单侧机翼损伤飞机的神经网络自适应鲁棒非线性控制

程鹏飞，吴成富（西北工业大学无人机特种技术重点实验室，陕西　西安710065）

单侧机翼损伤飞机的神经网络自适应鲁棒非线性控制

程鹏飞，吴成富
（西北工业大学无人机特种技术重点实验室，陕西西安710065）

针对飞机飞行中单侧机翼突然损伤问题，结合对损伤飞机的特性分析，提出基于神经网络自适应补偿的鲁棒非线性模型逆控制方法。利用未损伤飞机模型伪控制量中的单隐层神经网络自适应项和鲁棒项，并联合e-modification自适应律对模型误差、外界扰动、神经网络近似误差进行补偿。除此之外，利用动态非线性阻尼技术对上述伪控制律进行扩展，从而适应损伤机体未建模舵动态。最后对上述算法进行严格的稳定性证明，并推导了逆过程的实现方法。仿真结果表明在单侧机翼突然损伤并伴随外部扰动和未建模舵动态下，该控制方法具有较强的稳定性和鲁棒性。

单侧机翼损伤；神经网络自适应补偿；非线性模型逆控制；动态非线性阻尼；未建模舵动态

网址：www.sys-ele.com

0 引 言

新一代战斗机、大型运输机、大型客机、高空长航时无人机对安全性的要求越来越高，一旦发生故障或者遭受损伤而又未及时采取措施，会造成巨大损失。1990年～2000年，相关学者开始关注飞机严重损伤问题，注意到只要不丧失升力和操纵性，就能通过特殊的控制过程实现飞行稳定和性能恢复［1］。另外由于外界因素或自身故障导致不确定性种类复杂多样，利用单一标称模型综合通用的控制器去适应不同问题的研究具有重要意义。在飞机机体结构严重损伤的飞行动力学分析和相应飞行控制算法研究验证方面，国内文献有一定涉及［2 8］；国外N A S A A mes Research Center、U niversityofVirginia、Rockwell Collins、MIT、Georgia Tech、Delft U niversity of Technology等大学和研究机构均不同程度开展了机翼大面积损伤飞机飞行特性和控制方法的研究［9 14］。在飞行控制中，具有良好近似特性的神经网络已经被证明非常有用。美国在90年代至本世纪初开展的飞翼布局飞机重构控制项目（R EST O R E）中，神经网络直接自适应控制连同其他技术的成功应用验证了下一代飞行控制系统对未知故障和损伤的适应能力［15］。除上述飞翼布局飞机之外，在制导炸弹方面也有成功的应用［16 17］。美国Georgia Institute of Technology大学于2009年利用神经网络自适应控制算法在TwinStar双发无人机上实现了容忍单侧机翼断掉50%面积矩的试飞验证［13］。近五年文献中，文献［18］研究了利用神经网络近似导弹气动系数的方法；文献［19-20］给出神经网络在故障检测和重构飞行控制方面的最新应用。另外，神经网络用在反馈线性化飞行控制方法中被证明是非常有效，文献［21-23］给出了这方面的最新成果。

本文首先分析左翼不同程度损失对飞行动力学特性的影响；其次结合近些年研究进展，设计基于单隐层神经网络自适应的鲁棒非线性动态逆控制算法系统，并针对未建模舵动态进行扩展，最后通过仿真验证其控制能力。

1 单侧机翼损伤飞机

不失一般性，“单侧机翼损伤”的定义如图1：y损伤长度为外翼损失部分的翼展长度；损失面积矩为损失部分面积与其重心到机体垂直距离y损伤力臂的乘积。所用小型电动无人机如图1所示，为单发、翼展1.9 m，机长1.95 m，全机加有效载荷总重6.9 kg、一对副翼兼有前升降舵功能、V型尾翼兼顾后升降舵和方向舵功能。图2～图5给出此飞机飞行动力学相关特性随左翼损失不同面积矩的变化情况［2 3］。图2是利用图1小型电动无人机CATIA建模和计算流体动力学（computationalfluid dynamics，CFD）计算所得的质量、几何以及气动数据绘出。图3～图5是在图1单翼损伤无人机6自由度（6 degree of freedom，6D O F）非线性运动方程基础上通过配平算法解算、小扰动线性化和飞行动力学分析得出。

