CN110320794A - 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 - Google Patents
基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 Download PDFInfo
- Publication number
- CN110320794A CN110320794A CN201910671294.3A CN201910671294A CN110320794A CN 110320794 A CN110320794 A CN 110320794A CN 201910671294 A CN201910671294 A CN 201910671294A CN 110320794 A CN110320794 A CN 110320794A
- Authority
- CN
- China
- Prior art keywords
- formula
- indicate
- design
- follows
- subsystem
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000009415 formwork Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000005624 perturbation theories Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229920001971 elastomer Polymers 0.000 description 2
- 239000000806 elastomer Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 238000005312 nonlinear dynamic 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05D1/04—Control of altitude or depth
- G05D1/042—Control of altitude or depth specially adapted for aircraft
-
- 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
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D13/00—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover
- G05D13/62—Control of linear speed; Control of angular speed; Control of acceleration or deceleration, e.g. of a prime mover characterised by the use of electric means, e.g. use of a tachometric dynamo, use of a transducer converting an electric value into a displacement
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,该方法首先对弹性飞行器纵向通道模型解耦为速度子系统和姿态子系统;针对速度子系统采用PID控制,针对姿态子系统利用奇异摄动理论对其进行分析,实现刚柔模态解耦和快慢时标分离。设计滑模控制方法对弹性快变子系统进行控制;设计反步法控制对姿态慢变子系统进行控制,同时利用复合神经网络对未知动力学进行逼近,设计非线性观测器补偿外界干扰。基于上述所设计的控制器,实现高度和速度的精确跟踪。
Description
技术领域
本发明涉及一种飞行器控制方法,特别是涉及一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,属于飞行器控制领域。
背景技术
由于采用轻质化材料,飞行器存在结构弹性问题,其不仅会导致系统控制精度下降,同时也可能造成机体断裂。同时由于飞行环境和系统结构的复杂性,飞行器动力学模型存在未知非线性,基于神经网络的智能控制技术得到广泛关注,但多数已有的智能逼近方法仅基于李雅普诺夫稳定性设计权重更新律,缺乏对内部信息的挖掘,违背了对未知动力学进行有效估计的初衷。《Robust adaptive neural control of flexible hypersonicflight vehicle with dead-zone input nonlinearity》(Bin Xu,《NonlinearDynamics》,2015,80:1509-1520)一文将弹性模态视为扰动项,利用鲁棒项对弹性模态进行补偿,解决了高超声速飞行器的弹性体控制问题,但此方法没有对弹性模态进行深入分析和处理,并且没有考虑外界干扰对系统的影响,无法保证系统的控制精度。
发明内容
要解决的技术问题
为解决飞行器未知外界干扰和弹性体控制问题,本发明提出了一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,该方法首先对弹性飞行器纵向通道模型解耦为速度子系统和姿态子系统;针对速度子系统采用PID控制,针对姿态子系统利用奇异摄动理论对其进行分析,实现刚柔模态解耦和快慢时标分离。设计滑模控制方法对弹性快变子系统进行控制;设计反步法控制对姿态慢变子系统进行控制,同时利用复合神经网络对未知动力学进行逼近,设计非线性观测器补偿外界干扰。基于上述所设计的控制器,实现高度和速度的精确跟踪。
技术方案
一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,其特征在于步骤如下:
步骤1:建立弹性飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;dγ、dθ和dq表示未知外界干扰;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力;
力与力矩以及各系数的表达式为:
其中,表示动压,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积,和均为气动参数,Nα、N0为表征弹性体动力学的相关系数;
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
式中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
式中,表示高度参考指令的二阶微分;
步骤3:取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角,将姿态子系统(3)-(6)写为以下形式:
式中,
定义ρσ=η,ρB2=β1,姿态子系统(9)写为以下形式:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
式中,‘s’表示慢变子系统,δes表示慢变子系统的舵偏角;
将式(14)代入式(10)中,慢变子系统(11)-(14)写为以下形式:
慢变子系统(15)可进一步写为以下严格反馈形式:
式中,fi,i=1,3表示由式(15)得到的未知平滑非线性函数;gi,i=1,3表示由式(15)得到的已知非线性函数;
步骤4:定义ψ1=σ-σs,式(6)写为以下形式:
式中,δef=δe-δes表示快变子系统的舵偏角;
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为以下矩阵形式:
式中,ψ=[ψ1,ψ2]T,
步骤5:定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
式中,表示神经网络最优权重的估计值,θ1表示神经网络基函数向量,表示复合扰动的估计值,k1>0为设计参数;
设计一阶滤波器为:
式中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的一阶微分,α2>0为设计参数;
定义预测误差为:
其中由下式得到:
式中,B1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和δ1>0为设计参数;
设计扰动观测器为:
其中χ1由下式得到:
式中,L1>0为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,表示复合扰动的估计值,k2>0为设计参数;
设计一阶滤波器为:
式中,表示通过式(30)所表达的滤波器后获得的信号,为滤波后得到的信号的一阶微分,α3>0为设计参数;
设计扰动观测器为:
其中χ2由下式得到:
式中,L2>0为设计参数;
定义俯仰角速率跟踪误差为:
设计慢变子系统的舵偏角为:
其中,表示神经网络最优权重的估计值,θ3表示神经网络基函数向量,表示复合扰动的估计值,k3>0为设计参数;
定义预测误差为:
其中由下式得到:
式中,B3>0为设计参数;
设计自适应律为:
式中,γ3>0,γz3>0和δ3>0为设计参数;
设计扰动观测器为:
其中χ3由下式得到:
式中,L3>0为设计参数;
步骤6:定义滑模切换函数为:
c=Gψ (40)
式中,G∈R2×2为设计的矩阵;
设计快变子系统的舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (41)
式中,‘+’表示矩阵的摩尔彭罗斯逆,Kf为设计的正定矩阵;
步骤7:定义速度跟踪误差为:
式中,Vd为速度参考指令;
设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数;
步骤8:根据得到的慢变子系统的舵偏角δes和快变子系统的舵偏角δef,得到姿态子系统的舵偏角δe=δes+δef,结合速度子系统的节流阀开度Φ,返回到弹性高超声速飞行器动力学模型(1)-(6),对高度和速度进行跟踪控制。
有益效果
本发明提出的一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,与现有技术相比有益效果为:
(1)本发明考虑飞行器弹性模态对控制精度带来的影响,利用奇异摄动理论对动力学模型进行分析,实现刚柔模态解耦和快慢时标分离。
(2)本发明基于平行估计模型构建预测误差,并结合跟踪误差,设计神经网络和扰动观测器的自适应更新律,提高集总不确定的估计精度。
(3)本发明基于两种估计信息设计复合学习控制器,突破单一神经网络逼近系统不确定或扰动观测补偿外界干扰的思想,可提高控制精度。
附图说明
图1是本发明基于干扰观测的弹性飞行器奇异摄动复合学习控制方法的流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
参照图1,本发明基于干扰观测的弹性飞行器奇异摄动复合学习控制方法应用于一类弹性高超声速飞行器中,通过以下步骤实现:
(a)考虑弹性飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成。其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;dγ、dθ和dq表示未知外界干扰;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力。
力、力矩、干扰以及各系数的表达式为:
dγ=0.001cos(2t),dθ=0.001sin(2t),dq=0.002cos(t)
其中,表示动压,ρ0表示空气密度,c表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积。
(b)定义高度跟踪误差eh=h-hd,设计航迹角指令γd为:
式中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh=0.5和ki=0.1。
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
式中,表示高度参考指令的二阶微分。
(c)取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角,姿态子系统(3)-(6)写为以下形式:
式中,
定义ρσ=η,ρB2=β1,姿态子系统(9)写为以下形式:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
式中,‘s’表示慢变子系统,δes表示慢变子系统的舵偏角。
将式(14)代入式(10)中,慢变子系统(11)-(14)写为以下形式:
慢变子系统(15)可进一步写为以下严格反馈形式:
式中,
(d)定义ψ1=σ-σs,式(6)写为以下形式:
式中,δef=δe-δes表示快变子系统的舵偏角。
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为以下矩阵形式:
式中,ψ=[ψ1,ψ2]T,
(e)定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
式中,表示神经网络最优权重的估计值,θ1表示神经网络基函数向量,表示复合扰动的估计值,k1=3。
设计一阶滤波器为:
式中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的一阶微分,α2=0.005。
定义预测误差为:
其中由下式得到:
式中,B1=5。
设计自适应律为:
式中,γ1=1,γz1=1和δ1=0.001。
设计扰动观测器为:
其中χ1由下式得到:
式中,L1=1。
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,表示复合扰动的估计值,k2=3。
设计一阶滤波器为:
式中,表示通过式(30)所表达的滤波器后获得的信号,为滤波后得到的信号的微分信号,α3=0.005。
设计扰动观测器为:
其中χ2由下式得到
式中,L2=1。
定义俯仰角速率跟踪误差为:
设计慢变子系统的舵偏角为:
其中,表示神经网络最优权重的估计值,θ3表示神经网络基函数向量,表示复合扰动的估计值,k3=3。
定义预测误差为:
其中由下式得到:
式中,B3=5。
设计自适应律为:
式中,γ3=1,γz3=1和δ3=0.001。
设计扰动观测器为:
其中χ3由下式得到:
式中,L3=1。
(g)定义滑模切换函数为:
c=Gψ (40)
式中,
设计快变子系统的舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (41)
式中,‘+’表示矩阵的摩尔彭罗斯逆,
(h)定义速度跟踪误差为:
式中,Vd为速度参考指令。
设计节流阀开度Φ为:
