飛行器狀態(tài)空間模型參數(shù)在線辨識(shí)方法.pdf

1、飛行器參數(shù)的在線辨識(shí)在現(xiàn)代飛行控制系統(tǒng)設(shè)計(jì)中扮演越來(lái)越重要的角色，近年來(lái)一直是飛行器領(lǐng)域的研究熱點(diǎn)之一。通常來(lái)講，飛控系統(tǒng)是基于預(yù)先建立的數(shù)學(xué)模型設(shè)計(jì)的，其中考慮了參數(shù)的不確定性，以提高控制系統(tǒng)的魯棒性。但是，由于建模不可避免地存在誤差，特別是某些參數(shù)隨著飛行條件的變化、飛機(jī)構(gòu)型的變化、故障或戰(zhàn)損而發(fā)生變化。這些參數(shù)的變化有些無(wú)法測(cè)量，或者超出了人們的預(yù)期，對(duì)飛控系統(tǒng)的性能和飛行安全帶來(lái)嚴(yán)峻挑戰(zhàn)。通過(guò)在線系統(tǒng)辨識(shí)，可以獲得更準(zhǔn)確的參數(shù)、

2、跟蹤參數(shù)的變化、檢測(cè)故障的發(fā)生，使控制系統(tǒng)可以在線進(jìn)行相應(yīng)的調(diào)整，保持系統(tǒng)的穩(wěn)定性和預(yù)期性能，確保飛行安全。因此，飛行器參數(shù)的在線辨識(shí)對(duì)先進(jìn)控制系統(tǒng)實(shí)現(xiàn)、實(shí)時(shí)飛行穩(wěn)定性評(píng)估、以及故障診斷具有重要意義。然而，從帶有噪聲和干擾的數(shù)據(jù)中辨識(shí)出有用的信息是非常困難的。并且，在線辨識(shí)還受到算法計(jì)算時(shí)間和復(fù)雜程度的限制。本文基于狀態(tài)空間模型，采用灰箱辨識(shí)方法，對(duì)飛行器模型參數(shù)的在線辨識(shí)問(wèn)題進(jìn)行了系統(tǒng)地研究。
　　飛行器動(dòng)力學(xué)模型及參數(shù)辨識(shí)模型

3、是開(kāi)展在線辨識(shí)研究的基礎(chǔ)，這兩類模型既相互區(qū)別，又存在密切聯(lián)系。本文采用連續(xù)形式的狀態(tài)空間模型和離散的觀測(cè)方程模型構(gòu)成了連續(xù)/離散混合的系統(tǒng)辨識(shí)模型框架。用連續(xù)時(shí)間狀態(tài)空間模型來(lái)描述飛行器系統(tǒng)，所有參數(shù)物理意義明確，這對(duì)飛行器總體設(shè)計(jì)優(yōu)化和飛行控制系統(tǒng)設(shè)計(jì)非常必要和方便，但卻給參數(shù)的在線辨識(shí)帶來(lái)不小的困難。這是因?yàn)?，需要辨識(shí)的參數(shù)為線性狀態(tài)空間模型的狀態(tài)轉(zhuǎn)移陣和輸入控制陣的各元素，分別對(duì)應(yīng)飛行器對(duì)象的穩(wěn)定導(dǎo)數(shù)和控制導(dǎo)數(shù)，而辨識(shí)算法要求狀

4、態(tài)空間模型中的所有狀態(tài)變量可測(cè)，且狀態(tài)方程左端的微分量可以準(zhǔn)確獲取，這在實(shí)際中往往難以滿足。本文側(cè)重在狀態(tài)空間模型描述框架下開(kāi)展飛行器的參數(shù)在線辨識(shí)研究，從時(shí)域和頻域兩個(gè)角度，考慮系統(tǒng)維數(shù)、輸入、噪聲、參數(shù)及狀態(tài)的不同情形，設(shè)計(jì)并實(shí)現(xiàn)了相對(duì)有效的在線辨識(shí)算法，在噪聲的處理能力、辨識(shí)的速度、精度及算法效率等方面均可滿足在線實(shí)時(shí)應(yīng)用的要求。
　　針對(duì)時(shí)域在線辨識(shí)，首先，給出飛行器的參數(shù)化模型，將灰箱辨識(shí)算法分為方程誤差法、輸出誤差法和

