强随机风扰动下可重复使用运载火箭的可靠性驱动自适应多级预优化控制方法

《Reliability Engineering & System Safety》:Reliability-Driven Adaptive Multi-Level Pre-Optimization Control Method for Reusable Launch Vehicles under Strong Stochastic Wind Disturbances

【字体: 大 中 小 】 时间:2026年02月02日 来源:Reliability Engineering & System Safety 13.7

编辑推荐:

  黄道文 中国上海市上海交通大学教育部动力机械及工程重点实验室,邮编200240 摘要:强烈的随机风扰动对可重复使用运载火箭的着陆可靠性构成重大威胁,可能导致姿态不稳定、轨迹偏移,甚至结构损坏。传统控制方法高度依赖精确的动态模型以及实时的状态观测或预测,在此类条件下往往难以保证可

  黄道文 中国上海市上海交通大学教育部动力机械及工程重点实验室,邮编200240

摘要:强烈的随机风扰动对可重复使用运载火箭的着陆可靠性构成重大威胁,可能导致姿态不稳定、轨迹偏移,甚至结构损坏。传统控制方法高度依赖精确的动态模型以及实时的状态观测或预测,在此类条件下往往难以保证可靠性。为应对这一挑战,本文提出了一种基于可靠性驱动的着陆预优化方法,该方法考虑了区域性的随机风特性,从而无需实时观测或预测。通过建立着陆动力学模型和随机风场模型,量化风对着陆可靠性的破坏性影响。随后引入自适应多级控制策略,根据实时高度和速度分层应用简化的控制律,该设计无需依赖实时观测器或预先规划的轨迹,即可有效补偿时变风扰动。此外,还建立了基于可靠性驱动的离线优化框架,用于调整控制参数和着陆启动条件。这些关键参数通过大规模蒙特卡洛模拟在不同风况下进行离线优化,避免了在线优化的计算负担。最终,最优参数和条件经过预优化,以适应区域性随机风的影响。实验结果表明,所提方法的着陆可靠性可达到99.5%以上,最大着陆偏差可降低99.52%。对比研究表明,该离线预优化方法相比典型的在线模型预测控制具有更优异的性能,可靠性提升了14.1%。所提出的策略为在强随机风环境下实现高可靠性着陆提供了可靠且实用的解决方案。

