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

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

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

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，f_i,g_i(i＝V,α,γ,Q)分别表示集中扰动和AHV标称动态；

式中，d_Ve,d_γe,d_αe,d_Qe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I_yy分别为飞行器质量和转动惯量；p＝0.5ρ_aV²为动压，ρ_a＝ρ_a0exp(-(h-h₀)/h_s)为空气密度，h₀为初始近似高度，ρ_a0为高度为h₀时的空气密度，h_s表示空气密度衰减率的倒数；z_T、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δ_e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：e_V(t)＝V(t)-V_d(t)；将FPA、AOA、PR的跟踪误差分别定义为e_γ(t)＝γ(t)-γ_d(t),e_α(t)＝α(t)-α_d(t),e_Q(t)＝Q(t)-Q_d(t)；其中V_d(t),γ_d(t),α_d(t),Q_d(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h_jl(e_j),(j＝V,γ,α,Q,l＝1,...n)取如下形式：

其中，c_ji表示接受域中心，b_j代表基函数的宽度；为了逼近

设计如下神经权值更新律：

其中Γ_V∈R,Γ_γ∈R,Γ_α∈R,Γ_Q∈R为MLP-NN的自适应增益，k_wV∈R,k_wγ∈R,k_wα∈R,k_wQ∈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：

其中k_h,k_γ,k_α表示控制器增益，

表示参考信号对时间的微分，AHV高度子系统的输出跟踪误差定义为：e_h(t)＝h(t)-h_d(t)；其中h_d(t)为高度的参考信号。

(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

e_VE(t)表示测量误差；D_V表示速度子系统的切换阈值，σ_V,χ_V,δ_V,m_1V和m_2V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δ_e(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δ_e(t)会在

时刻更新，代表着控制信号δ_e(t)会在

范围内保持为

e_QE(t)表示测量误差；D_Q表示高度子系统的切换阈值，σ_Q,χ_Q,δ_Q,m_1Q和m_2Q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，f_i,g_i(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I_yy＝86722.54分别为飞行器质量和转动惯量；p＝0.5ρ_aV²为动压，ρ_a＝ρ_a0 exp(-(h-h₀)/h_s)为空气密度，h₀＝85000为初始近似高度，ρ_a0为高度为h₀时的空气密度，h_s＝21358.8表示空气密度衰减率的倒数；z_T＝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δ_e，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：

d_Ve,d_γe,d_αe,d_Qe表示外部扰动：

其中，

(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：e_V(t)＝V(t)-V_d(t)；将FPA、AOA、PR的跟踪误差分别定义为e_γ(t)＝γ(t)-γ_d(t),e_α(t)＝α(t)-α_d(t),e_Q(t)＝Q(t)-Q_d(t)；其中V_d(t),γ_d(t),α_d(t),Q_d(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h_ji(e_j),(j＝V,γ,α,Q,i＝1,...n)取如下形式：

其中，接受域中心

基函数的宽度

为了逼近

设计如下神经权值更新律：

其中Γ_V＝40,Γ_γ＝9610,Γ_α＝14610,Γ_Q＝1057610为MLP-NN的自适应增益，k_wV∈R,k_wγ∈R,k_wα∈R,k_wQ∈R是漂移因子，k_wV＝1,k_wγ＝0.1,k_wα＝0.01,k_wQ＝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：

其中k_h＝2.1,k_γ＝2.5,k_α＝2.3表示控制器增益，

表示参考信号对时间的微分，AHV高度子系统的输出跟踪误差定义为：e_h(t)＝h(t)-h_d(t)；其中h_d(t)为高度的参考信号。

(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k_V＝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

e_VE(t)表示测量误差；D_V表示速度子系统的切换阈值，σ_V,χ_V,δ_V,m_1V和m_2V是可调节的参数，σ_V＝0.1,χ_V＝0.01,δ_V＝0.001,m_1V＝0.005,m_2V＝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δ_e(t)：

事件触发条件为：

其中

控制器增益k_Q＝15；当测量误差违反预设触发条件时，控制信号δ_e(t)会在

时刻更新，代表着控制信号δ_e(t)会在

范围内保持为

e_QE(t)表示测量误差；D_Q＝13.752表示高度子系统的切换阈值。σ_Q＝0.001,χ_Q＝1e-3,δ_Q＝0.0573,m_1Q＝1.146和m_2Q＝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，f_i,g_i分别表示集中扰动和AHV标称动态，i＝V,α,γ,Q；d_Ve,d_γe,d_αe,d_Qe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I_yy分别为飞行器质量和转动惯量；p＝0.5ρ_aV²为动压，ρ_a＝ρ_a0exp(-(h-h₀)/h_s)为空气密度，h₀为初始近似高度，ρ_a0为高度为h₀时的空气密度，h_s表示空气密度衰减率的倒数；z_T、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δ_e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：e_V＝V-V_d；将FPA、AOA、PR的跟踪误差分别定义为e_γ＝γ-γ_d,e_α＝α-α_d,e_Q＝Q-Q_d；其中V_d,γ_d,α_d,Q_d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h_jl(e_j),j＝V,γ,α,Q,l＝1,...n取如下形式：

其中，c_jl表示接受域中心，b_j代表基函数的宽度；设计如下神经权值更新律：

其中Γ_V∈R,Γ_γ∈R,Γ_α∈R,Γ_Q∈R为MLP-NN的自适应增益，k_wV∈R,k_wγ∈R,k_wα∈R,k_wQ∈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：

其中k_h,k_γ,k_α表示控制器增益，

表示参考信号对时间的微分，AHV高度子系统的输出跟踪误差定义为：e_h＝h-h_d；其中h_d为高度的参考信号；

(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

e_VE(t)表示速度子系统的测量误差；D_V表示速度子系统的切换阈值，σ_V,χ_V,δ_V,m_1V和m_2V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δ_e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，δ_e(t)会在

时刻更新，代表着δ_e(t)会在

范围内保持为

e_QE(t)表示高度子系统的测量误差；D_Q表示高度子系统的切换阈值，σ_Q,χ_Q,δ_Q,m_1Q和m_2Q是可调节的参数。

Images