CN107632518B - 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 - Google Patents

Abstract

本发明公开了一种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，用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于未知变量进行估计，为后续控制器设计提供基础；考虑系统集总不确定性，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；引入系统建模误差，构建神经网络复合学习更新律，实现不确定情形下的高超声速飞行器稳定控制，实用性好。

Description

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

技术领域

本发明涉及一种高超声速飞行器控制方法，特别涉及一种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。

背景技术

高超声速飞行器作为一种具有快速打击能力的高精尖武器，引起了许多军事大国的高度重视。由于自身采用发动机/机体的一体化设计，加之复杂的动力学模型和飞行环境，高超声速飞行器具有强非线性和强不确定性等特性。这些特点使得高超声速飞行器控制器设计面临着巨大挑战。因此，不确定性的处理对高超声速飞行器安全飞行至关重要。

反步法作为一种典型控制方法被广泛应用于高超声速飞行器控制中。但传统反步法设计存在固有缺陷。采用反步法设计控制器，需要针对虚拟控制量进行反复微分，这会造成以下问题：(1)反复微分会造成控制设计“复杂度爆炸”问题；(2)控制器设计过程较为复杂，不利于工程实现。当前动态面和指令滤波方法被用来解决“复杂度爆炸”问题，但仍需反复设计虚拟控制量，过程繁琐。

《Neural network based dynamic surface control of hypersonic flightdynamics using small-gain theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年第173卷第3期)一文通过设计虚拟控制量(俯仰角、俯仰角速度)实现对航迹角和俯仰角的控制，最后利用舵偏角控制俯仰角速度；该动态面设计仍需逐步设计虚拟控制量并对每个通道的不确定性进行处理，设计过程繁琐，不利于工程实现。

发明内容

为了克服现有高超声速飞行器控制方法实用性差的不足，本发明提供一种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。该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于未知变量进行估计，为后续控制器设计提供基础；考虑系统集总不确定性，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；引入系统建模误差，构建神经网络复合学习更新律，实现不确定情形下的高超声速飞行器稳定控制，实用性好。

本发明解决其技术问题所采用的技术方案：一种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，其特点是包括以下步骤：

(a)建立高超声速飞行器的动力学模型为：

该动力学模型由五个状态变量X＝[V,h,α,γ,q]^T和两个控制输入U＝[δ_e,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，δ_e是舵偏角，β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、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)定义高度跟踪误差其中h_d为高度参考指令；

设计航迹角指令γ_d为：

其中，k_h>0和k_i>0，为高度参考指令的一阶导数；

根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：

其中，为高度参考指令的二阶导数；

考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；

(c)定义姿态X_a＝[x₁,x₂,x₃]^T，其中x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；

姿态子系统(3)-(5)写成以下严格反馈形式：

其中，f_i,i＝1,2,3为根据(3)-(5)式得到的未知项，g_i,i＝1,2,3为根据(3)-(5)式得到的已知项；

(d)定义新的状态量Z＝[z₁,z₂,z₃]^T，其中其中中间过程变量a₂，b₂为f_i，g_i，i＝1,2的复杂表达；

将姿态子系统(8)转换为以下输出反馈形式：

其中a₃是X的未知函数，b₃＝g₁g₂g₃；

(e)设计高增益观测器如下

其中，ε>0，d₁>0，d₂>0；

利用高增益观测器对状态量Z＝[z₁,z₂,z₃]^T进行估计，得到其估计值其中

(f)针对姿态子系统，定义Y_d如下所示：

则向量E和滤波跟踪误差S的估计值如下：

其中，Λ＝[λ²,2λ]^T，λ>0；

对于未知函数a₃(X)，用神经网络来逼近

其中，是神经网络最优权重向量的估计值，θ_a(X)为神经网络基函数向量；

设计控制器

其中，k_A>0是控制增益参数；

定义建模误差z_NN如下:

其中由下式得到

其中，γ_z>0；

神经网络权值的复合更新律如下：

其中，γ_a，γ_ka，δ_a是正参数；

(g)定义速度跟踪误差Z_V＝V-V_d,其中V_d为速度参考指令；

设计速度控制器如下：

β＝-k_VZ_V-l_Vsgn(Z_V) (19)

其中，k_V,l_V是正参数；

(h)根据得到的舵偏角δ_e和节流阀开度β，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。

本发明的有益效果是：该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于未知变量进行估计，为后续控制器设计提供基础；考虑系统集总不确定性，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；引入系统建模误差，构建神经网络复合学习更新律，实现不确定情形下的高超声速飞行器稳定控制，实用性好。

(1)将姿态子系统严格反馈形式转换为一般输出反馈形式，进而得到系统的集总不确定性表达，无需按照反步法设计方式逐步对不确定性进行处理；

(2)针对一般输出反馈形式，基于高增益观测器实现了未知状态的有效估计，并设计自适应控制器；该设计仅需一个神经网络，不需要反复设计虚拟控制量，简化了控制器设计，易于实现；

(3)考虑神经网络对集总不确定性学习的好坏，构造系统建模预测误差，并结合跟踪误差实现神经网络复合学习，提高神经网络在闭环控制过程中学习准确性与快速性。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明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的流程图。

