CN102880055B - 基于预测模型的高超声速飞行器神经网络控制方法 - Google Patents

基于预测模型的高超声速飞行器神经网络控制方法 Download PDF

Info

Publication number
CN102880055B
CN102880055B CN201210375645.4A CN201210375645A CN102880055B CN 102880055 B CN102880055 B CN 102880055B CN 201210375645 A CN201210375645 A CN 201210375645A CN 102880055 B CN102880055 B CN 102880055B
Authority
CN
China
Prior art keywords
neural network
centerdot
omega
gamma
sin
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201210375645.4A
Other languages
English (en)
Other versions
CN102880055A (zh
Inventor
许斌
史忠科
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201210375645.4A priority Critical patent/CN102880055B/zh
Publication of CN102880055A publication Critical patent/CN102880055A/zh
Application granted granted Critical
Publication of CN102880055B publication Critical patent/CN102880055B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于预测模型的高超声速飞行器神经网络控制方法,属于飞行器控制领域,用于解决现有的高超声速飞行器离散自适应控制难以工程实现的技术问题。该方法首先通过合理假设得到高度子系统的严格反馈形式,进一步通过欧拉法建立原有系统的离散形式;通过不断的向前预测,建立原系统的四步预测模型,该模型只包含一个等式,给出了未来时刻高度输出与当前系统状态和控制输入的关系;控制器采用集总标称设计和误差反馈,并利用神经网络对集总不确定部分进行估计补偿;本发明结合计算机控制的特点,建立离散预测模型,无需设计虚拟控制量,并且仅需一个神经网络,适于工程应用。

