● 摘要
未来战场环境的复杂任务要求无人机能够跨越大飞行包线高精度强鲁棒地自主飞行。飞行状态的大范围变化导致无人机操稳定特性大范围变化，同时建模误差、参数摄动及执行机构效率损失等不确定性增加了控制系统设计的挑战性。本文针对大包线无人机的鲁棒飞行控制要求，开展了全包线建模和鲁棒控制方法研究，突破了面向全包线控制的精确建模、降低保守性、控制参数一体化求解、兼顾响应性能与鲁棒性能、基于性能评估优化的参数及适用更大飞行包线的控制等关键技术，为大包线无人机鲁棒飞行控制的研究奠定了技术基础。本文的主要工作为：
1.通过分析操稳定特性随工作状态的变化，选取马赫数、高度和动压作为前件变量建立面向控制的全包线模糊T-S模型。该建模过程的主要特点是将无人机全包线模糊T-S建模转换为对前件变量隶属度函数中值和宽度的逐步优化。以覆盖全包线局部工作点的特征数据为样本，分别采用模糊c-均值聚类的全局优化和基于调整正则因子Levenberg-Marquardt算法的监督学习局部优化，算法收敛迅速，采用少量的模糊规则实现对无人机全包线动力学特性的高精度逼近，适用于大包线无人机控制器设计要求。
2. 设计大包线无人机模糊鲁棒保性能控制器，实现基于马赫数、高度和动压的平滑增益调参。该控制器创新点体现在通过隶属度函数将多个Lyapunov正定矩阵进行模糊综合代替常规公共Lyapunov正定阵，有效降低了全包线保守性，确保整个飞行包线一致满意的响应性能，同时对不确定性强鲁棒性。控制参数通过求解保性能指标下的LMI约束获得，并最小化扰动抑制度来优化，其计算复杂度采用广义系统方法降低。仿真表明，无人机在整个飞行包线内能够精确地跟踪期望响应，对不确定性具有强鲁棒性。
3. 设计大包线无人机模糊神经网络自适应控制器，包含模糊基本控制器和自适应增量，该控制器主要创新点体现在模糊基本控制器和自适应更新规律均采用模糊多Lyapunov函数的方法，提高了对于整个飞行包线的适用性，采用单隐层神经网络在确保响应性能前提下抑制不确定性的影响，且从而更有效地兼顾整个飞行包线的响应性能和鲁棒性能。模糊基本控制器控制设定了名义模型下全包线一致满意的响应性能。自适应增量在线迅速地补偿不确定性，重构参考闭环系统的响应。仿真表明，无人机提高跟踪精度的同时，增强了对瞬间不确定性的抑制能力。
4. 设计大包线无人机全包线模糊L1自适应控制器。该控制器主要特点是L1自适应增量在输出端叠加等价低通滤波器，基于性能评估优化滤波器参数，从而将自适应与鲁棒性解耦，实现整个飞行包线内大自适应系数下的快速鲁棒自适应。L1自适应增量快速地补偿在所设计带宽范围内的不确定性，达到预先可量化的一致的瞬态和稳态响应。滤波器的参数是基于小增益稳定性定理以LMI约束形式计算。通过构造广义特征值问题，对于低通滤波器优化参数，使得满足稳定性下最大化延时裕度。仿真表明，提高了对于不确定性和较大时延的鲁棒性能。
5. 设计适用于更大的飞行包线范围的模糊多模型的切换自适应控制器。基于切换决策变量将飞行包线划分为多个子区间，每个子区间采用模糊神经网络自适应控制器设计局部子控制器，通过平均驻留时间切换逻辑实现不同子区间闭环系统的稳定切换。所设计控制器的主要优点是其局部子控制器的基本控制器和神经网络自适应增量均基于模糊多Lyapunov函数方法，从而显著降低了子区间切换的驻留时间约束，有效减小切换动态，进一步提高响应性能和鲁棒性能，增强对于更大飞行包线的适用性。仿真表明，该控制器提高了无人机跟踪精度和鲁棒性能，便于扩展更大飞行包线范围。