具体实施方式

参照图1。本发明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具体步骤如下：

(a)建立公式组(1)-(5)的高超声速飞行器纵向通道动力学模型

该模型由五个状态变量X＝[V,h,α,γ,q]^T和两个控制输入U＝[δ_e,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，δ_e是舵偏角，β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、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：

C_D＝0.6450α²+0.0043378α+0.003772，

C_M(α)＝-0.035α²+0.036617α+5.3261×10^-6，

C_M(δ_e)＝0.0292(δ_e-α)，

其中，ρ表示空气密度，S表示气动参考面积，表示平均气动弦长，C_x,x＝L,D,T,M表示力和力矩系数；

(b)定义高度跟踪误差其中h_d为高度参考指令，由设计者给定；

设计航迹角指令γ_d为：

其中，k_h>0和k_i>0由设计者给定，为高度参考指令的一阶导数；

根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：

其中，为高度参考指令的二阶导数；

考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；

(c)定义姿态X_a＝[x₁,x₂,x₃]^T，其中x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；

姿态子系统(3)-(5)写成以下严格反馈形式：

其中，

f₂(x₁,x₂)＝0，

g₂(x₁,x₂)＝1，

(d)定义新的状态量Z＝[z₁,z₂,z₃]^T，其中

z₂和z₃对时间分别求导得到下式：

其中，b₂(x₁,x₂)＝g₁g₂＝g₁；

其中，b₃(X)＝g₁g₃；

将姿态子系统(8)转换为以下输出反馈形式：

其中a₃和b₃是关于X的函数，且a₃未知，b₃已知；

(e)设计高增益观测器如下

其中，参数ε>0，d₁>0，d₂>0由设计者给定；

利用高增益观测器对状态量Z＝[z₁,z₂,z₃]^T进行估计，得到其估计值其中

(f)针对姿态子系统，定义Y_d如下所示：

则向量E和滤波跟踪误差S的估计值如下：

其中，Λ＝[λ²,2λ]^T，λ>0由设计者给定；

对于未知函数a₃(X)，用神经网络来逼近

其中，是神经网络最优权重向量的估计值，θ_a(X)为神经网络基函数向量；

设计控制器

其中，k_A>0是由设计者给定的控制增益参数；

定义建模误差z_NN如下:

其中可以由下式得到

其中，γ_z>0由设计者给定；

神经网络权值的复合更新律如下：

其中，γ_a，γ_ka，δ_a是由设计者给定的正参数；

(g)定义速度跟踪误差Z_V＝V-V_d,其中V_d为速度参考指令，由设计者给定；

设计控制器如下：

β＝-k_VZ_V-l_Vsgn(Z_V) (19)

其中，k_V,l_V是由设计者给定的正参数；

(h)根据得到的舵偏角δ_e和节流阀开度β，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，其特征在于包括以下步骤：

(a)建立高超声速飞行器的动力学模型为：

该动力学模型由五个状态变量X＝[V,h,α,γ,q]^T和两个控制输入U＝[δ_e,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，δ_e是舵偏角，β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、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)定义高度跟踪误差其中h_d为高度参考指令；

设计航迹角指令γ_d为：

其中，k_h＞0和k_i＞0，为高度参考指令的一阶导数；

根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：

其中，为高度参考指令的二阶导数；

考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；

(c)定义姿态X_a＝[x₁,x₂,x₃]^T，其中x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；因为T sinα远小于L，在控制器设计过程中忽略；

姿态子系统(3)-(5)写成以下严格反馈形式：

其中，f_i,i＝1,2,3为根据(3)-(5)式得到的未知项，g_i,i＝1,2,3为根据(3)-(5)式得到的已知项；

(d)定义新的状态量Z＝[z₁,z₂,z₃]^T，其中其中，a₂，b₂是通过对f₁+g₁x₂求导得到的中间过程变量，是关于f₁，f₂，g₁，g₂的函数；

将姿态子系统(8)转换为以下输出反馈形式：

其中a₃是X的未知函数，b₃＝g₁g₂g₃；

(e)设计高增益观测器如下

其中，ε＞0，d₁＞0，d₂＞0；

利用高增益观测器对状态量Z＝[z₁,z₂,z₃]^T进行估计，得到其估计值其中

(f)针对姿态子系统，定义Y_d如下所示：

则向量E和滤波跟踪误差S的估计值如下：

其中，Λ＝[λ²,2λ]^T，λ＞0；

对于未知函数a₃(X)，用神经网络来逼近

其中，是神经网络最优权重向量的估计值，θ_a(X)为神经网络基函数向量；

设计控制器

其中，k_A＞0是控制增益参数；

定义建模误差z_NN如下:

其中由下式得到

其中，γ_z＞0；

神经网络权值的复合更新律如下：

其中，γ_a，δ_a是正参数；

(g)定义速度跟踪误差Z_V＝V-V_d,其中V_d为速度参考指令；

设计速度控制器如下：

β＝-k_VZ_V-l_Vsgn(Z_V) (19)

其中，k_V,l_V是正参数；

(h)根据得到的舵偏角δ_e和节流阀开度β，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。