CN110244751A - 一种高超声速飞行器姿态自适应递推控制方法及系统 - Google Patents
一种高超声速飞行器姿态自适应递推控制方法及系统 Download PDFInfo
- Publication number
- CN110244751A CN110244751A CN201910440199.2A CN201910440199A CN110244751A CN 110244751 A CN110244751 A CN 110244751A CN 201910440199 A CN201910440199 A CN 201910440199A CN 110244751 A CN110244751 A CN 110244751A
- Authority
- CN
- China
- Prior art keywords
- characteristic model
- attitude
- adaptive
- error
- expansion state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 22
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000035935 pregnancy Effects 0.000 abstract 3
- 238000004088 simulation Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012360 testing method 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
一种高超声速飞行器姿态自适应递推控制方法及系统,步骤如下:(1)结合控制目标、飞行器再入姿态动力学分析以及未建模动态和干扰分析,建立带扩张状态的姿态误差特征模型,其中扩张状态用于描述系统的未建模动态和干扰;(2)构建模糊神经网络估计器估计特征模型中的扩张状态,并结合特征模型结构联合设计特征模型的参数和神经网络参数的自适应律;(3)基于误差面,设计递推形式的自适应控制律,进一步提高控制系统的鲁棒性。本发明方法对不确定性有更好的适应能力,具有鲁棒性较强、控制精度较高等优点,适用于高超声速飞行器存在复杂未建模动态和强干扰环境下姿态的精确跟踪。
Description
技术领域
本发明属航天航空领域,涉及一种面向强不确定高超声速飞行器基于神经网络特征模型的姿态自适应递推控制方法。
背景技术
高超声速飞行器常面临复杂的飞行环境,飞行过程中的结构参数、气动参数摄动剧烈,未建模动态特性多,从而导致用于控制系统设计的高超声速飞行器模型具有强烈的不确定性,这给姿态高精度控制设计带来困难。自适应控制是解决对象不确定性问题的常见方法,但目前飞行器姿态自适应控制方法要求飞行器气动模型的具体结构已知,仅可解决参数的不确定性问题。然而,由于缺乏足够的飞行和地面试验,高超声速气体流动的规律难以完全掌握,气动模型的结构也存在较强的不确定性。鲁棒控制方法也常用来解决对象的不确定性问题,但采用鲁棒控制方法的姿态控制系统设计均基于模型的标称结构。而飞行器未建模动态特性多,导致控制系统的基础结构失真。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出了一种基于特征模型的自适应控制方法,通过构建基于神经网络扩张状态的特征模型,并结合递推控制方法,提高姿态控制系统对模型自身的不确定性和外界干扰的鲁棒性,实现姿态的精确跟踪。该方法形式简单,便于工程实现,为我国高超声速飞行器姿态控制提供了技术储备。
本发明的技术解决方案是:
一种高超声速飞行器姿态自适应递推控制方法,步骤如下:
(1)选取姿态跟踪误差作为被控输出,建立带扩张状态的姿态误差特征模型,其中扩张状态用于描述系统的未建模动态和干扰;
(2)针对所述带扩张状态的姿态误差特征模型,构建模糊神经网络估计器估计特征模型中的扩张状态,结合所述带扩张状态的姿态误差特征模型的结构,设计特征模型参数联合神经网络参数的自适应律;