式中,kpV=5,kiV=0.001和kdV=0.001。
(i)根据得到的慢变子系统的舵偏角δes和快变子系统的舵偏角δef,得到姿态子系统的舵偏角δe=δes+δef,结合速度子系统的节流阀开度Φ,返回到弹性飞行器纵向动力学模型(1)-(6),对高度和速度进行跟踪控制。
Claims (1)
1.一种基于干扰观测的弹性飞行器奇异摄动复合学习控制方法,其特征在于步骤如下:
步骤1:建立弹性飞行器纵向通道动力学模型:
所述的运动学模型由七个状态量和两个控制输入U=[δe,Φ]T组成;其中,V表示速度,h表示高度,γ表示航迹倾角,α表示攻角,q表示俯仰角速度,η和表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;dγ、dθ和dq表示未知外界干扰;m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度;ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力;
力与力矩以及各系数的表达式为:
T=A1+B1η,
D=A2+B2η,
L=A3+B3η,
Myy=A4+B4η,
其中,表示动压,表示平均气动弦长,zT表示推力矩臂长,S表示气动参考面积,和均为气动参数,Nα、N0为表征弹性体动力学的相关系数;
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
式中,hd表示高度参考指令,表示高度参考指令的一阶微分,kh>0和ki>0为设计参数;
根据时标分离,将速度看作慢动态,设计航迹角指令的一阶微分为:
式中,表示高度参考指令的二阶微分;
步骤3:取x1=γ,x2=θ,x3=q,其中θ=α+γ表示俯仰角,将姿态子系统(3)-(6)写为以下形式:
式中,
定义ρσ=η,ρB2=β1,姿态子系统(9)写为以下形式:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
式中,‘s’表示慢变子系统,δes表示慢变子系统的舵偏角;
将式(14)代入式(10)中,慢变子系统(11)-(14)写为以下形式:
慢变子系统(15)可进一步写为以下严格反馈形式:
式中,fi,i=1,3表示由式(15)得到的未知平滑非线性函数;gi,i=1,3表示由式(15)得到的已知非线性函数;
步骤4:定义ψ1=σ-σs,式(6)写为以下形式:
式中,δef=δe-δes表示快变子系统的舵偏角;
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为以下矩阵形式:
式中,ψ=[ψ1,ψ2]T,
步骤5:定义航迹角跟踪误差为:
e1=x1s-γd (20)
设计俯仰角虚拟控制量为:
式中,表示神经网络最优权重的估计值,θ1表示神经网络基函数向量,表示复合扰动的估计值,k1>0为设计参数;
设计一阶滤波器为:
式中,表示通过式(22)所表达的滤波器后获得的信号,为滤波后得到的信号的一阶微分,α2>0为设计参数;
定义预测误差为:
其中由下式得到:
式中,B1>0为设计参数;
设计自适应律为:
式中,γ1>0,γz1>0和δ1>0为设计参数;
设计扰动观测器为:
其中χ1由下式得到:
式中,L1>0为设计参数;
定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
式中,表示复合扰动的估计值,k2>0为设计参数;
设计一阶滤波器为:
式中,表示通过式(30)所表达的滤波器后获得的信号,为滤波后得到的信号的一阶微分,α3>0为设计参数;
设计扰动观测器为:
其中χ2由下式得到:
式中,L2>0为设计参数;
定义俯仰角速率跟踪误差为:
设计慢变子系统的舵偏角为:
其中,表示神经网络最优权重的估计值,θ3表示神经网络基函数向量,表示复合扰动的估计值,k3>0为设计参数;
定义预测误差为:
其中由下式得到:
式中,B3>0为设计参数;
设计自适应律为:
式中,γ3>0,γz3>0和δ3>0为设计参数;
设计扰动观测器为:
其中χ3由下式得到:
式中,L3>0为设计参数;
步骤6:定义滑模切换函数为:
c=Gψ (40)
式中,G∈R2×2为设计的矩阵;
设计快变子系统的舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (41)
式中,‘+’表示矩阵的摩尔彭罗斯逆,Kf为设计的正定矩阵;
步骤7:定义速度跟踪误差为:
式中,Vd为速度参考指令;
设计节流阀开度Φ为:
式中,kpV>0,kiV>0和kdV>0为设计参数;
步骤8:根据得到的慢变子系统的舵偏角δes和快变子系统的舵偏角δef,得到姿态子系统的舵偏角δe=δes+δef,结合速度子系统的节流阀开度Φ,返回到弹性高超声速飞行器动力学模型(1)-(6),对高度和速度进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671294.3A CN110320794A (zh) | 2019-07-24 | 2019-07-24 | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671294.3A CN110320794A (zh) | 2019-07-24 | 2019-07-24 | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110320794A true CN110320794A (zh) | 2019-10-11 |
Family
ID=68124429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671294.3A Pending CN110320794A (zh) | 2019-07-24 | 2019-07-24 | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320794A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908278A (zh) * | 2019-11-12 | 2020-03-24 | 北京航空航天大学 | 一种折叠翼飞行器的动力学建模与稳定控制方法 |
CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN111679583A (zh) * | 2020-06-21 | 2020-09-18 | 西北工业大学 | 基于气动参数估计的变体飞行器自适应控制方法 |
CN113031430A (zh) * | 2021-03-02 | 2021-06-25 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN114779636A (zh) * | 2022-04-17 | 2022-07-22 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130211553A1 (en) * | 2012-02-15 | 2013-08-15 | Lester F. Ludwig | Adaptive multi-level control for variable-hierarchy-structure hierarchical systems |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN108828957A (zh) * | 2018-08-20 | 2018-11-16 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN109839822A (zh) * | 2019-02-27 | 2019-06-04 | 中国人民解放军火箭军工程大学 | 一种改进自抗扰的四旋翼无人机高度控制方法 |
