可回收火箭智能最优容错控制

doi:10.3969/j.issn.1009-086x.2025.03.008

摘要/Abstract

摘要：

可回收运载火箭由于发射成本低的显著优势已经成为当前新的研究热点。子级垂直回收技术是目前最为成功的火箭回收技术之一，要求回收段控制火箭姿态保持与地面垂直。然而火箭在回收的末减速段只能依靠发动机摆动角度获取控制力矩，因而存在力矩饱和约束；同时推力估计的误差也会带来控制力矩的偏差。基于上述问题，设计了智能模型预测控制算法实现了末减速段的姿态控制任务。在传统模型预测控制的基础上，采用神经网络逼近最优的值函数，有效降低了模型预测控制的计算量；考虑到发动机出现故障的情况，考虑饱和约束和推力估计偏差，基于二次规划设计了容错最优控制分配算法，实现了故障和饱和情况下的姿态控制任务。仿真结果说明了所提出方法的有效性。

关键词: 可回收火箭, 发动机故障, 容错控制, 控制分配, 模型预测控制, 神经网络

Abstract:

The utilization of reusable launch vehicles has emerged as a prominent research focus owing to their significantly lower launch costs. Vertical sub-stage recovery technology is one of the most successful rocket recovery technologies at present， which requires that the recovery section needs to control the attitude of the rocket to keep it perpendicular to the ground. However， in the terminal deceleration phase of recovery， controlling the rocket relies solely on engine gimballing angles to obtain control moments， thus encountering constraints related to moment saturation. Moreover， deviations in thrust estimation contribute to errors in control moments. In this paper， we introduce an intelligent model predictive control algorithm to achieve attitude control during the terminal deceleration phase. Building upon traditional model predictive control， it employs neural networks to approximate the optimal value function， effectively reducing the computational load of model predictive control. Furthermore， in consideration of potential engine faults， along with constraints related to saturation and thrust estimation errors， a fault-tolerant optimal control allocation algorithm based on quadratic programming is devised. Simulation results substantiate the effectiveness of the proposed methodology.

Key words: reusable launch vehicles, engine faults, fault tolerant control, control allocation, model predictive control, neural network

中图分类号:

曾杨智, 李浩然, 陈斌, 邵小东. 可回收火箭智能最优容错控制[J]. 现代防御技术, 2025, 53(3): 66-73.

Yangzhi ZENG, Haoran LI, Bin CHEN, Xiaodong SHAO. Intelligent Optimal Fault-Tolerant Control for Reusable Launch Vehicle[J]. Modern Defense Technology, 2025, 53(3): 66-73.

图/表 8

图1 长征八号火箭第一级发动机布局

Fig. 1 Layout of the first stage engine of CZ-8 launch vehicle

图2 值函数拟合的神经网络结构

Fig. 2 Neural network architecture for value function approximation

图3 值函数离线迭代学习流程图

Fig. 3 Flowchart of offline iterative learning for value functions

图4 值函数优化前后的控制力矩曲线

Fig. 4 Control torque curves before and after value function optimization

图5 值函数优化前后的姿态角曲线

Fig. 5 Attitude angle curves before and after value function optimization

图6 损伤型故障下姿态角偏差响应曲线

Fig. 6 Attitude angle deviation response curve under damage-type faults

图7 损伤型故障下角速度偏差响应曲线

Fig. 7 Response curve of angular velocity deviation under damage-type faults

图8 损伤型故障下控制力矩偏差对比图

Fig. 8 Comparison graph of control torque deviation under damage-type faults

参考文献 18

1	张智，马英，朱海洋，等. 运载火箭可重构性及评价方法研究［J］. 宇航学报， 2023， 44（9）： 1305-1316.
	ZHANG Zhi， MA Ying， ZHU Haiyang， et al. Research on the Concept and Evaluation Method for Reconfigurability of Launch Vehicles［J］. Journal of Astronautics， 2023， 44（9）： 1305-1316.
2	郑雄，杨勇，姚世东，等. 法尔肯9可重复使用火箭发展综述［J］. 导弹与航天运载技术， 2016（2）： 39-46.
	ZHENG Xiong， YANG Yong， YAO Shidong， et al. Survey and Review on Development of Falcon 9 Reusable Rocket［J］. Missiles and Space Vehicles， 2016（2）： 39-46.
3	HALL C E， SHTESSEL Y B. Sliding Mode Disturbance Observer-based Control for a Reusable Launch Vehicle［J］. Journal of Guidance， Control， and Dynamics， 2006， 29（6）： 1315-1328.
4	WANG Fang， HUA Changchun， ZONG Qun. Novel Smooth Sliding Mode Attitude Control Design for Constrained Re-entry Vehicle Based on Disturbance Observer［J］. International Journal of Systems Science， 2019， 50（1）： 75-90.
5	WANG Fang， ZONG Qun， TIAN Bailing. Adaptive Backstepping Finite Time Attitude Control of Reentry RLV with Input Constraint［J］. Mathematical Problems in Engineering， 2014， 2014（1）： 801747.
6	MAO Qi， DOU Liqian， ZONG Qun， et al. Attitude Control Design for Reusable Launch Vehicles Using Adaptive Fuzzy Control with Compensation Controller［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2019， 233（3）： 823-836.
7	HUANG Yi， XU Kekang， HAN Jingqing， et al. Flight Control Design Using Extended State Observer and Non-Smooth Feedback［C］∥Proceedings of the 40th IEEE Conference on Decision and Control （Cat. No.01CH37228）. Piscataway： IEEE， 2001： 223-228.
8	ORR J S， WALL J H， VANZWIETEN T S， et al. Space Launch System Ascent Flight Control Design［J］. Advances in the Astronautical Sciences， 2014， 151： 141-154.
9	WALL J H， VAN ZWIETEN T S， GILLIGAN E T， et al. In-Flight Suppression of a Destabilized F/A-18 Structural Mode Using the Space Launch System Adaptive Augmenting Control System［C］∥AIAA Guidance， Navigation， and Control Conference. Reston： AIAA， 2015： AIAA 2015-1775.
10	MILLER L， PEI Jing， ROTHHAAR P. Demonstration of the Space Launch System Augmenting Adaptive Control Algorithm on a Quad-Rotor［C］∥2018 AIAA Guidance， Navigation， and Control Conference. Reston： AIAA， 2018： AIAA 2018-0609.
11	QIN S J， BADGWELL T A. A Survey of Industrial Model Predictive Control Technology［J］. Control Engineering Practice， 2003， 11（7）： 733-764.
12	MAYNE D Q， RAWLINGS J B， RAO C V， et al. Constrained Model Predictive Control： Stability and Optimality［J］. Automatica， 2000， 36（6）： 789-814.
13	MORARI M， LEE J H. Model Predictive Control： Past， Present and Future［J］. Computers & Chemical Engineering， 1999， 23（4/5）： 667-682.
14	席裕庚，李德伟，林姝. 模型预测控制——现状与挑战［J］. 自动化学报， 2013， 39（3）： 222-236.
	XI Yugeng， LI Dewei， LIN Shu. Model Predictive Control-Status and Challenges［J］. Acta Automatica Sinica， 2013， 39（3）： 222-236.
15	KEVICZKY T， BALAS G J. Receding Horizon Control of an F-16 Aircraft： A Comparative Study［J］. Control Engineering Practice， 2006， 14（9）： 1023-1033.
16	SILANI E， LOVERA M. Magnetic Spacecraft Attitude Control： A Survey and Some New Results［J］. Control Engineering Practice， 2005， 13（3）： 357-371.
17	宋征宇，吴义田，徐珊姝，等. 长征八号：长征火箭系列商业化与智慧化的先行者［J］. 深空探测学报， 2021， 8（1）： 3-16.
	SONG Zhengyu， WU Yitian， XU Shanshu， et al. LM-8： The Pioneer of Long March Rocket Series on the Innovations of Commercialization and Intelligence［J］. Journal of Deep Space Exploration， 2021， 8（1）： 3-16.
18	CHEN Wenhua， BALLANCE D J， GAWTHROP P J， et al. A Nonlinear Disturbance Observer for Robotic Manipulators［J］. IEEE Transactions on Industrial Electronics， 2000， 47（4）： 932-938.

[1]	赵忠臣, 刘利民, 解辉, 韩壮志, 荆贺. 基于KPCA-SAE-BP模型的有源干扰识别算法[J]. 现代防御技术, 2025, 53(3): 159-166.
[2]	尹建国, 盛文, 赵蒙, 江河. 一种HRRP重构识别方法：带标签约束的SDAE-CNN[J]. 现代防御技术, 2025, 53(3): 32-41.
[3]	赵文栋, 张明智, 郭圣明. 一种面向体系作战的目标群体类型判识方法[J]. 现代防御技术, 2025, 53(2): 74-81.
[4]	付亦凡, 阮航, 周东平, 穆贺强. 基于改进轻量化神经网络的干扰识别方法[J]. 现代防御技术, 2025, 53(2): 91-98.
[5]	李家宽, 冯博, 申伦豪, 叶春茂, 余继周. 入射视线角引导雷达图像特征融合的气动目标识别方法[J]. 现代防御技术, 2025, 53(2): 129-140.
[6]	王欣汝, 唐少康, 杨建军. 基于BP神经网络的备件满足率与利用率预测方法[J]. 现代防御技术, 2025, 53(2): 175-182.
[7]	郁春来, 冯明月, 金宏斌, 张福群, 张强飞. 一种基于RGCN的多功能雷达工作模式识别方法[J]. 现代防御技术, 2025, 53(1): 120-128.
[8]	张晨浩, 周焰, 蔡益朝, 郭佳琦. 空中目标作战意图识别研究综述[J]. 现代防御技术, 2024, 52(4): 1-15.
[9]	赵文栋, 张明智, 郭圣明. 知识互联视角下的作战行动判识方法[J]. 现代防御技术, 2024, 52(3): 64-72.
[10]	姜相争, 李凯, 李贵茹, 赵张鹏. 云环境条件下智能决策支持系统理论研究[J]. 现代防御技术, 2023, 51(1): 35-41.
[11]	何荧, 万佳庆, 韦姗姗, 胡晓强. 无数据依赖智能技术在机动伴随防空传递对准中的应用[J]. 现代防御技术, 2022, 50(6): 50-58.
[12]	吴刚, 张科. 拦截大机动目标的有限时间收敛制导律[J]. 现代防御技术, 2022, 50(5): 43-51.
[13]	赵黎兴, 侯兴明, 徐兆文, 和林子. 基于GA-小波-BP神经网络的装备维修能力评估[J]. 现代防御技术, 2022, 50(2): 84-95.
[14]	施端阳, 林强, 胡冰, 陈嘉勋. 遗传算法优化神经网络的雷达杂波抑制方法[J]. 现代防御技术, 2021, 49(6): 74-83.
[15]	闫浩安, 李建冬. 基于改进神经网络PID的永磁同步电机控制研究[J]. 现代防御技术, 2021, 49(4): 43-48.