Description

基于预测模型的高超声速飞行器神经网络控制方法
技术领域
本发明涉及一种高超声飞行器控制方法,特别是涉及一种基于预测模型的高超声速飞行器神经网络控制方法,属于飞行器控制领域。
背景技术
高超声速飞行器由于其突出的飞行能力,使得全球实时打击成为可能,因此受到国内外的广泛关注;NASA X-43A试飞成功证实了这项技术的可行性;受自身复杂动力学特性的影响以及机体发动机一体化设计,高超声速飞行器弹性机体、推进系统以及结构动态之间的耦合更强,模型的非线性度也更高;此外,受飞行高度、马赫数和飞行条件影响,飞行器对外界条件非常敏感。
针对高超声速飞行器的控制大都集中在连续域内;随着计算机技术的发展,未来高超声速飞行器的控制系统需要使用计算机完成,因此研究高超声速飞行器的离散自适应控制具有重要的意义;离散控制器的设计通常可采用两种方法:1)根据连续控制对象设计控制器,然后将连续的控制器离散化;2)直接根据离散化的控制对象设计离散控制器;第1种方法需要较快的采样速率,对系统的硬件提出了很高的要求;基于离散化对象进行设计的控制器,便于对神经网络的权值收敛性进行分析,并且系统的性能不依赖于采样速率。
《Adaptive Discrete-time Controller Design with Neural Network for HypersonicFlight Vehicle via Back-stepping》(Xu Bin,Sun Fuchun,Yang Chenguang,Gao Daoxiang,Ren Jianxin,《International Journal of Control》,2011年第84卷第9期)一文将高度子系统转化为一个四阶模型,通过设计虚拟控制量(航迹角、俯仰角以及俯仰角速度)分别实现对高度、航迹角和俯仰角的控制,最后利用舵偏角控制俯仰角速度;该方法对所需未来时刻的虚拟控制量采用神经网络进行预估,并且需要四步实现高度控制,设计过程复杂,不利于工程实现。
发明内容
为克服现有技术在高超声速飞行器离散自适应控制难以工程实现的不足,本发明提出了一种基于预测模型的高超声速飞行器神经网络控制方法,该方法通过对已有的高超声速飞行器离散欧拉模型进行变换,得到预测模型,仅包含一个等式;控制器采用标称方法,同时考虑系统的集总不确定性,仅需一个神经网络进行逼近,控制器设计简单,便于工程实现。
本发明解决其技术问题采用的技术方案是:一种基于预测模型的高超声速飞行器神经网络控制方法,通过以下步骤实现:
(a)考虑高超声速飞行器纵向通道动力学模型:
V · = T cos α - D m - μ sin γ r 2 - - - ( 1 )
h · = V sin γ - - - ( 2 )
γ · = L + T sin α mV - μ - V 2 r cos γ V r 2 - - - ( 3 )
α · = q - γ · - - - ( 4 )
q · = M yy I yy - - - ( 5 )
该模型由五个状态变量xs=[V,h,α,γ,q]T和两个控制输入Uc=[δe,β]T组成;其中,V表示速度,γ表示航迹倾角,h表示高度,α表示攻角,q表示俯仰角速度,δe是舵偏角,β为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
(b)定义X=[x1,x2,x3,x4]T,其中x1=h,x2=γ,x3=θ,x4=q,θ=α+γ;因为γ非常小,取sinγ≈γ;考虑到T sinα远小于L,在控制器设计过程中近似忽略;
高度子系统(2)-(5)写成以下严格反馈形式:
x · 1 = V sin x 2 ≈ V x 2 = f 1 ( x 1 ) + g 1 ( x 1 ) x 2
x · 2 = f 2 ( x 1 , x 2 ) + g 2 ( x 1 , x 2 ) x 3
x · 3 = f 3 ( x 1 , x 2 , x 3 ) + g 3 ( x 1 , x 2 , x 3 ) x 4
x · 4 = f 4 ( x 1 , x 2 , x 3 , x 4 ) + g 4 ( x 1 , x 2 , x 3 , x 4 ) u A
uAe
速度子系统(1)写为如下形式:
V · = f V + g V u V
