CN110488852B - 一种高超声速飞行器全剖面自适应控制方法 - Google Patents

一种高超声速飞行器全剖面自适应控制方法 Download PDF

Info

Publication number
CN110488852B
CN110488852B CN201910800157.5A CN201910800157A CN110488852B CN 110488852 B CN110488852 B CN 110488852B CN 201910800157 A CN201910800157 A CN 201910800157A CN 110488852 B CN110488852 B CN 110488852B
Authority
CN
China
Prior art keywords
model
full
degree
law
angle
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
Application number
CN201910800157.5A
Other languages
English (en)
Other versions
CN110488852A (zh
Inventor
王陈亮
李梓明
郭雷
乔建忠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201910800157.5A priority Critical patent/CN110488852B/zh
Publication of CN110488852A publication Critical patent/CN110488852A/zh
Application granted granted Critical
Publication of CN110488852B publication Critical patent/CN110488852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/08Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G05D1/0816Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
    • G05D1/0825Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/107Simultaneous control of position or course in three dimensions specially adapted for missiles

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Feedback Control In General (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种高超声速飞行器全剖面自适应控制方法,针对再入式高超声速飞行器在全剖面飞行过程中的控制器切换问题,设计了一种基于神经网络的自适应控制方法。首先,建立再入式高超声速飞行器的六自由度模型;其次,通过坐标变换,将六自由度模型转换为严反馈形式;再次,引入神经网络来估计系统中的非线性部分;最后,通过反步法设计自适应律以及控制律。本发明能够解决再入式高超声速飞行器的全剖面姿态跟踪控制问题,避免了控制器在全剖面飞行过程中的切换,适用于高超声速飞行器姿态跟踪控制。

