CN110376887B - 基于时变滑模增益的飞行器离散滑模智能控制方法 - Google Patents
基于时变滑模增益的飞行器离散滑模智能控制方法 Download PDFInfo
- Publication number
- CN110376887B CN110376887B CN201910626700.4A CN201910626700A CN110376887B CN 110376887 B CN110376887 B CN 110376887B CN 201910626700 A CN201910626700 A CN 201910626700A CN 110376887 B CN110376887 B CN 110376887B
- Authority
- CN
- China
- Prior art keywords
- neural network
- sliding mode
- normal number
- substances
- content
- 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
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
- G05B13/04—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)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于时变滑模增益的飞行器离散滑模智能控制方法,用于解决现有飞行器离散控制方法实用性差的技术问题。通过对飞行器纵向通道动力学模型进行欧拉离散化,得到原有系统的离散形式;考虑系统因果关系,建立姿态离散严格反馈系统的等价预测模型;使用神经网络逼近系统未知非线性函数,基于神经网络辨识误差设计控制器滑模时变增益和神经网络权重向量更新律;神经网络智能学习的引入,抵消了不确定项的上下界,减小了滑模切换抖振的幅度,提升了滑模控制的性能;本发明结合计算机控制特点,通过模型转换设计的控制器有效避免了非因果问题,适用于工程应用。
Description
技术领域
本发明属于飞行器控制领域,具体涉及一种基于时变滑模增益的飞行器离散滑模智能控制方法。
背景技术
在实际工程中,随着计算机技术的发展,许多高性能飞行器都装备了计算机系统,其控制任务大部分都需要由机载计算机实现,因此研究离散情形下的先进控制方法对于飞行器控制研究意义重大且有着迫切需求。
离散控制器的设计通常可采用两种方法:1)首先根据连续控制对象设计控制器,然后将连续的控制器离散化;2)直接根据离散化的控制对象设计离散控制器。第1种方法需要较快的采样速率,对系统硬件要求较高。而在实际工程中,较难实现较快的采样率吧,因此需要针对第2种方法开展离散控制研究。
《Neural discrete back-stepping control of hypersonic flight vehiclewith equivalent prediction model》(Bin Xu,Yu Zhang,《Neurocomputing》,2015年第154卷)一文采用神经网络逼近系统不确定性,并基于误差反馈设计离散控制器。该设计并未考虑神经网络内部学习机制且鲁棒性不高,不利于工程实现。
发明内容
要解决的技术问题
为了克服现有飞行器离散控制方法实用性差的不足,本发明提供一种基于时变滑模增益的飞行器离散滑模智能控制方法。该方法通过对飞行器模型严格反馈形式进行欧拉离散化,得到系统离散模型。通过不断向前预测,建立系统状态在未来时刻的相互关系,进一步考虑系统未知状态,研究系统控制输入与未来输出之间的关系,建立输入输出等价预测模型。同时采用神经网络估计系统不确定性,利用神经网络辨识误差设计权重更新律,且更新律中采用时变的学习速率。基于反步法设计离散滑模控制器,自适应控制器中采用时变的滑模增益,减小了滑模抖振,便于工程实现。
技术方案
一种基于时变滑模增益的飞行器离散滑模智能控制方法,其特征在于步骤如下:
步骤1:考虑一类飞行器纵向通道动力学模型:
其中,Xs=[V,h,α,γ,q]T为状态变量,Uc=[δe,β]T为控制输入;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,δe表示舵偏角,β表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r分别表示质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
设计航迹角指令γd为:
步骤3:定义姿态X=[x1,x2,x3]T,其中x1=γ,x2=θp,x3=q,θp=α+γ;因为Tsinα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:
速度子系统(1)写成如下形式:
步骤4:考虑采样时间Ts非常小,通过欧拉近似法得到姿态子系统离散模型:
类似建立速度子系统的离散模型:
V(k+1)=V(k)+TsfV(k)+TsgV(k)β(k) (10)
将姿态子系统离散模型(9)变换为等价预测模型如下:
步骤5:针对姿态子系统,基于系统等价预测模型(11),利用反步法设计离散滑模智能控制器;
第1步:
设计滑模面
s1(k+3)=-e1(k+3)+c1e1(k) (12)
其中,0<c1<1是正常数;
由模型(11)和e1(k)的定义可得
对于未知函数F1 C(k),用神经网络来逼近
则F1 C(k)的估计值可写为
设计虚拟控制量
其中,m1(k)为滑模时变增益;
定义神经网络辨识误差z1(k)为
其中,l1>1是正常数;
则滑模时变增益可设计为
其中,τ1≥1是正常数;
其中,ξ1(k1)为学习速率且由下式得到
其中,0<γ1<1是正常数;
第2步:
设计滑模面
s2(k+2)=-e2(k+2)+c2e2(k) (22)
其中,0<c2<1是正常数;
由模型(11)和e2(k)的定义可得
设计虚拟控制量
其中,m2(k)为滑模时变增益;
定义神经网络辨识误差z2(k)为
其中,l2>1是正常数;
则滑模时变增益可设计为
其中,τ2≥1是正常数;
其中,ξ2(k2)为学习速率且由下式得到
