1. 从一道赛题到工程实践飞行器供油策略的建模与优化最近在整理资料时翻到了2020年第十七届全国大学生数学建模竞赛的F题——“飞行器质心平衡供油策略优化”。这道题当时在参赛圈里讨论度很高因为它完美地结合了理论建模与实际工程需求。题目本身描述的是一个典型的飞行器多油箱燃油调度问题飞机有多个油箱飞行过程中燃油不断消耗导致飞机的整体重心质心发生变化。而重心位置直接关系到飞机的稳定性和操纵性因此需要通过在不同油箱之间调配燃油来尽可能地将重心维持在一个理想的安全范围内。这听起来像是一个纯粹的数学优化问题但背后涉及的却是航空工程、自动控制、运筹学等多个领域的交叉知识。很多同学在解题时可能会把它抽象成一个带约束的动态规划或者最优控制模型这当然没错。但今天我想从一个更贴近工程实现的角度和大家聊聊这道题背后更深层次的东西——我们如何将一个赛题模型打磨成一个具备实际参考价值的“策略引擎”。这道题的核心价值在于它指出了一个在长航时、大载重飞行器无论是大型客机、运输机还是无人机设计中无法回避的关键问题燃油既是能量来源也是需要被管理的“可移动配重”。油箱不是孤立存在的它们分布在机翼、机身等不同位置。燃油的消耗不是均匀的比如发动机通常优先从某个主油箱吸油。这就导致随着飞行时间推移飞机左右、前后的重量分布会失衡产生不期望的滚转或俯仰力矩。飞行员虽然可以操纵舵面来抵消这些力矩但这会增加阻力、耗费能量甚至接近操纵极限。因此一套自动化的、最优的供油策略其意义不仅仅是省油更是保障飞行安全、提升飞行品质、延长机体寿命的关键。我们接下来的讨论将围绕如何构建这样一个策略模型并深入那些课本和赛题简案中往往一笔带过的细节。2. 问题本质剖析为什么质心平衡如此重要在深入建模之前我们必须先理解“质心平衡”这个要求的物理意义和工程背景。这绝不是一道为了出题而编造的虚拟场景。2.1 质心与焦点的博弈稳定性的根源对于固定翼飞行器而言其空中姿态的稳定性很大程度上取决于重心和气动焦点的相对位置。气动焦点可以粗略理解为飞机气动升力合力的作用点其位置主要由机翼和尾翼的构型决定在亚音速飞行中相对固定。重心则是飞机所有质量分布的综合作用点。核心规律是重心必须位于气动焦点之前。这保证了飞机具有“静稳定性”。举个例子当飞机受到一个向上的扰动机头上仰由于重心在前升力增量产生的抬头力矩小于重力产生的低头力矩飞机会有自动低头的趋势恢复到原姿态。反之如果重心在焦点之后飞机将变得静不稳定任何微小扰动都会被放大需要飞控系统持续高频干预才能保持稳定如一些高性能战斗机。因此飞行器设计时会确定一个重心安全范围通常是一个位于气动焦点之前的、前后边界都很明确的区间。这个范围会在飞行手册中严格规定。我们的供油策略目标就是确保在整个飞行过程中飞机的实时重心始终落在这个安全框内并且尽可能靠近某个“理想重心点”这个点通常是阻力最小或操纵效率最高的位置。2.2 燃油消耗带来的挑战一个动态的扰动源燃油通常占飞机起飞重量的很大比例远程客机可达40%以上。这些燃油分布在多个油箱中例如主油箱通常位于机翼内部容量最大。中央油箱位于机身中部机翼连接处下方。配平油箱位于机尾或机头主要用于调整重心。通气油箱/收集油箱保证供油系统可靠性的小容量油箱。发动机的燃油供给有既定顺序比如巡航时优先使用中央油箱的油以尽快减轻机翼根部的弯矩。但这种固定顺序的消耗模式必然导致重心发生系统性偏移。例如优先消耗中央油箱的油会导致重心后移因为中央油箱通常位于重心附近或稍前如果只消耗一侧机翼的油会导致重心侧向移动产生滚转力矩。注意题目中常将问题简化为二维仅考虑纵向重心但实际工程中横向左右平衡同样重要。不对称的燃油消耗会导致持续的副翼配平阻力增加油耗。因此完整的模型至少应考虑纵向和横向两个维度。2.3 优化策略的目标多目标下的权衡供油策略优化不是一个单目标问题。它至少包含以下几个相互制约的目标安全性目标硬约束全程重心不超出安全范围。这是红线一票否决。