CN107957686A - 基于预见控制的无人直升机自动着舰控制系统 - Google Patents
基于预见控制的无人直升机自动着舰控制系统 Download PDFInfo
- Publication number
- CN107957686A CN107957686A CN201711186859.6A CN201711186859A CN107957686A CN 107957686 A CN107957686 A CN 107957686A CN 201711186859 A CN201711186859 A CN 201711186859A CN 107957686 A CN107957686 A CN 107957686A
- Authority
- CN
- China
- Prior art keywords
- control system
- helicopter
- control
- longitudinal
- transverse
- 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.)
- Granted
Links
- 230000033001 locomotion Effects 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000007787 solid Substances 0.000 abstract 1
- 238000013461 design Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 108050006002 RNA polymerase sigma factor FliA Proteins 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于预见控制的无人直升机自动着舰控制系统,属于航空航宇推进控制技术领域。本发明针对无人直升机自动着舰的基准轨迹跟踪控制问题,并考虑了甲板运动干扰对跟踪控制性能的影响,根据直升机的气动特性将控制系统划分为四个子系统,利用预见控制方法依次求取控制信号,控制直升机安全精确地着舰。进一步地,本发明还针对甲板运动模型难以获取的问题,采用自适应AR模型预估算法,利用甲板运动历史数据对甲板运动未来数据进行预估,保证直升机的着舰精度。本发明可以保证闭环系统的全局稳定,并且使系统拥有良好的跟踪性能性能。
Description
技术领域
本发明涉及飞行器控制系统,尤其涉及一种无人直升机自动着舰控制系统,属于航空航宇推进控制技术领域。
背景技术
无人直升机具有可垂直起降、定点悬停、不需要专用发射回收装置、对环境依赖程度低、易于对目标实施近距离精确侦察、定位、低空低速性好等一系列一般无人飞行器所不具备的优点,为海陆空各兵种所青睐。在未来战争中,无人直升机是信息网络中心的一个重要节点,负责对低空、超低空、大区域地、海面战场进行实时、近距离、全时段战术侦察。对于现代海上作战来讲,舰载无人直升机能够实现空间作战、电子战、预警、侦察、通信中继、超视距目标指示、搜索、救援、探测攻击潜艇等多项作战任务。综合考虑无人直升机自身的优点和海军发展的需求,无人直升机才是舰载无人机的最佳选择。
无人直升机是一个高阶、多变量、强耦合的系统,且由于旋翼机的气动特性,因此无人直升机具有稳定性差,不确定性强和易受环境干扰等特点。然而,要求无人直升机执行的任务比较复杂多样化,而且在舰载使用时,海况变化多端,这些因素都要求飞控系统具有解耦能力和较强的鲁棒性。传统的经典控制方法无法很好地满足直升机着舰系统的精确的跟踪性能,这极大地推动了先进的控制方法和控制理论关键技术的发展。
无人直升机着舰系统主要需要解决的问题是基准轨迹跟踪问题和甲板运动干扰补偿问题。直升机着舰的飞行环境和着舰的高精度要求对自动着舰系统的设计带来了很多技术上的难点。第一,飞行控制系统必需满足基准轨迹追踪的精度要求。无人直升机着舰需要解决的最关键的问题之一就是基准轨迹的追踪问题,基准轨迹追踪的精度将直接影响无人直升机着舰的精度。第二,自动着舰系统必需考虑甲板运动的补偿和预估问题。当直升机在高海况下自主下降着舰时,需要根据甲板运动的情况来确定最佳的下降时间,和最佳着舰速率。同时甲板运动通过改变理想着舰点位置使得预先制定的基准轨迹发生变化,从而影响直升机的着舰安全和着舰精度,所以在着舰最后阶段,直升机需要跟踪甲板运动作用后的理想着舰轨迹。
针对无人直升机的飞行控制,国内外学者进行了广泛的研究,从经典PID控制到现代控制理论再到人工智能控制,在理论上和实际型号应用上都取得了一定成果。目前主要的控制方法有:鲁棒控制、特征结构配置、模型预测控制、神经网络控制等。PID控制工程应用范围广,但其抗干扰能力较弱,并不能满足直升机自动着舰系统的要求。模型预测控制、神经网络控制计算量大,计算过程复杂,对机载电脑的性能要求较高。
传统的控制方法因计算机运算和数据传输存在一定的时延滞后,所以追踪效果会存在一定的滞后,上述现有控制技术均难以达到较好的控制效果。
发明内容
本发明所要解决的技术问题在于克服现有技术不足,提供一种基于预见控制的无人直升机自动着舰控制系统,可有效解决直升机着舰轨迹跟踪问题。
本发明具体采用以下技术方案解决上述技术问题:
基于预见控制的无人直升机自动着舰控制系统,用于生成无人直升机的控制输入量u,以保证无人直升机的飞行高度H,横向飞行位置Y,纵向飞行位置X能快速跟踪到输入的飞行参考轨迹:飞行参考高度Hc,横向飞行参考位置Yc,纵向飞行参考位置Xc;该控制系统利用预见控制方法设计而成,具体包括高度控制系统、纵向控制系统、横向控制系统和航向控制系统;
所述高度控制系统的控制律如下:
式中,ubhei为高度控制系统的输出,即为直升机的总距输入δc;Xhei=[ΔH Δw]分别为直升机的高度和垂向速度;FH0为状态反馈系数;FH为控制系统前馈系数;Hc为飞行参考高度;MR为预见步数;
所述纵向控制系统的控制律如下:
式中,ublon为纵向控制系统的输出,即为直升机的纵向周期变距输入δe;
Xlon=[ΔX Δu Δθ Δq]分别为直升机的纵向位置、纵向速度、俯仰角和俯仰角速率;FX0为纵向状态反馈系数;FX为纵向控制系统前馈系数;Xc为纵向飞行参考位置,MR为预见步数;
所述横向控制系统的控制律如下:
式中,ublat为横向控制系统的输出,即为直升机的横向周期变距输入δa;
Xlat=[ΔY Δv Δφ Δp]分别为直升机横向位置、横向速度、滚转角和滚转角速率;FY0为横向状态反馈系数;FY为横向控制系统前馈系数;Yc为横向飞行参考位置;MR为预见步数;
所述航向控制系统的控制律如下:
式中,ubhead为航向控制系统的输出,即为直升机的尾桨距输入δr;Xhead=[ΔψΔr]分别为直升机的偏航角和偏航角速率;Fψ0为航向状态反馈系数;Fψ为航向控制系统前馈系数;ψc为参考航向;MR为预见步数。
进一步地,所述飞行参考轨迹考虑了甲板运动补偿信息,所述甲板运动补偿信息是基于自适应AR模型利用历史数据进行预估的,所述自适应AR模型的l步预估算法具体如下:
当l=1时
当1<l≤n时
式中,为甲板运动t时刻的预估值;n为AR模型阶数;ai(t)为AR模型参数,其随着历史数据的增加,按照以下自适应更新律进行更新:
A(t+1)=K3A(t)-K1y(t-N+n+1)+K2y(t+1)+K1Y(t-N+n+1)K2y(t+1)
式中,
K1,K2,K3为更新律的更新系数。
本发明针对无人直升机着舰的要求和特点,利用预见控制方法设计无人直升机控制系统,并运用自适应AR模型预估算法对甲板运动进行预估,相比现有技术,该自动着舰系统具有以下有益效果:
(1)预见控制设计方法将未来的指令信息引入到控制器的设计,使系统具有良好的追踪性能,克服了系统追踪滞后的问题。基于该方法设计的直升机着舰控制系统可有效的保证系统的追踪精度
(2)将甲板运动的信息补偿到基准轨迹中,有效地补偿了因甲板运动导致的理想着舰点的六自由度运动。
(3)基于自适应AR模型的方法可实现利用甲板运动的历史信息来预估未来信息的目的,预估精度符合要求,解决了甲板运动模型难以测得以及预见控制所需要的甲板运动未来信息的问题。
(4)本发明所设计的AR模型参数更新律,解决了模型参数实时更新问题,提高了系统的预估精度,大大简化了预估算法的训练过程,提高了系统的实时性。
附图说明
图1为本发明直升机自动着舰控制系统的结构示意图;
图2为直升机着舰验证实验的高度跟踪响应曲线;
图3为直升机着舰验证实验的纵向位置跟踪响应曲线;
图4为直升机着舰验证实验的横向位置跟踪响应曲线。
具体实施方式
本发明的思路是针对无人直升机自动化着舰系统,运用预见控制方法设计出高度,纵向,横向以及航向控制器,并进一步运用自适应AR模型方法设计出甲板运动预估器,解决无人直升机自动着舰系统的基准轨迹追踪问题和甲板运动补偿问题。
根据无人直升机的特点,为了保证无人直升机的飞行高度H,纵向飞行位置Y,横向飞行位置X能快速跟踪到输入的飞行参考高度Hc,纵向飞行参考位置Yc,横向飞行参考位置Xc,可将直升机飞行动力学模型划分为,高度系统,纵向系统,横向系统和航向系统,运用预见控制方法分别设计各个子系统的预见控制器。预见控制系统的设计分为状态反馈控制器和前馈控制器。
以某型无人直升机为例,根据牛顿运动定律,建立直升机动力学方程如下:
式中:m为直升机质量,u,v,w分别为直升机的纵向速度,侧向速度和垂向速度,即分别沿OXb,OYb,OZb轴的线速度;p,q,r分别表示直升机的滚转角速度,俯仰角速度和偏航角速度即沿OXb,OYb,OZb轴的角速度;∑FX,∑FY,∑FZ分别为作用于机体Xb,Yb,Zb上的合力。
角运动方程如下所示:
式中,Ix,Iy,Iz分别表示沿OXb,OYb,OZb轴的转动惯量,Ixz为直升机对OXb和OZb轴的惯性积;∑L,∑M,∑N分别为作用于机体OXb,OYb,OZb轴的力矩之和。
因为直升机关于XbOYb平面对称,因此机体角速度和欧拉角速度之间的转换关系为如下所示:
机体三个轴的线速度[u,v,w]与地球坐标系的纵向位置变化率侧向位置变化率及高度变化率的转换关系的转换关系如下所示:
上述所建立的运动方程称为直升机的全量运动微分方程,该方程具有非线性及参数时变的特点,预见控制理论是基于线性化模型进行控制器的设计的,所以需要对其数学模型进行线性化处理,在15m/s的低速前飞基准状态下,直升机模型线性化后的结果为:
其中,A为状态矩阵,B为控制矩阵,C为单位阵。本发明选取状态量X=[Δx Δy Δz Δφ Δθ Δψ Δu Δv Δw Δp Δq Δr]表示的是直升机相对所研究的配平点处的增量,其中Δx,Δy,Δz为直升机在地面坐标系中的纵向位置、侧向位置、垂向位置的三个位移增量;Δφ,Δθ,Δψ为直升机三个姿态角增量;Δu,Δv,Δw为直升机纵向速度、侧向速度、垂向速度增量;Δp,Δq,Δr为直升机三个姿态角速率的增量;控制向量u表示控制输入增量。在本模型中δc,δa,δe,δr分别代表了总距、横向周期变距、纵向周期变距和尾桨距。将其分为高度子系统、纵向子系统、横向子系统和航向子系统。下面分别进行各子控制系统和甲板运动预估系统的设计,自控制系统结构原理如图1所示:
第一步(高度子控制系统):考虑高度子系统的线性模型为:
对上述线性化后纵向模型,通过离散周期T=0.1s进行离散化,得到离散化纵向模型:
定义误差信号,即对参考高度及真实高度作差:
e(k)=Hc(k)-ybhei(k)
添加误差信号至离散化模型,得到扩大误差系统模型:
Xhei(k+1)=ΦheiXhei(k)+GheiΔubhei(k)
+GHΔHc(k+1)
其中,Xhei(k)=[e(k) Δxbhei(k)]T,
针对上述扩大误差系统模型,假设目标信号未来MR步(即T*MR秒,MR=8)信息是已知的,预见控制律设计目标是使得下述代价J方程取得最小值。
其中,Q1=diag[10 4290 1],H1=1为正定矩阵。因此可得无人机着舰纵向最优预见控制律为:
其中,P满足Riccati方程:
预见前馈系数:
其中ξ=Φhei+GheiFH0。
第二步(纵向子控制系统):考虑纵向子系统的线性模型为
与高度子控制系统设计过程类似,取Q2=diag[9 342 0],H2=1,可得纵向最优预见控制律为
其中,状态反馈系数P满足Riccati方程:
预见前馈系数:
其中ξ=Φlon+GlonFX0。
第三步(横向子控制系统):与高度和纵向子控制系统类似,取Q3=diag[10 42901],H3=1,则横向最优预见控制律为
其中,FY0=-[H3+Glat TPGlat]-1Glat TPΦlat,P满足如下Riccati方程:
P=Q3+Φlat TPΦlat-Φlat TPGlat[H3+Glat TPGlat]-1Glat TPΦlat
预见前馈系数:
其中,ξ=Φlat+GlatFY0。
第四步(航向子控制系统):与其他子控制系统类似,取Q4=diag[10 4290 1],H4=1,则航向最优预见控制律为
其中,Fψ0=-[H4+Ghead TPGhead]-1Ghead TPΦhead,P满足如下Riccati方程:
P=Q4+Φhead TPΦhead-Φhead TPGhead[H4+Ghead TPGhead]-1Ghead TPΦhead
预见前馈系数:
其中,ξ=Φhead+GheadFψ0。
第五步(甲板运动预估系统)取N个甲板运动历史数据y(t0-1)~y(t0-N),令
其中t0为预估初始时刻,n为模型阶数,ai为AR模型参数。初始A(t0)为全零横向量,则
y(t0)=A(t0)YT(t0)
计算
AR模型参数更新律为
A(t+1)=K3A(t)-K1y(t-N+n+1)+K2y(t+1)+K1Y(t-N+n+1)K2y(t+1)
其中K3=[I+K1Y(t-N+n+1)][I-K2Y(t+1)],
为了验证本发明的效果,对其进行数值仿真验证。运用单位白噪声通过成形滤波器为甲板运动预估器提供数据来源。直升机从进场末期到着舰到理想的着舰点分为两个阶段,悬停跟踪阶段和快速着舰阶段。悬停跟踪阶段时,直升机在理想着舰点的正上方H=50×0.3048=15.24m,纵向位置X和横向偏差Y均为0m。直升机悬停跟踪至第20s开始进入快速着舰阶段,快速着舰的垂直速度为w=15.24÷8=1.905m/s,仿真总时间为28s,给予系统一个初始偏差ΔX=1m,ΔY=1m,ΔH=1m。仿真结果如图2~图4所示。
从上述仿真结果看出,本发明具有如下特点:当存在甲板运动干扰时,所提出直升机自动着舰系统能够精确补偿甲板运动,直升机能精确有效的跟踪基准着舰轨迹,着舰误差很小,说明该直升机自动着舰系统拥有较好的基本轨迹跟踪性能和甲板运动补偿性能,符合要求。
Claims (2)
1.基于预见控制的无人直升机自动着舰控制系统,用于生成无人直升机的控制输入量u,以保证无人直升机的飞行高度H,横向飞行位置Y,纵向飞行位置X能快速跟踪到输入的飞行参考轨迹:飞行参考高度Hc,横向飞行参考位置Yc,纵向飞行参考位置Xc;其特征在于,该控制系统利用预见控制方法设计而成,具体包括高度控制系统、纵向控制系统、横向控制系统和航向控制系统;
所述高度控制系统的控制律如下:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>b</mi>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>H</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mrow>
<mi>h</mi>
<mi>e</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>R</mi>
</msub>
</munderover>
<msub>
<mi>F</mi>
<mi>H</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>H</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,ubhei为高度控制系统的输出,即为直升机的总距输入δc;
Xhei=[ΔH Δw]分别为直升机的高度和垂向速度;FH0为状态反馈系数;FH为控制系统前馈系数;Hc为飞行参考高度;MR为预见步数;
所述纵向控制系统的控制律如下:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>b</mi>
<mi>l</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>X</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>n</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>R</mi>
</msub>
</munderover>
<msub>
<mi>F</mi>
<mi>X</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>X</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,ublon为纵向控制系统的输出,即为直升机的纵向周期变距输入δe;
Xlon=[ΔX Δu Δθ Δq]分别为直升机的纵向位置、纵向速度、俯仰角和俯仰角速率;FX0为纵向状态反馈系数;FX为纵向控制系统前馈系数;Xc为纵向飞行参考位置,MR为预见步数;
所述横向控制系统的控制律如下:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>b</mi>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>Y</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mrow>
<mi>l</mi>
<mi>a</mi>
<mi>t</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>R</mi>
</msub>
</munderover>
<msub>
<mi>F</mi>
<mi>Y</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>Y</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,ublat为横向控制系统的输出,即为直升机的横向周期变距输入δa;
Xlat=[ΔY Δv Δφ Δp]分别为直升机横向位置、横向速度、滚转角和滚转角速率;FY0为横向状态反馈系数;FY为横向控制系统前馈系数;Yc为横向飞行参考位置;MR为预见步数;
所述航向控制系统的控制律如下:
<mrow>
<msub>
<mi>u</mi>
<mrow>
<mi>b</mi>
<mi>h</mi>
<mi>e</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>&psi;</mi>
<mn>0</mn>
</mrow>
</msub>
<msub>
<mi>X</mi>
<mrow>
<mi>h</mi>
<mi>e</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>M</mi>
<mi>R</mi>
</msub>
</munderover>
<msub>
<mi>F</mi>
<mi>&psi;</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&psi;</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,ubhead为航向控制系统的输出,即为直升机的尾桨距输入δr;
Xhead=[Δψ Δr]分别为直升机的偏航角和偏航角速率;Fψ0为航向状态反馈系数;Fψ为航向控制系统前馈系数;ψc为参考航向;MR为预见步数。
2.如权利要求1所述无人直升机自动着舰控制系统,其特征在于,所述飞行参考轨迹考虑了甲板运动补偿信息,所述甲板运动补偿信息是基于自适应AR模型利用历史数据进行预估的,所述自适应AR模型的l步预估算法具体如下:
当l=1时
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
当1<l≤n时
<mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>l</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mi>l</mi>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mi>l</mi>
<mo>-</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
式中,为甲板运动t时刻的预估值;n为AR模型阶数;ai(t)为AR模型参数,其随着历史数据的增加,按照以下自适应更新律进行更新:
A(t+1)=K3A(t)-K1y(t-N+n+1)+K2y(t+1)+K1Y(t-N+n+1)K2y(t+1)
式中,
