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

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：

其中，V，θ，ψ_v分别代表速度，航迹偏航角，航迹倾斜角；J_l，J_n，J_m分别代表绕x，y，z轴惯量；M_l，M_n，M_m分别代表滚转，偏航，俯仰力矩；ω_l，ω_n，ω_m分别代表滚转，偏航，俯仰角速度；x_l，y_l，z_l分别代表x，y，z方向的位移；α，β，γ_v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；

分别为V，θ，ψ_v，ω_l，ω_n，ω_m，α，β，γ_v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：

偏航通道模型：

滚转通道模型：

分别将其转化为严反馈形式：

式中：

其中，状态变量[x₁,x₂,x₃,x₄,x₅,x₆]^T＝[α,ω_m,β,ω_n,γ_v,ω_l]^T；f_i和g_i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；

均为气动参数；q为动压；δ_m，δ_n，δ_l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F_i(i＝1,…,6)，其表示形式如下：

其中，θ_i∈R^N是个N节点的最优权重向量，φ_i(ξ_i)＝[φ_i1(ξ_i),…,φ_iN(ξ_i)]^T∈R^N是基函数向量，Δ(ξ_i)表示近似误差，δ_i为一常数，其中

o_ij和b_i分别为径向基函数的中心和宽度(在后面将φ_i(ξ_i)简记为φ_i)。在这里定义一个常数

其中

是

的估计值，

为估计误差，g_m是常数且0＜g_m≤g_i。

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-x_1d，z₂＝x₂-x_2d，z₃＝x₃-x_3d，z₄＝x₄-x_4d，z₅＝x₅-x_5d，z₆＝x₆-x_6d。其中x_1d，x_3d，x_5d分别为攻角，侧滑角，速度滚转角的指令信号，x_2d，x_4d，x_6d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：

自适应律设计如下：

其中，c_i，λ_i，μ_i均为正常数，

为

的估计值，

为φ_i的转置，

为

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：

其中，V，θ，ψ_v分别代表速度，航迹偏航角，航迹倾斜角；J_l，J_n，J_m分别代表绕x，y，z轴惯量；M_l，M_n，M_m分别代表滚转，偏航，俯仰力矩；ω_l，ω_n，ω_m分别代表滚转，偏航，俯仰角速度；x_l，y_l，z_l分别代表x，y，z方向的位移；α，β，γ_v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；

分别为V，θ，ψ_v，ω_l，ω_n，ω_m，α，β，γ_v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：

偏航通道模型：

滚转通道模型：

分别将其转化为严反馈形式：

式中：

其中，状态变量[x₁,x₂,x₃,x₄,x₅,x₆]^T＝[α,ω_m,β,ω_n,γ_v,ω_l]^T；f_i和g_i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；

均为气动参数；q为动压；δ_m，δ_n，δ_l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F_i(i＝1,…,6)，其表示形式如下：

其中，θ_i∈R^N是个N节点的最优权重向量，φ_i(ξ_i)＝[φ_i1(ξ_i),…,φ_iN(ξ_i)]^T∈R^N是基函数向量，Δ(ξ_i)表示近似误差，δ_i为一常数，其中

o_ij和b_i分别为径向基函数的中心和宽度(在后面将φ_i(ξ_i)简记为φ_i)。在这里定义一个常数

其中

是

的估计值，

为估计误差，g_m是常数且0＜g_m≤g_i。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：

其中ξ_i＝(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-x_1d，z₂＝x₂-x_2d，z₃＝x₃-x_3d，z₄＝x₄-x_4d，z₅＝x₅-x_5d，z₆＝x₆-x_6d。其中x_1d，x_3d，x_5d分别为攻角，侧滑角，速度滚转角的指令信号，x_2d，x_4d，x_6d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：

自适应律设计如下：

其中，c_i，λ_i，μ_i均为正常数，

为

的估计值，

为φ_i的转置，

为

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：b_i＝10,i＝1,…,6。对于o₁＝(o₁₁,o₁₂,o₁₃,o₁₄,o₁₅,o₁₆)，o_1j分别选自矩阵

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φ₁(ξ₁)＝[φ₁₁(ξ₁),…,φ_1N(ξ₁)]^T∈R^N总共使用了729个径向基函数，N＝729。对于o_i＝(o_i1,o_i2,o_i3,o_i4,o_i5,o_i6)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：

其中，V，θ，ψ_v分别代表速度，航迹偏航角，航迹倾斜角；J_l，J_n，J_m分别代表绕x，y，z轴惯量；M_l，M_n，M_m分别代表滚转，偏航，俯仰力矩；ω_l，ω_n，ω_m分别代表滚转，偏航，俯仰角速度；x_l，y_l，z_l分别代表x，y，z方向的位移；α，β，γ_v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；

分别为V，θ，ψ_v，ω_l，ω_n，ω_m，α，β，γ_v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：

偏航通道模型：

滚转通道模型：

然后分别将其转化为严反馈形式：

式中：

其中，状态变量[x₁,x₂,x₃,x₄,x₅,x₆]^T＝[α,ω_m,β,ω_n,γ_v,ω_l]^T；f_i和g_i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；

均为气动参数；q为动压；δ_m，δ_n，δ_l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-x_1d，z₂＝x₂-x_2d，z₃＝x₃-x_3d，z₄＝x₄-x_4d，z₅＝x₅-x_5d，z₆＝x₆-x_6d，其中x_1d，x_3d，x_5d分别为攻角，侧滑角，速度滚转角的指令信号，x_2d，x_4d，x_6d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：

自适应律设计如下：

其中，c_i，λ_i，μ_i均为正常数，

为

的估计值，

为φ_i的转置，

为

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F_i，i＝1,…,6，其表示形式如下：

其中，θ_i∈R^N是个N节点的最优权重向量，φ_i(ξ_i)＝[φ_i1(ξ_i),…,φ_iN(ξ_i)]^T∈R^N是基函数向量，Δ(ξ_i)表示近似误差，δ_i为一常数，其中

ο_ij和b_i分别为径向基函数的中心和宽度,在这里定义一个常数

其中

是

的估计值，

为估计误差，g_m是常数且0＜g_m≤g_i。

Images