经济性目标主要优化目标重心尽可能贴近理想点以减小配平阻力降低油耗。或者在满足安全的前提下使总油耗最小。工程性目标软约束作动器寿命燃油泵、阀门的频繁启停和大幅值调节会降低其可靠性。策略应平滑避免剧烈变化。系统复杂度策略不应过于复杂要便于机载计算机实时解算也便于飞行员监控和理解。故障容错某个油箱或泵失效时策略应有冗余度能切换到备份方案。我们的建模就是要在这些目标中找到一个最佳的平衡点。3. 核心数学模型构建从物理到方程理解了“为什么”我们来看“怎么做”。我们将问题拆解一步步建立数学模型。这里我采用一种结合了离散时间动态规划和模型预测控制思想的框架这在工程上更具可实现性。3.1 定义系统状态与决策变量首先我们需要用数学语言描述系统的瞬时情况。状态变量 (State Vector, x_k)在某个离散时间步k系统的状态。m_i_k: 第i个油箱在k时刻的燃油质量i 1, 2, ..., N(N为油箱总数)。CG_x_k, CG_y_k:k时刻飞机重心在机体坐标系下的纵向和横向位置。实际上CG可以由m_i_k和各个油箱的固定位置(x_i, y_i)计算得出因此有时为了简化状态变量只包含m_i_k。控制变量/决策变量 (Control Vector, u_k)在k时刻我们可以做出的操作。f_{ij}_k: 从油箱i向发动机或油箱j的燃油输送流量非负。通常我们更关心的是净输出流量u_i_k即油箱i在k时间段内被消耗或调出的燃油质量。决策的本质就是分配每个时间段内各个油箱应该被消耗多少油。系统参数(x_i, y_i): 油箱i的固定位置坐标。M_empty: 飞机空重不含燃油。(x_cg_min, x_cg_max, y_cg_min, y_cg_max): 重心安全范围。x_cg_ideal: 理想重心位置通常为纵向。TotalFuelConsumptionRate: 发动机总耗油率由飞行阶段决定可视为已知时间函数或常数。3.2 状态转移方程系统如何演化这是模型的核心描述了燃油消耗和重心如何随时间变化。燃油质量守恒方程对于每个油箱i在时间步k到k1(步长为Δt) 内其燃油量的变化等于净流出量负值。m_i_{k1} m_i_k - u_i_k * Δt且需满足0 m_i_{k1} Capacity_i(油箱容量约束)以及Σ u_i_k TotalFuelConsumptionRate * Δt(总流出量等于发动机总消耗量)。重心计算方程重心是各质量力矩的加权平均。CG_x_k ( M_empty * x_cg_empty Σ (m_i_k * x_i) ) / ( M_empty Σ m_i_k )CG_y_k ( M_empty * y_cg_empty Σ (m_i_k * y_i) ) / ( M_empty Σ m_i_k )其中(x_cg_empty, y_cg_empty)是空机重心位置。3.3 目标函数与约束条件我们想要什么我们需要定义一个从初始时刻0到最终时刻K燃油耗尽或航程结束的优化目标。典型的目标函数形式可加权求和J Σ_{k0}^{K} [ α * (CG_x_k - x_cg_ideal)^2 β * (CG_y_k)^2 ] γ * Σ_{k0}^{K-1} Σ_i (u_i_k - u_i_{k-1})^2让我来解释每一项跟踪项α * (CG_x_k - x_cg_ideal)^2。惩罚纵向重心偏离理想点促使系统保持最佳气动性能。β * (CG_y_k)^2惩罚横向重心偏离中心线理想横向重心通常为0减少滚转配平阻力。α和β是权重系数体现了对纵/横向平衡的重视程度。控制平滑项γ * Σ (u_i_k - u_i_{k-1})^2。这一项至关重要但常被初学者忽略。它惩罚控制量各油箱输油率的剧烈变化。γ是权重。加入这一项优化出的策略会是一个平滑的流量曲线而不是在各个油箱间来回剧烈切换这极大提升了工程的可行性保护了燃油泵和阀门。