uV
其中fi,gi,i=1,2,3,4,V是根据(1)-(5)得到的未知项,分为标称值fiN,giN与不确定性Δfi,Δgi
(c)考虑采样时间Ts非常小,通过欧拉近似法得到高度子系统离散模型:
xi(k+1)=xi(k)+Ts[fi(k)+gi(k)xi+1(k)]
                                                (6)
x4(k+1)=x4(k)+Ts[f4(k)+g4(k)uA(k)]
其中i=1,2,3;
通过欧拉近似法建立速度子系统的离散模型:
V(k+1)=V(k)+Ts[fV(k)+gV(k)uV(k)]
进一步建立系统(6)的预测模型(7):
x1(k+4)=fA(k)+gA(k)uA(k)        (7)
其中
f A ( k ) = x 1 ( k + 3 ) + T s f 1 ( k + 3 ) + T s g 1 ( k + 3 ) x 2 ( k + 2 )
+ T s 2 g 1 ( k + 3 ) f 2 ( k + 2 ) + T s 2 g 1 ( k + 3 ) g 2 ( k + 2 ) x 3 ( k + 1 )
+ T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) f 3 ( k + 1 ) + T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) x 4 ( k )
+ T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) f 4 ( k )
g A ( k ) = T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) g 4 ( k )
相应的标称值记为:fAN(k)和gAN(k);
(d)在动力学参数未知情况下,采用神经网络对系统不确定部分进行估计,按照标称值设计控制器;
定义误差zA(k)=x1(k)-x1d(k);不确定项 U A ( k ) = f AN ( k ) - x 1 d ( k + 4 ) g AN ( k ) - f AN ( k ) - x 1 d ( k + 4 ) g A ( k ) ; 这里x1d(k)和x1d(k+4)分别为高度参考指令在k和k+4时刻的值;
定义θA(k)=[XT(k),x1d(k+4)]T,采用神经网络对UA(k)进行估计,得到 U ^ A ( k ) = ω ^ A T ( k ) S A ( θ A ( k ) )
其中为神经网络权重向量的估计值,SA(·)神经网络基函数向量;
设计控制器
u A ( k ) = x 1 d ( k + 4 ) - f AN ( k ) + C A z A ( k ) g AN ( k ) + ω ^ A T ( k ) S A ( θ A ( k ) )
 其中0<CA<1为误差比例系数;
神经网络权重自适应更新律为:
&omega; ^ A ( k + 1 ) = &omega; ^ A ( k A ) - &lambda; A z A ( k + 1 ) S A ( &theta; A ( k A ) ) - &delta; A &omega; ^ A ( k A )
其中λA>0,0<δA<1,kA=k-3;
针对速度子系统,定义θV(k)=[V(k),XT(k),Vd(k+1)]T,zV(k)=V(k)-Vd(k), F V C ( X s ( k ) ) = V ( k ) + T s f V ( k ) , G V C ( X s ( k ) ) = T s g V ( k ) ;
设计控制器
u V ( k ) = V d ( k + 1 ) + C V z V ( k ) - F VN C ( X s ( k ) ) G VN C ( X s ( k ) ) + &omega; ^ V T ( k ) S V ( &theta; V ( k ) )
其中0<CV<1为误差比例系数, F VN C ( X s ( k ) ) , G VN C ( X s ( k ) ) F V C ( X s ( k ) ) G V C ( X s ( k ) ) 的标称值,为神经网络权重向量的估计值,SV(·)神经网络基函数向量;