(3)基于所述带扩张状态的姿态误差特征模型以及特征模型参数联合神经网络参数自适应律,设计具有递推形式的自适应控制律;
(4)根据所述具有递推形式的自适应控制律,实现高超声速飞行器的姿态控制。
所述步骤(1)中带扩张状态的姿态误差特征模型的建立,具体为:
采用泰勒展开的离散化方法,建立高超声速飞行器带扩张状态的特征模型如下:
其中,k用来描述当前的离散时刻,具体为当前连续时刻与采样周期的比值,eα,eβ,eγ分别为攻角跟踪误差、侧滑角跟踪误差和滚转角跟踪误差,δe(k),δr(k),δa(k)分别为升降舵偏角、方向舵偏角和副翼偏角,f0i,f1i,g0i,为特征参量,Sα(k)=Δα(k)-λαδe(k),Sβ(k)=Δβ(k)-λβδr(k),Sγ(k)=Δγ(k)-λγδa(k)分别为三通道的扩张状态,λi为控制增益修正系数,参数Δi(k)为未建模动态及干扰项,i∈{α,β,γ},α,β,γ分别为攻角、侧滑角和滚转角。
步骤(2)构建模糊神经网络估计器估计特征模型中的扩张状态,具体为:分别选取
xα=[α(k),α(k-1)δe(k-1)]T,
xβ=[β(k),β(k-1)δr(k-1)]T,
xγ=[γ(k),γ(k-1)δa(k-1)]T,
作为攻角通道、侧滑角通道和滚转角通道的网络输入,构建神经网络近似扩张状态,神经网络估计器表达式为
其中,为网络可调参数向量,是网络输出层向量,是网络规则层向量。
步骤(2)设计特征模型参数联合神经网络参数的自适应律,具体为:
(2.1)将特征参量f0i(k),f1i(k),g0i(k)分解为未知标称常数项和时变误差项之和,i∈{α,β,γ};
(2.2)设计特征模型参数联合神经网络参数的自适应律如下:
其中,φα(k)=[eα(k)eα(k-1)δe(k)]T,φβ(k)=[eβ(k)eβ(k-1)δr(k)]T,φγ(k)=[eγ(k)eγ(k-1)δa(k)]T,为可调参数,
式中,为模型估计误差,0<σi为待设计的可调参数,sat(.)为饱和函数。
所述步骤(3)设计具有递推形式的自适应控制律,具体为:
(3.1)定义误差面:
si(k)=ei(k)-ksiei(k-1),i∈{α,β,γ}
其中,0<ksα,ksβ,ksγ<1;
(3.2)将误差面结合带扩张状态的姿态误差特征模型得到误差面动态方程:
式中,
(3.3)基于上述误差面动态方程设计递推形式的自适应控制律如下
其中,0<kpα,kpβ,kpγ<1。
一种基于所述的高超声速飞行器姿态自适应递推控制方法实现的递推控制系统,包括:
姿态误差特征模型建立模块:选取姿态跟踪误差作为被控输出,建立带扩张状态的姿态误差特征模型,其中扩张状态用于描述系统的未建模动态和干扰;
第一自适应控制律构建模块:针对所述带扩张状态的姿态误差特征模型,构建模糊神经网络估计器估计特征模型中的扩张状态,结合所述带扩张状态的姿态误差特征模型的结构,设计特征模型参数联合神经网络参数的自适应律;
第二自适应控制律构建模块:基于所述带扩张状态的姿态误差特征模型以及特征模型参数联合神经网络参数自适应律,设计具有递推形式的自适应控制律;
姿态控制模块:根据所述具有递推形式的自适应控制律,实现高超声速飞行器的姿态控制。
本发明与现有技术相比的有益效果是:
(1)本发明包含一种包含扩张状态的新型特征模型结构。原有特征模型将未建模动态和干扰压缩至特征参数中,导致特征参量范围难以确定。而本发明提出的特征模型增加一个扩张状态用以描述自身未建模动态和外界干扰,因而避免了特征参量范围难以确定的问题。
(2)本发明包含一种基于神经网络的扩张状态估计方法,提高了特征模型的建模精度,进一步提高了姿态控制系统对自身未建模动态及外界干扰的鲁棒性;包含一种特征模型参数联合神经网络参数的自适应更新律,保证了特征模型建模误差的收敛性。
(3)本发明包含一种递推自适应控制律设计方法,相比原有基于特征模型的控制方法,可进一步提高姿态控制精度。
附图说明
图1为本发明方法流程图。
图2为本发明采用的模糊神经网络结构图。
图3为实施例仿真中α,β,γ跟踪曲线。
图4为实施例仿真中误差曲线。
具体实施方式
下面结合附图对本发明的具体实施方式进行进一步的详细描述。
在高超声速飞行器的每个控制周期计算控制指令:升降舵偏角δe、方向舵偏角δr、副翼δa,通过步骤(1)-(3)实现,如图1所示。