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mi>A</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mi>n</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>Y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>=</mo>
<mo>&lsqb;</mo>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mi>L</mi>
</mtd>
<mtd>
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>-</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>&rsqb;</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
K1,K2,K3为更新律的更新系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711186859.6A CN107957686B (zh) | 2017-11-24 | 2017-11-24 | 基于预见控制的无人直升机自动着舰控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711186859.6A CN107957686B (zh) | 2017-11-24 | 2017-11-24 | 基于预见控制的无人直升机自动着舰控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107957686A true CN107957686A (zh) | 2018-04-24 |
CN107957686B CN107957686B (zh) | 2019-09-06 |
Family
ID=61961921
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711186859.6A Expired - Fee Related CN107957686B (zh) | 2017-11-24 | 2017-11-24 | 基于预见控制的无人直升机自动着舰控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107957686B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213203A (zh) * | 2018-09-13 | 2019-01-15 | 南京航空航天大学 | 一种基于预见控制的舰载机自动着舰控制方法 |
CN110967973A (zh) * | 2019-11-21 | 2020-04-07 | 南京航空航天大学 | 舰载机垂尾损伤故障自适应容错控制器设计方法及控制系统 |
CN112214035A (zh) * | 2020-10-12 | 2021-01-12 | 西安羚控电子科技有限公司 | 一种舰载垂起无人机的返航着舰控制方法 |
CN112486218A (zh) * | 2020-12-01 | 2021-03-12 | 深圳联合飞机科技有限公司 | 一种直升机的控制方法和系统 |
CN115145203A (zh) * | 2022-07-26 | 2022-10-04 | 广州市赛皓达智能科技有限公司 | 一种无人直升机控制系统及其算法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006076647A2 (en) * | 2005-01-14 | 2006-07-20 | Systems Technology, Inc. | Autorotation flight control system |
CN104880946A (zh) * | 2015-04-03 | 2015-09-02 | 南京航空航天大学 | 一种基于鲁棒预见控制的舰载机自动着舰控制方法 |
-
2017
- 2017-11-24 CN CN201711186859.6A patent/CN107957686B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006076647A2 (en) * | 2005-01-14 | 2006-07-20 | Systems Technology, Inc. | Autorotation flight control system |
CN104880946A (zh) * | 2015-04-03 | 2015-09-02 | 南京航空航天大学 | 一种基于鲁棒预见控制的舰载机自动着舰控制方法 |
Non-Patent Citations (3)
Title |
---|
PU HUANGZHONG等: "Tiltrotor Aircraft Attitude Control in Conversion Mode Based on Optimal Preview Control", 《PROCEEDINGS OF 2014 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE》 * |