神经网络权重自适应更新律为:
&omega; ^ V ( k + 1 ) = &omega; ^ V ( k ) - &lambda; V S V ( &theta; V ( k ) ) z V ( k + 1 ) - &delta; V &omega; ^ V ( k )
其中λV>0,0<δV<1;
(e)根据得到的舵偏角uA(k)和节流阀开度uV(k),返回到高超声速飞行器的动力学模型(1)-(5),对高度和速度进行跟踪控制。
本发明与现有技术相比有益效果为:
(1)本发明充分利用原有系统的分层递阶特点,将原有模型进行转换得到预测模型,有效避免了采用神经网络对未来所需虚拟控制量的逼近;
(2)根据预测模型分析系统的集总不确定性,并确定相应的神经网络变量输入;预测模型形式简单,仅包含一个等式,但包含系统所有的结构信息;
(3)充分考虑模型的结构特点,利用得到的四步预测模型,控制器设计仅需一个神经网络并且不需要反复设计虚拟控制量,易于实现;
(4)控制器设计结合工程需求按照标称系统设计,引入误差比例项用于调节系统的动态特性。
下面结合附图和实施例对本发明作详细说明。
附图说明
图1是本发明基于预测模型的高超声速飞行器神经网络控制方法的流程图。
具体实施方式
参照图1,本发明基于预测模型的高超声速飞行器神经网络控制方法通过以下步骤实现:
(a)考虑公式组(1)-(5)的高超声速飞行器纵向通道动力学模型
V &CenterDot; = T cos &alpha; - D m - &mu; sin &gamma; r 2 - - - ( 1 )
h &CenterDot; = V sin &gamma; - - - ( 2 )
&gamma; &CenterDot; = L + T sin &alpha; mV - &mu; - V 2 r cos &gamma; V r 2 - - - ( 3 )
&alpha; &CenterDot; = q - &gamma; &CenterDot; - - - ( 4 )
q &CenterDot; = M yy I yy - - - ( 5 )
该模型由五个状态变量Xs=[V,h,α,γ,q]T和两个控制输入Uc=[δe,β]T组成;其中,V表示速度,γ表示航迹倾角,h表示高度,α表示攻角,q表示俯仰角速度,δe是舵偏角,β为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
相关的力矩及参数定义如下:
q &OverBar; = 1 2 &rho; V 2 , L = q &OverBar; SC L , D = q &OverBar; SC D , T = q &OverBar; SC T ,
M yy = q &OverBar; S c &OverBar; ( C M ( &alpha; ) + C M ( q ) + C M ( &delta; e ) ) , CL=0.6203α,
CD=0.6450α2+0.0043378α+0.003772,
CM(α)=-0.035α2+0.036617α+5.3261×10-6
C M ( q ) = ( q c &OverBar; / 2 V ) &times; ( - 6.796 &alpha; 2 + 0.3015 &alpha; - 0.2289 )
CMe)=0.0292(δe-α)
其中表示动压,ρ表示空气密度,Ci(j),i=D,L,M,T,j=α,β,q,δe表示j对i的系数,表示平均气动弦长,S表示气动参考面积;
(b)为便于设计,定义X=[x1,x2,x3,x4]T,其中x1=h,x2=γ,x3=θ,x4=q,θ=α+γ;因为γ非常小,取sinγ≈γ;考虑到T sinα远小于L,在控制器设计过程中近似忽略;高度子系统(2)-(5)写成以下严格反馈形式:
x &CenterDot; 1 = V sin x 2 &ap; V x 2 = f 1 ( x 1 ) + g 1 ( x 1 ) x 2
x &CenterDot; 2 = f 2 ( x 1 , x 2 ) + g 2 ( x 1 , x 2 ) x 3
x &CenterDot; 3 = f 3 ( x 1 , x 2 , x 3 ) + g 3 ( x 1 , x 2 , x 3 ) x 4
x &CenterDot; 4 = f 4 ( x 1 , x 2 , x 3 , x 4 ) + g 4 ( x 1 , x 2 , x 3 , x 4 ) u A
uAe
其中f1=0,g1=V, f 2 = - ( &mu; - V 2 r ) cos &gamma; / ( V r 2 ) - 0.6203 q &OverBar; S&gamma; / ( mV ) , g 2 = 0.6203 q &OverBar; S / ( mV ) ,
f3=0,g3=1, f 4 = q &OverBar; S c &OverBar; [ C M ( &alpha; ) + C M ( q ) - 0.0292 &alpha; ] / I yy , g 4 = 0.0292 q &OverBar; S c &OverBar; / I yy ;
速度子系统(1)写成如下形式:
V &CenterDot; = f V + g V u V
uV
其中 f V = - ( D m + &mu; sin &gamma; r 2 ) &beta; < 1 - ( D m + &mu; sin &gamma; r 2 ) + 0.0224 q &OverBar; S cos &alpha; m &beta; &GreaterEqual; 1 , g V = q &OverBar; S &times; 0.02576 cos &alpha; m &beta; < 1 q &OverBar; S &times; 0.00336 cos &alpha; m &beta; &GreaterEqual; 1 ;
这里fi,gi,i=1,2,3,4,V是根据(1)-(5)得到的未知项,分为标称值fiN,giN与不确定性Δfi,Δgi
(c)考虑采样时间Ts非常小,通过欧拉近似法得到速度子系统的一步预测模型:
V(k+1)=V(k)+Ts[fV(k)+gV(k)uV(k)]
和高度子系统的一步预测离散模型
xi(k+1)=xi(k)+Ts[fi(k)+gi(k)xi+1(k)],i=1,2,3      (6)
x4(k+1)=x4(k)+Ts[f4(k)+g4(k)uA(k)]
对i=1,2,3,进行两步预测得到
xi(k+2)=xi(k+1)+Ts[fi(k+1)+gi(k+1)xi+1(k+1)]
对i=1,2,进行三步预测得到
xi(k+3)=xi(k+2)+Ts[fi(k+2)+gi(k+2)xi+1(k+2)]
对i=1,进行四步预测得到
xi(k+4)=xi(k+3)+Ts[fi(k+3)+gi(k+3)xi+1(k+3)]
仅x4(k+1)、x3(k+2)、x2(k+3)和x1(k+4)依赖于uA(k)和当前的系统状态X(k);
至此得到新的高度子系统离散化形式
x1(k+4)=x1(k+3)+Ts[f1(k+3)+g1(k+3)x2(k+3)]
x2(k+3)=x2(k+2)+Ts[f2(k+2)+g2(k+2)x3(k+2)]
x3(k+2)=x3(k+1)+Ts[f3(k+1)+g3(k+1)x4(k+1)]
x4(k+1)=x4(k)+Ts[f4(k)+g4(k)uA(k)]
进一步将xi(k+1),i=1,2,3,4;xj(k+2),j=1,2,3;xl(k+3),l=1,2的表达代入下式x1(k+4)=x1(k+3)+Ts[f1(k+3)+g1(k+3)x2(k+3)]
可得高度子系统的四步预测模型(7):
x1(k+4)=fA(k)+gA(k)uA(k)         (7)
其中
f A ( k ) = x 1 ( k + 3 ) + T s f 1 ( k + 3 ) + T s g 1 ( k + 3 ) x 2 ( k + 2 )
+ T s 2 g 1 ( k + 3 ) f 2 ( k + 2 ) + T s 2 g 1 ( k + 3 ) g 2 ( k + 2 ) x 3 ( k + 1 ) (8)
+ T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) f 3 ( k + 1 ) + T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) x 4 ( k )
+ T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) f 4 ( k )
g A ( k ) = T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) g 4 ( k ) - - - ( 9 )
根据标称值fiN(k)和giN(k),i=1,2,3,4结合式(8)和(9)可得四步预测模型中fA(k)和gA(k)的标称值,记为:fAN(k)和gAN(k);
(d)在动力学参数未知情况下,采用神经网络对系统不确定部分进行估计,按照标称值设计控制器;
定义误差zA(k)=x1(k)-x1d(k);不确定项 U A ( k ) = f AN ( k ) - x 1 d ( k + 4 ) g AN ( k ) - f AN ( k ) - x 1 d ( k + 4 ) g A ( k ) ; 这里x1d(k)和x1d(k+4)分别为高度参考指令在k和k+4时刻的值;
定义θA(k)=[XT(k),x1d(k+4)]T,采用神经网络对UA(k)进行估计,得到 U ^ A ( k ) = &omega; ^ A T ( k ) S A ( &theta; A ( k ) )
其中为神经网络权重向量的估计值,SA(·)神经网络基函数向量;
设计控制器
u A ( k ) = x 1 d ( k + 4 ) - f AN ( k ) + C A z A ( k ) g AN ( k ) + &omega; ^ A T ( k ) S A ( &theta; A ( k ) )
其中0<CA<1为误差比例系数;
神经网络权重自适应更新律为:
&omega; ^ A ( k + 1 ) = &omega; ^ A ( k A ) - &lambda; A z A ( k + 1 ) S A ( &theta; A ( k A ) ) - &delta; A &omega; ^ A ( k A )
其中λA>0,0<δA<1,kA=k-3;
针对速度子系统,定义θV(k)=[V(k),XT(k),Vd(k+1)]T,zV(k)=V(k)-Vd(k), F V C = ( X s ( k ) ) = V ( k ) + T s f V ( k ) , G V C ( X s ( k ) ) = T s g V ( k ) ;
定义不确定项
U V ( k ) = F VN C ( X s ( k ) ) - V d ( k + 1 ) G VN C ( X s ( k ) ) - F V C ( X s ( k ) ) - V d ( k + 1 ) G V C ( X s ( k ) )
这里, F VN C ( X s ( k ) ) , G VN C ( X s ( k ) ) F V C ( X s ( k ) ) G V C ( X s ( k ) ) 的标称值,可根据标称值fVN(k)和gVN(k)计算得到;
采用神经网络对其进行估计:
U ^ V ( k ) = &omega; ^ V T ( k ) S V ( &theta; V ( k ) )
其中,为神经网络权重向量的估计值,SV(·)神经网络基函数向量;
设计控制器
u V ( k ) = V d ( k + 1 ) + C V z V ( k ) - F VN C ( X s ( k ) ) G VN C ( X s ( k ) ) + &omega; ^ V T ( k ) S V ( &theta; V ( k ) )
其中0<CV<1为误差比例系数;
神经网络权重自适应更新律为:
&omega; ^ V ( k + 1 ) = &omega; ^ V ( k ) - &lambda; V S V ( &theta; V ( k ) ) z V ( k + 1 ) - &delta; V &omega; ^ V ( k )
其中λV>0,0<δV<1;
(e)根据得到的舵偏角uA(k)和节流阀开度uV(k),返回到高超声速飞行器的动力学模型(1)-(5),对高度和速度进行跟踪。
本发明未详细说明部分属于领域技术人员公知常识。