步骤(1)根据高超声速飞行器动力学模型,结合控制目标和系统特性分析建立带扩张状态的姿态误差特征模型。扩张状态用于描述系统的未建模动态和干扰。
本发明中考虑再入式高超声速飞行器全通道控制姿态动力学模型如下:
式中,α,β,γ为攻角、侧滑角和倾侧角;p,q,r为滚转角速度、俯仰角速度和偏航角速度;
式中,μ,m,V为弹道倾角、飞行器质量和速度;Jx,Jy,Jz为绕机体系各轴的转动惯量;气动力X,Y,Z和气动力矩L,M,N的表达式如下:
式中,Q(Q=0.5ρV2),Ma,S,l为动压、马赫数、飞行器参考面积和参考长度;δa,δe,δr为三通道舵偏角。Ci∈{Cx,Cy,Cz,Cl,Cm,Cn,Clp,Cmq,Cnr}为气动系数,ΔCi为气动数据存在的干扰不确定性。
定义飞行器姿态跟踪误差eα=α-αc,eβ=β-βc,eγ=γ-γc,其中αc,βc,γc是姿态角跟踪指令,假设其光滑且已知,结合飞行器动力学模型可得姿态跟踪误差方程如下:
考虑到飞行器以BTT模式飞行,即飞行期间侧滑角维持在0°附近,通道间耦合相对较弱。因此,建立三通道解耦的特征模型。求取eα,eβ,eγ的二阶导数,并将p,q,r的动态方程代入求导结果可得
式中,
将气动参数近似如下:
进而可得
其中,
根据角速率的动力学方程可得:
结合上式可进一步求得姿态误差的动力学方程
其中,
控制增益系数表达式如下:
定义采样周期T,分别在kT时刻对eα((k+1)T)和eα((k-1)T)进行二阶泰勒展开可得
其中,0≤τ1,τ2≤T。用A(k)表示A(kT),将上述两式相减并结合姿态动力学表达式可得
其中,
考虑控制结构中引入的控制增益,以攻角通道为例,建立带扩张状态的特征模型如下:
eα(k+1)=f0α(k)eα(k)+f1α(k)eα(k-1)+(g0α(k)+λα)δe(k)+Sα(k)
特征参量f0i,f1i,g0i表达式如下
步骤(2)构建模糊神经网络估计器估计特征模型中的扩张状态,并结合特征模型结构联合设计特征模型的参数和神经网络参数的自适应律。
定义向量θα(k)=[f0α(k)f1α(k)g0α(k)]T,当飞行包线确定后,结合特征参量表达式可估算出θα(k)的取值范围
其中,
Lα,g α,的取值由飞行包线决定。
现对扩张状态Sα和特征参量f0α(k),f1α(k),g0α(k)进行联合估计。以攻角为例,首先,选取xα=[α(k),α(k-1)δ(k-1)]T作为攻角通道的网络输入,构建如附图2所示神经网络近似扩张状态,神经网络表达式为
其中,为网络可调参数向量,是网络输出层向量,是网络规则层向量。根据神经网络性质有
然后,将特征参量f0α(k),f1α(k),g0α(k)分解为未知标称常数项和时变误差项之和如下:
最后,设计神经网络参数和特征参量未知常数项的更新律。
定义为k时刻的估计,为k时刻的估计值,建立飞行器输出基于扩张状态特征模型的估计模型如下:
进而设计如下参数更新律
其中,
φα(k)=[eα(k)eα(k-1)δe(k)]T
其中,0<ηα1,ηα2是待设计的可调参数,投影算子P将估计参数投影至集合Ωα中。函数的表达式如下
式中,0<σα为待设计的可调参数,sat(.)为饱和函数。
步骤(3)基于误差面,设计递推形式的自适应控制律。
以攻角为例,定义误差面:
s(k)=eα(k)-kseα(k-1)
其中,0<ks<1。
结合姿态动力学扩张状态特征模型可得:
式中,
基于上述误差面动态方程设计递推形式的自适应控制律如下
其中,0<kp<1。上述递推形式的自适应控制律,可使得模型估计误差一致收敛时,误差面趋近于0,从而减弱了的存在对控制精度的影响。
实施例:
为验证本发明提出的基于扩张状态特征模型及递推形式自适应控制律的有效性,开展四种控制方案的对比仿真。控制方案一采用带扩张状态的特征模型以及非递推形式的控制律结构,控制方案二采用不带扩张状态的特征模型以及非递推形式的控制律结构,控制方案三为本发明提出的控制方案,即采用带扩张状态的特征模型以及递推形式的控制律结构,控制方案四采用不带扩张状态的特征模型以及递推形式的控制律。
实施例结构及分析:
四种控制方案下的姿态指令跟踪曲线如图3所示,跟踪误差曲线如图4所示,相应的控制精度如下表1所示。
表1仿真中误差数据表
对比方案一和方案二以及方案三和方案四可知,所提出的基于扩张状态特征模型的自适应控制方案下的姿态控制精度高于基于传统不带扩张状态特征模型的自适应控制方案;对比方案一和方案三或方案二和方案四可知,所提出的递推形式的稳定控制律相对比普通形式的控制律具有更高的控制精度;此外,由方案二和方案四姿态响应的动态过程可见,递推形式的稳定控制律下,系统具有更好的动态性能。
总结上述仿真结果可得,相比传统特征模型,所提出的带扩张状态的特征模型结构下的自适应控制系统对不确定性具有更好的鲁棒性。此外,相比于普通形式的控制律,所提出递推形式的控制律具有更好的控制性能。
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的公知技术。
Claims (10)
1.一种高超声速飞行器姿态自适应递推控制方法,其特征在于步骤如下:
(1)选取姿态跟踪误差作为被控输出,建立带扩张状态的姿态误差特征模型,其中扩张状态用于描述系统的未建模动态和干扰;
(2)针对所述带扩张状态的姿态误差特征模型,构建模糊神经网络估计器估计特征模型中的扩张状态,结合所述带扩张状态的姿态误差特征模型的结构,设计特征模型参数联合神经网络参数的自适应律;
(3)基于所述带扩张状态的姿态误差特征模型以及特征模型参数联合神经网络参数自适应律,设计具有递推形式的自适应控制律;
(4)根据所述具有递推形式的自适应控制律,实现高超声速飞行器的姿态控制。
2.根据权利要求1所述的一种高超声速飞行器姿态自适应递推控制方法,其特征在于:所述步骤(1)中带扩张状态的姿态误差特征模型的建立,具体为:
采用泰勒展开的离散化方法,建立高超声速飞行器带扩张状态的特征模型如下:
其中,k用来描述当前的离散时刻,具体为当前连续时刻与采样周期的比值,eα,eβ,eγ分别为攻角跟踪误差、侧滑角跟踪误差和滚转角跟踪误差,δe(k),δr(k),δa(k)分别为升降舵偏角、方向舵偏角和副翼偏角,f0i,f1i,g0i,为特征参量,Sα(k)=Δα(k)-λαδe(k),Sβ(k)=Δβ(k)-λβδr(k),Sγ(k)=Δγ(k)-λγδa(k)分别为三通道的扩张状态,λi为控制增益修正系数,参数Δi(k)为未建模动态及干扰项,i∈{α,β,γ},α,β,γ分别为攻角、侧滑角和滚转角。
3.根据权利要求2所述的一种高超声速飞行器姿态自适应递推控制方法,其特征在于:步骤(2)构建模糊神经网络估计器估计特征模型中的扩张状态,具体为:分别选取
xα=[α(k),α(k-1)δe(k-1)]T,
xβ=[β(k),β(k-1)δr(k-1)]T,
xγ=[γ(k),γ(k-1)δa(k-1)]T,
作为攻角通道、侧滑角通道和滚转角通道的网络输入,构建神经网络近似扩张状态,神经网络估计器表达式为
其中,为网络可调参数向量,是网络输出层向量,是网络规则层向量。
4.根据权利要求3所述的一种高超声速飞行器姿态自适应递推控制方法,其特征在于:步骤(2)设计特征模型参数联合神经网络参数的自适应律,具体为:
(2.1)将特征参量f0i(k),f1i(k),g0i(k)分解为未知标称常数项和时变误差项之和,i∈{α,β,γ};
(2.2)设计特征模型参数联合神经网络参数的自适应律如下:
其中,φα(k)=[eα(k)eα(k-1)δe(k)]T,φβ(k)=[eβ(k)eβ(k-1)δr(k)]T,φγ(k)=[eγ(k)eγ(k-1)δa(k)]T,为可调参数,
式中,为模型估计误差,0<σi为待设计的可调参数,sat(.)为饱和函数。
5.根据权利要求4所述的一种高超声速飞行器姿态自适应递推控制方法,其特征在于:所述步骤(3)设计具有递推形式的自适应控制律,具体为:
(3.1)定义误差面:
si(k)=ei(k)-ksiei(k-1),i∈{α,β,γ}
其中,0<ksα,ksβ,ksγ<1;
(3.2)将误差面结合带扩张状态的姿态误差特征模型得到误差面动态方程:
式中,
(3.3)基于上述误差面动态方程设计递推形式的自适应控制律如下
其中,0<kpα,kpβ,kpγ<1。
