测控计划

现有的计划软件在计划生成后，采用的是程序自动进行冲突检测，人工干预进行冲突消解的工作模式。在计划生成后，值班人员检查计划软件日志文件，通过搜索文件中的冲突关键字确定测控计划中存在的冲突，然后根据日志文件中的冲突信息去查找相应的测控计划、预报、以及标称计划文件，最后通过人工调整测控计划来解决冲突。

这种方式在解决计划冲突的同时，延长了计划生成的周期，增加了人工操作的环节，降低了任务的可靠性、安全性，而且随着任务复杂度的升高相应的人工干预的风险值也将进一步提高 。

测控计划（tracking, telemetry and command plan）是指按时间排列的测控事件的序列。所谓测控事件，是指诸如测量和确定飞行器轨道，飞行器遥测监视、确定飞行器姿态、向飞行器发送遥控指令和注入数据、飞行器轨道控制策略生成等。地面测控系统按测控计划实现对飞行器的跟踪测轨、遥测和遥控 。

航天任务是一个复杂、庞大的系统工程，测控计划在整个任务过程中主要负责协调各分系统的工作，起到有效控制航天器的目的。由于整个系统的复杂性、测控事件的多样性，计划生成过程中不可避免地会面对各种冲突。包含冲突的测控计划是不可实施的，必须对此计划进行改进优化，因此冲突检测与计划修正作为计划优化的一个过程，是计划软件中必不可少的重要功能项。

现有的计划生成软件采用的是自动检测冲突，即对发现的冲突采用人工干预的方法进行消解的工作模式。软件不具备自动消解冲突的能力。载人航天任务中的小卫星伴飞，以及后续的交会对接等都会引入多目标测控的问题，而由此带来测控的复杂性，人工干预的工作量越来越大且正确性难以保证，因此开发具备冲突自动修正功能的计划软件势在必行 。

冲突修正的方法分为调整测控事件和调整测控资源两大类，其中针对不同的实际情况采取不同的措施，通常采取的动作包括：移动、删除计划事件，针对不同的对象及其优先级别这些动作会有不同的实际意义。例如对于多目标的测控资源冲突，解决冲突的过程就是根据各飞行器的测控申请，考虑通过资源合理分配来解决测控冲突，如果冲突依然存在，只有根据每项任务所需保障的优先级的不同，调整测控计划，将冲突压缩到最低程度，最大限度的满足各卫星任务的测控需求。

计划修正功能块处理冲突时需要对对应的事件进行操作，因此需要有一个计划事件属性表，用以提供事件的属性，这个信息可以从标称计划事件集中获取，也可以是配有专门的事件指令属性描述文件 。2100433B

冲突分为可消解冲突和不可消解冲突，如果是可消解的冲突则将进行后续的计划修正，如果是不可消解的冲突，则在日志文件中记录相应的冲突信息并不予处理。通常来说控制事件时间搭接、控制事件没有有效的弧段支持均属于可消解冲突，事件由于标称计划的原因漏排、排错属于初始化文件错误，此类冲突不属于软件自动解决的范畴。

一个初始计划中可能包含多个冲突，不同种类的冲突其优先级也不同，在消解冲突时优先级高的先处理，优先级低的后处理。优先级高低的判定应充分考虑多种因素，其中解决该冲突对其它事件带来的影响幅度是一个重要的指标。应优先解决那些对其它事件影响大的冲突，后解决一些相对较独立的事件，这样才可能减少计划优化的迭代次数，提高计算效率。

针对可消解的冲突类型，在冲突消解规则库中都可以找到对应的冲突消解方法，这个方法可能不是唯一的，在条件满足时尽可能采用最优的方法来消解冲突，这样才可能找到冲突修正的最优解 。

测控计划通常有测控站(或测量船)测控计划和指挥控制中心(以下简称中心)测控计划，均由中心生成。

中心提前将测控站(或测量船)计划发送至测控站(或测量船)，情况变化时中心可撤消原计划，发送新计划。一般情况下，中心按透明工作方式发令；应急情况下，经中心授权由测控站(或测量船)按测控计划要求向飞行器发令。中心测控计划保留在中心，中心按此计划进行测控工作。

测控站(或测量船)计划一般包括计划序号、计划形成时间、任务代号、参试工作单位、参试设备代号、任务准备开始和结束时间、跟踪开始和结束时间、发送遥控指令(或指令链、注入数据)时间等项目。中心测控计划包括计划序号、生成时间、任务代号、计划开始和结束时刻、测控事件开始和结束时刻等项目 。