引言:可重复使用运载火箭对于推动航天运输系统的发展具有重要意义,其在可重复使用性、成本效益和可维护性方面具有显著优势[1]。实现这些优势的关键在于任务完成后第一级火箭的软着陆回收,这有助于精确控制着陆区域,提升安全性,并降低整体发射和运输成本[2]。此处所说的软着陆回收特指在接近地面高度时启动的终端阶段操作,通过发动机反推力和空气动力控制将火箭引导至着陆状态[3]。实现高精度和高可靠性的着陆至关重要,它不仅有助于保持结构完整性并实现快速周转,还直接关系到任务的经济性和长期运行可持续性[4]。其中,高强度的随机风扰动是威胁任务成功的主要因素。这类强劲且不可预测的风会极大增加建模和控制的复杂性,可能导致严重的姿态波动、较大的轨迹偏移以及过大的着陆位置误差。此外,它们还会导致着陆速度过高,进而造成硬着陆和结构失效,从而严重影响回收可靠性。为应对再入和回收过程中的挑战,进行轨迹分析对于确定最佳策略和建立可靠的着陆控制至关重要[6]。广泛的推力调节是确保高精度和灵活回收的关键[7]。目前,已有多种先进的控制方法被用于运载火箭的姿态和轨迹跟踪,包括滑模控制[8,11,12,15,16,18]、回退控制[9]、模糊控制[10,17]以及模型预测控制[MPC][[21], [22], [23], [24], [25], [26]]。这些方法通常与自适应观测器[[13], [14],19]或神经网络[16,19]相结合,以应对模型不确定性、参数扰动、未知扰动、执行器约束或故障以及输入约束等问题。例如,基于扰动观测器的终端滑模控制可实现有限时间内的姿态稳定,但可能会遇到奇异性问题[11]。带有预定义时间观测器的分数阶滑模控制则能在执行器故障和饱和情况下提升安全性[12]。其他进展还包括用于在约束条件下进行状态观测的自适应输出反馈控制[13],以及用于精确姿态跟踪的自适应有限时间观测器[14]。为进一步提升鲁棒性,人们还采用了多变量有限时间观测器来估计扰动同时保持控制稳定性[15],并且开发了带有饱和补偿器的非奇异终端滑模控制以实现更强的性能[16]。模糊逻辑用于近似处理不确定性,随后通过H∞控制器进行补偿,以提高跟踪精度[17]。诸如带超扭控器的定时扰动观测器等技术可用于解决模型不确定性下的抖振问题[18],而强化学习则被用来提升对未知动态的适应能力[19]。然而,这些现有方法主要针对模型不确定性、参数扰动、未知扰动以及执行器动作不确定性等小规模扰动。它们的鲁棒性在很大程度上取决于实时状态观测或预测的准确性,而且其效果也受到机械模型精度和测量数据质量的严重限制[20]。在着陆阶段面临强烈、宽频带且非平稳的随机风扰动时,构建精确的实时观测模型变得极为困难。模型不准确可能导致观测器失效、控制性能下降,进而无法在这种恶劣条件下保证姿态稳定性和着陆可靠性。模型预测控制由于其具备明确的约束处理能力和滚动时域优化功能,为运载火箭的制导提供了有希望的替代方案[[21], [22], [23], [24], [25], [26]]。例如,有研究采用序贯凸优化MPC进行制导[22],还有研究使用预测范围逐渐缩小的MPC[23],以及用于姿态跟踪的非线性MPC[24]。通过序贯凸规划,也实现了燃料最优的着陆制导[25]。不过,为提高精度,有人尝试将最优反馈与神经网络权重迭代相结合,但在初始状态存在不确定性的情况下,这些方法仍会导致较大的终端位置误差[26]。然而,基于预测控制的着陆方法存在两个根本性瓶颈:其一,它们需要在线解决复杂的优化问题,这带来了沉重的计算负担,难以实现实时应用;其二,它们的性能对预测模型的准确性极为敏感。在强随机风环境下实现准确的状态预测几乎是不可能的,这就导致了较高的在线预测误差概率,进而使得实现高精度、可靠着陆控制变得十分困难。基于可靠性驱动的优化为确保高鲁棒性和成功率提供了一条途径。当前的研究主要集中在基于主动学习克里金法的建模和优化方法及其在可靠性驱动设计中的应用,包括多目标系统可靠性鲁棒设计[27]、利用多项式混沌克里金法进行混合变量鲁棒设计[28]、自适应双目标可靠性评估[29],以及利用改进的PC-克里金分位数模型进行可靠性设计[30]。此外,这些方法还被拓展应用于鲁棒拓扑优化[31],以及提升在随机扰动下的增材制造可靠性[32]。不过,这些基于克里金法的方法通常适用于模型不确定性、参数扰动等明确或小规模的不确定性问题。现有的研究大多通过仿真或标准测试案例进行验证,而其在具有宽频带、非平稳且强度大的随机扰动的复杂工程场景中的适应性、计算效率以及可靠性仍有待深入研究。同样,那些用于状态预测和参数优化的传统机器学习方法[[33], [34], [35], [36]],比如利用可解释的机器学习方法优化空气动力鲁棒性[34],通过蒙特卡洛仿真优化着陆策略以验证鲁棒性[35],或是利用凸优化算法和神经网络优化初始状态和着陆轨迹[36],也存在数据依赖性强且在线计算效率低的问题。传统的着陆优化和风险评估往往将风简化为单一方向且速度恒定的情况,忽略了其实际的多方向、时变特性。这种简化使得着陆成功概率的估算出现偏差。因此,开发一种全面的多级着陆优化方法对于确保成功率至关重要。基于可靠性的性能优化是一种用于处理复杂系统中不确定性的成熟方法[37],它已被应用于运载火箭的多学科设计[38]、包含材料不确定性的可靠性分析[39],以及推力室的动态评估[40]。因此,为了解决在高度动态且强随机风扰动环境下运载火箭着陆的复杂在线优化问题,至关重要的是要降低在线计算成本,减少对高精度模型以及高效实时状态观测或预测模型的依赖。需要一种能够处理时变多方向随机风扰动、明确保障着陆可靠性,同时又适合工程应用的控制与优化方法。本文正是为了解决这一难题而展开研究。本文的创新点与贡献如下:(1) 提出了一种结合区域风统计数据的预优化动力学模型,该模型克服了现有方法的局限性,后者无法适应时变多方向随机风,且高度依赖精确的模型以及实时观测器或预测器。(2) 设计了一种无需依赖精确实时观测或预测模型的自适应多级着陆控制策略,该策略根据高度和速度将着陆过程分为多个层级,在每个层级中适配性地应用适合随机风的简化控制律。该策略无需预先规划轨迹,能够在强随机风扰动条件下提升着陆的可靠性和适应性。(3) 建立了一种用于软着陆的基于可靠性驱动的离线优化方法,该方法通过优化自适应多级控制策略和着陆条件,避免了实时观测和预测带来的难题,提升了着陆的鲁棒性。(4) 最优控制参数和着陆条件经过定制,以适应常见的风扰动情况,这提升了控制策略对随机风环境的适应能力。当遭遇难以预测的强风时,可运用多级协调控制策略来最大化着陆可靠性。

章节节选:

着陆动力学模型:运载火箭位置和速度的动力学方程为
dR/dt = V,dV/dt = Ftotal/m
其中,R=[x,y,z]T为位置向量(单位:米),V=[u,v,w]T为速度向量(单位:米/秒),m为质量(单位:千克),Ftotal为总外力向量(单位:牛顿)。
Ftotal = Fthru + Fdrag + Fgrav + Fhori + Fvert
其中,Fthru为推力(单位:牛顿),Fdrag为空气阻力(单位:牛顿),Fgrav=[0,0,?mg]T为重力(单位:牛顿),Fhori为水平风力(单位:牛顿),Fvert为垂直风力(单位:牛顿)。各力的作用如图1所示。

推力控制:根据飞行高度、垂直速度和质量,采用自适应多级着陆控制策略。着陆减速策略设计如下:
Veltar = (?90|H〉2000 ?70|1500其中,veltar是根据高度设计的目标速度。在20米以下采用平滑减速方式,以确保软着陆。速度误差和高度误差的计算公式分别为:
velerr = veltar ? wa,alterr = alttar ? h

参数分析与模型验证:基于建立的动力学模型、多级着陆控制策略以及着陆过程,研究了控制参数的影响,并验证了模型的有效性。初始参数和仿真参数如表3所示。控制器参数、初始条件以及随机风对着陆水平误差和速度的影响分别如图6、图7、图8、图9、图10所示。其目的是分析参数的敏感性,从而确定……

基于可靠性驱动的着陆优化模型:为确保在时变风扰动条件下实现高可靠性着陆,本节对自适应多级控制策略中的关键参数进行了优化。优化模型如下:
min[f1(x)=1?psuccess(x)]
s.t.{lb≤x≤ub, g(x)≤0}
其中{g(x)=0.995?psucces(x), psucces(x)=msc(x,num,model,wind)=csuccesnum, psucces(x)≥0.995}
x=[kpalt,kialt,kdalt,kppos,kipos,kdpos,kpatt,kdatt,h0,w0]
着陆成功条件为poserr<1且|w|<1米/秒
其中,psuccess(x)为着陆成功概率,可通过蒙特卡洛方法进行估算。

优化结果分析与验证:利用方程(28)中的模型,进行参数优化,目标是使着陆可靠性大于99.5%。图12显示,在预优化过程中,控制参数和初始着陆条件的分布中出现了明显的概率密度峰值,这说明优化模型能够在给定范围内找到高可靠性的解决方案。需注意的是,虽然图12中kppos出现了两个峰值,但它们对应的概率……

对比验证:为更客观地评估所提方法的性能和优势,选择模型预测控制(mpc)作为对比方法。由于mpc具备明确的约束处理能力和滚动优化功能,因此已在运载火箭控制领域得到了广泛的研究和应用[[21], [22], [23], [24], [25], [26]]。参考现有关于运载火箭着陆用mpc的研究[22,23,25],设计了一个mpc控制器,用以比较两种方法的着陆成功率和精度。