其中,0<γ2<1是正常数;
第3步:
设计滑模面
s3(k+1)=-e3(k+1)+c3e3(k) (32)
其中,0<c3<1是正常数;
由模型(11)和e3(k)的定义可得
对于未知函数F3 C(k),用神经网络来逼近
则F3 C(k)的估计值可写为
设计实际控制量,即舵偏角如下:
其中,m3(k)为滑模时变增益;
定义神经网络辨识误差z3(k)为
其中,l3>1是正常数;
则滑模时变增益可设计为
其中,τ3≥1是正常数;
其中,ξ3(k)为学习速率且由下式得到
其中,0<γ3<1是正常数;
步骤6:针对速度子系统,定义速度跟踪误差为eV(k)=V(k)-Vd(k),其中Vd(k)为速度参考指令;
设计滑模面
sV(k+1)=-eV(k+1)+cVeV(k) (42)
其中,0<cV<1是正常数;
由模型(10)和eV(k)的定义可得
定义系统不确定性FV(k)=TsfV(k),用神经网络来逼近
设计速度控制器,即节流阀开度如下:
其中,mV(k)为滑模时变增益;
定义神经网络辨识误差zV(k)为
其中,lV>1是正常数;
则滑模时变增益可设计为
其中,τV≥1是正常数;
其中,ξV(k)为学习速率且由下式得到
其中,0<γV<1是正常数;
步骤7:根据步骤5中(36)得到的舵偏角δe(k)和步骤6中(46)得到的节流阀开度β(k),返回到飞行器的动力学模型(1)-(5),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时变滑模增益的飞行器离散滑模智能控制方法,用于解决现有飞行器离散控制方法实用性差的技术问题。技术方案是对飞行器纵向通道动力学模型进行欧拉离散化,得到原有系统的离散形式;考虑系统因果关系,建立姿态离散严格反馈系统的等价预测模型;使用神经网络逼近系统未知非线性函数,基于神经网络辨识误差设计控制器滑模时变增益和神经网络权重向量更新律;神经网络智能学习的引入,抵消了不确定项的上下界,减小了滑模切换抖振的幅度,提升了滑模控制的性能;本发明结合计算机控制特点,通过模型转换设计的控制器有效避免了非因果问题,适用于工程应用。有益效果如下:
(1)通过模型转换得到的等价预测模型能体现系统未来信息,因此可根据未来控制需求来设计当前控制量,实现比前一步预测更复杂的控制任务,有效避免了“非因果”设计难以工程实现问题;
(2)建立神经网络辨识误差,基于该误差设计神经网络权重更新律,提高不确定性学习精度,便于工程应用;
(3)采用一种改进的时变增益滑模进行控制器设计,减小了控制切换时的抖振。
附图说明
图1本发明实施流程图
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,本发明基于时变滑模增益的飞行器离散滑模智能控制方法具体步骤如下:
步骤1:考虑飞行器纵向通道动力学模型:
其中,Xs=[V,h,α,γ,q]T为状态变量,Uc=[δe,β]T为控制输入;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,δe表示舵偏角,β表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r分别表示质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
选取高超声速飞行器的力矩及参数如下:
CM(α)=-0.035α2+0.036617α+5.3261×10-6,
CM(δe)=0.0292(δe-α)
设计航迹角指令γd为:
步骤3:定义姿态X=[x1,x2,x3]T,其中x1=γ,x2=θp,x3=q,θp=α+γ;因为Tsinα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:
速度子系统(1)写成如下形式:
步骤4:考虑采样时间Ts非常小,通过欧拉近似法得到姿态子系统离散模型:
类似建立速度子系统的离散模型:
V(k+1)=V(k)+TsfV(k)+TsgV(k)β(k) (10)
将姿态子系统离散模型(9)变换为等价预测模型如下:
步骤5:针对姿态子系统,基于系统等价预测模型(11),利用反步法设计离散滑模智能控制器;
第1步:
设计滑模面
s1(k+3)=-e1(k+3)+c1e1(k) (12)
其中,0<c1<1是正常数;
由模型(11)和e1(k)的定义可得
对于未知函数F1 C(k),用神经网络来逼近
则F1 C(k)的估计值可写为
设计虚拟控制量
其中,m1(k)为滑模时变增益;
定义神经网络辨识误差z1(k)为
其中,l1>1是正常数;
则滑模时变增益可设计为
其中,τ1≥1是正常数;
其中,ξ1(k1)为学习速率且由下式得到
其中,0<γ1<1是正常数;
第2步:
由模型(11)和e2(k)的定义可得
设计虚拟控制量
其中,0<c2<1为误差比例项系数;
第3步:
设计滑模面
s3(k+1)=-e3(k+1)+c3e3(k) (24)
其中,0<c3<1是正常数;
由模型(11)和e3(k)的定义可得
对于未知函数F3 C(k),用神经网络来逼近
则F3 C(k)的估计值可写为
设计实际控制量
其中,m3(k)为滑模时变增益;
定义神经网络辨识误差z3(k)为
其中,l3>1是正常数;
则滑模时变增益可设计为
其中,τ3≥1是正常数;
其中,ξ3(k)为学习速率且由下式得到
其中,0<γ3<1是正常数;
步骤6:针对速度子系统,定义速度跟踪误差为eV(k)=V(k)-Vd(k),其中Vd(k)为速度参考指令;
设计滑模面
sV(k+1)=-eV(k+1)+cVeV(k) (34)
其中,0<cV<1是正常数;
由模型(10)和eV(k)的定义可得
定义系统不确定性FV(k)=TsfV(k),用神经网络来逼近
设计速度控制器如下:
其中,mV(k)为滑模时变增益;
定义神经网络辨识误差zV(k)为
其中,lV>1是正常数;
则滑模时变增益可设计为
其中,τV≥1是正常数;
其中,ξV(k)为学习速率且由下式得到
其中,0<γV<1是正常数;
步骤7:根据步骤5中(28)得到的舵偏角δe(k)和步骤6中(38)得到的节流阀开度β(k),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。
Claims (1)