约束条件状态约束x_cg_min CG_x_k x_cg_maxy_cg_min CG_y_k y_cg_max。这是安全红线。控制约束0 u_i_k u_i_max。每个油箱的输油率有物理上限泵的能力。燃油量约束0 m_i_k Capacity_i。油箱不能抽空可能需保留余油或溢出。初始与终端条件m_i_0已知初始油量分布Σ m_i_K 0终点剩余油量要求可能为0。3.4 模型求解思路从理论到算法面对这样一个带有约束的、多阶段的动态优化问题我们有哪些武器1. 离散时间最优控制/动态规划这是最直观的思路。将整个航程均匀离散为K个阶段在每个阶段求解上述优化问题。但直接求解全局最优即从第0步看到第K步计算量巨大“维数灾”。更实用的方法是采用滚动优化也就是模型预测控制的思想。2. 模型预测控制框架这是目前工程上最具前景的方法。其核心思想是“走一步看几步优化一步”。预测模型就是我们上面建立的状态转移方程用于预测未来一段时间内系统的行为。滚动优化在每个当前时刻k我们基于当前状态x_k对未来一个有限时域[k, kH]内的控制序列{u_k, u_{k1}, ..., u_{kH-1}}进行优化求解一个仅覆盖未来H步的优化问题问题规模大大减小。优化目标就是前面定义的J但只计算未来H步。反馈校正只实施优化得到的控制序列的第一个元素u_k。然后系统实际运行到k1时刻我们测量或估计得到新的状态x_{k1}以此作为新的起点重复上述“预测-优化-实施”的过程。这种方法优点明显它能够处理约束是一种反馈控制对模型误差和外部扰动有一定的鲁棒性。H称为预测时域其选择需要在计算量和长期预见性之间折中。3. 求解器选择滚动优化中的每个窗口内的优化问题通常可以转化为一个二次规划或非线性规划问题取决于目标函数和约束是否为线性。我们可以使用成熟的优化求解器如IPOPT开源、Gurobi、CPLEX等来高效求解。在建模竞赛或算法验证阶段MATLAB的fmincon函数或Python的SciPy.optimize、CVXPY、CasADi等工具包都是不错的选择。4. 仿真实现与策略分析让模型跑起来理论模型建立后我们必须通过仿真来验证策略的有效性并分析其特性。这里我以一个简化的四油箱模型为例说明仿真流程和关键分析点。假设一个飞机模型空重M_empty 50000 kg空机重心x_cg_empty 25% MAC平均气动弦。四个油箱左翼油箱(LW)、右翼油箱(RW)、中央油箱(CT)、配平油箱(TR)位置和容量如下表油箱编号名称纵向位置 x (m)横向位置 y (m)初始油量 (kg)最大容量 (kg)最大泵速 (kg/s)1LW20-58000100002.02RW2058000100002.03CT23012000150002.54TR300200030000.8重心安全范围x_cg: [24% MAC, 36% MAC]y_cg: [-1m, 1m]。理想重心x_cg_ideal 28% MAC。发动机总耗油率TotalRate 3.0 kg/s。仿真总时间T_total 10000 s约2.78小时离散步长Δt 10 s。仿真步骤初始化设定初始状态x_0各油箱油量设定MPC预测时域H20即向前看200秒设定优化目标权重α1.0, β0.5, γ0.01。主循环对于每个时间步k 0, 1, ..., K-1 a.测量/估计当前状态获取当前各油箱油量m_i_k计算当前重心CG_k。 b.构建并求解优化问题以x_k为初始状态对未来H步的控制量u_{k:kH-1}进行优化优化问题为最小化从k到kH的预测目标函数并满足所有约束。 c.应用控制量取优化解的第一个控制动作u_k根据状态转移方程更新系统状态到k1。即m_i_{k1} m_i_k - u_i_k * Δt。 d.记录数据保存当前重心、控制量、油量等信息。结果可视化与分析。