图1 单侧机翼损伤飞机C A TIA模型示意图

图2（a）、图2（b）和图2（c）反映重心位置偏移量、惯性积、Clα的变化情况；图2（d）为40%面积矩损伤下新增耦合气动导数Clq，Cmp，Cmr的变化情况。从中看出，单侧机翼损伤致使上述4种量均产生不同程度的改变，从而导致非线性方程产生诸多新增项［2］，线性化后系统方程A、B阵左上和右下部分原本近似为零的大导数发生较大改变，最终导致纵侧向运动之间发生强耦合［3］。图3给出左外翼40%面积矩损失（损失侧包括副翼）后的配平图。可以看出，右副翼反向偏转越多，需要配平的负向侧滑角就越小。椭圆虚线理想配平区域为配平侧滑角不大（＜10°）且完好侧副翼留有一定机动偏转裕度的配平点集。另外，配平侧滑角数值负向越大，配平滚转角也负向增大，这对损伤后安全降落很有意义。

图2 左翼不同程度损伤的影响

图3 左外翼40%面积矩损伤后配平图

运动模态和特征根方面，损伤后致使所有状态响应中均存在5种典型模态成分，并随着损伤程度改变而发生“迁移”。图4为损伤后带侧滑配平点线性化后特征根的分布，图中①～⑤分别对应类短周期运动、类浮沉运动、类滚转阻尼运动、类荷兰滚运动、类螺旋运动特征根随损伤增大的迁移情况。可以看出，损伤后短周期模态的一对负共轭根变为单个负实根，并且根的位置随损伤变化很小；螺旋模态的在损伤后变为两个根，并从负根“越变”到实根的。其余3个模态：浮沉模态随损伤增大而阻尼减小、自然频率增大，并且当损伤超过60%面积矩时其根移向正半平面而变得不稳定；滚转阻尼模态随损伤增大而远离虚轴，阻尼效果增强；荷兰滚模态震荡减小，震荡频率增大。

图5给出在不同损伤下，右副翼adef为俯仰角速率q通道的阶跃响应图5（a）和方向舵adeb为俯仰角速率q通道的Bode图5（b）。随着损伤增大，图5（a）中较高频率成分震荡逐渐减弱，稳态值越来越大表明开环增益逐渐增大，损伤达到60%后出现状态发散。另外，图5（a）中q在12 s由正变为负，此全通现象是因为右副翼上偏后，正向俯仰力矩增大，飞机抬头，同时r逐渐正向增大。当α超调，q开始减小时，由于此时正向增大的r和负值φ会使α继续增大，则q会继续减小到负值，并与r，φ共同促使α保持稳定值。由于微分环节和非最小相位系统零点，图5（b）中相角曲线会有90°×n的提前，而60%损伤下的不稳定极点导致初始相角发生滞后。另外，图5（b）中第一个波谷由螺旋模态产生，其对40%损伤时的影响最大。4.5 rad/s附近的20 dB下降处为短周期模态。

图4 左翼不同程度损伤对特征根分布的影响

图5 左翼不同程度损伤下部分通道的时域响应和频域响应

综上所述，从飞行控制所关心的角度看，单侧机翼损伤对飞机主要有以下几个方面的影响：①重心产生偏移Δx，Δy，Δz；新增惯性积Ixy，Iyz；②新增Clα，Clq，Cmp，Cmr等耦合气动导数；③短周期模态的一对负共轭根变为单个负实根，并且随损伤加大变化较小；浮沉模态逐渐远离实轴靠近虚轴；滚转阻尼模态逐渐远离虚轴；荷兰滚模态随损伤加大震荡减小，震荡频率增大。螺旋模态因损伤变为两个根，并从负根“越变”到实根；④因损伤出现的非最小相位零点导致阶跃响应出现“全通现象”，q和r终值不为零。Bode图中几乎所有通道都存在较大的相角提前现象，并且在不同损伤下同一模态的带宽存在明显不同。

2 基于在线单隐层神经网络自适应的鲁棒非线性模型逆控制

多层神经网络（multiperceptron network，M P N）结构和其稳定性研究最早由Hornik K.，Stinchombe M.，W hite H.所展开［24-25］。为解决模型误差给非线性动态逆技术带来的问题，文献［26-28］用多层神经自适应技术补偿飞机非线性模型逆误差，保证稳定性并提高性能。文献［29-30］也将神经网络自适应动态逆控制运用在三旋翼飞行控制上，取得了一定成效。除此之外，μ-synthesis、滑模控制、自适应backstepping等补偿方法的研究也在不断进行［31-34］。从上节对单翼损伤飞机飞行动力学特性的研究结果可以看出：损伤后飞机的基本特性产生较大变化，导致运动方程以及相关操稳特性发生根本改变；损伤起初会出现剧烈运动，非线性特性增强；损伤后短时间内会造成较大的模型误差，在此之上加以外界扰动和未建模舵动态会极大程度地增加控制难度。所以在对单翼损伤飞机飞行动力学特性进行分析研究后，本节以能够自适应被动容错控制单翼严重损伤前后的飞机为动机，研究能够同时鲁棒损伤模型误差、外界扰动以及舵输入未建模动态的在线学习单隐层神经网络自适应鲁棒非线性控制算法，从近似非线性反馈线性化控制算法研究的角度解决飞机单翼严重损伤后飞行动力学特性出现上述较大改变下的被动稳定和机动飞行问题，并给出严格的稳定性证明。