Claims (1)

1.一种基于预测模型的高超声速飞行器神经网络控制方法,通过以下步骤实现:
(a)考虑高超声速飞行器纵向通道动力学模型:
V &CenterDot; = T cos &alpha; - D m - &mu; sin &gamma; r 2 - - - ( 1 )
h &CenterDot; = V sin &gamma; - - - ( 2 )
&gamma; &CenterDot; = L + T sin &alpha; mV - &mu; - V 2 r cos &gamma; V r 2 - - - ( 3 )
&alpha; &CenterDot; = q - &gamma; &CenterDot; - - - ( 4 )
q &CenterDot; = M yy I yy - - - ( 5 )
该模型由五个状态变量Xs=[V,h,α,γ,q]T和两个控制输入Uc=[δe,β]T组成;其中,V表示速度,γ表示航迹倾角,h表示高度,α表示攻角,q表示俯仰角速度,δe是舵偏角,β为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
(b)定义X=[x1,x2,x3,x4]T,其中x1=h,x2=γ,x3=θ,x4=q,θ=α+γ;因为γ非常小,取sinγ≈γ;考虑到Tsinα远小于L,在控制器设计过程中近似忽略;
高度子系统(2)-(5)写成以下严格反馈形式:
x &CenterDot; 1 = V sin x 2 &ap; V x 2 = f 1 ( x 1 ) + g 1 ( x 1 ) x 2
x &CenterDot; 2 = f 2 ( x 1 , x 2 ) + g 2 ( x 1 , x 2 ) x 3
x &CenterDot; 3 = f 3 ( x 1 , x 2 , x 3 ) + g 3 ( x 1 , x 2 , x 3 ) x 4
x &CenterDot; 4 = f 4 ( x 1 , x 2 , x 3 , x 4 ) + g 4 ( x 1 , x 2 , x 3 , x 4 ) u A
uA=δe
速度子系统(1)写为如下形式:
V &CenterDot; = f V + g V u V
uV=β
其中fi,gi,i=1,2,3,4,V是根据(1)-(5)得到的未知项,分为标称值fiN,giN与不确定性Δfi,Δgi
(c)考虑采样时间Ts非常小,通过欧拉近似法得到高度子系统离散模型:
xi(k+1)=xi(k)+Ts[fi(k)+gi(k)xi+1(k)]
                                                     (6)
x4(k+1)=x4(k)+Ts[f4(k)+g4(k)uA(k)]
其中i=1,2,3;
通过欧拉近似法建立速度子系统的离散模型:
V(k+1)=V(k)+Ts[fV(k)+gV(k)uV(k)]
进一步建立系统(6)的预测模型(7):
x1(k+4)=fA(k)+gA(k)uA(k)    (7)
其中
f A ( k ) = x 1 ( k + 3 ) + T s f 1 ( k + 3 ) + T s g 1 ( k + 3 ) x 2 ( k + 2 )
+ T s 2 g 1 ( k + 3 ) f 2 ( k + 2 ) + T s 2 g 1 ( k + 3 ) g 2 ( k + 2 ) x 3 ( k + 1 )
+ T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) f 3 ( k + 1 ) + T s 3 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) x 4 ( k )
+ T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) f 4 ( k )
g A ( k ) = T s 4 g 1 ( k + 3 ) g 2 ( k + 2 ) g 3 ( k + 1 ) g 4 ( k )
相应的标称值记为:fAN(k)和gAN(k);
(d)在动力学参数未知情况下,采用神经网络对系统不确定部分进行估计,按照标称值设计控制器;
定义误差ZA(k)=x1(k)-x1d(k);不确定项 U A ( k ) = f AN ( k ) - x 1 d ( k + 4 ) g AN ( k ) - f AN ( k ) - x 1 d ( k + 4 ) g A ( k ) ; 这里x1d(k)和x1d(k+4)分别为高度参考指令在k和k+4时刻的值;
定义θA(k)=[XT(k),x1d(k+4)]T,采用神经网络对UA(k)进行估计,得到 U ^ A ( K ) = &omega; ^ A T ( k ) S A ( &theta; A ( k ) )
其中为神经网络权重向量的估计值,SA(·)神经网络基函数向量;设计控制器
u A ( k ) = x 1 d ( k + 4 ) - f AN ( k ) + C A z A ( k ) g AN ( k ) + &omega; ^ A T ( k ) S A ( &theta; A ( k ) )
其中0<CA<1为误差比例系数;
神经网络权重自适应更新律为:
&omega; ^ A ( k + 1 ) = &omega; ^ A ( k A ) - &lambda; A z A ( k + 1 ) S A ( &theta; A ( k A ) ) - &delta; A &omega; ^ A ( k A )
其中λA>0,0<δA<1,kA=k-3;
针对速度子系统,定义θV(k)=[V(k),XT(k),Vd(k+1)]T,zV(k)=V(k)-Vd(k), F V C ( X s ( k ) ) = V ( k ) + T s f V ( k ) , G V C ( X s ( k ) ) = T s g V ( k ) ;
设计控制器
u V ( k ) = V d ( k + 1 ) + C V z V ( k ) - F VN C ( X s ( k ) ) G VN C ( X s ( k ) ) + &omega; ^ V T ( k ) S V ( &theta; V ( k ) )
其中0<CV<1为误差比例系数, 的标称值,为神经网络权重向量的估计值,SV(·)神经网络基函数向量;
神经网络权重自适应更新律为:
&omega; ^ V ( k + 1 ) = &omega; ^ V ( k ) - &lambda; V S V ( &theta; V ( k ) ) z V ( k + 1 ) - &delta; V &omega; ^ V ( k )
其中λV>0,0<δV<1;
(e)根据得到的舵偏角uA(k)和节流阀开度uV(k),返回到高超声速飞行器的动力学模型(1)-(5),对高度和速度进行跟踪控制。
CN201210375645.4A 2012-09-29 2012-09-29 基于预测模型的高超声速飞行器神经网络控制方法 Expired - Fee Related CN102880055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210375645.4A CN102880055B (zh) 2012-09-29 2012-09-29 基于预测模型的高超声速飞行器神经网络控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210375645.4A CN102880055B (zh) 2012-09-29 2012-09-29 基于预测模型的高超声速飞行器神经网络控制方法