策略对比分析我们可以对比几种不同的策略来凸显优化策略的优势策略A固定顺序消耗常见于简单逻辑如“先耗光中央油箱再同时消耗左右机翼油箱”。这是我们的基准策略。策略BMPC优化策略采用上述模型预测控制框架。通过仿真我们可能会得到如下结论重心轨迹策略A的重心可能会先向后移动消耗中央油箱然后向前移动消耗机翼油箱轨迹波动大可能短暂接近甚至触碰安全边界。而策略B的重心轨迹像被“吸附”在理想点附近的一条平滑带始终远离安全边界。控制指令策略A的控制指令是阶跃式的0或最大值对泵阀冲击大。策略B的控制指令是连续、平滑变化的体现了目标函数中“平滑项”的作用。性能指标计算全程的Σ (CG_x - x_ideal)^2策略B的值远小于策略A证明其气动效率更高。虽然总油耗相同发动机总耗油率固定但策略B因阻力小实际需要的发动机推力可能更低存在进一步节油的潜力。实操心得在仿真中预测时域H和权重系数α, β, γ的调参非常关键。H太短策略“短视”可能为眼前最优牺牲长期性能H太长计算负担重且模型误差的影响会放大。权重系数需要反复试验增大γ会使控制更平滑但可能降低重心跟踪精度增大α会使重心紧紧跟随理想点但可能导致控制动作频繁。这没有标准答案需要根据具体的工程偏好是更看重性能还是更看重系统寿命来折中。5. 从模型到现实工程化面临的挑战与应对竞赛模型是一个高度简化的版本。要将它应用于实际飞行管理系统必须考虑更多现实世界的复杂性。挑战一模型不确定性我们的模型假设我们知道精确的空机重心、油箱位置、发动机耗油率。现实中这些都有误差。应对采用鲁棒优化或随机模型预测控制。在优化时不仅考虑标称模型还考虑参数的可能波动范围如耗油率在±5%内变化求取一个在所有可能情形下都满足约束的“鲁棒”策略。或者使用状态估计器如卡尔曼滤波器来实时融合燃油流量计、加速度计等传感器数据更准确地估计各油箱的实时油量和重心作为MPC的反馈输入。挑战二执行机构动态与故障模型假设燃油泵可以瞬间精确地提供所需的流量。实际上泵有响应时间阀门有关闭延迟管路有动态特性。更严重的是泵或阀门可能故障。应对在模型中加入执行机构的一阶或二阶动态模型。对于故障需要在策略中设计冗余和重构逻辑。例如当检测到左翼主泵故障时策略应能自动将左翼油箱的油通过交输阀泵到右翼或中央油箱再由右翼系统供油。这要求模型包含更多的燃油传输路径作为控制变量。挑战三飞行阶段与多模式切换不同飞行阶段爬升、巡航、下降、等待对重心的要求可能不同。巡航期追求经济性重心可以靠近理想点降落前可能需要故意调整重心到一个更靠前的位置以增加稳定性。应对策略应该是多模式的。根据飞行管理计算机给出的飞行阶段信号切换不同的目标函数权重和安全约束范围。例如降落阶段可以增大α使重心跟踪一个更靠前的“着陆理想重心”并收紧安全范围。挑战四实时计算能力机载计算机的计算资源有限。复杂的非线性优化问题可能无法在几十毫秒的控制周期内求解。应对这是将理论推向应用的最大障碍之一。常见的工程化路径有显式MPC针对线性化后的模型离线求解优化问题将最优控制律表示为状态的分段仿射函数在线时只需进行简单的查表和计算极大提升速度。简化模型使用更粗的离散化粒度或减少优化变量如将多个小油箱合并为一个等效油箱。分层策略上层周期长如分钟级用一个简化模型计算大致的燃油调度计划下层周期短如秒级用一个简单的PID控制器跟踪上层的流量指令处理快速扰动。这道数模竞赛题就像一把钥匙打开了一扇通往复杂工程优化世界的大门。它训练我们的不仅仅是建立微分方程和求解优化算法更是培养一种系统思维如何定义问题、如何权衡目标、如何将物理约束转化为数学语言、如何评估方案的优劣。从“固定顺序消耗”到“模型预测优化”我们看到的是一种从开环到闭环、从被动适应到主动管理的设计哲学演进。在实际工作中无论是设计飞机的燃油管理系统还是管理电网的负荷分配亦或是调度物流中心的车辆其内核都是相通的——在动态变化中通过预测和优化寻求全局最优的决策。
飞行器燃油调度与质心平衡：从数学建模到模型预测控制工程实践