结论:为应对严重威胁运载火箭着陆可靠性的强随机风这一关键问题,本文提出并验证了一种基于可靠性驱动的自适应预优化控制方法。(1) 对区域实际随机风对着陆姿态稳定性、轨迹精度以及整体可靠性的显著不利影响进行了定量评估,为控制策略的设计提供了理论依据。(2) 所设计的自适应多级控制策略有效地…… ?0.1h|h≤20) 其中,veltar是根据高度设计的目标速度。在20米以下采用平滑减速方式,以确保软着陆。速度误差和高度误差的计算公式分别为: velerr=Veltar ? wa,alterr=Alttar ? h 参数分析与模型验证:基于建立的动力学模型、多级着陆控制策略以及着陆过程,研究了控制参数的影响,并验证了模型的有效性。初始参数和仿真参数如表3所示。控制器参数、初始条件以及随机风对着陆水平误差和速度的影响分别如图6、图7、图8、图9、图10所示。其目的是分析参数的敏感性,从而确定…… 基于可靠性驱动的着陆优化模型:为确保在时变风扰动条件下实现高可靠性着陆,本节对自适应多级控制策略中的关键参数进行了优化。优化模型如下: min[f1(x)=1?Psuccess(x)] s.t.{lb≤x≤ub, g(x)≤0} 其中{g(x)=0.995?Psucces(x), psucces(x)=MSC(x,Num,Model,Wind)=CsuccesNum, psucces(x)≥0.995} x=[Kpalt,Kialt,Kdalt,Kppos,Kipos,Kdpos,Kpatt,Kdatt,H0,w0] 着陆成功条件为poserr<1且|w|<1米 秒 其中,psuccess(x)为着陆成功概率,可通过蒙特卡洛方法进行估算。 优化结果分析与验证:利用方程(28)中的模型,进行参数优化,目标是使着陆可靠性大于99.5%。图12显示,在预优化过程中,控制参数和初始着陆条件的分布中出现了明显的概率密度峰值,这说明优化模型能够在给定范围内找到高可靠性的解决方案。需注意的是,虽然图12中kppos出现了两个峰值,但它们对应的概率…… 对比验证:为更客观地评估所提方法的性能和优势,选择模型预测控制(mpc)作为对比方法。由于mpc具备明确的约束处理能力和滚动优化功能,因此已在运载火箭控制领域得到了广泛的研究和应用[[21], [22], [23], [24], [25], [26]]。参考现有关于运载火箭着陆用mpc的研究[22,23,25],设计了一个mpc控制器,用以比较两种方法的着陆成功率和精度。 结论:为应对严重威胁运载火箭着陆可靠性的强随机风这一关键问题,本文提出并验证了一种基于可靠性驱动的自适应预优化控制方法。(1) 对区域实际随机风对着陆姿态稳定性、轨迹精度以及整体可靠性的显著不利影响进行了定量评估,为控制策略的设计提供了理论依据。(2)>
其中,veltar是根据高度设计的目标速度。在20米以下采用平滑减速方式,以确保软着陆。速度误差和高度误差的计算公式分别为:
velerr = veltar ? wa,alterr = alttar ? h

参数分析与模型验证:基于建立的动力学模型、多级着陆控制策略以及着陆过程,研究了控制参数的影响,并验证了模型的有效性。初始参数和仿真参数如表3所示。控制器参数、初始条件以及随机风对着陆水平误差和速度的影响分别如图6、图7、图8、图9、图10所示。其目的是分析参数的敏感性,从而确定……

基于可靠性驱动的着陆优化模型:为确保在时变风扰动条件下实现高可靠性着陆,本节对自适应多级控制策略中的关键参数进行了优化。优化模型如下:
min[f1(x)=1?psuccess(x)]
s.t.{lb≤x≤ub, g(x)≤0}
其中{g(x)=0.995?psucces(x), psucces(x)=msc(x,num,model,wind)=csuccesnum, psucces(x)≥0.995}
x=[kpalt,kialt,kdalt,kppos,kipos,kdpos,kpatt,kdatt,h0,w0]
着陆成功条件为poserr<1且|w|<1米/秒
其中,psuccess(x)为着陆成功概率,可通过蒙特卡洛方法进行估算。

优化结果分析与验证:利用方程(28)中的模型,进行参数优化,目标是使着陆可靠性大于99.5%。图12显示,在预优化过程中,控制参数和初始着陆条件的分布中出现了明显的概率密度峰值,这说明优化模型能够在给定范围内找到高可靠性的解决方案。需注意的是,虽然图12中kppos出现了两个峰值,但它们对应的概率……

对比验证:为更客观地评估所提方法的性能和优势,选择模型预测控制(mpc)作为对比方法。由于mpc具备明确的约束处理能力和滚动优化功能,因此已在运载火箭控制领域得到了广泛的研究和应用[[21], [22], [23], [24], [25], [26]]。参考现有关于运载火箭着陆用mpc的研究[22,23,25],设计了一个mpc控制器,用以比较两种方法的着陆成功率和精度。

结论:为应对严重威胁运载火箭着陆可靠性的强随机风这一关键问题,本文提出并验证了一种基于可靠性驱动的自适应预优化控制方法。(1) 对区域实际随机风对着陆姿态稳定性、轨迹精度以及整体可靠性的显著不利影响进行了定量评估,为控制策略的设计提供了理论依据。(2) 所设计的自适应多级控制策略有效地……>
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号