CN111487866B - 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 - Google Patents
基于混合事件触发的高超声速飞行器神经抗干扰控制方法 Download PDFInfo
- Publication number
- CN111487866B CN111487866B CN202010272193.1A CN202010272193A CN111487866B CN 111487866 B CN111487866 B CN 111487866B CN 202010272193 A CN202010272193 A CN 202010272193A CN 111487866 B CN111487866 B CN 111487866B
- Authority
- CN
- China
- Prior art keywords
- control
- subsystem
- ahv
- height
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 11
- 210000005036 nerve Anatomy 0.000 title claims description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 230000001537 neural effect Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- WLRMANUAADYWEA-NWASOUNVSA-N (S)-timolol maleate Chemical compound OC(=O)\C=C/C(O)=O.CC(C)(C)NC[C@H](O)COC1=NSN=C1N1CCOCC1 WLRMANUAADYWEA-NWASOUNVSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011217 control strategy Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003767 neural control Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G05B13/04—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于混合事件触发机制的高超声速飞行器神经抗干扰控制方法,涉及飞行器自动控制技术领域。首先,建立面向控制描述的AHV参数化运动学/动力学模型;其次,设计低计算复杂度的最小参数学习神经网络学习器实时消除各种扰动对控制系统的影响;再次,构造基于相对触发阈值和绝对触发阈值的混合事件触发机制,确保在不牺牲跟踪性能的前提下有效降低控制回路信息通信量,避免固定触发事件下触发次数过于频繁以及相对触发事件下较大控制信号引发控制抖震的缺陷;最后,综合MLP观测器与事件触发控制器,实现对于给定高度/速度指令的精确跟踪控制。本发明主要解决了机载计算资源和多源干扰影响下的AHV鲁棒飞行控制问题。
Description
技术领域
本发明涉及飞行器自动控制技术领域,具体为一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法,主要解决机载计算资源和多源干扰影响下的AHV鲁棒飞行控制问题。
背景技术
吸气式高超声速飞行器(Airbreathing Hypersonic Vehicle,AHV),一般是指飞行马赫数不小于5Ma,且以吸气式超燃冲压发动机为动力的飞行器。AHV有重要的民用、军事价值和战略意义,具有高速度、高机动性、大飞行包线等众多优势。近年来,国内外研究学者应用神经网络、滑模控制、自适应控制、鲁棒控制等理论在AHV稳定飞行控制设计方面取得了卓有成效的研究成果,但仍有一些开放性问题亟待解决:(1)已有神经控制具有在线神经辨识维度爆炸、神经权值学习负担过重,导致诱发明显控制时延,难以满足AHV实时控制需求;(2)高性能的AHV跟踪控制效果往往依赖于基于连续高频率采样信息的连续控制律。事实上,只有AHV系统遇到突发事件(如外界突风干扰、故障突变)才有必要进行精密地信息获取、采样与处理,对于AHV执行巡航段定高等速飞行任务而言,连续控制策略不可避免会带来大量的计算/通信/能源资源浪费,严重影响AHV控制效能。故开展可适应外部干扰及计算资源有限条件下的AHV低复杂度神经控制器设计具有显著的研究意义和应用价值。
发明内容
本发明为了针对现有AHV神经控制策略难以满足高超快机动飞行实时计算导致显著控制误差以及已有连续控制范式对机载有限计算资源欠缺考虑的问题,提供了一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法。
本发明是通过如下技术方案来实现的:一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法,包括如下步骤:
(1)建立面向控制描述的AHV参数化严格反馈运动学/动力学模型:
其中V为速度,h为高度,α为攻角,即AOA,γ为航迹角FPA,Q为俯仰角速率PR,fi,gi(i=V,α,γ,Q)分别表示集中扰动和AHV标称动态;
式中,dVe,dγe,dαe,dQe表示外部扰动,Δ表示气动系数的扰动;g表示引力常数;m和Iyy分别为飞行器质量和转动惯量;p=0.5ρaV2为动压,ρa=ρa0exp(-(h-h0)/hs)为空气密度,h0为初始近似高度,ρa0为高度为h0时的空气密度,hs表示空气密度衰减率的倒数;zT、S和分别表示推力力臂、参考面积和平均气动弦长;实际控制量为升降舵偏转角δe及节流阀开度Φ;升力L、阻力D、推力T、俯仰力矩M可以通过如下多项式拟合得到:
相关的空气动力/力矩系数可以通过如下拟合公式得到:
(2)分别针对高度和速度子系统的集总干扰,构造最小参数学习神经网络MLP-NN:
AHV速度子系统的输出跟踪误差定义为:eV(t)=V(t)-Vd(t);将FPA、AOA、PR的跟踪误差分别定义为eγ(t)=γ(t)-γd(t),eα(t)=α(t)-αd(t),eQ(t)=Q(t)-Qd(t);其中Vd(t),γd(t),αd(t),Qd(t)分别代表速度V、FPA、AOA、PR的参考信号;为神经权值的估计值;n为MLP-NN的隐藏层节点数,高斯函数hjl(ej),(j=V,γ,α,Q,l=1,...n)取如下形式:
其中ΓV∈R,Γγ∈R,Γα∈R,ΓQ∈R为MLP-NN的自适应增益,kwV∈R,kwγ∈R,kwα∈R,kwQ∈R是漂移因子。
(3)基于MLP-NN观测结果以及反馈线性化原理,构造高度子系统的级联控制方程:航迹倾角、攻角、俯仰角速率通道的虚拟控制律:
高度子系统中航迹倾角γ、攻角α、俯仰角速率Q的虚拟控制律如下:
(4)在控制器—执行器端引入混合事件触发机制,构造可消除测量误差并确保闭环系统稳定的速度、高度子系统实际控制器,在保障AHV有限通信计算资源的前提下实现对于给定速度/高度指令的精确跟踪控制:
对速度子系统建立带混合事件触发机制的采样控制律Φ(t):
事件触发条件为:
其中当测量误差违反预设触发条件时,控制信号Φ(t)会在时刻更新,代表着控制信号Φ(t)会在范围内保持为eVE(t)表示测量误差;DV表示速度子系统的切换阈值,σV,χV,δV,m1V和m2V是可调节的参数;
与对速度子系统建立带混合事件触发机制的采样控制律类似地,对高度子系统建立带混合事件触发机制的采样控制律δe(t):
事件触发条件为:
其中当测量误差违反预设触发条件时,控制信号δe(t)会在时刻更新,代表着控制信号δe(t)会在范围内保持为eQE(t)表示测量误差;DQ表示高度子系统的切换阈值,σQ,χQ,δQ,m1Q和m2Q是可调节的参数。
与现有技术相比本发明具有以下有益效果:本发明所提供的一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法,主要解决现有AHV神经控制策略难以满足高超快机动飞行实时计算导致显著控制误差以及已有连续控制范式对机载有限计算资源欠缺考虑的难题:(1)与传统的连续采样控制策略相比,混合事件触发机制不仅可以有效降低控制模块至执行机构端的信息传输频率,还可以在触发次数与控制性能之间寻求最佳折衷;(2)所设计的MLP神经网络克服了传统神经网络的在线计算量过重导致控制器出现延迟,从而对AHV产生明显控制误差的缺陷。
附图说明
图1是本发明基于混合事件触发机制的吸气式高超声速飞行器神经抗干扰控制方法流程图。
具体实施方式
以下结合具体实施例对本发明作进一步说明。
一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法,流程如图1所示,包括如下步骤:
(1)建立面向控制描述的AHV参数化严格反馈运动学/动力学模型:
其中V为速度,h为高度,α为攻角,即AOA,γ为航迹角FPA,Q为俯仰角速率PR,fi,gi(i=V,α,γ,Q)分别表示集中扰动和AHV标称动态;
式中,Δ表示气动系数的扰动;g=32表示引力常数;m=300和Iyy=86722.54分别为飞行器质量和转动惯量;p=0.5ρaV2为动压,ρa=ρa0 exp(-(h-h0)/hs)为空气密度,h0=85000为初始近似高度,ρa0为高度为h0时的空气密度,hs=21358.8表示空气密度衰减率的倒数;zT=8.36表示推力力臂,S=17表示参考面积,平均气动弦长;实际控制量为升降舵偏转角δe,节流阀开度Φ;升力L、阻力D、推力T、俯仰力矩M可以通过如下多项式拟合得到:
相关的空气动力/力矩系数可以通过如下拟合公式得到:
dVe,dγe,dαe,dQe表示外部扰动:
(2)分别针对高度和速度子系统的集总干扰,构造最小参数学习MLP神经网络:
AHV速度子系统的输出跟踪误差定义为:eV(t)=V(t)-Vd(t);将FPA、AOA、PR的跟踪误差分别定义为eγ(t)=γ(t)-γd(t),eα(t)=α(t)-αd(t),eQ(t)=Q(t)-Qd(t);其中Vd(t),γd(t),αd(t),Qd(t)分别代表速度V、FPA、AOA、PR的参考信号;为神经权值的估计值;n=9为MLP-NN的隐藏层节点数,高斯函数hji(ej),(j=V,γ,α,Q,i=1,...n)取如下形式:
其中ΓV=40,Γγ=9610,Γα=14610,ΓQ=1057610为MLP-NN的自适应增益,kwV∈R,kwγ∈R,kwα∈R,kwQ∈R是漂移因子,kwV=1,kwγ=0.1,kwα=0.01,kwQ=1×10-3。