1. 从一道赛题到工程实践飞行器供油策略的建模与优化最近在整理资料时翻到了2020年第十七届全国大学生数学建模竞赛的F题——“飞行器质心平衡供油策略优化”。这道题当时在参赛圈里讨论度很高因为它完美地结合了理论建模与实际工程需求。题目本身描述的是一个典型的飞行器多油箱燃油调度问题飞机有多个油箱飞行过程中燃油不断消耗导致飞机的整体重心质心发生变化。而重心位置直接关系到飞机的稳定性和操纵性因此需要通过在不同油箱之间调配燃油来尽可能地将重心维持在一个理想的安全范围内。这听起来像是一个纯粹的数学优化问题但背后涉及的却是航空工程、自动控制、运筹学等多个领域的交叉知识。很多同学在解题时可能会把它抽象成一个带约束的动态规划或者最优控制模型这当然没错。但今天我想从一个更贴近工程实现的角度和大家聊聊这道题背后更深层次的东西——我们如何将一个赛题模型打磨成一个具备实际参考价值的“策略引擎”。这道题的核心价值在于它指出了一个在长航时、大载重飞行器无论是大型客机、运输机还是无人机设计中无法回避的关键问题燃油既是能量来源也是需要被管理的“可移动配重”。油箱不是孤立存在的它们分布在机翼、机身等不同位置。燃油的消耗不是均匀的比如发动机通常优先从某个主油箱吸油。这就导致随着飞行时间推移飞机左右、前后的重量分布会失衡产生不期望的滚转或俯仰力矩。飞行员虽然可以操纵舵面来抵消这些力矩但这会增加阻力、耗费能量甚至接近操纵极限。因此一套自动化的、最优的供油策略其意义不仅仅是省油更是保障飞行安全、提升飞行品质、延长机体寿命的关键。我们接下来的讨论将围绕如何构建这样一个策略模型并深入那些课本和赛题简案中往往一笔带过的细节。2. 问题本质剖析为什么质心平衡如此重要在深入建模之前我们必须先理解“质心平衡”这个要求的物理意义和工程背景。这绝不是一道为了出题而编造的虚拟场景。2.1 质心与焦点的博弈稳定性的根源对于固定翼飞行器而言其空中姿态的稳定性很大程度上取决于重心和气动焦点的相对位置。气动焦点可以粗略理解为飞机气动升力合力的作用点其位置主要由机翼和尾翼的构型决定在亚音速飞行中相对固定。重心则是飞机所有质量分布的综合作用点。核心规律是重心必须位于气动焦点之前。这保证了飞机具有“静稳定性”。举个例子当飞机受到一个向上的扰动机头上仰由于重心在前升力增量产生的抬头力矩小于重力产生的低头力矩飞机会有自动低头的趋势恢复到原姿态。反之如果重心在焦点之后飞机将变得静不稳定任何微小扰动都会被放大需要飞控系统持续高频干预才能保持稳定如一些高性能战斗机。因此飞行器设计时会确定一个重心安全范围通常是一个位于气动焦点之前的、前后边界都很明确的区间。这个范围会在飞行手册中严格规定。我们的供油策略目标就是确保在整个飞行过程中飞机的实时重心始终落在这个安全框内并且尽可能靠近某个“理想重心点”这个点通常是阻力最小或操纵效率最高的位置。2.2 燃油消耗带来的挑战一个动态的扰动源燃油通常占飞机起飞重量的很大比例远程客机可达40%以上。这些燃油分布在多个油箱中例如主油箱通常位于机翼内部容量最大。中央油箱位于机身中部机翼连接处下方。配平油箱位于机尾或机头主要用于调整重心。通气油箱/收集油箱保证供油系统可靠性的小容量油箱。发动机的燃油供给有既定顺序比如巡航时优先使用中央油箱的油以尽快减轻机翼根部的弯矩。但这种固定顺序的消耗模式必然导致重心发生系统性偏移。例如优先消耗中央油箱的油会导致重心后移因为中央油箱通常位于重心附近或稍前如果只消耗一侧机翼的油会导致重心侧向移动产生滚转力矩。注意题目中常将问题简化为二维仅考虑纵向重心但实际工程中横向左右平衡同样重要。不对称的燃油消耗会导致持续的副翼配平阻力增加油耗。因此完整的模型至少应考虑纵向和横向两个维度。2.3 优化策略的目标多目标下的权衡供油策略优化不是一个单目标问题。它至少包含以下几个相互制约的目标安全性目标硬约束全程重心不超出安全范围。这是红线一票否决。经济性目标主要优化目标重心尽可能贴近理想点以减小配平阻力降低油耗。或者在满足安全的前提下使总油耗最小。工程性目标软约束作动器寿命燃油泵、阀门的频繁启停和大幅值调节会降低其可靠性。策略应平滑避免剧烈变化。系统复杂度策略不应过于复杂要便于机载计算机实时解算也便于飞行员监控和理解。故障容错某个油箱或泵失效时策略应有冗余度能切换到备份方案。我们的建模就是要在这些目标中找到一个最佳的平衡点。3. 核心数学模型构建从物理到方程理解了“为什么”我们来看“怎么做”。我们将问题拆解一步步建立数学模型。这里我采用一种结合了离散时间动态规划和模型预测控制思想的框架这在工程上更具可实现性。3.1 定义系统状态与决策变量首先我们需要用数学语言描述系统的瞬时情况。状态变量 (State Vector, x_k)在某个离散时间步k系统的状态。m_i_k: 第i个油箱在k时刻的燃油质量i 1, 2, ..., N(N为油箱总数)。CG_x_k, CG_y_k:k时刻飞机重心在机体坐标系下的纵向和横向位置。实际上CG可以由m_i_k和各个油箱的固定位置(x_i, y_i)计算得出因此有时为了简化状态变量只包含m_i_k。控制变量/决策变量 (Control Vector, u_k)在k时刻我们可以做出的操作。f_{ij}_k: 从油箱i向发动机或油箱j的燃油输送流量非负。通常我们更关心的是净输出流量u_i_k即油箱i在k时间段内被消耗或调出的燃油质量。决策的本质就是分配每个时间段内各个油箱应该被消耗多少油。系统参数(x_i, y_i): 油箱i的固定位置坐标。M_empty: 飞机空重不含燃油。(x_cg_min, x_cg_max, y_cg_min, y_cg_max): 重心安全范围。x_cg_ideal: 理想重心位置通常为纵向。TotalFuelConsumptionRate: 发动机总耗油率由飞行阶段决定可视为已知时间函数或常数。3.2 状态转移方程系统如何演化这是模型的核心描述了燃油消耗和重心如何随时间变化。燃油质量守恒方程对于每个油箱i在时间步k到k1(步长为Δt) 内其燃油量的变化等于净流出量负值。m_i_{k1} m_i_k - u_i_k * Δt且需满足0 m_i_{k1} Capacity_i(油箱容量约束)以及Σ u_i_k TotalFuelConsumptionRate * Δt(总流出量等于发动机总消耗量)。重心计算方程重心是各质量力矩的加权平均。CG_x_k ( M_empty * x_cg_empty Σ (m_i_k * x_i) ) / ( M_empty Σ m_i_k )CG_y_k ( M_empty * y_cg_empty Σ (m_i_k * y_i) ) / ( M_empty Σ m_i_k )其中(x_cg_empty, y_cg_empty)是空机重心位置。3.3 目标函数与约束条件我们想要什么我们需要定义一个从初始时刻0到最终时刻K燃油耗尽或航程结束的优化目标。典型的目标函数形式可加权求和J Σ_{k0}^{K} [ α * (CG_x_k - x_cg_ideal)^2 β * (CG_y_k)^2 ] γ * Σ_{k0}^{K-1} Σ_i (u_i_k - u_i_{k-1})^2让我来解释每一项跟踪项α * (CG_x_k - x_cg_ideal)^2。惩罚纵向重心偏离理想点促使系统保持最佳气动性能。β * (CG_y_k)^2惩罚横向重心偏离中心线理想横向重心通常为0减少滚转配平阻力。α和β是权重系数体现了对纵/横向平衡的重视程度。控制平滑项γ * Σ (u_i_k - u_i_{k-1})^2。这一项至关重要但常被初学者忽略。它惩罚控制量各油箱输油率的剧烈变化。γ是权重。加入这一项优化出的策略会是一个平滑的流量曲线而不是在各个油箱间来回剧烈切换这极大提升了工程的可行性保护了燃油泵和阀门。