CN110320807B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110320807B CN110320807B CN201910671293.9A CN201910671293A CN110320807B CN 110320807 B CN110320807 B CN 110320807B CN 201910671293 A CN201910671293 A CN 201910671293A CN 110320807 B CN110320807 B CN 110320807B
- Authority
- CN
- China
- Prior art keywords
- subsystem
- follows
- data
- representing
- design
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012216 screening Methods 0.000 title claims abstract description 22
- 238000000354 decomposition reaction Methods 0.000 title claims description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 238000013461 design Methods 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 28
- 239000000126 substance Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 229920001971 elastomer Polymers 0.000 abstract description 3
- 239000000806 elastomer Substances 0.000 abstract description 3
- 230000004069 differentiation Effects 0.000 abstract description 2
- 230000010354 integration Effects 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 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 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005624 perturbation theories Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
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
- G05B13/0265—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
- G05D1/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明将弹性飞行器纵向通道模型解耦为速度子系统和高度子系统;针对姿态子系统通过奇异摄动算法分解为慢变子系统和快变子系统,采用动态面控制设计慢变子系统的舵偏角控制器,采用特定的算法筛分在线数据质量,记录高质量数据而舍弃劣势数据,在线存储于动态历史堆栈中,根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差,将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律,针对表征系统弹性模态的快变时标部分设计滑模自适应控制算法进行模态抑制;采用PID策略针对速度子系统设计节流阀开度,实现对高度和速度的跟踪控制,最后将控制方法应用到高超声速飞行器弹性体模型中。
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奇异摄动分解的弹性飞行器数据筛选自适应控制方法,属于飞行控制领域。
背景技术
已有的飞行器弹性体控制研究多忽略弹性模态直接对刚体进行控制器设计,然而仅将对象视为纯刚体进行控制,无法满足控制高精度的需求;也有学者将弹性模态视为一种扰动,通过补偿控制实现弹性部分控制,然而这种处理思路缺乏对于弹性体动力学的深入分析与研究。反步法控制被广泛应用于飞行器控制,但是在传统设计中存在“复杂度爆炸”问题,因此动态面设计以及指令滤波设计被应用降低设计复杂度。而针对飞行器系统存在的非线性,基于神经网络进行逼近学习的智能控制技术得到广泛关注。现在多数已有智能控制研究基于跟踪误差进行权重更新,仅保证闭环系统的稳定性,难以实现预期的非线性估计效果。
《Exact slow-fast decomposition of the nonlinear singularly perturbedoptimal control problem》(E.Fridman,2000年,第40卷第2期)一文研究了奇异摄动系统的有限时间非线性二次型最优控制方法。该方法给出了不加限定的奇异摄动系统鲁棒控制算法,设定快慢子系统都是非线性的,然后以二次型优化为目标,寻找一个不变流形,最终得到了较为精确的模型分解结果,进一步设计控制算法满足控制性能要求。
发明内容
要解决的技术问题
为解决非线性未知情形下的弹性飞行器系统飞行控制的问题,本发明提出了一种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。本方法将弹性飞行器纵向通道模型解耦为速度子系统和高度子系统;针对姿态子系统通过奇异摄动算法分解为慢变子系统和快变子系统,采用动态面控制设计慢变子系统的舵偏角控制器,采用特定的算法筛分在线数据质量,记录高质量数据而舍弃劣势数据(择优弃劣),在线存储于动态历史堆栈中,根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差,将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律,针对表征系统弹性模态的快变时标部分设计滑模自适应控制算法进行模态抑制;采用PID策略针对速度子系统设计节流阀开度,实现对高度和速度的跟踪控制,最后将控制方法应用到高超声速飞行器弹性体模型中。
技术方案
一种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,其特征在于步骤如下:
步骤1: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η表示弹性模态,δe表示舵偏角,Φ表示节流阀开度;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:
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
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:
步骤3: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:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
其中,‘s’表示慢变子系统,δes表示慢变子系统的控制输入;
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:
其中,fi,i=1,3是由式(15)得到的未知平滑非线性函数;gi,i=1,3是由式(15)得到的已知非线性函数;
其中,δef=δe-δes表示快变子系统的控制输入;
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
步骤5:第1步: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:
设计一阶滤波器为:
设计补偿信号z1为:
其中z2在下一步设计中给出;
设计神经网络复合学习自适应更新律为:
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2>0为设计参数;
设计一阶滤波器为:
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2;
第3步:定义俯仰角速率跟踪误差为:
设计慢变子系统舵偏角为:
设计补偿信号z3为:
设计神经网络复合学习自适应更新律为:
步骤6:定义一个矩阵Zt存储数据Φ(z),该矩阵行数为q,列数p随区间数据量变化且假设p*是区间数据最后一个时刻点,为p*时刻点的Φ(z),ε为正常数;神经网络自适应更新律(24),(32)选用的区间数据筛选流程如下:
③计算当前Zt矩阵的最小奇异值,并将之记为Sold;然后,分别在i(i=1,2,…,pH)时刻将Φ(z)存入Zt矩阵,得到一组矩阵 计算不同Zt的最小奇异值,并选出所有最小奇异值中的最大值S;继续执行步骤④;
④如果S>Sold,将pH时刻的Φ(z)存入Zt矩阵,即Zt(:,pH)=Φ(z),否则舍弃pH时刻的Φ(z);返回步骤①继续筛选数据;
步骤7:定义滑模切换函数为:
c=Gψ (33)
其中,G∈R2×2为设计的矩阵;
设计快变子系统舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (34)
其中,‘+’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:
其中,Vd为速度参考指令;
设计节流阀开度Φ为:
其中,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奇异摄动分解的弹性飞行器数据筛选自适应控制方法,与现有技术相比有益效果为:
(1)本发明基于奇异摄动理论分析高超声速飞行器弹性体力学,对刚柔模态进行解耦,实现快慢时标分离。
(2)本发明针对姿态慢变子系统,本发明考虑采用特定的算法筛分在线数据质量,记录高质量数据而舍弃劣势数据(择优弃劣),并在线存储于动态历史堆栈中。根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差,将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律,可有效提高神经网络的学习性能。
附图说明
图1是本发明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流程图
图2本发明所采用的数据筛选算法的流程图
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,本发明基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法应用于一类高超声速飞行器,通过以下步骤实现:
(a)考虑弹性高超声速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;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:
(b)定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
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:
(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:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
其中,‘s’表示慢变子系统,δes表示慢变子系统的控制输入。
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:
其中,δef=δe-δes表示快变子系统的控制输入。
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
(e)第1步: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:
设计一阶滤波器为:
设计补偿信号z1为:
其中z2在下一步设计中给出。
设计神经网络复合学习自适应更新律为:
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2=1.8。
设计一阶滤波器为:
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2。
第3步:定义俯仰角速率跟踪误差为:
设计慢变子系统舵偏角为:
设计补偿信号z3为:
设计神经网络复合学习自适应更新律为:
(f)定义一个矩阵Zt存储数据Φ(z),该矩阵行数为q,列数p随区间数据量变化且假设p*是区间数据最后一个时刻点,为p*时刻点的Φ(z),ε=0.08。参考图2,神经网络自适应更新律(24),(32)选用的区间数据筛选流程如下:
③计算当前Zt矩阵的最小奇异值,并将之记为Sold。然后,分别在i(i=1,2,…,pH)时刻将Φ(z)存入Zt矩阵,得到一组矩阵 计算不同Zt的最小奇异值,并选出所有最小奇异值中的最大值S。继续执行步骤④。
④如果S>Sold,将pH时刻的Φ(z)存入Zt矩阵,即Zt(:,pH)=Φ(z),否则舍弃pH时刻的Φ(z)。返回步骤①继续筛选数据。
(g)定义滑模切换函数为:
c=Gψ (33)
设计快变子系统舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (34)
(h)定义速度跟踪误差为:
其中,Vd为速度参考指令。
设计节流阀开度Φ为:
其中,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。
Claims (1)
1.一种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,其特征在于步骤如下:
步骤1:考虑弹性飞行器纵向通道动力学模型:
所述的动力学 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;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:
步骤2:定义高度跟踪误差为eh=h-hd,设计航迹角指令γd为:
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:
步骤3: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:
设置ρ=0,姿态子系统(10)写为以下慢变子系统形式:
其中,‘s’表示慢变子系统,δes表示慢变子系统的控制输入;
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:
其中,fi,i=1,3是由式(15)得到的未知平滑非线性函数;gi,i=1,3是由式(15)得到的已知非线性函数;
其中,δef=δe-δes表示快变子系统的控制输入;
将式(14)代入式(17)中,快变子系统(17)写为以下形式:
将式(18)进一步写为如下矩阵形式:
步骤5:第1步: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:
设计一阶滤波器为:
设计补偿信号z1为:
其中z2在下一步设计中给出;
设计神经网络复合学习自适应更新律为:
第2步:定义俯仰角跟踪误差为:
设计俯仰角速率虚拟控制量为:
其中,k2>0为设计参数;
设计一阶滤波器为:
设计补偿信号z2为:
定义补偿后跟踪误差为v2=e2-z2;
第3步:定义俯仰角速率跟踪误差为:
设计慢变子系统舵偏角为:
设计补偿信号z3为:
设计神经网络复合学习自适应更新律为:
步骤6:定义一个矩阵Zt存储数据Φ(z),该矩阵行数为q,列数p随区间数据量变化且假设p*是区间数据最后一个时刻点,为p*时刻点的Φ(z),ε为正常数;神经网络自适应更新律(24),(32)选用的区间数据筛选流程如下:
③计算当前Zt矩阵的最小奇异值,并将之记为Sold;然后,分别在i时刻将Φ(z)存入Zt矩阵,i=1,2,…,pH,得到一组矩阵…,计算不同Zt的最小奇异值,并选出所有最小奇异值中的最大值S;继续执行步骤④;
④如果S>Sold,将pH时刻的Φ(z)存入Zt矩阵,即Zt(:,pH)=Φ(z),否则舍弃pH时刻的Φ(z);返回步骤①继续筛选数据;