5、濾波誤差法三大類；基于連續(xù)狀態(tài)空間模型，給出基本的遞推最小二乘（RLS）辨識(shí)算法；針對(duì)方程誤差辨識(shí)方法中，回歸方程左端項(xiàng)（對(duì)應(yīng)狀態(tài)方程微分項(xiàng)）無(wú)法直接觀測(cè)的問(wèn)題，提出帶卡爾曼濾波狀態(tài)估計(jì)的遞推最小二乘兩步辨識(shí)（KF+RLS）算法，實(shí)現(xiàn)了部分狀態(tài)未知條件下的參數(shù)辨識(shí)；針對(duì)參數(shù)未知情況下無(wú)法使用狀態(tài)卡爾曼濾波的難題，給出基于增廣狀態(tài)的擴(kuò)展卡爾曼濾波（EKF）非線性辨識(shí)算法，實(shí)現(xiàn)了狀態(tài)與參數(shù)的聯(lián)合估計(jì)；進(jìn)一步地，針對(duì)卡爾曼濾波需要噪聲參數(shù)已知

6、這一限制，采用增廣參數(shù)的擴(kuò)展最小二乘非線性辨識(shí)（EFRLS）算法，實(shí)現(xiàn)了噪聲未知條件下的狀態(tài)和參數(shù)的聯(lián)合估計(jì)。
　　針對(duì)頻域在線辨識(shí)，本文深入研究了傅里葉變換回歸（FTR）辨識(shí)方法，該方法在提高噪聲處理能力、減小辨識(shí)計(jì)算量等方面具有獨(dú)特的優(yōu)勢(shì)，且不必像傳統(tǒng)的頻域方法那樣需要對(duì)系統(tǒng)施加長(zhǎng)時(shí)間的或持續(xù)的激勵(lì)。通過(guò)遞推傅里葉變換（RFT），將時(shí)域數(shù)據(jù)在線轉(zhuǎn)換為頻域數(shù)據(jù)，從而得到飛行器參數(shù)辨識(shí)的頻域線性回歸模型，采用批量最小二乘算法進(jìn)行參

7、數(shù)辨識(shí)，本文推導(dǎo)給出三種頻域最小二乘計(jì)算式，并進(jìn)行了比較分析，其中，信息陣的求逆采用奇異值分解（SVD）方法，提高了算法在遞推過(guò)程中的穩(wěn)定性；針對(duì)MIMO系統(tǒng)的頻域辨識(shí)，提出了一種正交多正弦激勵(lì)信號(hào)設(shè)計(jì)方法，能夠?qū)Χ鄠€(gè)輸入通道同時(shí)激勵(lì)，提高了辨識(shí)效率，用于辨識(shí)試驗(yàn)時(shí)可大幅降低飛行試驗(yàn)時(shí)間及費(fèi)用；分析了典型信號(hào)激勵(lì)時(shí)長(zhǎng)對(duì)辨識(shí)結(jié)果的影響，為頻域方法中的激勵(lì)信號(hào)設(shè)計(jì)提供了思路；最后，對(duì)時(shí)域和頻域在線辨識(shí)方法進(jìn)行了性能對(duì)比，并在本文構(gòu)建的雙機(jī)實(shí)

8、時(shí)仿真環(huán)境中，驗(yàn)證了在線辨識(shí)算法的有效性及實(shí)時(shí)性，為各類算法的選擇及應(yīng)用提供了支持。
　　時(shí)變參數(shù)的辨識(shí)一直是辨識(shí)領(lǐng)域的挑戰(zhàn)性問(wèn)題之一，現(xiàn)有研究主要針對(duì)慢變參數(shù)系統(tǒng)，然而實(shí)際中飛行器可能因故障導(dǎo)致參數(shù)突然變化。針對(duì)飛行器模型中時(shí)變參數(shù)的辨識(shí)問(wèn)題，特別是快時(shí)變情形，本文基于前述的時(shí)域和頻域辨識(shí)算法，引入不同形式的遺忘因子/漸消因子，使各算法具備了時(shí)變參數(shù)的跟蹤辨識(shí)能力。本文借鑒自適應(yīng)卡爾曼濾波器的思想，提出將漸消因子引入增廣參數(shù)的擴(kuò)