约束条件状态约束x_cg_min CG_x_k x_cg_maxy_cg_min CG_y_k y_cg_max。这是安全红线。控制约束0 u_i_k u_i_max。每个油箱的输油率有物理上限泵的能力。燃油量约束0 m_i_k Capacity_i。油箱不能抽空可能需保留余油或溢出。初始与终端条件m_i_0已知初始油量分布Σ m_i_K 0终点剩余油量要求可能为0。3.4 模型求解思路从理论到算法面对这样一个带有约束的、多阶段的动态优化问题我们有哪些武器1. 离散时间最优控制/动态规划这是最直观的思路。将整个航程均匀离散为K个阶段在每个阶段求解上述优化问题。但直接求解全局最优即从第0步看到第K步计算量巨大“维数灾”。更实用的方法是采用滚动优化也就是模型预测控制的思想。2. 模型预测控制框架这是目前工程上最具前景的方法。其核心思想是“走一步看几步优化一步”。预测模型就是我们上面建立的状态转移方程用于预测未来一段时间内系统的行为。滚动优化在每个当前时刻k我们基于当前状态x_k对未来一个有限时域[k, kH]内的控制序列{u_k, u_{k1}, ..., u_{kH-1}}进行优化求解一个仅覆盖未来H步的优化问题问题规模大大减小。优化目标就是前面定义的J但只计算未来H步。反馈校正只实施优化得到的控制序列的第一个元素u_k。然后系统实际运行到k1时刻我们测量或估计得到新的状态x_{k1}以此作为新的起点重复上述“预测-优化-实施”的过程。这种方法优点明显它能够处理约束是一种反馈控制对模型误差和外部扰动有一定的鲁棒性。H称为预测时域其选择需要在计算量和长期预见性之间折中。3. 求解器选择滚动优化中的每个窗口内的优化问题通常可以转化为一个二次规划或非线性规划问题取决于目标函数和约束是否为线性。我们可以使用成熟的优化求解器如IPOPT开源、Gurobi、CPLEX等来高效求解。在建模竞赛或算法验证阶段MATLAB的fmincon函数或Python的SciPy.optimize、CVXPY、CasADi等工具包都是不错的选择。4. 仿真实现与策略分析让模型跑起来理论模型建立后我们必须通过仿真来验证策略的有效性并分析其特性。这里我以一个简化的四油箱模型为例说明仿真流程和关键分析点。假设一个飞机模型空重M_empty 50000 kg空机重心x_cg_empty 25% MAC平均气动弦。四个油箱左翼油箱(LW)、右翼油箱(RW)、中央油箱(CT)、配平油箱(TR)位置和容量如下表油箱编号名称纵向位置 x (m)横向位置 y (m)初始油量 (kg)最大容量 (kg)最大泵速 (kg/s)1LW20-58000100002.02RW2058000100002.03CT23012000150002.54TR300200030000.8重心安全范围x_cg: [24% MAC, 36% MAC]y_cg: [-1m, 1m]。理想重心x_cg_ideal 28% MAC。发动机总耗油率TotalRate 3.0 kg/s。仿真总时间T_total 10000 s约2.78小时离散步长Δt 10 s。仿真步骤初始化设定初始状态x_0各油箱油量设定MPC预测时域H20即向前看200秒设定优化目标权重α1.0, β0.5, γ0.01。主循环对于每个时间步k 0, 1, ..., K-1 a.测量/估计当前状态获取当前各油箱油量m_i_k计算当前重心CG_k。 b.构建并求解优化问题以x_k为初始状态对未来H步的控制量u_{k:kH-1}进行优化优化问题为最小化从k到kH的预测目标函数并满足所有约束。 c.应用控制量取优化解的第一个控制动作u_k根据状态转移方程更新系统状态到k1。即m_i_{k1} m_i_k - u_i_k * Δt。 d.记录数据保存当前重心、控制量、油量等信息。结果可视化与分析。策略对比分析我们可以对比几种不同的策略来凸显优化策略的优势策略A固定顺序消耗常见于简单逻辑如“先耗光中央油箱再同时消耗左右机翼油箱”。