6.一种基于权利要求1所述的高超声速飞行器姿态自适应递推控制方法实现的递推控制系统,其特征在于包括:
姿态误差特征模型建立模块:选取姿态跟踪误差作为被控输出,建立带扩张状态的姿态误差特征模型,其中扩张状态用于描述系统的未建模动态和干扰;
第一自适应控制律构建模块:针对所述带扩张状态的姿态误差特征模型,构建模糊神经网络估计器估计特征模型中的扩张状态,结合所述带扩张状态的姿态误差特征模型的结构,设计特征模型参数联合神经网络参数的自适应律;
第二自适应控制律构建模块:基于所述带扩张状态的姿态误差特征模型以及特征模型参数联合神经网络参数自适应律,设计具有递推形式的自适应控制律;
姿态控制模块:根据所述具有递推形式的自适应控制律,实现高超声速飞行器的姿态控制。
7.根据权利要求6所述的递推控制系统,其特征在于:带扩张状态的姿态误差特征模型的建立,具体为:
采用泰勒展开的离散化方法,建立高超声速飞行器带扩张状态的特征模型如下:
其中,k用来描述当前的离散时刻,具体为当前连续时刻与采样周期的比值,eα,eβ,eγ分别为攻角跟踪误差、侧滑角跟踪误差和滚转角跟踪误差,δe(k),δr(k),δa(k)分别为升降舵偏角、方向舵偏角和副翼偏角,f0i,f1i,g0i,为特征参量,Sα(k)=Δα(k)-λαδe(k),Sβ(k)=Δβ(k)-λβδr(k),Sγ(k)=Δγ(k)-λγδa(k)分别为三通道的扩张状态,λi为控制增益修正系数,参数Δi(k)为未建模动态及干扰项,i∈{α,β,γ},α,β,γ分别为攻角、侧滑角和滚转角。
8.根据权利要求7所述的递推控制系统,其特征在于:构建模糊神经网络估计器估计特征模型中的扩张状态,具体为:分别选取
xα=[α(k),α(k-1)δe(k-1)]T,
xβ=[β(k),β(k-1)δr(k-1)]T,
xγ=[γ(k),γ(k-1)δa(k-1)]T,
作为攻角通道、侧滑角通道和滚转角通道的网络输入,构建神经网络近似扩张状态,神经网络估计器表达式为
其中,为网络可调参数向量,是网络输出层向量,是网络规则层向量。
9.根据权利要求8所述的递推控制系统,其特征在于:设计特征模型参数联合神经网络参数的自适应律,具体为:
(2.1)将特征参量f0i(k),f1i(k),g0i(k)分解为未知标称常数项和时变误差项之和,i∈{α,β,γ};
(2.2)设计特征模型参数联合神经网络参数的自适应律如下:
其中,φα(k)=[eα(k)eα(k-1)δe(k)]T,φβ(k)=[eβ(k)eβ(k-1)δr(k)]T,φγ(k)=[eγ(k)eγ(k-1)δa(k)]T,为可调参数,
式中,为模型估计误差,0<σi为待设计的可调参数,sat(.)为饱和函数。
10.根据权利要求9所述的递推控制系统,其特征在于:设计具有递推形式的自适应控制律,具体为:
(3.1)定义误差面:
si(k)=ei(k)-ksiei(k-1),i∈{α,β,γ}
其中,0<ksα,ksβ,ksγ<1;
(3.2)将误差面结合带扩张状态的姿态误差特征模型得到误差面动态方程:
式中,
(3.3)基于上述误差面动态方程设计递推形式的自适应控制律如下
其中,0<kpα,kpβ,kpγ<1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440199.2A CN110244751B (zh) | 2019-05-24 | 2019-05-24 | 一种高超声速飞行器姿态自适应递推控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910440199.2A CN110244751B (zh) | 2019-05-24 | 2019-05-24 | 一种高超声速飞行器姿态自适应递推控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110244751A true CN110244751A (zh) | 2019-09-17 |
CN110244751B CN110244751B (zh) | 2022-04-22 |
Family
ID=67885060
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910440199.2A Active CN110244751B (zh) | 2019-05-24 | 2019-05-24 | 一种高超声速飞行器姿态自适应递推控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110244751B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061283A (zh) * | 2019-12-09 | 2020-04-24 | 北京控制工程研究所 | 一种基于特征模型的吸气式高超声速飞行器高度控制方法 |
CN111290421A (zh) * | 2020-03-20 | 2020-06-16 | 湖南云顶智能科技有限公司 | 一种考虑输入饱和的高超声速飞行器姿态控制方法 |
CN111880552A (zh) * | 2020-07-28 | 2020-11-03 | 中国科学院长春光学精密机械与物理研究所 | 多旋翼无人机轨迹跟踪复合控制方法 |
CN112034704A (zh) * | 2020-07-27 | 2020-12-04 | 北京控制工程研究所 | 一种动态增益的在线估计方法 |
CN116513467A (zh) * | 2023-04-27 | 2023-08-01 | 华中科技大学 | 一种考虑进气安全的高速飞行器优化控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725644A (zh) * | 2019-01-22 | 2019-05-07 | 湖南云顶智能科技有限公司 | 一种高超声速飞行器线性优化控制方法 |
-
2019
- 2019-05-24 CN CN201910440199.2A patent/CN110244751B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725644A (zh) * | 2019-01-22 | 2019-05-07 | 湖南云顶智能科技有限公司 | 一种高超声速飞行器线性优化控制方法 |
Non-Patent Citations (5)
Title |
---|
YAFEI CHANG等: "Adaptive control of hypersonic vehicles based on characteristic models with fuzzy neural network estimators", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
YU MA等: "A Fuzzy Model Predictive Control Based Upon Adaptive Neural Network Disturbance Observer for a Constrained Hypersonic Vehicle", 《IEEE ACCESS》 * |
常亚菲等: "高超声速再入飞行器的特征建模及自适应递推滑模控制", 《宇航学报》 * |
徐露兵: "基于高超声速飞行器抗干扰跟踪控制算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
郭一军等: "基于模糊自抗扰技术的机械臂轨迹跟踪控制", 《陕西师范大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111061283A (zh) * | 2019-12-09 | 2020-04-24 | 北京控制工程研究所 | 一种基于特征模型的吸气式高超声速飞行器高度控制方法 |
CN111061283B (zh) * | 2019-12-09 | 2023-08-29 | 北京控制工程研究所 | 一种基于特征模型的吸气式高超声速飞行器高度控制方法 |
CN111290421A (zh) * | 2020-03-20 | 2020-06-16 | 湖南云顶智能科技有限公司 | 一种考虑输入饱和的高超声速飞行器姿态控制方法 |
CN112034704A (zh) * | 2020-07-27 | 2020-12-04 | 北京控制工程研究所 | 一种动态增益的在线估计方法 |
CN112034704B (zh) * | 2020-07-27 | 2022-08-12 | 北京控制工程研究所 | 一种动态增益的在线估计方法 |
CN111880552A (zh) * | 2020-07-28 | 2020-11-03 | 中国科学院长春光学精密机械与物理研究所 | 多旋翼无人机轨迹跟踪复合控制方法 |
CN116513467A (zh) * | 2023-04-27 | 2023-08-01 | 华中科技大学 | 一种考虑进气安全的高速飞行器优化控制方法 |
CN116513467B (zh) * | 2023-04-27 | 2023-12-26 | 华中科技大学 | 一种考虑进气安全的高速飞行器优化控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110244751B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110244751B (zh) | 一种高超声速飞行器姿态自适应递推控制方法及系统 | |
CN110377045B (zh) | 一种基于抗干扰技术的飞行器全剖面控制方法 | |
CN109144084B (zh) | 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法 | |
CN108536020B (zh) | 一种针对垂直起降重复使用运载器的模型参考自适应滑模控制方法 | |
CN104331084B (zh) | 一种基于方向舵控滚转策略的气动舵偏范围计算方法 | |
CN110162071B (zh) | 一种高超声速飞行器再入末段姿态控制方法及系统 | |
CN105159305B (zh) | 一种基于滑模变结构的四旋翼飞行控制方法 | |
CN111290421A (zh) | 一种考虑输入饱和的高超声速飞行器姿态控制方法 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
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 | |
CN109725644A (zh) | 一种高超声速飞行器线性优化控制方法 | |
CN108180910B (zh) | 一种基于气动参数不确定的飞行器快速高精度制导方法 | |
CN105629734B (zh) | 一种近空间飞行器的轨迹跟踪控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
CN109703768B (zh) | 一种基于姿态/轨迹复合控制的软式空中加油对接方法 | |
CN108153323B (zh) | 一种高空无人飞行器高精度再入制导方法 | |
CN106896722B (zh) | 采用状态反馈与神经网络的高超飞行器复合控制方法 | |
CN109683624A (zh) | 用于小型无人直升机姿态控制的非线性鲁棒控制方法 | |
CN113778129A (zh) | 一种干扰补偿的高超声速变后掠翼飞行器跟踪控制方法 | |
CN108646554A (zh) | 一种基于指定性能的飞行器快速抗干扰纵向制导方法 | |
CN110209192A (zh) | 战斗机航向增稳控制系统设计方法 | |
CN111708378B (zh) | 一种基于强化学习的导弹纵向姿态控制算法 | |
CN113625732A (zh) | 基于角加速度估计的增量反馈逆角速度控制律设计方法 | |
CN115220467A (zh) | 一种基于神经网络增量动态逆的飞翼飞行器姿态控制方法 | |
CN108958278B (zh) | 一种空天飞行器巡航段快速抗干扰制导方法 |
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 |