CN105785762B - 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 - Google Patents
一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 Download PDFInfo
- Publication number
- CN105785762B CN105785762B CN201610152486.XA CN201610152486A CN105785762B CN 105785762 B CN105785762 B CN 105785762B CN 201610152486 A CN201610152486 A CN 201610152486A CN 105785762 B CN105785762 B CN 105785762B
- Authority
- CN
- China
- Prior art keywords
- sliding mode
- neural network
- control
- self
- stabilized platform
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Abstract
一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法,涉及基于辅助积分滑模面的反步滑模控制和自适应神经网络构建与优化的复合控制器设计。首先,根据两轴惯性稳定平台动力学模型,设计基于辅助积分滑模面的反步滑模控制方法,通过状态误差信息产生控制命令,实现对动力学模型参数不确定性和干扰的抑制;其次,构建自适应神经网络,基于误差信息构建自适应神经网络权值更新矩阵来在线更新神经网络的权值矩阵,实时估计干扰误差上界,实现复杂环境下的两轴惯性稳定平台高精度控制。本发明具有实时性好、动态参数响应快、对多源干扰适应性强等优点,可用于两轴惯性稳定平台在复杂多源干扰环境下的高精度控制等。
Description
技术领域
本发明涉及一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法,适用于航空测绘稳定平台高精度控制领域。
背景技术
两轴吊舱平台通过基座固连于飞行载体,支撑并稳定遥感载荷,隔离飞行载体非理想姿态运动对遥感载荷视轴的影响来提高遥感载荷的成像质量,具有广泛的应用前景。
作为复杂的多框架耦合系统,两轴惯性稳定平台具有非线性、强耦合、控制难度高等特性。并且两轴惯性稳定平台在飞行过程中存在风扰、飞机发动机振动引起的基座角运动干扰、平台质心和运动成像载荷转轴中心不重合引起的不平衡力矩、稳定平台本身机械和电气构造不完善导致的耦合力矩和摩擦干扰力矩、陀螺和加计测量误差系统内扰,因此,两轴惯性稳定平台在扰动下的高精度控制是测绘系统的关键技术之一。
为提高性能,智能PID控制方法、鲁棒控制、智能控制方法等各类控制方法被用于两轴惯性稳定平台的高精度控制。智能PID控制器结构简单,但抗干扰能力差,两轴稳定平台的控制性能很容易受到外界干扰影响而降低。鲁棒控制可以较好地消除两轴惯性稳定平台在飞行过程中存在的模型参数不精确和外界干扰问题,但鲁棒控制具有实时性较差、动态参数响应慢的特性。通过大量的样本训练,神经网络可以实现非线性自适应控制,克服两轴惯性稳定平台所具有的模型不确定性,以及存在多源干扰等问题,实现高精度的姿态控制,但传统的神经网络需要大量的样本数据进行训练,具有实时性差的缺点。
发明内容
本发明解决的技术问题是:两轴惯性稳定平台在执行任务时控制性能容易受到外界干扰影响的问题,提出一种基于自适应反步滑模的复合控制算法,通过基于辅助积分滑模面的反步滑模控制构建控制器,产生控制指令,并构建自适应神经网络对两轴惯性稳定平台工作过程中的多源干扰进行估计并抑制,实现两轴惯性稳定平台高精度控制。
本发明的技术解决方案为:首先针对两轴惯性稳定平台建立动力学模型,通过基于辅助积分滑模面的反步滑模控制处理平台系统的非线性、时变、多干扰问题;其次,构建自适应神经网络,估计系统干扰上界,通过李雅普诺夫稳定性理论更新自适应神经网络权值和估计误差,解决滑模控制带来的抖振问题。其实现步骤如下:
(1)针对两轴惯性稳定平台动力学模型,
其中,ζ=p时表示俯仰通道,ζ=a时表示方位通道, 分别为俯仰姿态角、俯仰角速率、方位姿态角、方位角速率,fζ为平台动力学模型中的非线性函数,uζ为控制电压,bζ平台状态模型中电机控制的系数,gζdζ为系统干扰;
设计基于辅助积分滑模面的反步滑模控制方法,通过状态误差信息产生控制命令,实现对动力学模型参数不确定性和干扰的抑制;基于辅助积分滑模面的反步滑模控制方法的控制命令uζ、积分滑模面函数sζ和辅助积分滑模面函数sζc分别为:
其中,δζ≥|gζdζ|为系统干扰上界估计常值,x2ζd为通过反步控制产生的虚拟角速率指令,