Description

一种高超声速飞行器全剖面自适应控制方法
技术领域
本发明涉及一种高超声速飞行器全剖面自适应控制方法,主要应用于再入式高超声速飞行器的全剖面姿态跟踪控制,属于飞行器控制技术领域。
背景技术
弹道导弹具有很好的远程打击能力,但其弹道比较固定,随着导弹防御系统的快速发展,目前世界各大国的导弹防御系统均具备对弹道导弹助推段、中段、末段的拦截能力,使得弹道导弹的突防能力与生存能力受到极大威胁。巡航导弹虽然能够在大气层内机动,但是其射程较近,远程打击能力不强。因此目前世界各大国正加紧发展一种能够将弹道导弹的远程打击能力与巡航导弹的机动灵活相结合的再入式高超声速飞行器。再入式高超声速飞行器之所以引起了广泛的重视,最主要的原因是其具有优良的弹道特性,这种弹道特性结合了弹道导弹与巡航导弹的弹道特点,不但射程远,而且机动能力强、打击精度高,在提高突防能力和增强打击能力方面具有极大的优势。再入式高超声速飞行器可以依靠其独特的外形,借助大升阻比带来的气动升力实现远距离机动滑翔飞行,避免了弹道导弹弹道固定、易于拦截的缺陷。再入式高超声速飞行器的另一个优势就是其可以采用天基、地基和空基多平台机动发射,携带多种载荷进行高精度打击。由于再入式高超声速飞行器具备许多独特的优势,使得目前世界各大国都在积极地发展这种具有远程、快速和精确打击能力的先进飞行器。然而,由于再入式高超声速飞行器的特殊的构造,独特的飞行条件(需要跨越亚音速、跨音速以及超音速三个阶段),导致飞行器姿态控制中具有诸如强耦合、强非线性、快时变、多约束等特性。所有的这些因素使得高超声速飞行器的控制设计具有很大难度。由于再入式飞行器在全剖面中不同阶段存在着不同的气动特性,导致飞行器的气动参数实际上是未知的,现有的运用于实际中的姿态控制方法多为PID结合增益调度的方法,这种方法在整个全剖面飞行轨迹中设计了多套控制器增益,以保证在每个阶段都具有较好的控制性能。
针对飞行器在全剖面中不同阶段气动特性变化导致系统气动参数未知的问题,本发明通过结合自适应神经网络和反步法给出了很好的解决方案。本发明运用神经网络的学习能力来补偿系统的不确定性,从而使得据此设计出来的控制器在全剖面飞行过程中具有良好控制性能,无需像PID增益调度的方法一样在全剖面不同阶段之间进行控制器切换,更具普适应用价值。
发明内容
本发明的技术解决问题是:针对再入式高超声速飞行器在全剖面飞行过程中的控制器切换问题,提供一种高超声速飞行器全剖面自适应控制方法,使得再入式高超声速飞行器飞在全剖面飞行过程中无需进行控制器切换,同时保证了飞行器全剖面飞行过程中良好的控制性能。
本发明的技术解决方案为一种高超声速飞行器全剖面自适应控制方法,其实现步骤如下:
第一步,建立再入式高超声速飞行器的六自由度模型:
Figure BDA0002182088130000021
Figure BDA0002182088130000022
Figure BDA0002182088130000031
Figure BDA0002182088130000032
Figure BDA0002182088130000033
其中,V,θ,ψv分别代表速度,航迹偏航角,航迹倾斜角;Jl,Jn,Jm分别代表绕x,y,z轴惯量;Ml,Mn,Mm分别代表滚转,偏航,俯仰力矩;ωl,ωn,ωm分别代表滚转,偏航,俯仰角速度;xl,yl,zl分别代表x,y,z方向的位移;α,β,γv分别代表攻角,侧滑角,速度滚转角;T,L,Z,D分别代表推力,升力,阻力和侧向力;g为重力加速度常数,m为飞行器质量;r1,r2,r3为系统中可忽略的小量;
Figure BDA0002182088130000034
Figure BDA0002182088130000035
分别为V,θ,ψv,ωl,ωn,ωm,α,β,γv对于时间的一阶导数。
第二步,对第一步所建立的六自由度模型进行坐标变换,将其换为严反馈形式:
首先将六自由度模型的姿态控制部分分解为三个姿态子系统,分别为俯仰通道模型,偏航通道模型和滚转通道模型:
俯仰通道模型:
Figure BDA0002182088130000036
偏航通道模型:
Figure BDA0002182088130000037
滚转通道模型:
Figure BDA0002182088130000041
分别将其转化为严反馈形式:
Figure BDA0002182088130000042
Figure BDA0002182088130000043
Figure BDA0002182088130000044
式中:
Figure BDA0002182088130000045
Figure BDA0002182088130000046
Figure BDA0002182088130000047
其中,状态变量[x1,x2,x3,x4,x5,x6]T=[α,ωm,β,ωnvl]T;fi和gi均为系统中的非线性函数;u1,u2和u3分别为三个通道的输入;
Figure BDA0002182088130000048
Figure BDA0002182088130000049
均为气动参数;q为动压;δm,δn,δl分别为俯仰舵偏角,偏航舵偏角,滚转舵偏角,它们是三个子系统的控制输入信号。
第三步,引入神经网络来估计第二步严反馈形式模型中所包含的非线性部分:
本发明中通过引入径向基函数神经网络来估计控制器设计中未知的非线性函数Fi(i=1,…,6),其表示形式如下:
Figure BDA00021820881300000514