2.1 问题描述

实际非线性动力学模型如（1）所示。

2.2 单隐层神经自适应非线性模型逆控制算法

本节所研究算法基于如下假设。

假设2 式（1）中传递函数Δ（s）为稳定的且为真分数，在Re｛s｝≥-κ（κ＞0）范围内可解析，其最小实现如式（3）所示，并且满足不等式（4），其中k0＞0，Hκ（t）=CΔe（AΔ+κI）tBΔ，‖Hκ‖∞=sup ‖Hκ（t）‖，矩阵范数与式（4）中向量范数

t相容。

假设3 对于式（5）结构的单隐层神经网络，在某一紧集D′中，存在一组如式（6）所示的有界理想参数W*和V*对误差式（7）进行统一近似，并满足式（8），其中0≤‖ε‖≤¯ε。

2.2.1 单隐层神经网络结构和性质

图6为单隐层神经网络结构图，其表达式如式（9），其中¯x∈Rn1和y∈Rn3分别为输入和输出；N1，N2，N3分别为输入节点数、隐层神经元节点数、输出节点数。式（10）中σ（z）为sig m oid双曲活化函数，a为活化电势，θv是σ（z）输入中的阈值偏移量。为了方便，定义权重矩阵式（11）、活化函数列向量式（12）、输入列向量式（13）、单隐层输出误差式（14）。另外，为了在后面稳定性证明中能让σ函数出现神经网络（neural network，N N）权重线性项，有必要进行式泰勒展开。式（15）为σ*在＾σ点进行的泰勒展开式。

图6 单隐层神经网络

下面对单隐层神经网络更新算法相关项的有界性进行分析。根据式（10）、式（16）得到‖σ′z（＾z）‖＜c3，c3为某正常数；化简式（15）并利用上面结论得到式（17）；因为N N输入的形式如式（18），其中分别为三轴姿态角的误差向量、指令向量、自适应伪控制量，所以可以得到有界性关系式（19）。

2.2.2 伪控制量构造

图7给出上述配置下单隐层神经网络自适应鲁棒非线性模型逆控制方案，主要包括两部分：①点划线框内为伪控制信号v的组成部分，包括传统的P D项、通过N N训练用来补偿逆误差的vad项和鲁棒项vr；②虚线框部分表示的近似模型逆过程将v逆向计算成控制信号u并最终控制实际机体产生相应运动。

2.2.3 稳定性证明

下面对式（22）、式（23）的控制律和自适应律进行稳定性证明，注意控制对象不含未建模舵动态情况，如式（26）。表1给出此证明中必要的符号说明。

图7 单隐层神经网络自适应鲁棒非线性模型逆控制方案

表1 2.2.3节证明中必要的符号说明

考虑式（27）的Lyapunov函数，对时间进行求导，将式（23）、式（24）的误差方程带入并考虑N N权重的书写形式（6）和构造式ATP+PA+2I=0，得到式（28）。又因为不等式（29）成立，并联合式（25）可将式（28）化简成式（30）。

将式（22）中的vr表达式带入式（30）并整理如式（31）。若伪控制量增益满足Kr1＞c3I＞0进一步化简得式（32）。将式（32）大括号中的项对‖˜Z‖进行配平方，得到式（33）。

因此如果选λ＞c2，则当|ζ|＞Ωζ或者‖˜Z‖＞ΩZ，即误差状态在Ωζ和ΩZ代表的紧集之外，那么式（36）成立，即表明系统是稳定的。

2.3 鲁棒未建模舵动态技术

本节针对带有未建模舵动态的实际机体式（1），进一步对伪控制量v扩展，并给予稳定性证明。

在社会各界关于生产教育的讨论兴起之初，教育名家舒新城、罗廷光、徐炳昶等人积极倡导生产教育应以“农业为主、工业为辅”。其立论依据主要建立在中国“以农立国”的认识之上。

2.3.1 伪控制量扩展

结合假设1，则式（21）需改写成如下式（37）。为了对（f（x，˙x，u）-f（x，˙x，¯u））项进行鲁棒，伪控制律式（22）需扩展成式（38）。

注意到：①v中新增“动态非线性阻尼［23］（dynamic nonlinear dam ping，D N D）”项vdnd，此项由式（22）伪控制律和渐近稳定动态量m组成，意在鲁棒未建模输入动态产生的额外项；②vr中新增Km（‖＾Z‖+¯Z）|m|ζ意在鲁棒因vdnd带来与|m|ζ有关的单隐层N N高阶项。另外，根据输入新增项|m|ζ和式（24）中余项w，|w|满足新的不等式式（39）。此控制方案如图8所示。

图8 动态非线性阻尼增强的单隐层神经网络自适应鲁棒非线性模型逆控制方案

2.3.2 稳定性证明

若被控对象为含有输入未建模动态的形式式（1）时，误差式（24）进一步推导需改为式（40）。对式（27）求导后代入式（23）、式（40）得到式（41），下面主要关注vdnd对未建模舵动态鲁棒稳定的证明环节。表2给出此证明中必要的符号说明。

表2 2.3.2节证明中必要的符号说明

结合式（39）并对式（41）最后两项推导得到式（42）。当伪控制量增益满足Kr1＞c3I＞0，Km＞c4＞0时，继续得到式（43），其不等式右边除了最后一项ζ（vdnd+｛f（x，˙x，u）-f（x，˙x，¯u）｝）外，其余项与式（32）相同，所以|ζ|在此部分得到的稳定界限同式（35）。

式（44）为式（41）中鲁棒未建模舵动态部分。联合式（1）第二式、假设1、假设2、式（3）、式（4）、式（38）最后一式并继续推导有式（45）。

根据式（38）前两式可得到不等式式（46），将其代入式（45）继续推导有式（47）。

联合式（35）、式（36）、式（41）、式（48）、式（49），如果式（50）或者式（51）得到满足，那么式（52）成立，即状态误差e和N N权重误差、渐近有界。

2.4 逆过程实现

本小节基于三轴飞行姿态角与动力学方程的关系，研究从伪控制量v到控制量u的实现过程。

步骤1 根据式（2）第一式和伪控制量的定义有式（53），式中表示三轴姿态角表示副翼、升降舵、方向舵偏转。将角速率与姿态角变化率的关系式求导并结合式（53）得到需要的角加速度式（54）。

步骤2 将式（54）带入角加速度运动方程式（55）得到需要的三轴力矩L，M，N。由于力矩主要是由气动力产生的，所以利用式（56）进一步得到气动力矩系数CL，CM，CN，式中，S，b，分别表示动压、机翼参考面积、翼展、平均气动弦长。

步骤3 利用气流角气动建模表达式（57）即可反解出舵偏指令u=［adaadebadr］T，式中α，β为当前迎角、侧滑角值；为当前无量纲角速率值；CL×为相应的气动导数。图9给出逆过程计算流程图。

图9 逆过程计算流程图

3 仿真实验

将本文控制算法与PID控制算法进行对比，从而验证控制器对单侧机翼大面积损失飞机的姿态稳定控制能力。仿真过程如下：被控对象为图1左翼损失40%面积矩飞机的非线性模型［2-3］，损伤部分包括整个副翼。初始状态设为未损伤巡航平飞配平状态，飞行高度500 m，空速20.3 m/s。仿真开始时接通依据未损伤飞机模型设计的PID控制器或神经网络自适应鲁棒非线性控制器，控制器指令为：θc= 5.9°配平保持、c=0°配平保持；10 s内若能稳定住飞机，则10 s后进行滚转机动，即φc10 s时斜坡上升至11 s并保持。

3.1 PID控制

PID控制器包含升降舵adeb—俯仰角θ保持、副翼ada—滚转角φ保持、方向舵adr—偏航角保持，另有推力dt—空速Va比例保持器。PID控制器参数基于未损伤初始配平点线性化模型设计优化。图10为保持初始配平状态5 s后给出10°滚转角阶跃指令控制未损伤飞机的响应。可以看出三轴姿态具有较好的暂态响应且短时间内能渐近跟踪指令。图11为同一组参数PID控制左翼突然损失40%面积矩的飞机。可以看出，φ已经翻滚了很多圈，θ终值接近-90°表示飞机栽头，也360°周期摆动，所有舵偏值都饱和。这说明上述PID控制器不能控住损伤飞机。

