基于概率的運載火箭控制系統設計方法研究

劉百奇，韋常柱，雷建長

(1.中國運載火箭技術研究院研究發展中心，北京 100076；2.哈爾濱工業大學，哈爾濱 150001)

0 引言

傳統的運載火箭控制系統設計采用極限偏差設計方法，要求由各類隨機偏差造成的干擾力矩在火箭飛行過程中不得超過控制系統的最大控制力矩，并且通過工程經驗選取安全系數保證控制系統的最大控制力矩具有一定的冗余度。這種方法具有簡單、可靠的特點，因此在工程實踐中獲得了良好的效果和廣泛的應用。

但是隨著認識的不斷加深，研究人員發現由于各類干擾力矩的概率分布并不相同，運載火箭在不同飛行階段，不同飛行方式和不同姿態下受到的干擾力矩情況也不相同。統一的安全裕度不能對系統的可靠性進行量化描述，為了追求安全可靠而增大余量或增加冗余度，造成了不必要的浪費和系統總體性能的下降[1-2]。

為解決安全系數法帶來的問題，國內外學者開始探索將隨機模型與數值方法結合以尋求數值方法的概率解決模式，基于概率的相關設計方法應運而生，并逐步在工程結構設計、熱防護系統設計、飛行器控制系統設計、飛行器總體優化等領域得到了應用[2-4]。本文綜述了基于概率的控制系統設計方法國內外研究現狀，提出了基于概率的運載火箭控制系統設計流程及基于概率的控制器設計方法，并進行了初步的仿真驗證。

1 概率控制國內外研究現狀

國內外學者針對基于概率的控制系統設計的研究主要從兩方面進行：一是系統偏差量統計建模方法，二是控制方法設計。

系統偏差量建模是指將系統不確定性因素按類型進行劃分，采用概率模型量化系統偏差量。由于復雜系統的偏差量眾多，在完成偏差量建模后，還需要采用靈敏度分析方法進行顯著性分析，濾除對系統性能影響微弱的偏差量，以此降低概率設計的復雜度。

系統偏差量建模需要計算出偏差量所服從的概率密度函數(Probability Density Function, PDF)。目前對偏差量建模的方法通常有兩種：一是通過對偏差量測量數據進行觀察，在多個可能的分布中選擇最合適的分布類型；二是通過對偏差量的產生機理進行分析，確定偏差量的分布類型。第一種方法的缺點在于需要大量的對比分析工作，而且很難保證所選定的概率分布能準確地反映偏差量試驗數據的分布規律。第二種方法雖然從理論上來說比較準確，但在工程應用中，由于偏差量產生的原因十分復雜，除了個別簡單系統，難以進行精確分析。

針對系統偏差量建模的問題，劉常青[5]研究了基于偏差數據分布已知/未知的、小樣本/大樣本數據的Bayes估計的統計建模方法。李憲東[6]基于最大熵原理確定PDF。Yen[7]利用Hopfield神經網絡確定實驗數據PDF類型的可行性，但并沒有給出一般的擬合方法。Li 等[8]、湯保新[9]、Vidal等[10]分別利用Hermite正交多項式、Legendre正交多項式以及有理特征函數對給定PDF進行擬合，目的是用于計算有顯式表達式的極限狀態函數的失效概率。黃卓[11]利用混合Gamma分布建立了通用的試驗數據PDF擬合方法。

在概率控制系統設計方面，主要的研究思路是基于輸出PDF的閉環控制。1996年，Kárn等[12]將控制量描述為PDF形式，設計了控制器，但其僅具有數學理論上的正確性，因為僅關聯控制量的PDF無法形成閉環控制回路。受此思想啟發，Wang等[13-20]研究了基于標準輸入量的控制輸出PDF的方法，之后Wang等進一步深入研究了多種復雜控制輸入形式下的輸出PDF控制方法，并逐漸建立了輸出PDF控制理論體系。繼而，Wang及其研究團隊[21]對基于PDF的控制系統穩定性和魯棒性進行了分析，并研究了二次型目標輸出PDF和實際輸出PDF為指標時，一種解析緊湊的輸出PDF控制形式。為了提高對隨機控制系統模型的描述精度，以及對輸出PDF神經網絡描述的數值魯棒性，Wang等[22]研究了根方B-樣條描述方法以及分式B-樣條描述方法等。此外，Forbes等[23]提出了過程PDF控制方法，由方程描述的平穩PDF的過程包含了完整的信息，既包括過程的動態信息，又包含了過程擾動的PDF。為實現對PDF誤差的最小化控制，國外學者設計了多種控制算法，但這些算法對計算量的要求較高，難以獲得工程應用。為了減小計算量、便于離線設計參數、降低設計參量維數，Guo等[24-25]研究了固定控制結構如PI或PID結構下的控制算法，并采用LMI方法對控制設計參數進行了求解。