步骤7:定义滑模切换函数为:
c=Gψ (33)
其中,G∈R2×2为设计的矩阵;
设计快变子系统舵偏角为:
δef=(GQf)+[-G(Pfψ)-Kfsign(c)] (34)
其中,‘+’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:
其中,Vd为速度参考指令;
设计节流阀开度Φ为:
其中,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 |
---|---|---|---|
CN201910671293.9A CN110320807B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671293.9A CN110320807B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110320807A CN110320807A (zh) | 2019-10-11 |
CN110320807B true CN110320807B (zh) | 2022-05-17 |
Family
ID=68124431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671293.9A Active CN110320807B (zh) | 2019-07-24 | 2019-07-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110320807B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631320B (zh) * | 2020-09-22 | 2024-04-26 | 深圳先进技术研究院 | 一种无人机自适应控制方法及系统 |
CN112506057B (zh) * | 2020-12-02 | 2021-09-17 | 郑州轻工业大学 | 不确定奇异摄动系统在线多时间尺度快速自适应控制方法 |
CN112623259B (zh) * | 2021-03-08 | 2021-05-14 | 北京航空航天大学 | 针对高超声速飞行器数据丢包的自抗扰控制器设计方法 |
CN113126493B (zh) * | 2021-04-14 | 2023-03-07 | 西北工业大学 | 基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390531A (zh) * | 2017-09-05 | 2017-11-24 | 西北工业大学 | 参数学习有限时间收敛的高超声速飞行器控制方法 |
CN107479382A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于在线数据学习的高超声速飞行器神经网络控制方法 |
CN107479384A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 高超声速飞行器神经网络复合学习非反步控制方法 |
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 |
CN108663940A (zh) * | 2018-08-20 | 2018-10-16 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
-
2019
- 2019-07-24 CN CN201910671293.9A patent/CN110320807B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390531A (zh) * | 2017-09-05 | 2017-11-24 | 西北工业大学 | 参数学习有限时间收敛的高超声速飞行器控制方法 |
CN107479382A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于在线数据学习的高超声速飞行器神经网络控制方法 |
CN107479384A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 高超声速飞行器神经网络复合学习非反步控制方法 |
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 |
CN108663940A (zh) * | 2018-08-20 | 2018-10-16 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
Non-Patent Citations (1)
Title |
---|
Composite Learning Control of MIMO Systems With Applications;BIN XU .etc;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180831;第65卷(第8期);第6414-6424页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110320807A (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN108319140B (zh) | 一种重定义输出式无模型自适应航向控制方法及系统 | |
CN111580392B (zh) | 一种串联倒立摆的有限频率范围鲁棒迭代学习控制方法 | |
CN105182743B (zh) | 一种基于鲁棒h无穷的变增益解耦控制方法 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
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 | |
CN108536020A (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 | |
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 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
CN107479384A (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
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 | |
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 | |
CN107065544B (zh) | 基于攻角幂函数的高超飞行器神经网络控制方法 | |
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 | |
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 | |
CN113110540B (zh) | 基于时标分解的弹性体飞行器全局有限时间控制方法 | |
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 | |
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 | |
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 | |
CN111414011A (zh) | 一种考虑执行机构故障的高超声速飞行器保性能容错控制方法 | |
CN114527795A (zh) | 一种基于增量在线学习的飞行器智能控制方法 | |
CN107943097B (zh) | 飞行器的控制方法、装置和飞行器 | |
CN108415247B (zh) | 一种基于标称信息的时标分离飞行器弹性体鲁棒控制方法 |
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 |