其中,k1ζ、k2ζ是常值,x1ζd为期望的框架角度,z1ζ为实际角位置状态x1ζ与期望角位置指令x1ζd的误差,z2ζ为实际角速率状态x2ζ与虚拟角速率指令x2ζd的误差,定义如下
z1ζ=x1ζ-x1ζd
z2ζ=x2ζ-x2ζd
其中,x1ζ为实际框架角位置测量值,x2ζ为实际框架角速度测量值;
(2)针对反步滑模控制抖振对控制精度的影响,设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应神经网络权值更新矩阵来在线更新神经网络的权值矩阵,实时估计干扰误差上界,实现复杂环境下的两轴惯性稳定平台高精度控制;
自适应神经网络权值更新矩阵、自适应神经网络估计误差更新率和系统干扰估计量为:
本发明与现有技术相比的优点在于:
(1)本发明通过反步滑模控制将控制系统分为角位置环和角速率环,构建了虚拟角速率控制律,解决平台的非线性,利用自适应神经网络对模型扰动参数进行估计和抑制,不仅具有结构简单和控制方便的特性,同时具有抗干扰能力强的特点;
(2)本发明在反步滑模控制保证系统稳定的情况下,进一步利用自适应神经网络估计并抑制两轴惯性稳定平台工作过程中所受的扰动,不仅具有结构简单和控制方便的特性,同时控制方法实时性好、动态参数响应快、抗干扰能力强,能够满足两轴惯性稳定平台的高精度控制需求;
(3)本发明仅需要根据两轴惯性稳定平台工作过程中的状态信息,利用李雅普诺夫函数设计自适应神经网络权值更新矩阵,可以在线更新自适应神经网络的权值,不需要任何样本训练,具有数据获取方便、计算简单的优点。
附图说明
图1为两轴惯性稳定平台控制流程;
图2为飞行实验中两轴惯性稳定平台俯仰通道控制效果;
图3为飞行实验中两轴惯性稳定平台方位通道控制效果。
具体实施方式
如图1所示,本发明的具体实现如下
(1)构建基于辅助滑模面的反步滑模控制器
基于Newton-Euler理论,两轴惯性稳定平台的动力学方程表示为
其中,ζ=p时表示俯仰通道,ζ=a时表示方位通道, 分别为俯仰姿态角、俯仰角速率、方位姿态角、方位角速率,fζ为平台动力学模型中的非线性函数,uζ为控制电压,bζ平台状态模型中电机控制的系数,gζdζ为系统干扰。
定义z1ζ为实际角位置状态x1ζ与期望角位置指令x1ζd的误差,z2ζ为实际角速率状态x2ζ与虚拟角速率指令x2ζd的误差,则
z1ζ=x1ζ-x1ζd
z2ζ=x2ζ-x2ζd
基于步进控制方法,通过李雅普诺夫定理产生相应的控制命令为
针对控制律uζ中的gζdζ的不确定性,引入基于辅助积分滑模面的反步滑模控制,提高响应速度和跟踪精度,积分滑模面和辅助积分滑模面的设计如下:
式中k2ζ>0,其决定了状态误差sζ的带宽;且积分滑模面和辅助积分滑模面满足
因此,实际控制律uζ可以设计为:
其中,δζ≥|gζdζ|为系统干扰上界估计常值,当系统角速率环的参数变化或者干扰变得非常大时,δ也会变得很大,因为符号切换函数δsgn(s+sc)的作用,系统会产生抖振现象;
(2)构建自适应神经网络
因为自适应神经网络具有广泛逼近的能力,可以以任意精度逼近非线性函数。为了削弱滑模控制带来的抖振现象,提高控制性能,引入自适应神经网络来在线估计g1d1。
因此,gζdζ可以表示为:
根据李雅普诺夫函数,可以定义自适应神经网络权值更新矩阵、自适应神经网络估计误差更新率和系统干扰估计量为:
其中,γ1ζ和γ2ζ为学习速率;
因此基于反步滑模和自适应神经网络的复合控制律为
根据虚拟控制律x2ζd和实际控制律uζ,两轴惯性稳定平台的姿态角是大范围渐进稳定的,并且滑模面sζ=0和sζc=0是可达的,因此两轴惯性稳定平台的姿态角可以跟踪角位置指令x1ζd。
(5)飞行实例
在飞行过程中,根据无人机和目标的位置关系,平台会被要求做一系列的角度调整,地面的监测中心会对无人机和平台进行实时的监控,某次实验的飞行结果如图2、图3所示。
惯性稳定平台实现了高动态、高精度的控制,俯仰通道的标准差是0.0414度,调节时间为0.6秒,方位通道的标准差是0.0349,调节时间为0.5秒,方位通道的调节速度达到了16度/秒。
本发明基于自适应反步滑模的两轴惯性稳定平台高精度控制方法克服了现有控制方法的不足,可以实现两轴惯性稳定平台在复杂多扰环境下的高精度控制。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (1)
1.一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法,其特征在于实现以下步骤:
(1)针对两轴惯性稳定平台动力学模型,
其中,ζ=p时表示俯仰通道,ζ=a时表示方位通道, 分别为俯仰姿态角、俯仰角速率、方位姿态角、方位角速率,fζ为平台动力学模型中的非线性函数,uζ为控制电压,bζ平台状态模型中电机控制的系数,gζdζ为系统干扰;
设计基于辅助积分滑模面的反步滑模控制方法,通过状态误差信息产生控制命令,实现对动力学模型参数不确定性和干扰的抑制;基于辅助积分滑模面的反步滑模控制方法的控制命令uζ、积分滑模面函数sζ和辅助积分滑模面函数sζc分别为:
其中,δζ≥|gζdζ|为系统干扰上界估计常值,x2ζd为通过反步控制产生的虚拟角速率指令,
其中,k1ζ、k2ζ是常值,x1ζd为期望的框架角度,z1ζ为实际角位置状态x1ζ与期望角位置指令x1ζd的误差,z2ζ为实际角速率状态x2ζ与虚拟角速率指令x2ζd的误差,定义如下
z1ζ=x1ζ-x1ζd
z2ζ=x2ζ-x2ζd
其中,x1ζ为实际框架角位置测量值,x2ζ为实际框架角速度测量值;
(2)针对反步滑模控制抖振对控制精度的影响,设计具有自主更新权值特性的自适应神经网络,基于误差信息构建自适应神经网络权值更新矩阵来在线更新神经网络的权值矩阵,实时估计干扰误差上界,实现复杂环境下的两轴惯性稳定平台高精度控制;
自适应神经网络权值更新矩阵、自适应神经网络估计误差更新率和系统干扰估计量为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152486.XA CN105785762B (zh) | 2016-03-17 | 2016-03-17 | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610152486.XA CN105785762B (zh) | 2016-03-17 | 2016-03-17 | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105785762A CN105785762A (zh) | 2016-07-20 |
CN105785762B true CN105785762B (zh) | 2020-12-11 |
Family
ID=56392984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610152486.XA Active CN105785762B (zh) | 2016-03-17 | 2016-03-17 | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105785762B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109564406B (zh) * | 2016-08-03 | 2021-06-15 | 孟强 | 一种自适应终端滑模控制方法 |
CN106200383B (zh) * | 2016-08-08 | 2019-10-18 | 北京宇鹰科技有限公司 | 一种基于模型参考自适应神经网络的三轴惯性稳定平台控制方法 |
CN106647277B (zh) * | 2017-01-06 | 2019-06-11 | 淮阴工学院 | 弧形微型机电混沌系统的自适应动态面控制方法 |
CN107894713B (zh) * | 2017-10-20 | 2020-11-06 | 东南大学 | 一种无编码传感两轴惯性稳定平台的高精度控制方法 |
CN108363301B (zh) * | 2018-02-11 | 2020-12-18 | 台州学院 | 基于干扰观测滑模变结构的轮廓误差交叉耦合控制方法 |
CN108897225A (zh) * | 2018-08-17 | 2018-11-27 | 广东省智能制造研究所 | 一种精密气悬浮系统的自适应控制方法及系统 |
CN109634116B (zh) * | 2018-09-04 | 2022-03-15 | 贵州大学 | 一种分数阶机械式离心调速器系统的加速自适应稳定方法 |
CN109143869B (zh) * | 2018-10-16 | 2021-07-06 | 沈阳工业大学 | 一种h型平台的递归小波神经网络补偿器的同步控制系统 |
CN110299881B (zh) * | 2019-07-26 | 2021-07-13 | 福州大学 | 一种燃料电池供电的直流双向电机干扰观测与控制方法 |
CN111386029B (zh) * | 2020-02-20 | 2020-12-15 | 哈尔滨工业大学 | 一种双驱运动平台高精度同步控制方法及系统 |
CN112286229A (zh) * | 2020-10-22 | 2021-01-29 | 上海海事大学 | 一种基于递归滑模的移动机器人有限时间轨迹跟踪控制方法 |
CN113156825A (zh) * | 2021-05-28 | 2021-07-23 | 大连海事大学 | 一种自适应反步滑模控制的舰载光电跟踪系统设计方法 |
CN113848710B (zh) * | 2021-09-21 | 2023-02-17 | 西北工业大学 | 一种针对无人机直流供电系统的反步有限时间控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157705A (zh) * | 2015-07-07 | 2015-12-16 | 西安电子工程研究所 | 一种半捷联雷达导引头视线角速度提取方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
US8595162B2 (en) * | 2011-08-22 | 2013-11-26 | King Fahd University Of Petroleum And Minerals | Robust controller for nonlinear MIMO systems |
CN103090728B (zh) * | 2013-01-07 | 2014-07-23 | 北京理工大学 | 一种基于滑模控制的带末角约束制导方法 |
CN103412488B (zh) * | 2013-08-12 | 2018-10-30 | 北京航空航天大学 | 一种基于自适应神经网络的小型无人旋翼机高精度控制方法 |
-
2016
- 2016-03-17 CN CN201610152486.XA patent/CN105785762B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105157705A (zh) * | 2015-07-07 | 2015-12-16 | 西安电子工程研究所 | 一种半捷联雷达导引头视线角速度提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105785762A (zh) | 2016-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105785762B (zh) | 一种基于自适应反步滑模的两轴惯性稳定平台高精度控制方法 | |
CN108646572B (zh) | 一种基于bp神经网络与自抗扰控制器相结合的三轴云台伺服电机的控制方法 | |
CN107491081B (zh) | 一种抗干扰四旋翼无人机姿态控制方法 | |
CN110119089B (zh) | 一种基于积分滑模的浸入不变流型自适应四旋翼控制方法 | |
CN107562068B (zh) | 一种四旋翼飞行器姿态的动态面输出调节控制方法 | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
Moutinho et al. | Airship robust path-tracking: A tutorial on airship modelling and gain-scheduling control design | |
CN108333938B (zh) | 一种多闭环复合陀螺稳定控制方法 | |
CN107577145B (zh) | 编队飞行航天器反步滑模控制方法 | |
Cui et al. | Adaptive super-twisting trajectory tracking control for an unmanned aerial vehicle under gust winds | |
CN108196563B (zh) | 一种多旋翼无人机自抗扰补偿控制方法及系统 | |
CN113219838B (zh) | 一种基于自适应时变带宽观测器的三轴惯性稳定平台高精度控制方法 | |
CN110794857B (zh) | 考虑外部风干扰的固定翼无人机鲁棒离散分数阶控制方法 | |
CN109542112B (zh) | 一种针对垂直起降可重复使用火箭返回飞行的固定时间收敛抗扰控制方法 | |
CN107491083B (zh) | 一种基于饱和自适应滑模控制的四旋翼自主着船方法 | |
CN111831002B (zh) | 一种基于预设性能的超高声速飞行器姿态控制方法 | |
CN114879511A (zh) | 一种基于自适应扩张状态观测器和全局快速终端滑模的三轴惯性稳定平台高精度控制方法 | |
CN110865539A (zh) | 一种随机干扰下的无人艇跟踪误差约束控制方法 | |
CN111258216A (zh) | 一种适用于四旋翼飞行器的滑模重复控制器 | |
CN110162067B (zh) | 一种无人机非奇异自适应非光滑姿态跟踪控制方法 | |
CN112015192B (zh) | 一种自愈四旋翼无人机抗干扰控制方法与系统 | |
CN113050427A (zh) | 一种执行器故障下非线性系统快速终端滑模容错控制方法 | |
CN110275542B (zh) | 一种基于自适应有限时间控制的四旋翼飞行器控制方法 | |
Wang et al. | Path following of the autonomous airship with compensation of unknown wind and modeling uncertainties | |
CN109062242B (zh) | 一种新的旋翼无人机控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |