[发明专利]基于神经网络的飞行器上升段轨迹优化方法

说明书

本发明提出了一种基于神经网络的飞行器上升段轨迹优化方法，用于解决现有技术中存在的实时性和适应性较差的技术问题，包括以下步骤：步骤一：建立发射惯性系下飞行器上升段连续最优控制问题；步骤二：获取发射惯性坐标系下飞行器真空飞行段的连续两点边值问题；步骤三：获取飞行器的标称参数和非标称参数；步骤四：对发射惯性坐标系下飞行器上升段连续最优控制问题进行离线求解；步骤五：对发射惯性坐标系下飞行器真空飞行段的连续两点边值问题进行离线求解；步骤六：构建神经网络并对其进行离线训练；步骤七、在线获取飞行器上升段的轨迹优化结果。

技术领域

本发明属于飞行器制导控制技术领域，涉及一种飞行器上升段轨迹优化方法，具体涉及一种基于神经网络的飞行器上升段轨迹优化方法。

背景技术

对于运载火箭、弹道导弹、空天飞机等经由稠密大气飞行进入真空飞行的飞行器，上升段指的是飞行器离开发射台到主发动机停止工作为止的这一工作区间，可进一步分为大气飞行段和真空飞行段，上升段轨迹的终端精度直接影响后续飞行任务的成败。然而动力学系统的强非线性，发动机模型和复杂的飞行环境的不确定性，以及大气内动压、热流、过载等复杂的飞行约束，导致上升段轨迹优化问题十分复杂，因此，上升段飞行轨迹优化问题一直是航天工程领域研究的一个重难点。随着航天技术的发展，强适应性、快速响应、高可靠成为发射任务的追求目标。

上升段轨迹优化一般需要求解具有一个性能指标和多个关于状态量、控制量约束的连续时间最优控制问题。常见的性能指标有最小化燃料消耗、爬升时间、总热载，或者最大化射程、速度等。约束一般包括运动方程，必要的安全性约束如动压、热流、过载等，以及终端目标状态约束等。

飞行器轨迹优化问题涉及方法众多，分类标准也不唯一，间接法和直接法是最常用的分类标准，也是轨迹优化问题的两种基本求解框架。间接法框架以极小值原理为基础，将整个上升段的轨迹优化问题转换为两点边值问题来求解，间接法的最大优点是解的精度高，两点边值问题对初始协态高度敏感，并且对于大气飞行段考虑升力和阻力的动力学方程具有强非线性特征，导致最优控制方程的推导过程复杂，这些缺陷限制了间接法的使用。直接法框架不需要推导最优控制方程，直接采用非线性优化算法求解最优控制问题，对初始解敏感度相对较低，但是求解效率低，难以实现在线应用对于实时性的要求。并且，两种框架都难以适应飞行过程中气动扰动、推力偏差等不确定因素的影响，限制了飞行器整体性能的进一步提升。为突破上升段轨迹优化技术从离线规划到在线应用的瓶颈，轨迹优化方法的实时性是重点关注的问题。

例如2019年申请公布号为CN109254533A，名称为“基于状态积分的梯度-修复算法的高超声速飞行器快速轨迹优化方法”的专利申请，公开了一种采用状态积分的梯度-修复算法对飞行器轨迹进行优化的方法。该方法基于间接法框架，首先建立飞行器轨迹优化模型，并推导了最优性方程，然后利用状态积分的梯度-修复算法对飞行器轨迹进行优化求解，最后剔除控制量中的跳跃点，对优化结果进行平滑处理，得到最优轨迹。该方法虽然具有较快的运算速度并且对初始解不敏感，但是难以适应飞行过程中的推力、气动力等参数偏差。

又如2018年，李晓苏在系统仿真学报第30卷第12期发表的《基于鱼群算法的运载火箭上升段弹道优化设计》中，公开了一种采用鱼群算法对运载火箭上升段轨迹进行优化的方法。该方法基于直接法框架，首先建立飞行器上升段轨迹优化模型，然后利用Chebyshev伪谱法将原问题离散参数化为一个非线性规划问题，最后采用鱼群算法对该非线性优化问题进行求解。该方法虽然全局寻优性能好，但是收敛较慢，效率较低，不具备实时最优性。

发明内容

本发明的目的在于克服上述现有技术存在的缺陷，提出一种基于神经网络的飞行器上升段轨迹优化方法，用于解决现有技术中存在的适应性和实时性较差的技术问题。

为实现上述目的，本发明采取的技术方案包括如下步骤：

(1)建立发射惯性坐标系下飞行器上升段连续最优控制问题P1：

(1a)构建发射惯性坐标系：