1.一种基于自抗扰控制的飞行器容错控制结构，其特征在于，所述结构包括：

带执行机构故障描述的动力学模型、改进卡尔曼滤波模型、观测模型以及总控制模型；

所述带执行机构故障描述的动力学模型的输入为飞行控制指令U，输出为当前时刻的飞行姿态y；

所述改进卡尔曼滤波模型根据带执行机构故障描述的动力学模型搭建而成，用作预滤波级，计算观测模型中需要使用的状态信号，所述改进卡尔曼滤波模型输入包括：飞行器GPS中得到的飞行器位置信号、飞控陀螺仪中得到的飞行器三个姿态角的θ、φ、ψ信号，所述改进卡尔曼滤波模型的输出为故障系数估计值bk与系统状态估计值所述观测模型的输入包括：改进卡尔曼滤波模型计算出的故障系数估计值bk与系统状态估计值 所述观测模型的输出包括z1，z2和z3，其中：z1为 的观测值，z2为 导数的观测值，z3为总扰动的观测值；

所述总控制模型根据所述观测模型的输出z1，z2和z3、所述改进卡尔曼滤波模型输出的故障系数估计值bk和系统状态估计值 计算所述飞行控制指令U，并输入给所述带执行机构故障描述的四旋翼无人飞行器动力学模型以实现设定的飞行任务，保证在发生故障后及时进行容错控制，实现四旋翼无人飞行器的稳定飞行；

基于自抗扰控制的飞行器容错控制结构的控制方法，包括以下步骤：

步骤S1：构建带执行机构故障描述的动力学模型，具体公式如下所示：

公式(1)中，Uk＝diag[u1k u2k u3k u4k]，xk、uk、yk分别为状态变量、控制输入变量、输出变量，Ak、Bk、Ck则为对应的系数矩阵系数， 和vk+1为互不相关的高斯白噪声；

步骤S2：根据所述带执行机构故障描述的动力学模型搭建所述改进卡尔曼滤波模型，改进卡尔曼滤波模型采用两级卡尔曼滤波算法，作为预滤波级，用于估计执行机构故障系数及飞行器状态信息；

所述两级卡尔曼滤波算法具体包括以下步骤：

步骤S21：首先，忽略偏置项，构建一种无偏置滤波器，如下公式所示：

公式(2)中： 为忽略偏置时第k时刻的状态估计值， 为忽略偏置时第k时刻预测k+

1时刻的状态估计值， 为第k+1时刻忽略偏置的状态估计值，Vk+1|k为第k时刻预测k+1时刻的偏置补偿系数，由耦合方程计算得出， 为滤波增益， 为第k时刻的故障系数估计值；

步骤S22：考虑偏置，构造一种偏置滤波器来补偿所述无偏置滤波器，从而重建原始的系统状态，如下公式所示：公式(3)中， 为第k+1时刻的补偿滤波增益， 为第k时刻预测k+1时刻的补偿滤波协方差，Hk+1|k为当前状态到测量的转换矩阵，由耦合方程所计算得到， 为第k+1时刻的补偿滤波协方差， 为忽略偏置时第k时刻预测k+1时刻的误差协方差，Rk+1为噪声协方差；

步骤S23：根据所述无偏置滤波器和所述偏置滤波器进行线性组合得到最优状态估计，原始状态估计值和误差协方差矩阵通过补偿得到，如下公式所示：公式(4)中， 为第k+1时刻的状态估计值，Vk+1|k+1为第k+1时刻的偏置补偿系数，由耦合方程计算得出，Pk+1|k+1为第k+1时刻的误差协方差， 为第k+1时刻的故障系数估计值， 为忽略偏置时第k+1时刻的误差协方差；

步骤S3：所述观测模型根据所述改进卡尔曼滤波模型估计出的故障系数bk与系统状态估计系统总扰动，所述观测模型根据如下公式描述：公式(5)中，bk为所述改进卡尔曼滤波模型估计的故障系数，为所述改进卡尔曼滤波模型估计的系统状态，β1为所述观测模型的可调观测增益一、β2为所述观测模型的可调观测增益二、β3为所述观测模型的可调观测增益三，z1为 的观测值，z2为 导数的观测值，z3为总扰动的观测值；

步骤S4：根据所述改进卡尔曼滤波模型估计出的故障系数bk以及所述观测模型观测出的z1，z2和z3设计所述总控制模型，所述总控制模型有六个回路：X、Y、Z三个位置回路以及俯仰角、偏航角和横滚角三个姿态回路，对每个回路都采用自抗扰控制器，根据故障系数bk实时调整自抗扰控制器中的参数b0；

步骤S5：根据观测模型输出的z1，z2和z3与改进卡尔曼滤波模型估计出的故障系数bk设计所述自抗扰控制器，用于计算所述飞行控制指令U，具体公式如下所示：公式(6)中，u0为总扰动补偿前的飞行控制指令，v为设定的飞行轨迹信号，kp为可调比例系数，kd为可调微分系数；

所述飞行控制指令U输入给带执行机构故障描述的四旋翼无人飞行器动力学模型以实现设定的飞行任务，保证在发生故障后及时进行容错控制，实现四旋翼无人飞行器的稳定飞行。