飛行器狀態(tài)空間模型參數(shù)在線辨識方法.pdf

1、飛行器參數(shù)的在線辨識在現(xiàn)代飛行控制系統(tǒng)設計中扮演越來越重要的角色，近年來一直是飛行器領域的研究熱點之一。通常來講，飛控系統(tǒng)是基于預先建立的數(shù)學模型設計的，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、飛機構型的變化、故障或戰(zhàn)損而發(fā)生變化。這些參數(shù)的變化有些無法測量，或者超出了人們的預期，對飛控系統(tǒng)的性能和飛行安全帶來嚴峻挑戰(zhàn)。通過在線系統(tǒng)辨識，可以獲得更準確的參數(shù)、

2、跟蹤參數(shù)的變化、檢測故障的發(fā)生，使控制系統(tǒng)可以在線進行相應的調整，保持系統(tǒng)的穩(wěn)定性和預期性能，確保飛行安全。因此，飛行器參數(shù)的在線辨識對先進控制系統(tǒng)實現(xiàn)、實時飛行穩(wěn)定性評估、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)中辨識出有用的信息是非常困難的。并且，在線辨識還受到算法計算時間和復雜程度的限制。本文基于狀態(tài)空間模型，采用灰箱辨識方法，對飛行器模型參數(shù)的在線辨識問題進行了系統(tǒng)地研究。
　　飛行器動力學模型及參數(shù)辨識模型

3、是開展在線辨識研究的基礎，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方程模型構成了連續(xù)/離散混合的系統(tǒng)辨識模型框架。用連續(xù)時間狀態(tài)空間模型來描述飛行器系統(tǒng)，所有參數(shù)物理意義明確，這對飛行器總體設計優(yōu)化和飛行控制系統(tǒng)設計非常必要和方便，但卻給參數(shù)的在線辨識帶來不小的困難。這是因為，需要辨識的參數(shù)為線性狀態(tài)空間模型的狀態(tài)轉移陣和輸入控制陣的各元素，分別對應飛行器對象的穩(wěn)定導數(shù)和控制導數(shù)，而辨識算法要求狀

4、態(tài)空間模型中的所有狀態(tài)變量可測，且狀態(tài)方程左端的微分量可以準確獲取，這在實際中往往難以滿足。本文側重在狀態(tài)空間模型描述框架下開展飛行器的參數(shù)在線辨識研究，從時域和頻域兩個角度，考慮系統(tǒng)維數(shù)、輸入、噪聲、參數(shù)及狀態(tài)的不同情形，設計并實現(xiàn)了相對有效的在線辨識算法，在噪聲的處理能力、辨識的速度、精度及算法效率等方面均可滿足在線實時應用的要求。
　　針對時域在線辨識，首先，給出飛行器的參數(shù)化模型，將灰箱辨識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）辨識算法；針對方程誤差辨識方法中，回歸方程左端項（對應狀態(tài)方程微分項）無法直接觀測的問題，提出帶卡爾曼濾波狀態(tài)估計的遞推最小二乘兩步辨識（KF+RLS）算法，實現(xiàn)了部分狀態(tài)未知條件下的參數(shù)辨識；針對參數(shù)未知情況下無法使用狀態(tài)卡爾曼濾波的難題，給出基于增廣狀態(tài)的擴展卡爾曼濾波（EKF）非線性辨識算法，實現(xiàn)了狀態(tài)與參數(shù)的聯(lián)合估計；進一步地，針對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)的擴展最小二乘非線性辨識（EFRLS）算法，實現(xiàn)了噪聲未知條件下的狀態(tài)和參數(shù)的聯(lián)合估計。
　　針對頻域在線辨識，本文深入研究了傅里葉變換回歸（FTR）辨識方法，該方法在提高噪聲處理能力、減小辨識計算量等方面具有獨特的優(yōu)勢，且不必像傳統(tǒng)的頻域方法那樣需要對系統(tǒng)施加長時間的或持續(xù)的激勵。通過遞推傅里葉變換（RFT），將時域數(shù)據(jù)在線轉換為頻域數(shù)據(jù)，從而得到飛行器參數(shù)辨識的頻域線性回歸模型，采用批量最小二乘算法進行參

7、數(shù)辨識，本文推導給出三種頻域最小二乘計算式，并進行了比較分析，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程中的穩(wěn)定性；針對MIMO系統(tǒng)的頻域辨識，提出了一種正交多正弦激勵信號設計方法，能夠對多個輸入通道同時激勵，提高了辨識效率，用于辨識試驗時可大幅降低飛行試驗時間及費用；分析了典型信號激勵時長對辨識結果的影響，為頻域方法中的激勵信號設計提供了思路；最后，對時域和頻域在線辨識方法進行了性能對比，并在本文構建的雙機實

8、時仿真環(huán)境中，驗證了在線辨識算法的有效性及實時性，為各類算法的選擇及應用提供了支持。
　　時變參數(shù)的辨識一直是辨識領域的挑戰(zhàn)性問題之一，現(xiàn)有研究主要針對慢變參數(shù)系統(tǒng)，然而實際中飛行器可能因故障導致參數(shù)突然變化。針對飛行器模型中時變參數(shù)的辨識問題，特別是快時變情形，本文基于前述的時域和頻域辨識算法，引入不同形式的遺忘因子/漸消因子，使各算法具備了時變參數(shù)的跟蹤辨識能力。本文借鑒自適應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