(3)基于MLP观测结果以及反馈线性化原理,构造高度子系统的级联控制方程:航迹倾角、攻角、俯仰角速率通道的虚拟控制律:
高度子系统中航迹倾角γ、攻角α、俯仰角速率Q的虚拟控制律如下:
(4)在控制器—执行器端引入混合事件触发机制,构造可消除测量误差并确保闭环系统稳定的速度、高度子系统实际控制器,在不过多占用AHV有限通信计算资源的前提下(不过多占用可以理解为根据需要,保障AHV有限通信计算资源),实现对于给定速度/高度指令的精确跟踪控制:
对速度子系统建立带混合事件触发机制的采样控制律Φ(t):
事件触发条件为:
其中控制器增益kV=42.55;当测量误差违反预设触发条件时,控制信号Φ(t)会在时刻更新,代表着控制信号Φ(t)会在范围内保持为eVE(t)表示测量误差;DV表示速度子系统的切换阈值,σV,χV,δV,m1V和m2V是可调节的参数,σV=0.1,χV=0.01,δV=0.001,m1V=0.005,m2V=0.0005;
与对速度子系统建立带混合事件触发机制的采样控制律类似地,对高度子系统建立带混合事件触发机制的采样控制律δe(t):
事件触发条件为:
其中控制器增益kQ=15;当测量误差违反预设触发条件时,控制信号δe(t)会在时刻更新,代表着控制信号δe(t)会在范围内保持为eQE(t)表示测量误差;DQ=13.752表示高度子系统的切换阈值。σQ=0.001,χQ=1e-3,δQ=0.0573,m1Q=1.146和m2Q=0.0573。
本发明要求保护的范围不限于以上具体实施方式,而且对于本领域技术人员而言,本发明可以有多种变形和更改,凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。
Claims (1)
1.一种基于混合事件触发的高超声速飞行器神经抗干扰控制方法,其特征在于:包括如下步骤:
(1)建立面向控制描述的AHV参数化严格反馈运动学/动力学模型,具体如下:
其中V为速度,h为高度,α为攻角,即AOA,γ为航迹角,即FPA,Q为俯仰角速率,即PR,fi,gi分别表示集中扰动和AHV标称动态,i=V,α,γ,Q;dVe,dγe,dαe,dQe表示外部扰动,Δ表示气动系数的扰动;g表示引力常数;m和Iyy分别为飞行器质量和转动惯量;p=0.5ρaV2为动压,ρa=ρa0exp(-(h-h0)/hs)为空气密度,h0为初始近似高度,ρa0为高度为h0时的空气密度,hs表示空气密度衰减率的倒数;zT、S和分别表示推力力臂、参考面积和平均气动弦长;实际控制量为升降舵偏转角δe及节流阀开度Φ;升力L、阻力D、推力T、俯仰力矩M可以通过如下多项式拟合得到:
相关的空气动力/力矩系数可以通过如下拟合公式得到:
(2)分别针对高度和速度子系统的集总干扰,构造最小参数学习神经网络MLP-NN:
AHV速度子系统的输出跟踪误差定义为:eV=V-Vd;将FPA、AOA、PR的跟踪误差分别定义为eγ=γ-γd,eα=α-αd,eQ=Q-Qd;其中Vd,γd,αd,Qd分别代表速度V、FPA、AOA、PR的参考信号;为神经权值的估计值;n为MLP-NN的隐藏层节点数,高斯函数hjl(ej),j=V,γ,α,Q,l=1,...n取如下形式:
其中,cjl表示接受域中心,bj代表基函数的宽度;设计如下神经权值更新律:
其中ΓV∈R,Γγ∈R,Γα∈R,ΓQ∈R为MLP-NN的自适应增益,kwV∈R,kwγ∈R,kwα∈R,kwQ∈R是漂移因子;
(3)基于MLP-NN观测结果以及反馈线性化原理,构造高度子系统的级联控制方程:航迹角、攻角、俯仰角速率通道的虚拟控制律:
高度子系统中航迹角γ、攻角α、俯仰角速率Q的虚拟控制律如下:
(4)在控制器—执行器端引入混合事件触发机制,构造可消除测量误差并确保闭环系统稳定的速度、高度子系统实际控制器,在保障AHV有限通信计算资源的前提下实现对于给定速度/高度指令的精确跟踪控制:
对速度子系统建立带混合事件触发机制的节流阀开度Φ的控制信号:
事件触发条件为:
其中当测量误差违反预设触发条件时,Φ(t)会在时刻更新,代表着Φ(t)会在范围内保持为eVE(t)表示速度子系统的测量误差;DV表示速度子系统的切换阈值,σV,χV,δV,m1V和m2V是可调节的参数;
与对速度子系统建立带混合事件触发机制的采样控制律类似地,对高度子系统建立带混合事件触发机制的升降舵偏转角δe的控制信号:
事件触发条件为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272193.1A CN111487866B (zh) | 2020-04-09 | 2020-04-09 | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010272193.1A CN111487866B (zh) | 2020-04-09 | 2020-04-09 | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487866A CN111487866A (zh) | 2020-08-04 |
CN111487866B true CN111487866B (zh) | 2022-11-08 |
Family
ID=71791855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010272193.1A Expired - Fee Related CN111487866B (zh) | 2020-04-09 | 2020-04-09 | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487866B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111856944B (zh) * | 2020-08-05 | 2022-01-28 | 重庆大学 | 一种基于事件触发的高超声速飞行器模糊控制方法 |
CN113504727B (zh) * | 2021-07-14 | 2022-06-17 | 桂林理工大学 | 一种带有自适应阈值的混合阶非线性系统事件触发协同控制方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107390531B (zh) * | 2017-09-05 | 2019-10-18 | 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 |
CN108646564A (zh) * | 2018-05-25 | 2018-10-12 | 安徽大学 | 一种基于事件触发的不确定再入飞行器模型的设计方法 |
CN108828957B (zh) * | 2018-08-20 | 2019-11-05 | 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 |
-
2020
- 2020-04-09 CN CN202010272193.1A patent/CN111487866B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN111487866A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450324B (zh) | 考虑攻角约束的高超声速飞行器自适应容错控制方法 | |
CN110377045B (zh) | 一种基于抗干扰技术的飞行器全剖面控制方法 | |
CN111273681B (zh) | 一种考虑攻角受限的高超声速飞行器高安全抗干扰控制方法 | |
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 | |
CN104199286B (zh) | 一种基于滑模干扰观测器的飞行器递阶动态逆控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN111487866B (zh) | 基于混合事件触发的高超声速飞行器神经抗干扰控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
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 | |
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 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
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 | |
CN102880055A (zh) | 基于预测模型的高超声速飞行器神经网络控制方法 | |
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 | |
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 | |
CN110320927A (zh) | 智能变形飞行器的飞行控制方法及系统 | |
CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
CN108303889A (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 | |
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 | |
CN110908288A (zh) | 一种基于障碍Lyapunov函数的无人机地速约束抗扰控制方法 | |
CN111580540A (zh) | 基于Kalman滤波的变体飞行器T-S模糊控制方法 | |
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 | |
CN114237268A (zh) | 一种基于深度强化学习的无人机强鲁棒姿态控制方法 | |
CN111459029A (zh) | 一种考虑输入量化的高超声速飞行器预设性能神经反馈控制方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221108 |