果也可由图 6和图 7直观呈现，图 6中，无稳定控制器下垂直平面轨迹明显在较大范围内波动，而在本文方法控制下，拖曳飞行器在铅垂面轨迹运动自始至终精确地维持在OD-XDYDZD坐标系内期望平衡位置点(0, 25.42) m。可见，本文方法轨迹稳定控制效果显著，在图 3给定的多重扰流下仍能实现轨迹准确的稳定。
 |
| 图 4 情景1中MLPNN干扰估计效果 Fig. 4 Estimated disturbance approximations by MLPNN in Case 1 |
| 图选项 |
 |
| 图 5 轨迹稳定控制结果 Fig. 5 Control results of trajectory stabilization |
| 图选项 |
 |
| 图 6 无稳定控制器下垂直平面轨迹 Fig. 6 Trajectory in vertical plane without stabilizer |
| 图选项 |
 |
| 图 7 本文方法控制下垂直平面轨迹 Fig. 7 Trajectory in vertical plane controlled by MLPNN-DSC method |
| 图选项 |
 |
| 图 8 无稳定控制器下缆绳-拖曳飞行器历史形态 Fig. 8 Towed cable-vehicle system's geometry history without stabilizer |
| 图选项 |
 |
| 图 9 本文方法控制下缆绳-拖曳飞行器历史形态 Fig. 9 Towed cable-vehicle system's geometry history controlled by MLPNN-DSC method |
| 图选项 |
 |
| 图 10 轨迹稳定控制角度结果 Fig. 10 Control angle results of trajectory stabilization |
| 图选项 |
 |
| 图 11 轨迹稳定控制舵面偏量 Fig. 11 Control surface deflections of trajectory stabilization |
| 图选项 |
图 8和图 9分别给出无稳定控制器和本文方法控制下缆绳-拖曳飞行器部分时刻的历史形态。无稳定控制器时，缆绳-拖曳飞行器的形态在设定气流扰动持续作用下会在较大范围内波动，处于不稳定状态。而采用本文方法在实现多重复杂扰流下保持拖曳飞行器位置稳定的同时，也保证了整个柔性缆绳-拖曳飞行器形态始终稳定。这也说明本文方法对于拖曳飞行器轨迹稳定的有效性。
图 10为无稳定控制器和本文方法控制下各角度变化曲线。由图 8和图 9可知，无稳定控制器时航迹角变化幅值较大，而本文方法控制下航迹偏航角和航迹倾角基本维持在0附近，这也从航迹角度佐证了图 5~图 7的轨迹结果，间接说明了采用本文方法可以精确稳定拖曳飞行器轨迹。图 10中同样给出了气流角(迎角和侧滑角)及滚转角的曲线，其中气流角的波动是因为气流扰动(尤其是紊流)的影响。图 11给出了本文方法轨迹稳定控制对应的操纵面偏转量。需要说明的是，由于采用零滚转角控制指令，拖曳飞行器的副翼偏转基本为零。升降舵和方向舵的周期性波动变化是为抵抗周期性扰流所需付出的控制代价。
3.2 情景2：拖曳飞行器机动轨迹跟踪控制 除了上述轨迹稳定外，拖曳飞行器还有许多应用情景，如引言所述拖曳飞行器航迹高抗扰精确机动飞行。假设拖曳缆绳初始长度为L0=300 m，则由拖曳多体动力学模型可得无气流下拖曳飞行器平衡位置为xc0=(-265.53+V0t) m, yc0=0 m, zc0=(-H0+117.24) m。利用如式(64)和式(65)所示的螺旋机动轨迹，对本文方法进行验证。其中，时刻内的轨迹是为兼顾拖曳飞行器由平衡位置(xc0, yc0, zc0)到螺旋机动轨迹的平滑切换。
 | (64) |
 | (65) |
图 12为MLPNN干扰轨迹效果。图 13和图 14给出了螺旋机动轨迹跟踪结果和跟踪误差。由图 13可知，MLPNN方法能够确保拖曳飞行器在给定扰流下实现对螺旋机动轨迹的精确跟踪，其跟踪精度可见于图 14，yD和zD方向对机动轨迹跟踪误差分别控制在[-0.25, 0.3] m和[-0.15, 0.15] m较小的范围内，实现了较高的跟踪精度。图 15为螺旋机动轨迹跟踪结果随时间变化的曲线。本文方法控制下的拖曳飞行器轨迹全程精确地跟踪了给定的螺旋机动轨迹。
 |
| 图 12 情景2中MLPNN干扰估计效果 Fig. 12 Estimated disturbance approximations by MLPNN in case 2 |
| 图选项 |
 |
| 图 13 机动轨迹跟踪结果 Fig. 13 Tracking results of maneuvering trajectory |
| 图选项 |
 |
| 图 14 机动轨迹跟踪误差 Fig. 14 Tracking errors of maneuvering trajectory |
| 图选项 |
 |
| 图 15 机动轨迹跟踪曲线 Fig. 15 Maneuvering trajectory tracking curves |
| 图选项 |
图 16为螺旋机动轨迹跟踪对应的各角度变化曲线。不同于轨迹稳定情景，在螺旋机动轨迹跟踪时，航迹偏航角和航迹倾角周期性变化，这也是为实现对螺旋机动轨迹跟踪的必然要求。气流角(迎角和侧滑角)及滚转角的曲线同样可见于图 16。图 17为螺旋机动轨迹跟踪控制对应的舵面偏转量。
 |
| 图 16 机动轨迹跟踪控制角度结果 Fig. 16 Control angle results of maneuvering trajectory tracking |
| 图选项 |
 |
| 图 17 机动轨迹跟踪控制舵面偏量 Fig. 17 Control surface deflections of maneuvering trajectory tracking |
| 图选项 |
4 结论 1) 结合绳系拖曳系统多刚体动力学模型，构建拖曳飞行器6 DOF仿射非线性模型，为非线性控制设计奠定基础。
2) 构建了基于MLPNN的拖曳飞行器状态/扰动在线估计器，以便准确重构未知气流和不可测量瞬变缆绳拉力等组成的系统不可测量集总扰动。
3) 结合MLPNN状态/扰动在线估计器和反步动态面控制技术，设计了一种基于MLPNN状态/扰动在线估计器的拖曳飞行器轨迹动态面控制方法，并分析了闭环系统稳定性。
4) 在拖曳飞行器轨迹稳定控制和机动轨迹跟踪控制2种情景下，仿真验证了多重位置扰流作用下MLPNN-DSC轨迹跟踪控制方法具有较高的控制精度和较好的抗风扰能力。
参考文献
| [1] | 刘钒. 飞行器拖曳系统气动特性数值模拟研究[D]. 绵阳: 中国空气动力研究与发展中心, 2014: 1-15. LIU F. Numerical simulation research on the aerodynamic characteristics of aerial towed cable system[D]. Mianyang: China Aerodynamics Research and Development Center, 2014: 1-15(in Chinese). |
| [2] | 王班, 郭吉丰, 易琳, 等. 空间绳系组合体拖曳动力学分析及振动控制[J]. 宇航学报, 2018, 39(2): 131-138. WANG B, GUO J F, YI L, et al. Dynamic analysis and vibration control of space towing tethered combination[J]. Journal of Astronautics, 2018, 39(2): 131-138. (in Chinese) |
| [3] | COCHRAN J E, INNOCENTI M, NO T S, et al. Dynamics and control of maneuverable towed flight vehicles[J]. Journal of Guidance, Control, and Dynamics, 1992, 15(5): 1245-1252. DOI:10.2514/3.20975 |
| [4] | 郑小洪, 韩维, 贾忠湖. 风作用下机载拖曳天线的动力学建模与分析[J]. 航空学报, 2013, 34(11): 2565-2571. ZHENG X H, HAN W, JIA Z H. Modeling and simulation of trailing antennas on an aircraft under wind[J]. Acta Aeronautica et Astronautica Sinica, 2013, 34(11): 2565-2571. (in Chinese) |
| [5] | BOURMISTROV A S, HILL R D, RISEBOROUGH P. Nonlinear control law for aerial towed target[J]. Journal of Guidance, Control, and Dynamics, 1995, 18(6): 1232-1238. DOI:10.2514/3.21535 |
| [6] | 方晓星, 王勇, 王英勋. 低空掠海飞行拖靶自抗扰高度控制律设计[J]. 南京理工大学学报, 2012, 36(5): 835-845. FANG X X, WANG Y, WANG Y X. Design of active disturbance rejection control law of low altitude sea skimming tow target[J]. Journal of Nanjing University of Science and Technology, 2012, 36(5): 835-845. DOI:10.3969/j.issn.1005-9830.2012.05.019 (in Chinese) |
| [7] | MA T L, WEI Z H, CHEN H B, et al. Simulation of the dynamic retrieval process of a towed target system under towing airplane's wake and atmospheric turbulence[J]. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2020, 234(9): 095441002091629. |
| [8] | 马东立, 刘亚枫, 林鹏. 绳系拖曳诱饵系统的动态特性研究[J]. 航空学报, 2014, 35(1): 161-170. MA D L, LIU Y F, LIN P. Study of dynamic characteristics of aeronautic towed decoy system[J]. Acta Aeronautica et Astronautica Sinica, 2014, 35(1): 161-170. (in Chinese) |
| [9] | 付孝龙, 白渭雄, 李欣, 等. 基于多普勒频率差的拖曳式诱饵干扰检测[J]. 北京航空航天大学学报, 2017, 43(10): 2081-2088. FU X L, BAI W X, LI X, et al. Towed radar active decoy jamming detection based on Doppler frequency difference[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(10): 2081-2088. (in Chinese) |
| [10] | 芦艳龙, 童中翔, 王超哲, 等. 绳系拖曳诱饵空气动力及动态特性[J]. 北京航空航天大学学报, 2011, 37(4): 395-398. LU Y L, TONG Z X, WANG C Z, et al. Aerodynamic and dynamic characteristics of aeronautic towed decoy[J]. Journal of Beijing University of Aeronautics and Astronautics, 2011, 37(4): 395-398. (in Chinese) |
| [11] | 张登成, 唐硕. 拖缆的弹簧柔性体模型在拖曳式空中发射系统中的应用研究[J]. 导弹与航天运载技术, 2005(4): 43-46. ZHANG D C, TANG S. Research on application of towline model in towed air-launch system[J]. Missile and Space Vehicles, 2005(4): 43-46. DOI:10.3969/j.issn.1004-7182.2005.04.009 (in Chinese) |
| [12] | MARTI S K, NESRIN S K. A study of air launch methods for RLVs: AIAA 2001-4619[R]. Reston: AIAA, 2001. |
| [13] | 王宏伦, 杜熠, 盖文东. 无人机自动空中加油精确对接控制[J]. 北京航空航天大学学报, 2011, 37(7): 822-826. WANG H L, DU Y, GAI W D. Precise docking control in unmanned aircraft vehicle automated aerial refueling[J]. Journal of Beijing University of Aeronautics and Astronautics, 2011, 37(7): 822-826. (in Chinese) |
| [14] | 王海涛, 董新民, 郭军, 等. 空中加油软管锥套组合体甩鞭现象动力学建模与分析[J]. 航空学报, 2015, 36(9): 3116-3127. WANG H T, DONG X M, GUO J, et al. Dynamics modeling and analysis hos whipping phenomenon of aerial refueling hose-drogue assembly[J]. Acta Aeronautica et Astronautica Sinica, 2015, 36(9): 3116-3127. (in Chinese) |
| [15] | 张启钱, 许卫卫, 张洪海, 等. 复杂低空物流无人机路径规划[J]. 北京航空航天大学学报, 2020, 46(7): 1275-1286. ZHANG Q Q, XU W W, ZHANG H H, et al. Path planning for logistics UAV in complex low-altitude airspace[J]. Journal of Beijing University of Aeronautics and Astronautics, 2020, 46(7): 1275-1286. (in Chinese) |
| [16] | HOCHSTELER R D, BOSMA J, CHACHAD G H, et al. Lighter-than-air (LTA) "AirStation" unmanned aircraft system (UAS) carrier concept: AIAA 2016-4223[R]. Reston: AIAA, 2016. |
| [17] | 陈唯实, 刘佳, 陈小龙, 等. 基于运动模型的低空非合作无人机目标识别[J]. 北京航空航天大学学报, 2019, 45(4): 687-694. CHEN W S, LIU J, CHEN X L, et al. Non-cooperative UAV target recognition in low-altitude airspace based on motion model[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(4): 687-694. (in Chinese) |
| [18] | SUN L, BEARD R W, COLTON M B. Motion planning and control for mothership-cable-drogue systems in aerial recovery of micro air vehicles[C]//Proceedings of the 2010 American Control Conference, 2010: 2101-2106. |
| [19] | NICHOLS J W, SUN L, BEARO R W, et al. Aerial rendezvous of small unmanned aircraft using a passive towed cable system[J]. Journal of Guidance, Control, and Dynamics, 2014, 37(4): 1131-1142. DOI:10.2514/1.62220 |
| [20] | MERZ M, JOHANSEN T A. Control of an end body towed by a circling unmanned aerial vehicle[J]. Journal of Guidance, Control, and Dynamics, 2019, 42(12): 2677-2686. DOI:10.2514/1.G004199 |
| [21] | WILLIAMSON W R, REED E, GLENN G J, et al. Controllable drogue for automated aerial refueling[J]. Journal of Aircraft, 2010, 47(2): 515-527. DOI:10.2514/1.44758 |
| [22] | RO K, KUK T, KAMMAN J. Active control of aerial refueling hosedrogue systems: AIAA 2010-8400[R]. Reston: AIAA, 2010. |
| [23] | RO K, KUK T, KANMAN J. Dynamics and control of hose-drogue refueling systems during coupling[J]. Journal of Guidance, Control, and Dynamics, 2011, 34(6): 1694-1708. DOI:10.2514/1.53205 |
| [24] | SUN L, BEARD R W, COLTON M B, et al. Dynamics and control of cable-drogue system in aerial recovery of micro air vehicles based on Gauss's principle[C]//Proceedings of the 2009 American Control Conference, 2009: 4729-4734. |
| [25] | 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: 73-90. XIAO Y L, JIN C J. The rinciple of flight in atmospheric disturbance[M]. Beijing: National Defense Industry Press, 1993: 73-90. (in Chinese) |
| [26] | SU Z K, WANG H L, LI N, et al. Exact docking flight controller for autonomous aerial refueling with back-stepping based high order sliding mode[J]. Mechanical Systems and Signal Processing, 2018, 101: 338-360. DOI:10.1016/j.ymssp.2017.08.036 |
| [27] | SU Z K, LI C T, WANG H L. Barrier Lyapunov function-based robust flight control for the ultra-low altitude airdrop under airflow disturbances[J]. Aerospace Science and Technology, 2019, 84: 375-386. DOI:10.1016/j.ast.2018.10.008 |
| [28] | SANNER R M, SLOTINE J E. Gaussian networks for direct adaptive control[J]. IEEE Transactions on Neural Networks and Learning Systems, 1992, 3(36): 837-863. |
| [29] | BU X W, WU X Y, HUANG J Q, et al. Minimal-learning-parameter based simplified adaptive neural back-stepping control of flexible air-breathing hypersonic vehicles without virtual controllers[J]. Neurocomputing, 2016, 175: 816-825. DOI:10.1016/j.neucom.2015.10.116 |
| [30] | SHAO X L, LIU N, WANG Z Q, et al. Neuroadaptive integral robust control of visual quadrotor for tracking a moving object[J]. Mechanical Systems and Signal Processing, 2020, 136: 106513. DOI:10.1016/j.ymssp.2019.106513 |
| [31] | SHAO X L, LIU N, WANG Z Q, et al. Estimator-based MLP neuroadaptive dynamic surface containment control with prescribed performance for multiple quadrotors[J]. Aerospace Science and Technology, 2020, 97: 105620. DOI:10.1016/j.ast.2019.105620 |
| [32] | SU Z K, WANG H L, YAO P, et al. Back-stepping based anti-disturbance flight controller with preview methodology for autonomous aerial refueling[J]. Aerospace Science and Technology, 2017, 61: 95-108. DOI:10.1016/j.ast.2016.11.028 |
| [33] | DAVILA J. Exact tracking using backstepping control design and high-order sliding modes[J]. IEEE Transactions on Automatic Control, 2013, 58(8): 2077-2081. DOI:10.1109/TAC.2013.2246894 |
| [34] | SWAROOP D, HEDRICK J K, YIP P P, et al. Dynamic surface control for a class of nonlinear systems[J]. IEEE Transactions on Automatic Control, 2000, 45(10): 1893-1899. DOI:10.1109/TAC.2000.880994 |
| [35] | CHEN M, YU J. Adaptive dynamic surface control of NSVs with input saturation using a disturbance observer[J]. Chinese Journal of Aeronautics, 2015, 28(3): 853-864. DOI:10.1016/j.cja.2015.04.020 |
| [36] | SHAO X L, LIU N, LIU J, et al. Model-assisted extended state observer and dynamic surface control-based trajectory tracking for quadrotors via output-feedback mechanism[J]. International Journal of Robust and Nonlinear Control, 2018, 28(6): 2404-2423. DOI:10.1002/rnc.4023 |