其中,θi∈RN是个N节点的最优权重向量,φii)=[φi1i),…,φiNi)]T∈RN是基函数向量,Δ(ξi)表示近似误差,δi为一常数,其中
Figure BDA0002182088130000051
oij和bi分别为径向基函数的中心和宽度(在后面将φii)简记为φi)。在这里定义一个常数
Figure BDA0002182088130000052
Figure BDA0002182088130000053
Figure BDA0002182088130000054
其中
Figure BDA0002182088130000055
Figure BDA0002182088130000056
的估计值,
Figure BDA0002182088130000057
为估计误差,gm是常数且0<gm≤gi
第四步,针对第二步中的严反馈形式系统,通过反步法结合神经网络设计自适应律以及控制律:
定义误差变量z1=x1-x1d,z2=x2-x2d,z3=x3-x3d,z4=x4-x4d,z5=x5-x5d,z6=x6-x6d。其中x1d,x3d,x5d分别为攻角,侧滑角,速度滚转角的指令信号,x2d,x4d,x6d分别为系统第一个,第三个,第五个状态方程的虚拟控制信号。对于三个子系统,分别通过反步法设计出的虚拟控制律以及控制律如下:
Figure BDA0002182088130000058
Figure BDA0002182088130000059
Figure BDA00021820881300000510
Figure BDA00021820881300000511
Figure BDA00021820881300000512
Figure BDA00021820881300000513
自适应律设计如下:
Figure BDA0002182088130000061
Figure BDA0002182088130000062
Figure BDA0002182088130000063
Figure BDA0002182088130000064
Figure BDA0002182088130000065
Figure BDA0002182088130000066
其中,ci,λi,μi均为正常数,
Figure BDA0002182088130000067
Figure BDA0002182088130000068
的估计值,
Figure BDA00021820881300000611
为φi的转置,
Figure BDA0002182088130000069
Figure BDA00021820881300000610
对于时间的一阶导数。
本发明与现有技术相比的优点在于:
(1)本发明能够解决再入式高超声速飞行器的全剖面姿态跟踪控制问题,避免了控制器在全剖面飞行过程中的切换,适用于高超声速飞行器姿态跟踪控制;
(2)与以往飞行器姿态控制器设计过程对动力学模型的处理过程相比,本发明中在姿态控制器设计过程中并没有将姿态系统中的小量r1,r2,r3近似忽略,使得设计出的控制器更加精确,控制效果更好;
(3)与传统的再入式高超声速飞行器控制相比,通过引入自适应神经网络,很好地补偿了控制系统设计中的未知非线性函数所带来的不确定性,使得飞行器在飞行过程中的不同任务阶段之间无需进行控制器切换,完成全剖面的控制任务。
附图说明
图1为本发明一种高超声速飞行器全剖面自适应控制方法的流程框图。
具体实施方式
如图1所示,一种高超声速飞行器全剖面自适应控制方法。第一步,建立一种标准的再入式高超声速飞行器六自由度模型;第二步,通过坐标变换,将六自由度模型转换为严反馈形式;第三步,引入神经网络来估计系统中的非线性部分;第四步,通过反步法设计自适应律以及控制律。本发明能够解决再入飞行器的全剖面姿态跟踪控制问题,避免了控制器在不同任务阶段之间的切换,适用于高超声速飞行器姿态跟踪控制。其具体实施方法如下:
第一步,建立再入式高超声速飞行器的六自由度模型:
Figure BDA0002182088130000071
Figure BDA0002182088130000072
Figure BDA0002182088130000073
Figure BDA0002182088130000074
Figure BDA0002182088130000075
其中,V,θ,ψv分别代表速度,航迹偏航角,航迹倾斜角;Jl,Jn,Jm分别代表绕x,y,z轴惯量;Ml,Mn,Mm分别代表滚转,偏航,俯仰力矩;ωl,ωn,ωm分别代表滚转,偏航,俯仰角速度;xl,yl,zl分别代表x,y,z方向的位移;α,β,γv分别代表攻角,侧滑角,速度滚转角;T,L,Z,D分别代表推力,升力,阻力和侧向力;g为重力加速度常数,m为飞行器质量;r1,r2,r3为系统中可忽略的小量;
Figure BDA0002182088130000081
Figure BDA0002182088130000082
分别为V,θ,ψv,ωl,ωn,ωm,α,β,γv对于时间的一阶导数。
第二步,对第一步所建立的六自由度模型进行坐标变换,将其换为严反馈形式:
首先将六自由度模型的姿态控制部分分解为三个姿态子系统,分别为俯仰通道模型,偏航通道模型和滚转通道模型:
俯仰通道模型:
Figure BDA0002182088130000083
偏航通道模型:
Figure BDA0002182088130000084
滚转通道模型:
Figure BDA0002182088130000085
分别将其转化为严反馈形式:
Figure BDA0002182088130000086
Figure BDA0002182088130000087
Figure BDA0002182088130000088
式中:
Figure BDA0002182088130000091
Figure BDA0002182088130000092
Figure BDA0002182088130000093
其中,状态变量[x1,x2,x3,x4,x5,x6]T=[α,ωm,β,ωnvl]T;fi和gi均为系统中的非线性函数;u1,u2和u3分别为三个通道的输入;
Figure BDA0002182088130000094
Figure BDA0002182088130000095
均为气动参数;q为动压;δm,δn,δl分别为俯仰舵偏角,偏航舵偏角,滚转舵偏角,它们是三个子系统的控制输入信号。
第三步,引入神经网络来估计第二步严反馈形式模型中所包含的非线性部分:
本发明中通过引入径向基函数神经网络来估计控制器设计中未知的非线性函数Fi(i=1,…,6),其表示形式如下:
Figure BDA00021820881300000913
其中,θi∈RN是个N节点的最优权重向量,φii)=[φi1i),…,φiNi)]T∈RN是基函数向量,Δ(ξi)表示近似误差,δi为一常数,其中
Figure BDA0002182088130000096
oij和bi分别为径向基函数的中心和宽度(在后面将φii)简记为φi)。在这里定义一个常数
Figure BDA0002182088130000097
Figure BDA0002182088130000098
Figure BDA0002182088130000099
其中
Figure BDA00021820881300000910
Figure BDA00021820881300000911
的估计值,
Figure BDA00021820881300000912
为估计误差,gm是常数且0<gm≤gi。本专利中用到径向基神经网络进行近似的几处非线性环节如下所示:
Figure BDA0002182088130000101
Figure BDA0002182088130000102
Figure BDA0002182088130000103
其中ξi=(x1,x2,x3,x4,x5,x6)T,(i=1,…,6)。
第四步,针对第二步中的严反馈形式系统,通过反步法结合神经网络设计自适应律以及控制律:
定义误差变量z1=x1-x1d,z2=x2-x2d,z3=x3-x3d,z4=x4-x4d,z5=x5-x5d,z6=x6-x6d。其中x1d,x3d,x5d分别为攻角,侧滑角,速度滚转角的指令信号,x2d,x4d,x6d分别为系统第一个,第三个,第五个状态方程的虚拟控制信号。对于三个子系统,分别通过反步法设计出的虚拟控制律以及控制律如下:
Figure BDA0002182088130000104
Figure BDA0002182088130000105
Figure BDA0002182088130000106
Figure BDA0002182088130000107
Figure BDA0002182088130000108
Figure BDA0002182088130000109
自适应律设计如下:
Figure BDA00021820881300001010
Figure BDA00021820881300001011
Figure BDA00021820881300001012
Figure BDA00021820881300001013
Figure BDA0002182088130000111
Figure BDA0002182088130000112
其中,ci,λi,μi均为正常数,
Figure BDA0002182088130000113
Figure BDA0002182088130000118
的估计值,
Figure BDA0002182088130000117
为φi的转置,
Figure BDA0002182088130000114
Figure BDA0002182088130000115
对于时间的一阶导数。本专利中所用到的具体参数选取如下:c1=150,c2=190,c3=211,c4=230,c5=206,c6=210,λ1=0.1,λ2=0.2,λ3=0.05,λ4=0.21,λ5=0.08,λ6=0.11,μ1=0.3,μ2=0.25,μ3=0.41,μ4=0.2,μ5=0.34,μ6=0.3。对于径向基神经网络的宽度以及中心点的选取如下:bi=10,i=1,…,6。对于o1=(o11,o12,o13,o14,o15,o16),o1j分别选自矩阵
Figure BDA0002182088130000116
的第j行,并进行排列组合,进而总共得到36=729个不同的o1值,即对于φ11)=[φ111),…,φ1N1)]T∈RN总共使用了729个径向基函数,N=729。对于oi=(oi1,oi2,oi3,oi4,oi5,oi6)的处理方法相同。
通过Matlab仿真,可以得到一种高超声速飞行器全剖面自适应控制方法,实现再入式高超声速飞行器在全剖面飞行过程中的无切换控制,同时保证了较好的控制效果。
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公知的现有技术。

Claims (2)

1.一种高超声速飞行器全剖面自适应控制方法,其特征在于:包括以下步骤:
第一步,建立再入式高超声速飞行器六自由度模型;
第二步,对第一步所建立的六自由度模型进行坐标变换,将其换为严反馈形式模型;
第三步,引入神经网络来估计第二步严反馈形式模型中所包含的非线性部分;
第四步,通过反步法结合第三步中神经网络对前面的严反馈形式系统设计自适应律以及控制律;
所述第一步,建立再入式高超声速飞行器的六自由度模型为:
Figure FDA0002737356180000011
Figure FDA0002737356180000012
Figure FDA0002737356180000013
Figure FDA0002737356180000014
Figure FDA0002737356180000021
其中,V,θ,ψv分别代表速度,航迹偏航角,航迹倾斜角;Jl,Jn,Jm分别代表绕x,y,z轴惯量;Ml,Mn,Mm分别代表滚转,偏航,俯仰力矩;ωl,ωn,ωm分别代表滚转,偏航,俯仰角速度;xl,yl,zl分别代表x,y,z方向的位移;α,β,γv分别代表攻角,侧滑角,速度滚转角;T,L,Z,D分别代表推力,升力,阻力和侧向力;g为重力加速度常数,m为飞行器质量;r1,r2,r3为系统中可忽略的小量;
Figure FDA0002737356180000022
Figure FDA0002737356180000023
分别为V,θ,ψv,ωl,ωn,ωm,α,β,γv对于时间的一阶导数;
所述第二步,对第一步所建立的六自由度模型进行坐标变换,将其换为严反馈形式模型如下:
首先将六自由度模型的姿态控制部分分解为三个姿态子系统,分别为俯仰通道模型、偏航通道模型和滚转通道模型:
俯仰通道模型:
Figure FDA0002737356180000024
偏航通道模型:
Figure FDA0002737356180000025
滚转通道模型:
Figure FDA0002737356180000026
然后分别将其转化为严反馈形式:
Figure FDA0002737356180000031
Figure FDA0002737356180000032
Figure FDA0002737356180000033
式中:
Figure FDA0002737356180000034
Figure FDA0002737356180000035
Figure FDA0002737356180000036
其中,状态变量[x1,x2,x3,x4,x5,x6]T=[α,ωm,β,ωnvl]T;fi和gi均为系统中的非线性函数;u1,u2和u3分别为三个通道的输入;
Figure FDA0002737356180000037
Figure FDA0002737356180000038
均为气动参数;q为动压;δm,δn,δl分别为俯仰舵偏角、偏航舵偏角和滚转舵偏角,它们是三个子系统的控制输入信号;
所述第四步中,针对第二步中的严反馈形式系统,通过反步法结合神经网络设计自适应律以及控制律如下:
定义误差变量z1=x1-x1d,z2=x2-x2d,z3=x3-x3d,z4=x4-x4d,z5=x5-x5d,z6=x6-x6d,其中x1d,x3d,x5d分别为攻角,侧滑角,速度滚转角的指令信号,x2d,x4d,x6d分别为系统第一个,第三个,第五个状态方程的虚拟控制信号;对于三个子系统,分别通过反步法设计出的虚拟控制律以及控制律如下:
Figure FDA0002737356180000041
Figure FDA0002737356180000042
Figure FDA0002737356180000043
Figure FDA0002737356180000044
Figure FDA0002737356180000045
Figure FDA0002737356180000046
自适应律设计如下:
Figure FDA0002737356180000047
Figure FDA0002737356180000048
Figure FDA0002737356180000049
Figure FDA00027373561800000410
Figure FDA00027373561800000411
Figure FDA00027373561800000412
其中,ci,λi,μi均为正常数,
Figure FDA00027373561800000413
Figure FDA00027373561800000414
的估计值,
Figure FDA00027373561800000415
为φi的转置,
Figure FDA00027373561800000416
Figure FDA00027373561800000417
对于时间的一阶导数。
2.根据权利要求1中所述的一种高超声速飞行器全剖面自适应控制方法,其特征在于:所述第三步,引入神经网络来估计第二步严反馈形式模型中所包含的非线性部分如下:
引入径向基函数神经网络来估计控制器设计中未知的非线性函数Fi,i=1,…,6,其表示形式如下:
Figure FDA0002737356180000051
其中,θi∈RN是个N节点的最优权重向量,φii)=[φi1i),…,φiNi)]T∈RN是基函数向量,Δ(ξi)表示近似误差,δi为一常数,其中
Figure FDA0002737356180000052
οij和bi分别为径向基函数的中心和宽度,在这里定义一个常数
Figure FDA0002737356180000053
Figure FDA0002737356180000054
Figure FDA0002737356180000055
其中
Figure FDA0002737356180000056
Figure FDA0002737356180000057
的估计值,
Figure FDA0002737356180000058
为估计误差,gm是常数且0<gm≤gi
CN201910800157.5A 2019-08-28 2019-08-28 一种高超声速飞行器全剖面自适应控制方法 Active CN110488852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910800157.5A CN110488852B (zh) 2019-08-28 2019-08-28 一种高超声速飞行器全剖面自适应控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910800157.5A CN110488852B (zh) 2019-08-28 2019-08-28 一种高超声速飞行器全剖面自适应控制方法