冲突检测是整个冲突处理的一个重要的环节，在进行冲突检测之前首先需要明确可能出现的冲突的类型，针对不同的冲突会有不同的冲突检测规则。

单星测控计划中的冲突主要体现为事件间的执行时间和顺序关系冲突，通常有：

（1）测控站接力跟踪时，前一站关掉了飞行器上跟踪配合目标，或后一站重复开机指令；

（2）控制事件与例行操作中时间上发生冲突；

（3）控制事件太多，可测控弧段内无法实现；

（4）同一时间内安排了多个控制事件；

（5）控制事件的执行时间搭接

（6）有相互约束关系的测控网事件没有按预期约束关系安排

（7）需安排在特定弧段的事件安排出现了偏差

（8）控制事件安排在建立上行链路的过程中或上行设备切换过程中。

其中有些冲突在软件设计过程中通过特定的约束规则实现，从而在计划生成时就可以完全避免，如:“测控站接力跟踪时，前一站关掉了飞行器上跟踪配合目标”这一冲突，在软件实现时可以通过划分连续测控区间，在进出连续测控区间时才安排开关飞行器上的跟踪配合目标事件，通过这种特殊的事件约束就很好的避免了此类冲突的发生。

多星测控计划中的冲突则更多的体现在测控资源使用上的冲突，即：两个或两个以上的目标同时对一个测站提出测控支持请求 。

连续预测控制预测控制算法框图

虽然预测控制有许多算法，一般的意义上说，它们的原理都是一样的，算法框图如图1所示：

连续预测控制预测控制三个基本原则

(1)预测模型

预测控制是一种基于模型的控制算法，该模型被称为预测模型。对于预测控制而言，只注重模型功能，而不是模型的形式。预测模型是基于对象的历史信息和输入，预测其未来的输出。从方法论的角度来看，只要信息的收集具有预测功能，无论什么样的表现，可以作为预测模型。这样的状态方程、模型传递函数都可以用来作为一个传统的预测模型。例如线性稳定对象，甚至阶跃响应、脉冲响应的非参数模型，，都可直接作为预测模型。此外，非线性系统，分布式参数系统模型，只要具备上述功能也可以在这样的预测控制系统中时用来作为预测模型。因此，预测控制打破了严格的控制模型结构的传统要求，可按照功能要求根据最方便的信息集中方式基础建模。在这种方式中，可以使用预测模型为预测控制进行优化，.以提供的先验知识来确定什么样的控制输入，从而使下一次受控对象的输出变化与预定的目标行一致。

(2)滚动优化

预测控制是一种基于优化的控制，但其控制的输入不是根据模型和性能指标一次解决并实现它，而是在实时的时间里来滚动优化解决。在每一步的控制中，定义从目前到未来有限时域的最优化问题，通过参数优化求解时域的最优控制输入，但是只有真正的即时输入控制才给予实现。到下一个控制周期，重复上述步骤，整个优化领域向前一步滚动。在每个采样时刻，优化性能指标只涉及从现在到未来有限的时间，并且下一个采样时刻，优化时段向前推移。因此，预测控制全局优化指标是不一样的，在每一个时刻有一个相对该时刻的优化指标。因此，预测控制的优化不是一次离线进行，而是在线反复进行，这是滚动优化的意义，预测控制的这一点也是不同于传统最优控制的根本。

(3)反馈校正

基础的预测模型中，对象的动态特性只有粗略的描述，由于实际系统中有非线性、时变、模型不匹配、干扰等因素，基于相同模型的预测，与实际情况是无法完全匹配的，这需要用其他手段补充预测模型和实际对象的误差，或对基础模型进行校正。滚动优化只有建立在反馈校正的基础上，才能体现其优越性。因此，通过预测控制算法的优化，确定一系列未来的控制作用，为了防止模型失配或环境干扰引起的控制措施对理想状态造成的影响，这些控制没有完全逐一实现，只实现即时控制作用。到下一个采样时间，首先监测对象的实际输出，并使用此信息在预测模型的基础上进行实时校正，然后进行新的优化。因此，预测控制优化不仅基于模型，并使用了反馈信息，从而构成一个闭环优化。

连续预测控制预测控制基本特征

(1)预测控制算法利用过去，现在和未来(预测模型)的信息，而传统的算法，如PID等，只取过去和现在的信息;

(2)对模型要求低，现代控制理论难以大规模应用于过程工业，重要原因之一就是对模型精度过于苛刻，预测控制成功地克服这一点;

(3)模型预测控制算法具有全局滚动优化，每个控制周期持续的优化计算，不仅在时间上满足实时性要求，还通过全局优化打破传统局限，组合了稳定优化和动态优化;

(4)用多变量控制思想来取代单一的可变控制传统手段。因此，在应用到多变量的问题时，预测控制通常被称为多变量预测控制;

(5)最重要的是能有效地处理约束。因为在实际生产中，通常将制造过程工艺设备的状态设置为在边界条件(安全边界，设备功能边界，工艺条件边界等)上操作，该操作状态下，操作变量往往产生饱和以及被控变量超出约束的问题。所以可以处理多个目标，有约束控制能力成为一个控制系统长期、稳定和可靠运行的关键技术。

连续预测控制预测控制种类

1978年，Richalet等首先阐述了预测控制的思想，预测控制是以模型为基础，采用二次在线滚动优化性能指标和反馈校正的策略，来克服受控对象建模误差和结构、参数与环境等不确定因素的影响，有效的弥补了现代控制理论对复杂受控对象所无法避免的不足之处。

预测控制自发展以来，算法种类非常繁多，但按其基本结构形式，大致可以分为三类：

(I)由Cutler等人提出的以非参数模型为预测模型的动态矩阵控制(Dynamic Matrix Control, DMC), Rauhani等人提出的模型算法控制(Model Algorithmic Control,MAC).这类非参数模型建模方便，只需通过受控对象的脉冲响应或阶跃响应测试即可得到，无须考虑模型的结构与阶次，系统的纯滞后必然包括在响应值中。其局限性在于开环自稳定对象，当模型参数增多时，控制算法计算量大。

(2)与经典的自适应控制相结合的一类长程预测控制算法(Generalized Predictive Control, GPC).这一类基于辨识模型并且有自校正的预测控制算法，以长时段多步优化取代了经典的最小方差控制中的一步预测优化，从而适用于时滞和非最小相位对象，并改善了控制性能，具有良好的鲁棒性。

(3)基于机构设计不同的另一类预测控制算法:包括由Garcia提出的内模控制(Internal Model Control, IMC), Brosilow等人提出的推理控(Inference Control)等。这类算法是从结构上研究预测控制的一个独特分支。

以上述典型预测控制为基础结合近几年发展起来的各种先进控制策略，形成了一些先进的预测控制算法，包括极点配置预测控制、解祸预测控制、前馈补偿预测控制、自适应预测控制，鲁棒预测控制等。本文重点研究自适应预测控制，即基于自适应双重控制的预测控制算法。

另外，诸如模糊预测控制，神经网络预测控制等智能预测控制算法的发展为解决复杂受控系统提供了强有力的支持。

许多新型的预测控制层出不穷，如预测函数控制、多速率采样预测控制、多模型切换预测控制，有约束预测控制等。预测控制的算法种类越来越多，预测控制的性能在不断改善，使其更好的应用在工业实际中。

测控单元以功能来划分，可分为集中式测控单元、独立综合式测控单元。集中式测控单元可实现数据采集或控制的某一个单一功能，例如遥测单元、遥控单元。独立综合式测控单元能实现各类信号的测量、控制功能。构成测控装置的器件很多，主要以单片机、DSP(Digital Signal Processor)为主。

近年来, 基于模型的预测控制技术在理论上和应用上都取得了很大的进展, 如动态矩阵控制(DMC) , 广义预测控制(GPC)和状态反馈预测控制(SPC)等算法, 都以它独有的模型预测、反馈校正和滚动优化等特点, 越来越受到广大科技工作者的重视。状态反馈预测控制, 使用实测状态变量反馈, 提高了控制系统抑制不可测干扰能力, 改善了控制系统的鲁棒性。

在先进控制系统实际工程应用中,由于非线性、时变性和不确定性等原因, 预测模型很难准确。为了在线调整灵活方便, 使状态反馈预测控制算法有一定的鲁棒性和适应能力, 按预测控制计算出的最优控制作用式, 先乘上一个相应的衰减系数后再送出, 使控制器送出的控制作用适当地减小, 这一衰减系数称为预测控制作用衰减系数, 用β_u ∈R^{m ×m}表示。为了简单, β_u可选为

预测控制作用衰减系数β_u, 可以改变预测控制系统的闭环极点, 适当的调整β_u的大小, 可以使闭环系统的控制性能和鲁棒性等方面得到兼顾, 改善系统的综合控制性能, 使预测模型的适应范围增大。

基于状态空间模型, 使用可以实测的状态变量反馈, 提高预测控制系统抑制不可测干扰能力和改善系统的鲁棒性, 是状态反馈预测控制系统的突出优点之一。为了在线调整灵活方便, 使预测控制算法具有一定的鲁棒性和适应能力, 在计算最优控制律之前, 把实测的状态变量, 先乘上一个相应的加权系数后, 再去计算预测控制律, 这一加权系数称为状态反馈加权系数，可用β_x∈R^n×n表示。

预测控制状态反馈加权系数β_x的维数由状态变量的维数决定, 控制律衰减系数β_u的维数由输入变量的维数决定, 其参数的选取也可以是非对角矩阵。预测控制状态反馈加权系数β_x , 当0<βⁱ_x ≤1 时, 使状态反馈作用减弱, 如果选取βⁱ_x >1 使状态反馈作用增强, 调整状态反馈加权系数βⁱ_x 或控制律衰减系数βⁱ_u , 都可以适当的改变预测控制系统的闭环极点, 从而改善系统的综合控制性能, 使预测模型的适应范围增大。 2100433B