甄子洋等: "舰载机自动着舰引导与控制研究进展", 《航空学报》 * |
邵敏敏等: "基于H2预见控制的舰载机自动着舰控制方法", 《电光与控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213203A (zh) * | 2018-09-13 | 2019-01-15 | 南京航空航天大学 | 一种基于预见控制的舰载机自动着舰控制方法 |
CN109213203B (zh) * | 2018-09-13 | 2021-06-15 | 南京航空航天大学 | 一种基于预见控制的舰载机自动着舰控制方法 |
CN110967973A (zh) * | 2019-11-21 | 2020-04-07 | 南京航空航天大学 | 舰载机垂尾损伤故障自适应容错控制器设计方法及控制系统 |
CN112214035A (zh) * | 2020-10-12 | 2021-01-12 | 西安羚控电子科技有限公司 | 一种舰载垂起无人机的返航着舰控制方法 |
CN112486218A (zh) * | 2020-12-01 | 2021-03-12 | 深圳联合飞机科技有限公司 | 一种直升机的控制方法和系统 |
CN115145203A (zh) * | 2022-07-26 | 2022-10-04 | 广州市赛皓达智能科技有限公司 | 一种无人直升机控制系统及其算法 |
Also Published As
Publication number | Publication date |
---|---|
CN107957686B (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957686B (zh) | 基于预见控制的无人直升机自动着舰控制系统 | |
CN102163059B (zh) | 推力变向无人机的姿态控制系统及控制方法 | |
CN108427406B (zh) | 一种基于预测控制的舰载机着舰控制及艉流抑制方法 | |
CN110320925B (zh) | 基于高阶干扰观测器的四旋翼飞行器安全控制方法 | |
Pashilkar et al. | A fault-tolerant neural aided controller for aircraft auto-landing | |
CN106292293B (zh) | 一种固定翼无人舰载机的自适应自动着舰引导控制系统 | |
CN107807663A (zh) | 基于自适应控制的无人机编队保持控制方法 | |
CN105425812B (zh) | 一种基于双模型下的无人机自动着舰轨迹控制方法 | |
CN111290278B (zh) | 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法 | |
CN106502255B (zh) | 一种舰载机自动着舰控制系统的设计方法和控制方法 | |
CN109696830A (zh) | 小型无人直升机的强化学习自适应控制方法 | |
CN109213203B (zh) | 一种基于预见控制的舰载机自动着舰控制方法 | |
CN113220021B (zh) | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 | |
CN111813133B (zh) | 一种基于相对精密单点定位的无人机舰船自主着陆方法 | |
CN105759609B (zh) | 一种基于显式非线性模型预测控制的舰载机自主着舰方法 | |
CN110967973A (zh) | 舰载机垂尾损伤故障自适应容错控制器设计方法及控制系统 | |
CN107526296A (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 | |
CN115903865A (zh) | 一种飞行器近距空战机动决策实现方法 | |
CN114370793A (zh) | 一种火箭子级返回与垂直着陆制导方法 | |
Timchenko et al. | Optimization of processes of robust control of quadcopter for monitoring of sea waters | |
CN107479382A (zh) | 基于在线数据学习的高超声速飞行器神经网络控制方法 | |
CN116300992A (zh) | 一种基于l1自适应动态逆的变体飞行器控制方法 | |
CN108958278B (zh) | 一种空天飞行器巡航段快速抗干扰制导方法 | |
CN114637312A (zh) | 一种基于智能变形决策的无人机节能飞行控制方法及系统 | |
CN113110538A (zh) | 一种基于反步法控制的舰载机着舰固定时间容错控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190906 Termination date: 20201124 |
|
CF01 | Termination of patent right due to non-payment of annual fee |