Publications (2)

Publication Number Publication Date
CN110488852A CN110488852A (zh) 2019-11-22
CN110488852B true CN110488852B (zh) 2020-12-01

Family

ID=68554683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910800157.5A Active CN110488852B (zh) 2019-08-28 2019-08-28 一种高超声速飞行器全剖面自适应控制方法

Country Status (1)

Country Link
CN (1) CN110488852B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111191401B (zh) * 2019-12-31 2022-03-15 北京航空航天大学 高超声速飞行器气动/控制/结构多学科协同优化方法
CN111158398A (zh) * 2020-01-15 2020-05-15 哈尔滨工业大学 考虑攻角约束的高超音速飞行器的自适应控制方法
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
CN112558464A (zh) * 2020-09-21 2021-03-26 上海航天控制技术研究所 一种适应气动强非线性的飞行器控制器增益调度方法
CN113031449B (zh) * 2021-03-29 2022-08-09 西北工业大学 面向气动未知的宽域飞行智能反步切换控制方法
CN117308701B (zh) * 2023-09-07 2024-03-12 河北斐然科技有限公司 应用于飞行器的自旋转尾翼装置及飞行器
CN117519257B (zh) * 2024-01-04 2024-03-29 中国人民解放军国防科技大学 一种基于反步法的超声速巡航高度控制方法

Citations (7)