1.一种基于时变滑模增益的飞行器离散滑模智能控制方法,其特征在于步骤如下:
步骤1:考虑一类飞行器纵向通道动力学模型:
其中,Xs=[V,h,α,γ,q]T为状态变量,Uc=[δe,β]T为控制输入;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,δe表示舵偏角,β表示节流阀开度;T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩;m、Iyy、μ和r分别表示质量、俯仰轴的转动惯量、引力系数以及距地心的距离;
设计航迹角指令γd为:
步骤3:定义姿态X=[x1,x2,x3]T,其中x1=γ,x2=θp,x3=q,θp=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:
速度子系统(1)写成如下形式:
步骤4:考虑采样时间Ts非常小,通过欧拉近似法得到姿态子系统离散模型:
建立速度子系统的离散模型:
V(k+1)=V(k)+TsfV(k)+TsgV(k)β(k) (10)
将姿态子系统离散模型(9)变换为等价预测模型如下:
步骤5:针对姿态子系统,基于模型(11),利用反步法设计离散滑模智能控制器;
第1步:
设计滑模面
s1(k+3)=-e1(k+3)+c1e1(k) (12)
其中,0<c1<1是正常数;
由模型(11)和e1(k)的定义可得
对于未知函数F1 C(k),用神经网络来逼近
则F1 C(k)的估计值可写为
设计虚拟控制量
其中,m1(k)为滑模时变增益;
定义神经网络辨识误差z1(k)为
其中,l1>1是正常数;
则滑模时变增益可设计为
其中,τ1≥1是正常数;
其中,ξ1(k1)为学习速率且由下式得到
其中,0<γ1<1是正常数;
第2步:
设计滑模面
s2(k+2)=-e2(k+2)+c2e2(k) (22)
其中,0<c2<1是正常数;
由模型(11)和e2(k)的定义可得
设计虚拟控制量
其中,m2(k)为滑模时变增益;
定义神经网络辨识误差z2(k)为
其中,l2>1是正常数;
则滑模时变增益可设计为
其中,τ2≥1是正常数;
其中,ξ2(k2)为学习速率且由下式得到
其中,0<γ2<1是正常数;
第3步:
设计滑模面
s3(k+1)=-e3(k+1)+c3e3(k) (32)
其中,0<c3<1是正常数;
由模型(11)和e3(k)的定义可得
设计实际控制量,即舵偏角如下:
其中,m3(k)为滑模时变增益;
定义神经网络辨识误差z3(k)为
其中,l3>1是正常数;
则滑模时变增益可设计为
其中,τ3≥1是正常数;
其中,ξ3(k)为学习速率且由下式得到
其中,0<γ3<1是正常数;
步骤6:针对速度子系统,定义速度跟踪误差为eV(k)=V(k)-Vd(k),其中Vd(k)为速度参考指令;
设计滑模面
sV(k+1)=-eV(k+1)+cVeV(k) (42)
其中,0<cV<1是正常数;
由模型(10)和eV(k)的定义可得
定义系统不确定性FV(k)=TsfV(k),用神经网络来逼近
设计速度控制器,即节流阀开度如下:
其中,mV(k)为滑模时变增益;
定义神经网络辨识误差zV(k)为
其中,lV>1是正常数;
则滑模时变增益可设计为
其中,τV≥1是正常数;
其中,ξV(k)为学习速率且由下式得到
其中,0<γV<1是正常数;
步骤7:根据步骤5中(36)得到的舵偏角δe(k)和步骤6中(46)得到的节流阀开度β(k),返回到飞行器的动力学模型(1)-(5),对高度和速度进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626700.4A CN110376887B (zh) | 2019-07-11 | 2019-07-11 | 基于时变滑模增益的飞行器离散滑模智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910626700.4A CN110376887B (zh) | 2019-07-11 | 2019-07-11 | 基于时变滑模增益的飞行器离散滑模智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110376887A CN110376887A (zh) | 2019-10-25 |
CN110376887B true CN110376887B (zh) | 2022-03-29 |
Family
ID=68252750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910626700.4A Active CN110376887B (zh) | 2019-07-11 | 2019-07-11 | 基于时变滑模增益的飞行器离散滑模智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376887B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327627B (zh) * | 2020-11-14 | 2022-06-21 | 西北工业大学 | 基于复合学习的非线性切换系统自适应滑模控制方法 |
CN117826617B (zh) * | 2024-03-04 | 2024-05-10 | 西北工业大学 | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866635A (zh) * | 2012-09-29 | 2013-01-09 | 西北工业大学 | 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 |
CN102880056A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于等价模型的高超声速飞行器离散滑模控制方法 |
CN102880052A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 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 |
CN102880053A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器滑模控制方法 |
CN102880055A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器神经网络控制方法 |
-
2019
- 2019-07-11 CN CN201910626700.4A patent/CN110376887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102866635A (zh) * | 2012-09-29 | 2013-01-09 | 西北工业大学 | 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 |
CN102880056A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于等价模型的高超声速飞行器离散滑模控制方法 |
CN102880052A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 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 |
CN102880053A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器滑模控制方法 |
CN102880055A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器神经网络控制方法 |
Non-Patent Citations (3)
Title |
---|
Neural control for longitudinal dynamics of hypersonic aircraft;Bin Xu etc.;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;第988-993页 * |
Neural discrete back-stepping control of hypersonic flight vehicle with equivalent prediction model;BIN XU etc.;《Neurocomputing》;20150422;第154卷;第337-346页 * |
高超声速飞行器的模糊预测控制;王士星 等;《2013年中国智能自动化学术会议论文集(第三分册)》;20130824;第43卷;第22-27页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110376887A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102880053B (zh) | 基于预测模型的高超声速飞行器滑模控制方法 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN102880052B (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 | |
CN107479384A (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
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 | |
CN102880055B (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
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 | |
CN112379595B (zh) | 非线性严格反馈切换系统复合干扰学习控制方法 | |
CN114995132B (zh) | 一种基于高斯混合过程的多臂航天器模型预测控制方法、设备和介质 | |
CN110376887B (zh) | 基于时变滑模增益的飞行器离散滑模智能控制方法 | |
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 | |
CN109164708B (zh) | 一种高超声速飞行器神经网络自适应容错控制方法 | |
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 | |
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 | |
CN102880056B (zh) | 基于等价模型的高超声速飞行器离散滑模控制方法 | |
CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
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 | |
CN107632518A (zh) | 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 | |
CN111007724A (zh) | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 | |
CN110320807A (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 | |
Wang et al. | Intelligent control of air-breathing hypersonic vehicles subject to path and angle-of-attack constraints | |
Zhang et al. | Reinforcement learning control for 6 DOF flight of fixed-wing aircraft |
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 |