Publications (2)

Publication Number Publication Date
CN102880055A CN102880055A (zh) 2013-01-16
CN102880055B true CN102880055B (zh) 2014-11-26

Family

ID=47481429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210375645.4A Expired - Fee Related CN102880055B (zh) 2012-09-29 2012-09-29 基于预测模型的高超声速飞行器神经网络控制方法

Country Status (1)

Country Link
CN (1) CN102880055B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107390523B (zh) * 2017-07-13 2020-07-14 西北工业大学 空间绳系复合体系统的自适应神经网络动态面控制器
CN107632518B (zh) * 2017-09-05 2019-10-18 西北工业大学 基于高增益观测器的高超声速飞行器神经网络复合学习控制方法
CN107450323B (zh) * 2017-09-05 2019-10-18 西北工业大学 高超声速飞行器再入段神经网络复合学习控制方法
CN107479384B (zh) * 2017-09-05 2019-10-22 西北工业大学 高超声速飞行器神经网络复合学习非反步控制方法
CN107450324B (zh) * 2017-09-05 2019-10-22 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107390531B (zh) * 2017-09-05 2019-10-18 西北工业大学 参数学习有限时间收敛的高超声速飞行器控制方法
CN107479382B (zh) * 2017-09-05 2019-10-22 西北工业大学 基于在线数据学习的高超声速飞行器神经网络控制方法
CN107526296B (zh) * 2017-09-05 2019-10-18 西北工业大学 基于预测建模的高超声速飞行器神经网络学习控制方法
CN107479383B (zh) * 2017-09-05 2019-10-22 西北工业大学 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN108919651B (zh) * 2018-09-26 2020-09-01 北京航空航天大学 一种考虑执行器输入约束的高超声速飞行器自适应容错控制方法
CN110376887B (zh) * 2019-07-11 2022-03-29 西北工业大学 基于时变滑模增益的飞行器离散滑模智能控制方法
CN111580560B (zh) * 2020-05-29 2022-05-13 中国科学技术大学 一种基于深度模仿学习的无人直升机自主特技飞行方法
CN111679583B (zh) * 2020-06-21 2021-04-20 西北工业大学 基于气动参数估计的变体飞行器自适应控制方法
CN117891269B (zh) * 2024-03-14 2024-05-10 中国人民解放军国防科技大学 一种飞行器时间协同中段导航控制方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937233A (zh) * 2010-08-10 2011-01-05 南京航空航天大学 近空间高超声速飞行器非线性自适应控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101937233A (zh) * 2010-08-10 2011-01-05 南京航空航天大学 近空间高超声速飞行器非线性自适应控制方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
Adaptive Hypersonic Flight Control via Back-stepping and Kriging Estimation;Bin Xu 等;《2011 IEEE International Conference on 2011 IEEE International Conference on 2011 IEEE International Conference on Digital Object Identifier》;20111231;第1603-1608页 *
Bin Xu 等.Adaptive Hypersonic Flight Control via Back-stepping and Kriging Estimation.《2011 IEEE International Conference on 2011 IEEE International Conference on 2011 IEEE International Conference on Digital Object Identifier》.2011, *
Qin Weiwei 等.Robust Model Predictive Control for Hypersonic Vehicle Based on LPV.《Proceedings of the 2010 IEEE International Conference on Information and Automation》.2010, *
Robust Model Predictive Control for Hypersonic Vehicle Based on LPV;Qin Weiwei 等;《Proceedings of the 2010 IEEE International Conference on Information and Automation》;20100630;第1012-1017页 *
朱云骥 等.高超声速飞行器飞行特性和控制的若干问题.《飞行力学》.2005,第23卷(第3期), *
高超声速飞行器基于Back-stepping的离散控制器设计;高道祥 等;《控制与决策》;20090331;第24卷(第3期);第459-467页 *
高超声速飞行器飞行特性和控制的若干问题;朱云骥 等;《飞行力学》;20050930;第23卷(第3期);第5-8页 *
高道祥 等.高超声速飞行器基于Back-stepping的离散控制器设计.《控制与决策》.2009,第24卷(第3期), *

Also Published As

Publication number Publication date
CN102880055A (zh) 2013-01-16

Similar Documents

Publication Publication Date Title
CN102880055B (zh) 基于预测模型的高超声速飞行器神经网络控制方法
CN102880053B (zh) 基于预测模型的高超声速飞行器滑模控制方法
CN102880052B (zh) 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN102866635B (zh) 基于等价模型的高超声速飞行器离散神经网络自适应控制方法
CN107450324B (zh) 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN107942651B (zh) 一种近空间飞行器控制系统
CN107479383B (zh) 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
CN102880056B (zh) 基于等价模型的高超声速飞行器离散滑模控制方法
CN107390531B (zh) 参数学习有限时间收敛的高超声速飞行器控制方法
CN109614633A (zh) 一种复合式旋翼飞行器非线性建模方法及配平方法
CN107526296B (zh) 基于预测建模的高超声速飞行器神经网络学习控制方法
CN110568765A (zh) 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法
CN108828957A (zh) 基于切换机制的飞行器全局有限时间神经网络控制方法
CN110456636B (zh) 基于不确定性上界估计的飞行器离散滑模自适应控制方法
Yang et al. Transonic flutter suppression for a three-dimensional elastic wing via active disturbance rejection control
CN106527128B (zh) 兼顾瞬态响应与鲁棒稳定性的飞行控制律设计方法
CN103412485A (zh) 基于滚动优化策略的刚体航天器姿态机动路径规划方法
CN106091817B (zh) 末制导段的标控脱靶量解析制导方法
Wang et al. Intelligent control of air-breathing hypersonic vehicles subject to path and angle-of-attack constraints
CN115659748A (zh) 一种基于cfd技术的飞行器姿态控制律设计方法
CN110376887B (zh) 基于时变滑模增益的飞行器离散滑模智能控制方法
Cayon et al. Fast Aeroelastic Model of a Leading-Edge Inflatable Kite
CN102880174B (zh) 基于预测模型的高超声速飞行器克里格控制方法
CN102880054B (zh) 基于等价模型的高超声速飞行器克里格控制方法
CN104571100A (zh) 一种非最小相位高超声速飞行器控制方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20141126

CF01 Termination of patent right due to non-payment of annual fee