图10 PID控制未损伤飞机的响应

3.2 单隐层神经自适应鲁棒非线性控制

3.2.1 同时存在外部扰动以及损伤造成的模型误差

图11 PID控制左翼损伤40%面积矩飞机的响应

仿真开始1.5 s内是对突然损伤飞机的快速稳定过程，舵面的快速调节导致状态响应出现高频振荡。图12（a）～图12（c）和气流角图12（d）除了有少量稳态误差外，均稳定在合理的范围内。图12（e）保持在20～21 m/s之间。图12（f）为式（22）中的N N自适应输出vad，其在式（23）的N N参数调节下针对因损伤造成的三轴姿态模型误差不确定性式（7）而进行补偿。可以看出，无论-10°还是10°滚转机动情况，所需补偿的模型误差大小均为φ轴向（蓝色）＞θ轴向（绿色）＞轴向（红色），说明了左翼损伤主要增加了以不对称力矩增加为主的φ轴向模型误差和以升力减小为主的θ轴向模型误差；另外，对比两种机动情况，-10°情况的模型误差负向较大，而轴向模型误差基本对称分布，说明左翼损伤在方向性上对此轴向误差影响较小。由于在初始损伤时刻和10 s时刻的机动过程会产生更大的模型误差，所以对应的补偿作用也更快更明显。图（g）为（22）中的鲁棒伪控制量vr，其作用是针对（1）中外界扰动d（t）和构造N N模型逆误差产生的余项一起所组成的w（式（24））进行鲁棒补偿。可以看出，两种情况下vr的响应基本一样，由于初始损伤时刻和10 s时刻机动产生的φ轴向模型误差最大，从而其余项明显增大，致使鲁棒分量vrφ的补偿作用最强；由于存在周期为20 ms有界随机扰动，所以图中的“毛刺”体现了vr对三轴外扰的鲁棒作用。回顾式（5）和式（9），神经网络内部估计参数为7×3矩阵和20×6矩阵，由于元素较多不易用图集中显示，所以用图12（h）分别给出两参数矩阵的F-范数（定义见式（6））‖‖F和‖‖F的变化情况。两种机动下，‖‖F变化的数量级较小，在10-6数量级，由于sig m oid双曲活化函数式（10）在［0，1］间变化，所以‖‖F与（f）中N N输出vad的数量及相同。N N内外参数F-范数的变化情况与N N输出vad类似，在初始损伤时刻和10 s时刻机动中出现较大幅度的调节，其余时刻均较平缓的趋于证明中式（35）给出的参数误差界限。

图12 单隐层神经自适应鲁棒非线性控制左翼损伤40%面积矩飞机的响应

3.2.2 同时存在外部扰动、未建模舵动态以及损伤造成的模型误差

假设所有舵面偏转ada、adeb、adr均存在阻尼比ξ= 0.6、自然频率ωn=20 rad/s的二阶未建模电动舵机动态式（69）。联合式（1）、假设2，当取μ=1可得到Δ（s）=（-s2-24）/（s2+24+200）。图13表明在同一仿真设定下，3.2.1节控制器不能稳定具有未建模舵动态损伤飞机的φ。图14为增加动态非线性阻尼信号后，控制具有未建模舵动态损伤飞机的部分响应。各分图所列状态的顺序与图12一样。扩展伪控制律式（38）中的参数设置如下：KD=18.4I，KP= 20I，Kr0=1I，Kr1=1I，λ=0.1，Km=1，Kn=0.5，κ=10；神经网络N N隐层活化函数为式（12），活化电势a=0.1，隐层节点数N2=6；N N参数矩阵W，V初始值均设为0，理想N N参数矩阵范数界限¯Z=1；N N自适应律式（23）增益ΓW= ΓV=100，e-m odificaiton项系数λ=0.1。

图13 3.2.1节控制器控制具有未建模舵动态损伤飞机的响应

图14 增加动态非线性阻尼控制器控制具有未建模舵动态损伤飞机的响应

从仿真开始左翼损伤后的10 s稳定以及随之的滚转机动下，-10°情况的姿态角和气流角响应暂态性能良好，调节时间较短，振荡小，基本无静差，而10°情况下会出现周期性的振荡调节。从物理过程来讲，是因为左翼部分损失飞机本身有不对称的负滚转力矩，在-10°滚转机动过程中负侧滑角的出现图14（d）有助于增大恢复阻尼，从而使响应平稳。而10°滚转机动则刚好相反，减小了调节时的阻尼，出现振荡。当侧滑角由正变负时，再次回到渐近收敛阶段，如此重复。图14（f）vad对三轴姿态模型误差不确定性进行补偿，为神经网N N调节输出量。可以看出，所需补偿的模型误差在轴向上仍然是φ最大，θ次之，最小，原因与第3.2.1节一样。-10°机动下，vad对模型误差的补偿量随着姿态的稳定亦趋于稳定。10°机动下，vad补偿量随状态和输入的振荡也发生振荡。图14（g）中的鲁棒伪控制量vr，其作用已在3.2.1节给出，主要针对外界扰动d（t）和构造N N模型逆误差产生的余项进行鲁棒补偿。可以看出，-10°机动下，只有初始损伤和再机动这两个时间附近在φ轴向上有较大的数值，而其余时间只有鲁棒有界随机扰动的作用，即图中的毛刺。10°机动下，除了上述分析外，由于在周期性状态调节处会产生较大模型误差最大，从而余项也会明显增大，致使vr的补偿作用明显增大。这其中φ轴向模型误差最大，所以分量vrφ的补偿作用最强。图14（h）vdnd是式（38）中的动态非线性阻尼伪控制量，其作用是对未建模舵动态式（69）这种结构不确定性进行鲁棒，从而使系统稳定。-10°机动下，由于图14（a）～图14（c）中舵偏趋于常值，不持续激发未建模舵动态，所以vdnld的补偿基本为零。而在10°机动下，由于周期性的舵偏振荡激发未建模舵动态，所以在对应时段vdnld的补偿也随之增大。由于vdnld与伪控制量和状态误差有关，所以与上述分析对应，vdnld在φ 轴向的鲁棒作用最强。在未建模舵动态情况下，由于vdnld的出现导致N N输入数量增加，所以神经网络内部估计参数为7×3矩阵和23×6矩阵。与上节同理，这里只通过图14（i）给出其F-范数‖‖F和‖‖F。相比图12（h），在数量级上均有明显的提升，这是由于N N参数更新律增益ΓW、ΓV均由-10增加到了-100，使得参数变化轨迹数量级发生变化所致。与N N输出图14（f）vad对应，除了初始损伤、10 s时刻机动出现较大改变外，在10°机动情况下的对应时刻出现了周期振动的更新过程。图中其余时刻均较平缓的趋于证明中式（51）给出的参数误差界限ΩZ（同式（35）中的ΩZ）。

4 结 论

本文针对图1飞机分析了左翼不同程度损伤对动力学特性的影响，研究了能够同时适应机翼损伤和外界扰动的神经网络自适应鲁棒非线性模型逆控制方法，并利用动态非线性阻尼技术进一步增强对未建模舵动态的鲁棒性。在对稳定性进行证明后，通过仿真给出了此控制算法中神经网络对模型误差的补偿作用，伪控制鲁棒项和动态非线性阻尼项对姿态扰动以及未建模舵动态的鲁棒作用，从而验证了对左翼40%面积矩突然损伤飞机的快速稳定和机动控制能力。

［1］N A S A.Integrated resilient aircraft control：stability m aneuverability and safe landing in the presence of adverse conditions［M］.U S A：N A S A，2007：115-187.

［2］Cheng P F，W u C F，Duan X J，et al.A n approach offlight trim for wing-da maged asy m metric aircraft［C］∥Proc.of the32nd Chinese Control Conference，2013：6071-6076.

［3］Cheng P F，W u C F，Duan X J，et al.Research on high sidesl ip angle fl ight dynamics of wing-damaged asym metric aircraft［J］.Journalof N orth western Polytechnical University，2014，32（5）：682 -687.（程鹏飞，吴成富，段晓军，等.机翼不对称损伤无人机在大侧滑角下的飞行动力学研究［J］.西工大学报，2014.32（5）：682-687.）

［4］Wang J，Liu X X，Sun X，et al.Flight performance analysis for aircraft with wing faults based on optimization of trim ming. computer engineering and applications［J］.Computer Engineering and Applications，2014，50（23）：229-233.（王娟，刘小雄，孙逊，等.基于优化配平的机翼故障飞机飞行性能分析［J］.计算机工程与应用，2014，50（23）：229-233.）

［5］W ang Q，Li Q，Cheng N，et al.A nonlinear fault tolerant flight control method against structural damage［J］.Acta Aeronautica et Astronautica Sinica，2015，36（5）：1661-1672.（王乾，李清，程农，等.一种针对结构损伤的非线性容错飞行控制方法［J］.航空学报，2015，36（5）：1661-1672.）

［6］Wang F W，Dong XM，Chen Y，et al.Fast fault diagnosis of multi-effectors aircraft with control surface damage［J］.Acta Aeronautica et Astronautica Sinica，2015，36（7）：2350-2360.（王发威，董新民，陈勇，等.多操纵面飞机舵面损伤的快速故障诊断［J］.航空学报，2015，36（7）：2350-2360.）

［7］Gong Y M，H an Q.Dyna mic analysis and damage study of co mbat aircraft［J］.A dvances in Aeronautical Science and Engineering，2015，6（1）：38-45.（巩彦明，韩庆.战损飞机动力学特性分析及杀伤研究［J］.航空工程进展，2015，6（1）：38-45.）

［8］Qiu YH，Zhao P X，Chen W，et al.The fault diagnosis and aerodynamic m odel for aircraft wing damage［J］.M echanics in Engineering，2014，36（1）：23-28.（邱岳恒，赵鹏轩，陈伟，等.飞机机翼损伤的气动模型及故障诊断研究［J］.力学与实践，2014，36（1）：23-28.）

［9］Kim K，Kimy D M，Kim S，et al.Fl ight test of a flying-wing type UAV with partial wing loss using neural network controller［C］∥Proc.of the AIA A Guidance，N avigation，and Control Conference，2013：AIA A-2013-5169.

［10］Almond M T，Render P，Walker A D.A nalysis of single hole sim ulated battle damage on a wing using particleimage velocimetry［C］∥Proc.of the AIA A Applied Aerodyna mics Conference，D allas，2015：AIA A-2015-2573.

［11］Jourdan B D，Pied monte D M，Gavriletsy V，et al.Enhancing U A V survivability through damage tolerant control［C］∥Proc. of the AIA A Guidance，Navigation，and Control Conference，2010：AIA A-2010-7548.

［12］Baur S，Gibson T，A nnaswam y A，et al.Sim ulation and adaptive control of a high agility m odel airplane in the presence of severe structural damage and failures［C］∥Proc.of the AIA A Guidance，N avigation，and Control Conference，2011：AIA A-2011-6412.

［13］Chowdhary G，Johnson N E，Kim brell M S，et al.Flight test results of adaptive controllers in presence of severe structural damage［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2010：AIA A-2010-8010.

［14］Boo M K，Duck Y S，Jea min S，et al.Integrated guidance and control design based on adaptive neural network for unpowered air vehicle［J］.Journal of Institute of Control，Robotics and Systems，2009，15（1）：15-22.

［15］Brinker J S，Wise K A.Flight testing of a reconfigurable flight controllaw on the X-36 tailless fighter aircraft［C］∥Proc.ofthe AIA A Guidance，Navigation，and Control Conference，Denver，2000：128-139.

［16］Lewis F L.Nonlinear network structures for feedback control［J］. Asian Journal of Control，1999，1（4）：205-228.

［17］Sharma M，Calise A J，Corban J E.Application of an adaptive autopilot design to a family of guided munitions［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2000：205-213.

［18］Ritz S G，Hartfield R J，Dahlen J A，et al.Rapid calculation of missile aerodynamic coefficients using artificial neural networks ［C］∥Proc.of the IE E EAerospace Conference，2015：337 -345.

［19］Garbarino L，Zazzaro G，Genito N，et al.Neural network based architecture for fault detection and isolation in air data systems［C］∥Proc.of the32nd IE E E/AIA A Digital Avionics Systems Conference，2013：2D4-1-2 D4-11.

［20］Shi L，H ou W K，Shi J Y，et al.T he intelligent BIT design of aviation integrated computer system based on improved BP neural network［C］∥Proc.of the IE E E Conference on Prognostics and System Health M anagement，2012：168-174.

［21］Bhandari S，Raheja A，Tang D，et al.Nonlinear control of U A Vs using m ulti-layer perceptrons with off-line and on-line learning［C］∥Proc.of the A mericanControl Conference，Portland，2014：2875-2880.

［22］Tang YM，Patton R J.Reconfigurable fault tolerant control for nonlinear aircraft based on concurrent S M C-N Nadaptor［C］∥Proc. of the American Control Conference，2014：1267-1272.

［23］Lee B Y，Lee H I，Tahk M J.A nalysis of adaptive control using on-line neural networks for a quadrotor U A V［C］∥Proc. of the13th International Conference on Control，Automation and Systems，2013：1840-1844.