* Cited by examiner, † Cited by third party
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
CN104155990A (zh) * 2014-08-15 2014-11-19 哈尔滨工业大学 考虑攻角约束的高超声速飞行器俯仰通道姿态控制方法
CN105843080A (zh) * 2016-06-01 2016-08-10 南京航空航天大学 可变翼高超声速飞行器智能非线性控制系统
CN107526296A (zh) * 2017-09-05 2017-12-29 西北工业大学 基于预测建模的高超声速飞行器神经网络学习控制方法
CN108375907A (zh) * 2018-03-28 2018-08-07 北京航空航天大学 基于神经网络的高超声速飞行器自适应补偿控制方法
CN108919651A (zh) * 2018-09-26 2018-11-30 北京航空航天大学 一种考虑执行器输入约束的高超声速飞行器自适应容错控制方法
CN109062240A (zh) * 2018-09-28 2018-12-21 浙江工业大学 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5102072A (en) * 1990-11-19 1992-04-07 General Dynamics Corporation, Convair Division Adaptive gain and phase controller for autopilot for a hypersonic vehicle
KR101318560B1 (ko) * 2012-02-29 2013-10-16 부산대학교 산학협력단 유도라인 추적 agv의 유연한 주행 제어를 위한 영상 기반 유도라인 해석 방법
KR101979003B1 (ko) * 2012-09-06 2019-08-23 (주)하기소닉 자연랜드마크 및 인공랜드마크와 관성센서를 이용한 지능형 이동로봇의 위치인식 방법
CN106896722B (zh) * 2017-03-29 2019-11-29 郑州轻工业学院 采用状态反馈与神经网络的高超飞行器复合控制方法
CN107479383B (zh) * 2017-09-05 2019-10-22 西北工业大学 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
CN107479384B (zh) * 2017-09-05 2019-10-22 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
CN110162071B (zh) * 2019-05-24 2022-04-22 北京控制工程研究所 一种高超声速飞行器再入末段姿态控制方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
CN104155990A (zh) * 2014-08-15 2014-11-19 哈尔滨工业大学 考虑攻角约束的高超声速飞行器俯仰通道姿态控制方法
CN105843080A (zh) * 2016-06-01 2016-08-10 南京航空航天大学 可变翼高超声速飞行器智能非线性控制系统
CN107526296A (zh) * 2017-09-05 2017-12-29 西北工业大学 基于预测建模的高超声速飞行器神经网络学习控制方法
CN108375907A (zh) * 2018-03-28 2018-08-07 北京航空航天大学 基于神经网络的高超声速飞行器自适应补偿控制方法
CN108919651A (zh) * 2018-09-26 2018-11-30 北京航空航天大学 一种考虑执行器输入约束的高超声速飞行器自适应容错控制方法
CN109062240A (zh) * 2018-09-28 2018-12-21 浙江工业大学 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高超声速飞行器自适应神经网络控制;赵贺伟;《固体火箭技术》;20170430;第40卷(第2期);第257-263页 *

Also Published As

Publication number Publication date
CN110488852A (zh) 2019-11-22

Similar Documents

Publication Publication Date Title
CN110488852B (zh) 一种高超声速飞行器全剖面自适应控制方法
CN109782795B (zh) 一种利用耦合的面对称高超声速飞行器横侧向控制方法及控制系统
CN106934120B (zh) 基于前向制导的拦截高超声速飞行器的三维制导律设计方法
CN106842912B (zh) 高超声速机动飞行抗舵面饱和鲁棒控制方法
Wang et al. Sliding mode decoupling control of a generic hypersonic vehicle based on parametric commands
CN102929283A (zh) 基于sdre的再入飞行器自适应最优滑模姿态控制方法
CN106874617B (zh) 一种高效的直升机机动飞行品质等级评估方法
CN114200826B (zh) 一种超音速大机动靶标持续大过载机动高度稳定控制方法
CN108427289A (zh) 一种基于非线性函数的高超声速飞行器跟踪控制方法
CN108646554B (zh) 一种基于指定性能的飞行器快速抗干扰纵向制导方法
CN114281092A (zh) 一种基于滑模干扰观测器的高超声速飞行器协调姿态控制方法
CN109460055B (zh) 一种飞行器控制能力确定方法、装置及电子设备
CN108919827B (zh) 一种推力矢量飞行器控制的双次优化快速分配方法
CN112327926A (zh) 一种无人机编队的自适应滑模控制方法
CN111290278A (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
CN111506113A (zh) 飞行器制导指令计算方法、侧滑角计算方法及制导方法
CN108459611B (zh) 一种近空间飞行器的姿态跟踪控制方法
CN117471952A (zh) 一种飞行器反步超螺旋滑模制导控制一体化方法
CN114815878A (zh) 基于实时优化和深度学习的高超声速飞行器协同制导方法
CN105676854B (zh) 一种三自由度直升机抗饱和姿态跟踪控制方法
Chen et al. Switching multi-model predictive control for hypersonic vehicle
Das et al. Feedback linearization for a nonlinear skid-to-turn missile model
CN114237295A (zh) 一种高敏捷性空空导弹大迎角非常规飞行控制技术
Yao et al. Trajectory tracking control of a stratospheric airship with fuzzy sliding mode control
Bao et al. Design of guidance and control system for hypersonic morphing vehicle in dive phase

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