这是我们的基准策略。策略BMPC优化策略采用上述模型预测控制框架。通过仿真我们可能会得到如下结论重心轨迹策略A的重心可能会先向后移动消耗中央油箱然后向前移动消耗机翼油箱轨迹波动大可能短暂接近甚至触碰安全边界。而策略B的重心轨迹像被“吸附”在理想点附近的一条平滑带始终远离安全边界。控制指令策略A的控制指令是阶跃式的0或最大值对泵阀冲击大。策略B的控制指令是连续、平滑变化的体现了目标函数中“平滑项”的作用。性能指标计算全程的Σ (CG_x - x_ideal)^2策略B的值远小于策略A证明其气动效率更高。虽然总油耗相同发动机总耗油率固定但策略B因阻力小实际需要的发动机推力可能更低存在进一步节油的潜力。实操心得在仿真中预测时域H和权重系数α, β, γ的调参非常关键。H太短策略“短视”可能为眼前最优牺牲长期性能H太长计算负担重且模型误差的影响会放大。权重系数需要反复试验增大γ会使控制更平滑但可能降低重心跟踪精度增大α会使重心紧紧跟随理想点但可能导致控制动作频繁。这没有标准答案需要根据具体的工程偏好是更看重性能还是更看重系统寿命来折中。5. 从模型到现实工程化面临的挑战与应对竞赛模型是一个高度简化的版本。要将它应用于实际飞行管理系统必须考虑更多现实世界的复杂性。挑战一模型不确定性我们的模型假设我们知道精确的空机重心、油箱位置、发动机耗油率。现实中这些都有误差。应对采用鲁棒优化或随机模型预测控制。在优化时不仅考虑标称模型还考虑参数的可能波动范围如耗油率在±5%内变化求取一个在所有可能情形下都满足约束的“鲁棒”策略。或者使用状态估计器如卡尔曼滤波器来实时融合燃油流量计、加速度计等传感器数据更准确地估计各油箱的实时油量和重心作为MPC的反馈输入。挑战二执行机构动态与故障模型假设燃油泵可以瞬间精确地提供所需的流量。实际上泵有响应时间阀门有关闭延迟管路有动态特性。更严重的是泵或阀门可能故障。应对在模型中加入执行机构的一阶或二阶动态模型。对于故障需要在策略中设计冗余和重构逻辑。例如当检测到左翼主泵故障时策略应能自动将左翼油箱的油通过交输阀泵到右翼或中央油箱再由右翼系统供油。这要求模型包含更多的燃油传输路径作为控制变量。挑战三飞行阶段与多模式切换不同飞行阶段爬升、巡航、下降、等待对重心的要求可能不同。巡航期追求经济性重心可以靠近理想点降落前可能需要故意调整重心到一个更靠前的位置以增加稳定性。应对策略应该是多模式的。根据飞行管理计算机给出的飞行阶段信号切换不同的目标函数权重和安全约束范围。例如降落阶段可以增大α使重心跟踪一个更靠前的“着陆理想重心”并收紧安全范围。挑战四实时计算能力机载计算机的计算资源有限。复杂的非线性优化问题可能无法在几十毫秒的控制周期内求解。应对这是将理论推向应用的最大障碍之一。常见的工程化路径有显式MPC针对线性化后的模型离线求解优化问题将最优控制律表示为状态的分段仿射函数在线时只需进行简单的查表和计算极大提升速度。简化模型使用更粗的离散化粒度或减少优化变量如将多个小油箱合并为一个等效油箱。分层策略上层周期长如分钟级用一个简化模型计算大致的燃油调度计划下层周期短如秒级用一个简单的PID控制器跟踪上层的流量指令处理快速扰动。这道数模竞赛题就像一把钥匙打开了一扇通往复杂工程优化世界的大门。它训练我们的不仅仅是建立微分方程和求解优化算法更是培养一种系统思维如何定义问题、如何权衡目标、如何将物理约束转化为数学语言、如何评估方案的优劣。从“固定顺序消耗”到“模型预测优化”我们看到的是一种从开环到闭环、从被动适应到主动管理的设计哲学演进。在实际工作中无论是设计飞机的燃油管理系统还是管理电网的负荷分配亦或是调度物流中心的车辆其内核都是相通的——在动态变化中通过预测和优化寻求全局最优的决策。
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