［24］Hornik K，Stinchombe M，White H.Multi layer feedforward networks are universal approximators［J］.Neural Networks，1989，2 （5）：359-366.

［25］Lewis F L，Yesildirek A，Liu K.Multilayer neural-net robot controller with guaranteed tracking performance［J］.IE E E Trans.on Neural Networks，1996，7（2）：388-399.

［26］Johnson NE，Calise J A.Reusable launch vehicle adaptive guidance and control using neural networks［C］∥Proc.of the AIA AGuidance，Navigation，and Control Conference and Exhibit，Toronto，2010：AIA A-2001-4381.

［27］Laksh mikanth G S，Radhakant P，Watkins J M，et al.Adaptive flight-control design using neural-network-aided optimal nonlinear dynamic inversion［J］.AIA A Journal of Aerospace Inform ation Systems，2014，11（11）：785-806.

［28］Tho mas K，Philipp S，Falk S，et al.A combined scheme of nonlinear adaptive flight control and neural network fault detection［C］∥Proc.of the AIA A Infotech@Aerospace Conference，Garden Grove，2012：AIA A-2012-2430.

［29］Wang H，Xu J F，Gao Z.Design of attitude control system based on neural network to unmanned helicopter［J］.Acta Aeronautica et Astronautica Sinica，2005，26（6）：670-674.（王辉，徐锦法，高正.基于神经网络的无人直升机姿态控制系统设计.航空学报［J］，2005，26（6）：670-674.）

［30］Xia Q Y，Xu J F.A design of triaxial unmanned rotor aircraft and its adaptivefl ight controlsystem［J］.Acta Aeronautica et Astronautica Sinica，2013，34（3）：495-508.（夏青元，徐锦法.三轴式无人旋翼飞行器及自适应飞行控制系统设计.航空学报［J］.2013，34（3）：495-508.）

［31］Chen Z，Yao B，W ang Q F.Synthesis-based adaptive robust control of linear motor driven stages with high-frequency dynamics：a case study［J］.IE E E/A S M E Trans.on Mechatronics，2015，20（3）：1482-1490.

［32］Philipp S，Jonas K，Tho mas K.Advanced sliding mode online training for neural network flight control applications［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，Kissimmee，2015：AIA A-2015-1323.

［33］Nair R R，Behera L，K u mar V.M ultisatellite formation control for remote sensing applications using artificial potential field and adaptive fuzzy sliding m ode control［J］.IE E E Systems Journal，2015，9（2）：508-518.

［34］Florian P，Fabian H，Florian H，et al.A nti-windup command filtered adaptive backstepping autopilot design for a tail-controlled air-defense missile［C］∥Proc.of the AIA A Guidance，Navigation，and Control Conference，2013：AIA A-2013-5013.

Neural network based robust adaptive nonlinear control for aircraft under one side of wing loss

CHENG Peng-fei，W U Cheng-fu
（Science and Technology on U A V Laboratory，North western Polytechnical University，Xi’an 710065，China）

Combined with the characteristics of wing-damaged aircraft，a method of neuro-adaptive compensation based robust nonlinear model-inversion controlis proposed for one-side of wing damage suddenly in flight. The method em ploys one single-hidden-layer neural network（S H L N N）adaptive element and one robust element in pseudo-control of the undamaged aircraft model with e-m odification adaptive laws to compensate model errors，external disturbances and N N approximation errors simultaneously.In addition，a dynamic nonlinear dam ping technique is em ployed to expand the pseudo-controllaw above for robustifying the unmodelled actuator dynamics of the damaged plant.Finally，the strict stability proof is given and the realization of the inversion process is derived.The simulation results validate the strong stability and robustness of the control algorith m under wing damage accompanied with output noise and unmodelled actuator dynamics.

one-side of wing damage；neuro-adaptive compensation；nonlinear model-inversion control；dynamic nonlinear dam ping；unmodelled actuator dynamics

V 249.1

A

10.3969/j.issn.1001-506 X.2016.03.21

1001-506 X（2016）03-0607-11

2014-12-14；

2015-08-31；网络优先出版日期：2015-12-29。

网络优先出版地址：http：//w w w.cnki.net/kcms/detail/11.2422.T N.20151229.1138.002.html

解放军总装预研项目（513250202）资助课题

程鹏飞（1986-），男，博士研究生，主要研究方向为飞行控制、飞行动力学。

E-mail：cpf_123@163.com

吴成富（1962-），男，教授，博士研究生导师，主要研究方向为综合飞行控制技术。

E-mail：chiefwu@nw pu.edu.cn