CN109901606A (zh) * | 2019-04-11 | 2019-06-18 | 大连海事大学 | 一种用于四旋翼精确轨迹跟踪的混合有限时间控制方法 |
-
2019
- 2019-07-24 CN CN201910671294.3A patent/CN110320794A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130211553A1 (en) * | 2012-02-15 | 2013-08-15 | Lester F. Ludwig | Adaptive multi-level control for variable-hierarchy-structure hierarchical systems |
CN108333939A (zh) * | 2018-02-07 | 2018-07-27 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN108828957A (zh) * | 2018-08-20 | 2018-11-16 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN109839822A (zh) * | 2019-02-27 | 2019-06-04 | 中国人民解放军火箭军工程大学 | 一种改进自抗扰的四旋翼无人机高度控制方法 |
CN109901606A (zh) * | 2019-04-11 | 2019-06-18 | 大连海事大学 | 一种用于四旋翼精确轨迹跟踪的混合有限时间控制方法 |
Non-Patent Citations (1)
Title |
---|
王首斌 等: "基于干扰观测器的高超音速飞行器鲁棒反步控制", 《控制与决策》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110908278A (zh) * | 2019-11-12 | 2020-03-24 | 北京航空航天大学 | 一种折叠翼飞行器的动力学建模与稳定控制方法 |
CN110908278B (zh) * | 2019-11-12 | 2021-05-25 | 北京航空航天大学 | 一种折叠翼飞行器的动力学建模与稳定控制方法 |
CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN111679583A (zh) * | 2020-06-21 | 2020-09-18 | 西北工业大学 | 基于气动参数估计的变体飞行器自适应控制方法 |
CN111665857B (zh) * | 2020-06-21 | 2022-09-13 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN113031430A (zh) * | 2021-03-02 | 2021-06-25 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN113031430B (zh) * | 2021-03-02 | 2023-08-22 | 辽宁石油化工大学 | 基于pd反馈的奇异半马不连续跳变系统控制器设计方法 |
CN114779636A (zh) * | 2022-04-17 | 2022-07-22 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
CN114779636B (zh) * | 2022-04-17 | 2023-08-01 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320794A (zh) | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 | |
CN110308657A (zh) | 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法 | |
CN108663940B (zh) | 基于集总复合估计的飞行器神经网络学习控制方法 | |
CN110456643A (zh) | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 | |
CN102880053B (zh) | 基于预测模型的高超声速飞行器滑模控制方法 | |
CN108828957B (zh) | 基于切换机制的飞行器全局有限时间神经网络控制方法 | |
CN102880055B (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
CN108333939B (zh) | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 | |
CN110320807B (zh) | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 | |
CN111665857A (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
CN112379595B (zh) | 非线性严格反馈切换系统复合干扰学习控制方法 | |
CN102866635B (zh) | 基于等价模型的高超声速飞行器离散神经网络自适应控制方法 | |
CN107479383A (zh) | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 | |
CN102880052A (zh) | 基于时标功能分解的高超声速飞行器执行器饱和控制方法 | |
CN110456636B (zh) | 基于不确定性上界估计的飞行器离散滑模自适应控制方法 | |
CN107526296B (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 | |
CN110568765A (zh) | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 | |
CN108303889B (zh) | 一种基于非线性信息的时标分离飞行器弹性体控制方法 | |
CN110456642A (zh) | 基于奇异摄动分析的弹性飞行器鲁棒有限时间控制方法 | |
CN111736468B (zh) | 一种信息融合下的飞行器抗干扰控制方法 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 | |
CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
CN102880056A (zh) | 基于等价模型的高超声速飞行器离散滑模控制方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |