CN107065544B - 基于攻角幂函数的高超飞行器神经网络控制方法 - Google Patents

Abstract

本发明公开了基于攻角幂函数的高超飞行器神经网络控制方法，通过测量高超声速飞行器的攻角、俯仰角速度信号，并与期望攻角信号组成变结构控制的滑模面，设计变结构控制器，利用变结构控制器的良好快速性与鲁棒性来处理高超声速飞行器快时变特点；针对高超声速飞行器气动参数的强不确定性，采用了一类以幂函数为基函数的神经网络结构，设计神经网络权值的自适应调节规律，最终组成高超声速飞行器神经网络与变结构的复合控制器，实现对期望攻角信号的跟踪。由于变结构控制与神经网络自适应策略的采用，本发明提供方法得到的攻角响应具有较好的快速性特点，同时具有很强的鲁棒性，具有较大的理论价值和工程价值。

Description

基于攻角幂函数的高超飞行器神经网络控制方法

技术领域

本发明属于高超声速飞行器控制技术领域，涉及一种基于攻角幂函数的高超飞行器神经网络控制方法。

背景技术

作为新一代的天地往返航空航天飞行系统，高超声速飞行器是未来进入空间、控制空间，确保空间优势核心能力的关键支柱，也是进行大规模空间开发的前提，因此越来越受到世界各国的高度重视。

目前除了传统的控制方法应用高超声速控制外，神经网络等智能控制方法由于具有良好的不确定性处理能力而被应用于高超声速飞行器。攻角稳定跟踪控制是高超声速控制中最基本的任务之一，它的重要性在于攻角的稳定有利于发动机与速度的控制，避免发动机推力与攻角之间的自激振荡。对传统的低速飞行器来说，攻角的稳定控制是比较容易的。由于高超声速飞行器攻角具有静不稳定的特点，攻角跟踪与稳定对高超声速飞行器来说，并不是一件容易的事情。

高超声速飞行器模型具有快时变特点，而且高超声速飞行器气动参数具有强不确定性，因此本发明提出了一类变结构控制与神经网络相结合的复合控制方法，主要是因为变结构控制具有较好的快速性与鲁棒性。同时神经网络自适应控制能有效补偿模型不确定性与未建模因素带来的干扰。因此本发明方法不仅具有很好的理论创新性，而且具有一定的工程应用价值。

发明内容

为实现上述目的，本发明提供一种基于攻角幂函数的高超飞行器神经网络控制方法，得到的攻角响应具有较好的快速性特点，同时也具有很强的鲁棒性。

本发明所采用的技术方案是，基于攻角幂函数的高超飞行器神经网络控制方法，按照以下步骤进行：

步骤一，构造攻角测量、俯仰角速率的测量与滑模面信号；

步骤二，构造高超声速飞行器滑模控制律；

步骤三，构造自适应神经网络控制律；

步骤四，构造复合控制律经过控制分配，分别输入给高超声速飞行器的鸭翼与升降翼，以控制高超声速飞行器实现俯仰通道的攻角跟踪控制。

进一步的，所述步骤一，具体按照以下步骤进行：

首先采用攻角传感器，测量高超声速飞行器的攻角，记为α；采用速率陀螺测量高超声速飞行器的俯仰角速率，记为q；

其次，假定期望的攻角信号为α^d，在飞行器控制计算机中生成攻角误差信号，记为e_α，其满足e_α＝α-α^d；

再次，采用飞行器控制计算机生成攻角误差积分信号，记作S_e，其满足S_e＝∫(α-α^d)dt；

最后，采用上述攻角误差信号与攻角误差积分信号组合生成滑模面信号，记作S_α，表达式为：S_α＝e_α+c₁S_e；其中c₁为正的控制参数，选取为c₁＝0.1。

进一步的，所述步骤二，具体按照以下步骤进行：

构造高超声速飞行器滑模控制律u₁：

u₁＝-a₁-c₁e_α-k₁S_α-k₂∫S_αdt-f_s(S_α)，

其中，a₁用于抵消飞行器的角速度与重力加速度项影响，按照下式计算：q为高超声速飞行器的俯仰角速率，g为重力加速度，γ为飞行器的航迹角，V为飞行器的速度；k₁、k₂为待设计的正参数，选取为k₁＝5、k₂＝0.2，

f_s(Sα)为滑模控制项，定义如下：

其中k₃、k₄与k₅为待设计的正参数，选取为k₃＝0.5、k₄＝0.3、k₅＝0.02；

ε的含义是柔化因子，选取ε＝0.5；

τ的含义是柔化时间因子，选取τ＝0.5。

进一步的，所述步骤三，具体按照以下步骤进行：

根据测量的攻角信息，设计神经网络自适应控制律u₂：

其中，φ为高超声速飞行器发动机的供油因子；为神经网络的权值因子，是通过自适应规律自动调节变化的；

其中为神经网络的权值， 为神经网络的权值，R^1×n的表示是一个n维向量空间；B₁(α)与B₂(α)为基函数，B₁(α)＝[1 α¹ α² … α^n-1]^T，B₂(α)＝[1 α¹ α² … α^n-1]^T，T的含义是矩阵的转置，表示是列向量；

神经网络的权值调节规律如下：

其中τ₁、τ₂为待调节的正参数，选取为τ₁＝0.1，τ₂＝0.2，的含义是 的导数，也就是两者的自适应调节规律的依据。

进一步的，所述步骤四，具体按照以下步骤进行：

根据上述高超声速飞行器滑模控制律u₁与神经网络自适应控制规律u₂组成如下复合控制律u：u＝u₁+u₂，然后按照均匀分配法进行控制律的分配，即定义：

从而有

其中m为飞行器的质量，S为飞行器的前向推力特征面积，为动压头数据，ρ为大气密度；δ_e为高超声速飞行器俯仰舵的舵偏值，δ_c为高超声速飞行器鸭翼舵的舵偏值。

本发明的有益效果是：通过测量高超声速飞行器的攻角以及俯仰角速度，通过飞行器控制计算机与给定的期望攻角指令进行对比形成攻角误差，一方面由攻角误差信号与攻角误差积分信号组成滑模面，再设计变结构控制律；另一方面由攻角误差信号设计FLNN型神经网络与其权值自适应调节规律；两个控制信号叠加后形成的复合信号经过控制分配，最终分别输入给两个鸭翼与升降翼，以控制高超声速飞行器实现俯仰通道的攻角跟踪控制。由于变结构控制与神经网络自适应策略的采用，本发明提供方法得到的攻角响应具有较好的快速性特点，同时也具有很强的鲁棒性，因此本发明方法不仅有较大的创新性，而且具有较大的理论价值和工程价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于攻角幂函数的高超飞行器神经网络控制方法原理图。

图2是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器攻角曲线。

图3是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器高度曲线。

图4是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器速度曲线。

图5是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器航迹角曲线。

图6是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器供油因子曲线。

图7是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器鸭翼曲线。

图8是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器升降舵曲线。

图9是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器姿态角曲线。

具体实施方式

下面将结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种基于攻角幂函数的高超飞行器神经网络控制方法，其思路是：通过测量高超声速飞行器的攻角、俯仰角速度信号，并与期望攻角信号组成变结构控制的滑模面，设计变结构控制器，利用变结构控制器的良好快速性与鲁棒性来处理高超声速飞行器快时变特点；针对高超声速飞行器气动参数的强不确定性，采用了一类以幂函数为基函数的神经网络结构，设计神经网络权值的自适应调节规律，最终组成高超声速飞行器神经网络与变结构的复合控制器，实现对期望攻角信号的跟踪。

具体来说，按照以下步骤进行：

步骤一：攻角测量、俯仰角速率的测量与滑模面的构造；

首先采用攻角传感器，测量高超声速飞行器的攻角，记为α；采用速率陀螺测量高超声速飞行器的俯仰角速率，记为q；

其次，假定期望的攻角信号为α^d，在飞行器控制计算机中生成攻角误差信号，记为e_α，其满足e_α＝α-α^d；

再次，采用飞行器控制计算机生成攻角误差积分信号，记作S_e，其满足S_e＝∫(α-α^d)dt；

最后，采用上述攻角误差信号与攻角误差积分信号组合生成滑模面信号，记作S_α，其表达式如下S_α＝e_α+c₁S_e；

其中c₁为正的控制参数，其可初步选取为c₁＝0.1；

步骤二：滑模控制律的构造；

按照下式构造高超声速飞行器滑模控制律u₁：

u₁＝-a₁-c₁e_α-k₁S_α-k₂∫S_αdt-f_s(S_α)

其中，a₁没有物理含义，目的是为了抵消飞行器的角速度与重力加速度项影响，按照下面的公式计算即可：

q为高超声速飞行器的俯仰角速率，g为重力加速度，γ为飞行器的航迹角，V为飞行器的速度；k₁、k₂为待设计的正参数，初步选取为k₁＝5、k₂＝0.2，f_s(S_α)定义如下：

其中k₃、k₄与k₅为待设计的正参数，初步选取为k₃＝0.5、k₄＝0.3、k₅＝0.02；

f_s(S_α)为滑模控制项，由上述三小项组成，主要是为了提高具有切换性质以及柔化函数性质的控制量，使得滑模控制量具有很强的控制力，同时又能采用柔化函数的性质来减弱颤振；

ε的含义是柔化因子，可选取为小的正常数，如ε＝0.5；

τ的含义是柔化时间因子，可选取为小的正常数，如τ＝0.5；

步骤三：自适应神经网络控制律的构造；

根据测量的攻角信息，设计如下的神经网络自适应控制律u₂：

其中，φ为高超声速飞行器发动机的供油因子，属于发动机的设计，现有技术即可得到；为神经网络的权值因子，其定义为下面矩阵，是通过后面自适应规律自动调节变化的；其中 为神经网络的权值，为神经网络的权值，R^1×n的表示是一个n维向量空间；两者形式基本相同，调节规律不同；B₁(α)与B₂(α)为基函数，B₁(α)＝[1 α¹ α² … α^n-1]^T，B₂(α)＝[1 α¹ α² … α^n-1]^T，T的含义是矩阵的转置，表示是列向量；

神经网络的权值调节规律如下：

其中τ₁、τ₂为待调节的正参数，可初步选取为τ₁＝0.1，τ₂＝0.2。的含义是的导数，也就是两者的自适应调节规律的依据。

步骤四：复合控制律的构造与控制分配；

根据上述高超声速飞行器滑模控制律u₁与神经网络自适应控制规律u₂组成如下复合控制律u：

u＝u₁+u₂，

然后按照均匀分配法进行控制律的分配，即定义：

从而有

其中m为飞行器的质量，S为飞行器的前向推力特征面积，为动压头数据，ρ为大气密度；

δ_e为高超声速飞行器俯仰舵的舵偏值，δ_c为高超声速飞行器鸭翼舵的舵偏值。

步骤5，为了确保上述步骤一至步骤四中控制器的参数选取合理，可用通过计算机模拟仿真的手段进行编程，从而模拟被控对象高超声速飞行器的运动特性，从而方便进行参数调整。在此以某一类高超声速飞行器模型为例示范说明，其俯仰通道可以采用如下9个微分方程建模表示：

第一个微分方程为

其中V为飞行器的速度，为飞行器速度的导数，T为飞行器推力，α为飞行器的攻角，m为飞行器的质量，γ为飞行器航迹角，g为重力加速度，D为高超声速飞行器阻力。飞行器推力按照如下方式计算：

其中，φ为发动机供油因子，

表示两个矩阵相乘，其中 为实验测量值)，而η₁、η₂与η₃为飞行器的弹性模态(其状态无需测量，需要测量的是系数，而且该测量是风洞实验所研究问题，本文不讨论该方法，用其结果得到的模型，作为本方法是否有效的验证工具)；为动压头数据，ρ为大气密度，S为飞行器的前向推力特征面积。C_Tφ也是风洞实验测量出来的，本文不讨论其测量方法，仅用其结果得到飞行器

模型，来验证本控制方法的有效性，其计算方式如下：

上式各参数主要是和模型相关，由实验所得，本专业人员非常熟悉其含义。

空气动力系数C_T计算如下：

公式中各符号含义就是模型的气动参数；

C_D是模型的气动参数，C_D计算方式如下：

其中δ_e与δ_c分别为俯仰舵与鸭翼舵的舵偏值；其它符号含义是模型的气动参数；

第二个微分方程为：

其中，为飞行器的航迹角速度，γ为飞行器的航迹角，L为飞行器升力，其计算方式如下：

其中C_L是模型中和升力相关的气动参数；

上式中各符号含义是模型中和升力相关的气动参数；

第三个微分方程为：

其中M为俯仰力矩，I为转动惯量，为俯仰角加速度，q为俯仰角。俯仰力矩的计算方法如下：

其中z_T＝8.36*0.3048，(二者均为飞行器的尺寸参数，几何设计上有)，C_M的计算方式如下：

所有符号含义是模型中和俯仰力矩相关的气动参数；

第四个微分方程为

是攻角的导数；

第五个微分方程为

其中，为高度的导数，h为飞行器高度。

第六个微分方程为

其中ω_n＝5,(二者含义是发动机的供油设计，和本专利无关，是发动机设计所固有的方法)，φ_c为发动机的供油规律(为发动机的供油设计，和本专利无关，是发动机设计所固有的方法，以验证本控制方法的正确性)；

的含义是发动机的供油因子的导数；

第(7)(8)(9)个微分方程为弹性模态微分方程：

含义是弹性形态的二阶导数；

ε_m含义是发动机弹性形态建模所得到的振动弹性阻尼系数，属于建模，和本专利无关，用该建立好的模型，来验证控制方案的有效性；

ω_mi含义是发动机弹性形态建模所得到的振动弹性频率系数，属于建模，和本专利无关，用该建立好的模型，来验证控制方案的有效性；

含义是弹性形态的一阶导数；

η_i含义是弹性形态的0阶导数，也就是弹性形态本身；

N_i的含义是弹性形态变化因子，按照下面公式计算；

其中i＝1,2,3。 含义是发动机弹性形态建模所得到的弹性相关系数，属于建模，和本专利无关，用该建立好的模型，来验证控制方案的有效性；

其计算方式如下：

其中

以上公式所有符号含义是发动机弹性形态建模所得到的弹性相关系数，属于建模，和本专利无关，用该建立好的模型，来验证控制方案的有效性；

其中，η＝[η₁ η₂ η₃]，其它类似；

选取高超声速飞行器的初始条件为

V₀＝7846*0.3048，α₀＝0.0174，γ₀＝0，q₀＝0，h₀＝85000*0.3048(初始高度)，

η₁₀＝0.4588*0.3048*14.59，表示弹性形态η₁在0时刻的初始取值η₁₀，以下其它类似；

η₂₀＝-0.08726*0.3048*14.59，

η₃₀＝-0.03671*0.3048*14.59；

至此高超声速飞行器的模型描述完成。

步骤六：将步骤一至步骤四所得高超声速飞行器俯仰舵的舵偏值与高超声速飞行器鸭翼舵的舵偏值，代入步骤五所建立的高超声速飞行器模型，通过不断调整控制参数，并观察飞行器各状态的数据并画图，尤其是观测高超声速飞行器攻角变化的数据曲线，分析飞行器攻角跟踪的动态特性，从而确定最终高超声速飞行器攻角跟踪的控制方案参数，使得高超声速飞行器攻角响应具有满意的动态响应与稳态响应性能。

实施例及计算机仿真模拟结果分析

按照上述所设计控制律进行仿真，选取初始高度为h₀＝85000*0.3048，初始速度为V₀＝7846*0.3048，初始攻角α₀＝0.0174，其它初始状态如下：γ₀＝0，q₀＝0，η₁₀＝0.4588*0.3048*14.59，η₂₀＝-0.08726*0.3048*14.59，η₃₀＝-0.03671*0.3048*14.59(三个含义表示弹性形态η₁在0时刻的初始取值η₁₀，其它类似)，设定发动机的油门开度为PID控制律与柔化控制律的切换控制律，选取如果e_v＞0，则设计如果e_v＜0，则选取φ_c＝-300，其中e_v＝V^d-V，k_et、k_set、k_de、k_etb与ε_ev为可调正数。

选取期望速度为V^d＝2391，选取控制参数如下:c₁＝0.1，k₁＝5、k₂＝0.2，k₃＝0.5，k₄＝0.3，k₅＝0.02，τ₁＝0.1，τ₂＝0.2，将步骤四所得到的综合控制律代入模型五进行仿真，得到仿真结果图2至图9所示。

通过以上仿真结果与曲线可以看出，由于变结构的快速响应使得攻角输出在初始段具有较弱的阻尼而使得超调较大，这使得该控制策略比较适用于攻角控制精度要求不高但需要飞行器机动性反应速度较快的场合。而其中后面的波动是由于发动机的速度控制策略引起的，可以从发动机供油曲线比照来映证。从以上案例仿真结果可以看出，本发明提供的攻角跟踪控制方法能够有效地稳定高超声速飞行器攻角，因此本发明具有很好的实用价值，同时也能推广应用于其它类飞行器中。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (1)

1.基于攻角幂函数的高超飞行器神经网络控制方法，其特征在于，按照以下步骤进行：

步骤一，构造攻角测量、俯仰角速率的测量与滑模面信号；

步骤二，构造高超声速飞行器滑模控制律；

步骤三，构造自适应神经网络控制律；

步骤四，构造复合控制律经过控制分配，分别输入给高超声速飞行器的鸭翼与升降翼，以控制高超声速飞行器实现俯仰通道的攻角跟踪控制；

所述步骤一，具体按照以下步骤进行：

首先采用攻角传感器，测量高超声速飞行器的攻角，记为α；采用速率陀螺测量高超声速飞行器的俯仰角速率，记为q；

其次，假定期望的攻角信号为α^d，在飞行器控制计算机中生成攻角误差信号，记为e_α，其满足e_α＝α-α^d；

再次，采用飞行器控制计算机生成攻角误差积分信号，记作S_e，其满足S_e＝∫(α-α^d)dt；

最后，采用上述攻角误差信号与攻角误差积分信号组合生成滑模面信号，记作S_α，表达式为：S_α＝e_α+c₁S_e；其中c₁为正的控制参数，选取为c₁＝0.1；

所述步骤二，具体按照以下步骤进行：

构造高超声速飞行器滑模控制律u₁：

u₁＝-a₁-c₁e_α-k₁S_α-k₂∫S_αdt-f_s(S_α)，

其中，a₁用于抵消飞行器的角速度与重力加速度项影响，按照下式计算：q为高超声速飞行器的俯仰角速率，g为重力加速度，γ为飞行器的航迹角，V为飞行器的速度；k₁、k₂为待设计的正参数，选取为k₁＝5、k₂＝0.2，

f_s(S_α)为滑模控制项，定义如下：

其中k₃、k₄与k₅为待设计的正参数，选取为k₃＝0.5、k₄＝0.3、k₅＝0.02；

ε的含义是柔化因子，选取ε＝0.5；

τ的含义是柔化时间因子，选取τ＝0.5；

所述步骤三，具体按照以下步骤进行：

根据测量的攻角信息，设计神经网络自适应控制律u₂：

其中，φ为高超声速飞行器发动机的供油因子；为神经网络的权值因子，是通过自适应规律自动调节变化的；

其中为神经网络的权值， 为神经网络的权值，R^1×n的表示是一个n维向量空间；B₁(α)与B₂(α)为基函数，B₁(α)＝[1 α¹ α² … α^n-1]^T，B₂(α)＝[1 α¹ α² … α^n-1]^T，T的含义是矩阵的转置，表示是列向量；

神经网络的权值调节规律如下：

其中τ₁、τ₂为待调节的正参数，选取为τ₁＝0.1，τ₂＝0.2，的含义是 的导数，也就是两者的自适应调节规律的依据；

所述步骤四，具体按照以下步骤进行：

根据上述高超声速飞行器滑模控制律u₁与神经网络自适应控制规律u₂组成如下复合控制律u：u＝u₁+u₂，然后按照均匀分配法进行控制律的分配，即定义：

从而有

其中m为飞行器的质量，S为飞行器的前向推力特征面积，为动压头数据，ρ为大气密度；δ_e为高超声速飞行器俯仰舵的舵偏值，δ_c为高超声速飞行器鸭翼舵的舵偏值。