當PDF不可測時，隨機控制系統的目標則變為最小化閉環系統的不確定性和隨機性。當控制系統的輸入滿足高斯分布特性且為線性時，可采用傳統的最小變分方法進行控制系統設計。對于其他控制輸入形式，則須對不確定性的一般測量狀態進行分析，Yue等[26]基于最小熵原理進行了此種狀態下的隨機控制系統設計。

總體來說，國外對概率設計方法的研究相對于國內領先較多，在不同的行業領域應用廣泛，且具有較為完整的一套設計規范和流程，而調研相關文獻表明我國在概率設計領域研究較少，特別是在運載火箭概率控制系統設計領域，鮮見相關文獻發表。

2 運載火箭控制系統概率設計基本思想及流程

概率設計法基本思想可以總結為對系統可靠度賦予概率定義，以系統的失效概率或可靠指標來度量系統的可靠度。在采用概率設計法進行系統可靠度分析時，必須首先明確系統的極限狀態，即當系統的極限狀態分布在某一部分超過某一特定狀態后，不再滿足設計規定的某一功能要求時，則此特定狀態就稱為該功能的極限狀態。其次，概率設計需要對系統的極限狀態進行評價，其在控制系統中可以表述為最大控制力矩大于干擾力矩的概率。因此，概率設計要求準確獲得系統的極限狀態并對其進行精確評價，進而衡量系統的可靠度，以此來評價概率設計結果的適用性。

在控制系統設計中，采用概率設計方法不僅能定量分析系統極限狀態與可靠性之間的關系，還可以利用這種關系，建立安全系數與可靠度之間的規范，從而定量分析控制系統的控制能力需求，設計在概率層面上滿足精度要求的控制系統，在保證一定可靠度下降低受干擾火箭的最大需求控制力矩，進而降低傳統裕度安全設計中過大的系統冗余度,減少生產費用,降低系統復雜度，使控制系統更加精細化。

不同于傳統極限偏差設計方法，由于其采用基于概率理論并通過統計分析的方式進行精細化設計，因此其設計過程相較于傳統設計方法更加復雜。運載火箭控制系統概率設計的流程如圖1所示。

由圖1可知，運載火箭控制系統概率設計流程主要包括3部分內容:1)控制系統偏差精細化建模及分析；2)概率密度函數建模；3)基于密度函數成型的控制系統概率設計。其中，控制系統偏差精細化建模及分析主要是通過對偏差分布的精細化描述、蒙特卡洛打靶和靈敏度分析選取對火箭飛行影響較大的偏差因素及其分布，為后續設計提供基本條件并降低設計過程的復雜性；概率密度函數建模主要是通過擬合的方法得到蒙特卡洛打靶結果的分布，為后續概率密度函數成型控制提供基礎；基于密度函數成型的控制系統概率設計主要是通過期望概率密度函數和輸出概率密度函數的權值比較并基于穩定控制設計理論形成相應的控制律，最后通過需求控制力矩須大于干擾力矩來判斷是否需要對控制器進行重新設計。

3 基于概率的控制器設計方法

(1)期望概率密度函數設計

考慮到火箭實際飛行過程中受到隨機干擾的影響，控制器實際輸出姿態角誤差是概率分布的，這種情況可假設如圖2所示。

圖2中，Z表示控制器輸出誤差，且假設其服從正態分布，曲線為變量Z的概率密度函數曲線，其中，分布1和分布2表示為在相同隨機干擾下，不同控制指令的輸出誤差分布，該誤差分布可以看作是不同控制器或相同控制器在不同控制參數作用下的結果。分布1和分布2之間的關系為μ1=μ2=0，σ1>σ2。火箭姿態穩定的標志可以表述為Z≈0，或者說控制器輸出誤差在大概率下保持一個很小的范圍。從圖2中可以看出，分布2比分布1的變量Z在坐標原點附近的分布更加集中，因此控制器2的魯棒性更強。

從上述討論中可知，在進行火箭控制系統設計時，首先需要考慮的是設計期望輸出姿態角誤差的概率密度函數，即將期望輸出角誤差概率密度函數設計為μ=0，σ足夠小的分布形式，然后通過設計合適的控制方法，使控制器輸出的火箭姿態控制量u(k)(如舵偏、推力矢量等)能夠使系統輸出姿態角誤差概率密度函數與期望輸出角誤差概率密度函數相符合。

(2)輸出姿態角誤差概率密度函數擬合

通過B樣條概率密度函數擬合方法，火箭在隨機復合干擾下的輸出姿態角誤差概率密度函數可表示為[13]：

e(y,U(k-1))

(1)

且

(2)

其中，Bi(y)為定義在多維區間[a,b]n上的多元基函數；Ω為由輸出姿態角誤差構成的空間；wi(k)為t=kT時刻輸出姿態角誤差概率密度函數的擬合權值，|e0|≤δ；y是控制系統輸出，y∈[a,b]；μ(k)是采樣時刻的控制輸入；U(k-1)={μ(0),μ(1), …,μ(k-1)}，為系統t=kT時刻之前的控制輸入，即該時刻的實際輸出角誤差概率密度函數γ(y,U(k-1))與過去的輸入相關。

(3)概率系統狀態空間

對于隨機復合干擾作用下飛行的火箭而言，在不同推力矢量控制序列作用下輸出姿態角誤差概率密度函數不同，概率密度函數的擬合權值也不同。因此,擬合權值wi和姿態控制量μi之間存在動態關系，即

W(k+1)=AW(k)+Bu(k)

(3)

或

(4)

將式(2)代入式(4)得：

(5)

將式(2)代入式(1)得輸出方程：

(6)

因此建立系統的狀態空間為：

(7)

G、H、E需要由標準遞推最小二乘法等辨識方法獲得。

(4)系統矩陣辨識

考慮狀態方程：

V(k+1)=GV(k)+Hu(k)

(8)

將其轉化為如下形式：

(9)

式(9)為進行遞推最小二乘法的標準形式，且

(10)

通過使用如下標準遞推最小二乘算法：

(11)

求出系統矩陣G和H，一般認為擬合精度足夠，忽略擬合誤差影響，則E可由式(12)求出：

(12)

(5)基于最優控制原理的概率控制器設計

為了通過推力矢量等控制序列μ(k)控制火箭在隨機復合干擾下的輸出姿態角誤差概率密度函數，設期望輸出角誤差的概率密度函數為g(y)，系統的實際輸出角誤差概率密度函數為γ(y,U(k-1))，將擬合權值V(k)作為被控制量。將期望輸出姿態角誤差概率密度函數g(y)同樣表示成B樣條基函數擬合的形式：

g(y)=C(y)Vg+L(y)

(13)

則系統的控制量μ(k)應滿足：

μT(k)Rμ(k)

(14)

式(14)為典型的LQR問題，可通過求解黎卡提方程得到：

(15)

可得到滿足控制要求的反饋控制律：

μ(k)=K(k)(V(k)-Vg)

(16)

其中，

K(k)=-(R+HTP(k+1))-1HP(k+1)G

上述μ(k)即是使輸出概率密度函數與期望概率密度函數滿足指標約束的最優控制量，將其直接作為火箭執行器的控制指令完成火箭的姿態控制。μ(k)的計算步驟為：

1)置k=1，在t=kT時刻采樣求γ(y,U(k-1))；

2)通過B樣條基函數擬合γ(y,U(k-1))得到V(k)；

3)根據姿態角誤差精度要求設計g(y)，通過B樣條基函數擬合g(y)得到Vg(k)；

4)通過標準遞推最小二乘算法求θ、G、H、E；

5)根據式(16)計算μ(k)，k=k+1，返回a。

綜上，基于最優控制的概率控制器結構如圖3所示。

4 概率控制仿真分析

某運載火箭縱向運動的狀態空間表達式為：

(17)

輸出姿態角誤差概率密度函數權值與控制量間的動態關系為：

V(k+1)=GV(k)+Hμ(k)

(18)

經過最小二乘方法辨識得到：

在初始時刻，姿態角誤差的概率密度函數如圖4所示，可以看出，在正態分布偏差F作用下，輸出姿態角誤差的分布比期望分布更加分散，控制的目的是使輸出概率密度函數跟蹤期望分布。

基于最優控制的控制器仿真結果如圖5～圖7所示。從圖5可以看出輸出姿態角誤差概率密度函數在最優控制器作用下逐漸趨近于一個穩定的分布，從圖6可以看出，輸出姿態角誤差概率密度函數的擬合權值與期望姿態角誤差概率密度函數的擬合權值之差逐漸趨近于0，實現了對期望分布的跟蹤，同時從圖7可以看出，控制量趨向穩定，因此基于最優控制理論設計的控制器能夠實現概率密度成型控制。

5 結論

本文綜述了基于概率的控制系統設計方法的國內外研究現狀，梳理了運載火箭控制系統概率設計的基本流程，并論述了基于概率的運載火箭控制系統設計方法，最后通過仿真驗證了基于最優控制理論設計的控制器能夠實現概率密度成型控制。表明通過概率密度函數成型控制的方法能夠實現控制系統的精細化設計。但是，本文當前的研究只是初步驗證了簡單系統模型和價值函數的情況，后續還需結合運載火箭精細化模型，開展各類隨機偏差影響分析及其概率密度函數建模，探索研究概率控制在運載火箭控制系統設計領域的工程實際應用價值，從而為我國運載火箭控制系統的精細化設計提供參考。

[1] 劉志全. 航天器機械可靠性特征量裕度的概率設計方法[J]. 中國空間科學技術, 2007, 27(4):34-43.

[2] 高顯忠. 戰術導彈概率設計與蒙特卡羅方法研究[D]. 長沙: 國防科學技術大學, 2009.

[3] Williams P. A Monte Carlo dispersion analysis of the X-33 simulation software[C]. AIAA Atmospheric Flight Mechanics Conference and Exhibit， 2001: 4067.

[4] Brandon J, Derry S, Heim G, et al. Ares-IX stability and control flight test: analysis and plans[C]. AIAA SPACE 2008 Conference & Exposition, 2008: 7807.

[5] 劉常青. 基于概率偏差的戰術導彈總體方案設計技術[D]. 長沙: 國防科學技術大學, 2011.

[6] 李憲東. 基于最大熵原理的確定概率分布的方法研究[D]. 北京: 華北電力大學, 2008.

[7] Yen E C. Is taking natural log superior to not?-Using a characteristics oriented fuzzy Hopfield neural network to identify probability density functions[J]. Expert Systems with Applications, 2009, 36(3): 5094-5099.

[8] Li X B, Gong F Q. A method for fitting probability distributions to engineering properties of rock masses using Legendre orthogonal polynomials[J]. Struc-tural Safety, 2009, 31(4): 335-343.

[9] 湯保新. 正交多項式擬合概率密度函數在可靠度計算中的應用[J]. 泰州職業技術學院學報, 2006, 6(1):40-44.

[10] Vidal J, Bonafonte A, Fernández N. Rational characteristic functions and Markov chains: application to modeling probability density functions[J]. Signal Processing, 2004, 84(12): 2287-2296.

[11] 黃卓, 李蘇軍, 郭波. 基于混合Gamma分布的通用可靠性壽命數據擬合方法[J]. 航空學報, 2008, 29(2):379-386.

[13] Wang H. Bounded dynamic stochastic systems: mode-lling and control[M]. Springer Science & Business Media, 2012.

[14] Wang H. Robust control of the output probability density functions for multivariable stochastic systems[C]. IEEE Conference on Decision and Control, 1999, 2:1305-1310.

[15] Baki H, Kabore P, Wang H. A new approximation for the modeling and control of bounded stochastic distributions[C].UKACC International Conference on Control 2000,2000.

[16] Afshar P, Nobakhti A, Wang H. Direct solution of the parametric Stochastic Distribution Control pro-blem[C]. IEEE Conference on Decision & Control, 2010: 2616-2621.

[17] Wang H. Complex Stochastic Systems Modeling and Control via Iterative Machine Learning[C]. IEEE International Conference on Engineering of Intelligent Systems, 2006, 71 (13-15) :2685-2692.

[18] Afshar P, Wang H. ILC-based adaptive minimum entropy control for general stochastic systems using neural networks[C]. IEEE Conference on Decision and Control, 2008: 252-257.

[19] Afshar P, Yue H, Wang H. Robust iterative learning control of output PDF in non-Gaussian stochastic systems using Youla parametrization[C]. American Control Conference, 2007: 576-581.

[20] Afshar P, Wang H, Chai T. An ILC-based adaptive control for general stochastic systems with strictly decreasing entropy[J]. IEEE Transactions on Neural Networks, 2009, 20(3): 471-482.

[21] Wang A, Wang Y, Wang H. Shape control of conditional output probability density functions for linear stochastic systems with random parameters[J]. International Journal of Systems, Control and Communica-tions, 2011, 3(1): 82-94.

[22] Wang H, Afshar P. ILC-based fixed-structure controller design for output PDF shaping in stochastic systems using LMI techniques[J]. IEEE Transactions on Automatic control, 2009, 54(4): 760-773.

[23] Forbes M G, Forbes J F, Guay M. Regulatory control design for stochastic processes: shaping the probability density function[C]. American Control Conference, 2003, 5: 3998-4003.

[24] Guo L, Wang H. Pseudo-PID tracking control for a class of output pdfs of general non-gaussian stochastic systems[C]. American Control Conference, 2003, 1: 362-367.

[25] Guo L, Wang H. PID controller design for output PDFs of stochastic systems using linear matrix inequalities[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 2005, 35(1): 65-71.

[26] Yue H, Zhou J, Wang H. Minimum entropy of B-spline PDF systems with mean constraint[J]. Automatica, 2006, 42(6): 989-994.