阅读说明：本技术 一种新型的弹射座椅程序控制方法 (Novel ejection seat program control method ) 是由 毛晓东 冯晓晗 白庭蝶 庞丽萍 于 2019-12-12 设计创作，主要内容包括：本发明公开一种新型的弹射座椅程序控制方法,属于航空弹射救生技术领域,该方法首先根据弹射座椅在低空不利姿态情况下弹射的安全救生要求,设计姿态控制方案,确定不同姿态控制方案的执行机构、控制参数和弹射状态参数；然后建立弹射座椅弹射全过程的数学模型及仿真程序,通过仿真得到使性能最优的样本点集,并用样本点集训练和测试BP神经网络,最后将得到的BP神经网络模型写入弹射座椅程序控制器。本发明可以有效避免对状态参数进行空间划分,不受弹射状态参数及控制参数数量的限制,并且保证在状态空间全局范围内控制参数的最优性。(The invention discloses a novel ejection seat program control method, which belongs to the technical field of aviation ejection lifesaving, and comprises the steps of firstly designing an attitude control scheme according to the safety lifesaving requirement of ejection of an ejection seat under the condition of low-altitude unfavorable attitude, and determining actuating mechanisms, control parameters and ejection state parameters of different attitude control schemes; and then establishing a mathematical model and a simulation program of the whole ejection process of the ejection seat, obtaining a sample point set with optimal performance through simulation, training and testing a BP neural network by using the sample point set, and finally writing the obtained BP neural network model into an ejection seat program controller. The invention can effectively avoid space division of the state parameters, is not limited by the ejection state parameters and the number of the control parameters, and ensures the optimality of the control parameters in the global range of the state space.)

一种新型的弹射座椅程序控制方法

技术领域

本发明涉及航空弹射救生技术领域，尤其涉及一种新型的弹射座椅程序控制方法。

背景技术

弹射座椅，是提供飞行员应急离机的主要救生装备。随着战斗机性能的不断提升，弹射状态也越来越复杂，对弹射座椅救生性能也提出了新的指标要求，即低空不利姿态弹射和高速弹射救生。为了满足新的救生性能要求，更多的设备(姿态火箭、推力矢量等)都会被应用在弹射座椅上，这就需要更多的被控参数，使得程序控制设计越来越复杂。

传统的弹射座椅程序控制，是根据不同的弹射状态(弹射速度和弹射高度)，划分对应的弹射模式，即将各状态参数在全局多维空间内划分成多个连续的子区间，每个区间采取不同的控制参数，控制相关的执行机构，从而实现安全救生。现役主要型号的弹射座椅，均采用这种程序控制设计方法，图1即为典型的双模态程序控制方法。当状态参数数量较少(两个或以下)时，该方法容易实现且可靠性高，如图1。但是当状态参数较多，且各参数取值存在大量重叠的情况下，模式划分的方法会异常复杂，主要体现在状态空间难以划分、参数临界值很难确定，且每个划分区间内控制参数的优化程度无法保证等。

发明内容

针对上述现有技术的不足，本发明提供一种新型的弹射座椅程序控制方法。

为解决上述技术问题，本发明所采取的技术方案是：一种新型的弹射座椅程序控制方法，其流程如图2所示，包括如下步骤：

步骤1：根据弹射座椅在低空不利姿态情况下弹射的安全救生要求，设计姿态控制方案；

所述姿态控制方案包括：横滚姿态控制、俯仰姿态控制和横滚俯仰同时控制三种；

步骤2：确定不同姿态控制方案的执行机构，明确不同姿态控制方案下的控制参数和弹射状态参数；

所述不同姿态控制方案的执行机构如下：

横滚姿态控制的执行机构为：左右横滚姿态控制火箭和主火箭包开关；

俯仰姿态控制的执行机构为：俯仰姿态控制火箭；

横滚俯仰同时控制的执行机构为：左右横滚姿态控制火箭、主火箭包开关和俯仰姿态控制火箭。

所述不同姿态控制方案下的控制参数和弹射状态参数如下：

横滚姿态控制：控制参数为左右横滚姿态控制火箭的点火时间间隔DelayTime和主火箭包开关RocketSwitch；状态参数为弹射速度和横滚角；

俯仰姿态控制：控制参数为俯仰姿态控制火箭的点火时间PitchRocketTime；状态参数为弹射速度和俯冲角；

横滚俯仰同时控制：控制参数为左右横滚姿态控制火箭的点火时间间隔DelayTime、主火箭包开关RocketSwitch和俯仰姿态控制火箭的点火时间PitchRocketTime；状态参数为弹射速度、横滚角和俯冲角。

步骤3：建立弹射座椅弹射全过程的数学模型及仿真程序，实现弹射全过程轨迹姿态的仿真计算；

步骤4：固定不同姿态控制方案下的一组弹射状态参数，根据最优计算模型，采用步骤3的仿真程序，计算求得满足最优性能的控制参数；

步骤4.1：判断执行的控制方案种类，若为横滚姿态控制方案，则执行步骤4.2至步骤4.5；若为俯仰姿态控制方案，则执行步骤4.6至步骤4.9；若为横滚俯仰同时控制则执行步骤4.10至步骤4.13；

步骤4.2：根据横滚姿态控制方案，确定决策变量为DelayTime和RocketSwitch，其中，DelayTime为滚转姿态控制火箭点火时间间隔，RocketSwitch为主火箭包切断开关；

步骤4.3：以救生伞张满时的轨迹高度最高为最优计算模型的目标函数：

max InflationHeight(DelayTime,RocketSwitch)

其中，函数InflationHeight表示救生伞充满时人伞系统的轨迹高度；

步骤4.4：考虑决策变量的取值范围及控制精度，对决策变量进行约束：

其中，左右横滚姿态控制火箭的点火时间间隔的精度定义为0.1s；主火箭包切断开关的参数取值定义为0或1，0表示切断，1表示正常工作；ParachuteTime表示自由飞开始到射出救生伞之间的时间间隔，具体数值可由仿真计算中射伞延迟时间减去出舱阶段结束时间求得；

当DelayTime＝0时，表示左右姿态火箭同时点火，或姿态火箭不工作，不需要进行姿态纠正；

当DelayTime＝ParachuteTime+0.1时，表示左侧姿态火箭点火时间晚于射伞时间，即只有右侧姿态火箭点火，此时姿态火箭将完成最大程度的滚转姿态纠正。

步骤4.5：固定状态参数为弹射速度EjectionVelocity和横转姿态角RollAngle(+)，采用优化算法得到满足约束条件的该状态参数下使得救生伞张满时的轨迹高度最高的决策变量为DelayTime和RocketSwitch的值。

步骤4.6：根据俯仰姿态控制方案，确定决策变量为PitchRocketTime，其中，PitchRocketTime为俯仰姿态控制火箭点火时间；

步骤4.7：以救生伞张满时的轨迹高度最高为最优计算模型的目标函数：

max InflationHeight(PitchRocketTime)

其中，函数InflationHeight表示救生伞充满时人伞系统的轨迹高度；

步骤4.8：考虑决策变量的取值范围及控制精度，对决策变量进行约束：

俯仰姿态火箭点火时间的精度定义为0.1s；并且其点火时间必需早于射伞时间，否则其无需工作。

步骤4.9：固定状态参数为弹射速度EjectionVelocity和俯冲角PitchAngle，采用优化算法得到满足约束条件的该状态参数下使得救生伞张满时的轨迹高度最高的决策变量为PitchRocketTime的值；

步骤4.10：根据横滚和俯仰姿态控制方案，确定决策变量为DelayTime、RocketSwitch和PitchRocketTime，其中，DelayTime为滚转姿态控制火箭点火时间间隔，RocketSwitch为主火箭包切断开关，PitchRocketTime为俯仰姿态控制火箭点火时间；

步骤4.11：以救生伞张满时的轨迹高度最高为最优计算模型的目标函数：

max InflationHeight(DelayTime,RocketSwitch,PitchRocketTime)

其中，函数InflationHeight表示救生伞充满时人伞系统的轨迹高度；

步骤4.12：考虑决策变量的取值范围及控制精度，对决策变量进行约束：

其中，左右横滚姿态控制火箭的点火时间间隔的精度定义为0.1s；主火箭包切断开关的参数取值定义为0或1，0表示切断，1表示正常工作；ParachuteTime表示自由飞开始到射出救生伞之间的时间间隔，具体数值可由仿真计算中射伞延迟时间减去出舱阶段结束时间求得；

当DelayTime＝0时，表示左右姿态火箭同时点火，或姿态火箭不工作，不需要进行姿态纠正；

当DelayTime＝ParachuteTime+0.1时，表示左侧姿态火箭点火时间晚于射伞时间，即只有右侧姿态火箭点火，此时姿态火箭将完成最大程度的滚转姿态纠正。

俯仰姿态火箭点火时间的精度定义为0.1s；并且其点火时间必需早于射伞时间，否则其无需工作。

步骤4.13：固定状态参数为弹射速度EjectionVelocity、横转姿态角RollAngle(+)和俯冲角PitchAngle，采用优化算法得到满足约束条件的该状态参数下使得救生伞张满时的轨迹高度最高的决策变量为DelayTime、RocketSwitch和PitchRocketTime的值。

所述优化算法的种类很多，包括：枚举法、粒子群算法、遗传算法、鱼群算法、蚁群算法等一系列可用于优化控制参数在约束条件下，使得满足目标函数最大化的优化算法，选择其中的任意一种进行优化计算，优化算法的原理示意如图3所示。

步骤5：不断改变弹射状态参数，从而确定弹射状态参数全局范围内的最优控制参数，形成点集映射，如图4所示；

步骤6：建立BP神经网络模型，以点集映射作为样本点集，对神经网络展开训练及测试，得到测试后符合精度要求的BP神经网络模型；

步骤7：将步骤6得到的BP神经网络模型写入弹射座椅程序控制器，即可实现最终的程序控制。

采用上述技术方案所产生的有益效果在于：

1、本发明提供的一种新型的弹射座椅程序控制方法可以有效避免对状态参数进行空间划分，不受弹射状态参数及控制参数数量的限制，并且保证在状态空间全局范围内控制参数的最优性；

2、本发明建立数学模型及仿真程序，通过最优计算模型计算得到状态参数与控制参数之间的数据集，该数据集能够准确反映弹射状态参数与最优控制参数间的对应关系。此外，由于计算机仿真的优势，数据集的样本数量不受限制，成本低，周期短；

3、本发明利用BP神经网络模型完成从状态参数到控制参数的非线性映射过程，误差小，满足工程应用要求；

4、弹射状态参数可由飞机数据总线或弹射座椅自身安装的传感器获得，BP神经网络模型可直接写入弹射座椅程序控制器的单片机中，因此这种新型的弹射座椅程序控制方法很容易实现，无需改动现有程序控制器结构。

附图说明

图1为本发明背景技术中典型的双模态程序控制方法示意图；

图2为本发明程序控制方法设计流程图；

图3为本发明优化算法的原理示意图；

图4为本发明状态参数与控制参数映射关系示意图；

图5为本发明实施例中一对横滚姿态调整火箭来安装位置示意图；

图6为本发明实施例中采用本发明的方法和其他方法的轨迹高度对比图；

图7为本发明实施例中BP神经网络结构图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

由于目前我国现役第三代弹射座椅尚不具备姿态控制的功能，根据实际情况，考虑到工程应用和实施，仿真模型以HTY-8型座椅为原型。

步骤1：本实施例以横滚姿态的控制为例。横滚姿态的控制是通过在头靠伞箱后部安装一对横滚姿态调整火箭来实现，安装位置示意图如图5所示。

此外，模型还提供了主火箭包切断开关，相应控制措施如下：

1)存在正向滚转角时，右侧滚转姿态火箭点火，经过一定的延迟时间，左侧滚转姿态火箭点火，避免姿态纠正过头；反之当存在负向滚转角时，则左侧姿态火箭先点火；

2)当滚转姿态角过大，以至于依靠姿态火箭无法进行姿态纠正的情况下，主火箭包切断，避免由于主火箭包推力引起的安全救生高度损失。

步骤2：由上述控制措施可知，本实施例控制参数有两个，分别是左右横滚姿态控制火箭的点火时间间隔DelayTime以及主火箭包的切断开关RocketSwitch。通过对座椅的分析可知，左右姿态火箭的点火时间间隔是该姿态控制方法的主要控制参数，将直接影响到对人椅姿态与轨迹的纠正效果。而主火箭包切断与否所对应状态参数临界值的确定，也是传统多模态控制规律的难点。

由前述叙述可知，本实施例只考虑存在滚转角的不利姿态弹射状态，因此状态参数包括弹射速度和滚转姿态角。弹射高度虽然也是弹射启动时的状态参数之一，但是由于姿态控制主要在于改善低空弹射时的救生性能，当弹射高度较高时，即使不采用轨迹姿态控制，也不会对救生性能产生较大影响，故在优化设计中不将弹射高度作为状态参数之一。由于飞机及人椅系统的轴对称特性，只需计算正向滚转角即可，由此状态参数空间可表示为，

其中，EjectionVelocity为弹射速度，RollAngle(+)为横转姿态角；

步骤3：建立弹射座椅弹射全过程的数学模型及仿真程序，实现弹射全过程轨迹姿态的仿真计算；

步骤4：固定不同姿态控制方案下的一组弹射状态参数，根据最优计算模型，采用步骤3的仿真程序，计算求得满足最优性能的控制参数；

步骤4.1：判断执行的控制方案种类，若为横滚姿态控制方案，则执行步骤4.2至步骤4.5；若为俯仰姿态控制方案，则执行步骤4.6至步骤4.9；若为横滚俯仰同时控制则执行步骤4.10至步骤4.13；本实施例的执行方案为横滚姿态控制，故执行步骤4.2至步骤4.5，

步骤4.2：根据横滚姿态控制方案，确定决策变量为DelayTime和RocketSwitch，其中，DelayTime为滚转姿态控制火箭点火时间间隔，RocketSwitch为主火箭包切断开关；

步骤4.3：以救生伞张满时的轨迹高度最高为最优计算模型的目标函数：

max InflationHeight(DelayTime,RocketSwitch)

其中，函数InflationHeight表示救生伞充满时人伞系统的轨迹高度；

步骤4.4：考虑决策变量的取值范围及控制精度，对决策变量进行约束：

其中，左右横滚姿态控制火箭的点火时间间隔的精度定义为0.1s；主火箭包切断开关的参数取值定义为0或1，0表示切断，1表示正常工作；ParachuteTime表示自由飞开始到射出救生伞之间的时间间隔，具体数值可由仿真计算中射伞延迟时间减去出舱阶段结束时间求得；

当DelayTime＝0时，表示左右姿态火箭同时点火，或姿态火箭不工作，不需要进行姿态纠正；

当DelayTime＝ParachuteTime+0.1时，表示左侧姿态火箭点火时间晚于射伞时间，即只有右侧姿态火箭点火，此时姿态火箭将完成最大程度的滚转姿态纠正。

步骤4.5：固定状态参数为弹射速度EjectionVelocity和横转姿态角RollAngle(+)，采用优化算法得到满足约束条件的该状态参数下使得救生伞张满时的轨迹高度最高的决策变量为DelayTime和RocketSwitch的值。

所述优化算法的种类很多，包括：枚举法、粒子群算法、遗传算法、鱼群算法、蚁群算法等一系列可用于优化控制参数在约束条件下，使得满足目标函数最大化的优化算法，选择其中的任意一种进行优化计算。

步骤5：不断改变弹射状态参数，从而确定弹射状态参数全局范围内的最优控制参数，形成点集映射；

为了保证控制参数的全局最优性并满足神经网络的训练需求，共计算了164组弹射状态参数所对应的最优控制参数。本实施例以状态参数：弹射速度0km/h，滚转角45度时为例，将最优控制计算结果分别与多模态控制规律仿真结果及不加姿态控制的计算结果进行了对比，对比结果如图6所示，验证了本方法所得最优控制参数的有效性。此外，还将仿真结果与HTY-8型座椅的性能进行了对比，并按照国军际所要求的弹射条件对比了最低安全救生高度，定量的验证了采用本文所得滚转姿态控制规律对弹射救生系统救生性能的改进。

步骤6：建立BP神经网络模型，以点集映射作为样本点集，对神经网络展开训练及测试，得到测试后符合精度要求的BP神经网络模型；

本实施例为了使神经网络具有更强的适应性及容错性，有效减小网络规模，并且在最终的算法实现时减少计算量，故将上述问题分解为两个神经网络分别实现。网络1负责完成主火箭包切断开关RocketSwitch的模式识别，网络2则负责完成左右横滚姿态控制火箭点火时间间隔DelayTime的非线性映射，示意如下式所示：

当由网络1判断得到的数值为0，即主火箭包切断，则不再需要对网络2进行处理计算。

网络1及网络2采用相同的神经网络结构，网络层数为2层。第1层为输入层神经元，神经元数量为50。第2层为输出层神经元，神经元数量为1。因为网络层数仅为2，故输入层又称为中间层或隐层。输入向量为二维向量，分别对应弹射速度及滚转姿态角。输出向量为1维，网络1输出主火箭包切断开关状态，网络2输出左右横滚姿态控制火箭的点火时间间隔。神经元网络结构如图7所示，其中，p为输入向量；IW为输入层权值矩阵；LW为网络层权值矩阵；b为阈值向量；n为加权和向量；a为输出向量。

完成训练之后，神经网络1对于样本点集的吻合度为100％。即对于样本点集中任意的输入状态向量，经神经网络的处理后，均可得到与最优控制参数相同的火箭包切断状态。

神经网络2对于样本点集的吻合度也较好，对90％以上样本点的误差值小于0.1s，对所有样本点的误差值均小于0.2s，其结果完全满足工程需要。若想进一步提高状态参数到左右横滚姿态控制火箭的点火时间间隔的吻合度，则需要改进神经元网络的结构，通过增加网络层的层数和神经元的个数来提高精度。

任意选取低、中、高弹射速度，不同滚转角时共12组非样本点弹射状态，对神经网络进行测试。对比神经网络的输出结果与理论最优控制参数的值(单独通过最优计算模型求得)，结果如表1所示：

表1神经网络测试结果

由表1可知，神经网络的输出结果与理论最优控制参数的值仅第10组在左右横滚姿态控制火箭的点火时间间隔上存在0.1s的误差。

步骤7：将步骤6得到的BP神经网络模型写入弹射座椅程序控制器，即可实现最终的程序控制。