CN111665857B - 基于复合智能学习的变体飞行器控制方法 - Google Patents

基于复合智能学习的变体飞行器控制方法 Download PDF

Info

Publication number
CN111665857B
CN111665857B CN202010570246.8A CN202010570246A CN111665857B CN 111665857 B CN111665857 B CN 111665857B CN 202010570246 A CN202010570246 A CN 202010570246A CN 111665857 B CN111665857 B CN 111665857B
Authority
CN
China
Prior art keywords
formula
design
design parameter
representing
neural network
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
CN202010570246.8A
Other languages
English (en)
Other versions
CN111665857A (zh
Inventor
许斌
王霞
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.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical 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 Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202010570246.8A priority Critical patent/CN111665857B/zh
Publication of CN111665857A publication Critical patent/CN111665857A/zh
Application granted granted Critical
Publication of CN111665857B publication Critical patent/CN111665857B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
    • G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • 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

Abstract

本发明涉及一种基于复合智能学习的变体飞行器控制方法，该方法将变体飞行器纵向通道模型解耦为速度子系统和高度子系统，针对速度子系统采用动态逆控制，针对高度子系统采用反步法控制。利用神经网络对未知非线性函数进行估计，设计平行估计模型对神经网络逼近性能进行评价，进一步基于评价信息建立预测误差，并结合跟踪误差设计自适应权重更新律。所提出的复合学习策略能有效提高未知动力学的估计精度，保证系统的控制性能。

Description

基于复合智能学习的变体飞行器控制方法
技术领域
本发明涉及一种飞行器控制方法，特别是涉及一种基于复合智能学习的变体飞行器控制方法，属于飞行器控制领域。
背景技术
变体飞行器可以通过改变自身气动外形来适应不同的飞行环境、剖面和任务，确保整个飞行过程的最优性能，故变体飞行器具有更大的飞行包线和更好的环境适应能力，但强不确定性和复杂多变的气动特点给变体飞行器控制带来了巨大挑战。《AdaptiveNeural Control Based on High Order Integral Chained Differentiator forMorphing Aircraft》(Zhonghua Wu，Jingchao Lu，Jahanzeb Rajput，Jingping Shi，andWen Ma，《Mathematical Problems in Engineering》，2015，Article ID 787931)一文针对变体飞行器纵向通道模型设计了自适应控制策略，该方法基于模型变换将姿态子系统转换为输出反馈形式，利用神经网络逼近集总不确定，保证了闭环系统的稳定性。该设计仅基于跟踪误差设计神经网络权重更新律，无法对未知动力学进行有效逼近，进而不能实现系统的精确跟踪。
发明内容
要解决的技术问题
针对变体飞行器动力学存在的模型不确定问题，本发明设计了一种基于复合智能学习的变体飞行器控制方法。
技术方案
一种基于复合智能学习的变体飞行器控制方法，其特征在于步骤如下：
步骤1：考虑变后掠翼飞行器纵向动力学模型
Figure BDA0002549334940000011
Figure BDA0002549334940000021
Figure BDA0002549334940000022
Figure BDA0002549334940000023
Figure BDA0002549334940000024
其中，FIx、FIkz、FIz和MIy表示变形过程引起的惯性力矩，其表达式为
Figure BDA0002549334940000025
该动力学模型包含五个状态变量X＝[V，h，γ，α，q]T和两个控制输入U＝[δe，T]T，其中V表示速度，h表示高度，γ表示航迹角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，T表示推力；D、L和MA分别表示阻力、升力和俯仰转动力矩；m、Iy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；θ＝α+γ表示俯仰角，Sx表示静力矩，zT表示推力矩臂长；
步骤2：将变体飞行器动力学模型解耦得到速度子系统(1)和高度子系统(2)-(5)；
速度子系统(1)写为
Figure BDA0002549334940000026
式中，fv表示由式(1)得到的未知非线性函数，gv表示由式(1)得到的已知函数；
针对高度子系统，定义高度跟踪误差为
Figure BDA0002549334940000027
发计航迹角期望指令γd为
Figure BDA0002549334940000028
式中，hd表示高度参考信号，
Figure BDA0002549334940000029
表示高度参考信号的导数，kh＞0和kI＞0为设计参数；
定义x1＝γ，x2＝θ和x3＝q，姿态子系统(3)-(5)变换为
Figure BDA0002549334940000031
式中，fi，gi，i＝1，3表示由式(3)-(5)得到的未知非线性函数，
Figure BDA0002549334940000032
Figure BDA0002549334940000033
和
Figure BDA0002549334940000034
分别表示未知气动参数项和已知项；
步骤3：针对速度子系统，定义速度跟踪误差为ev＝V-Vd，设计控制器T为
Figure BDA0002549334940000035
式中，
Figure BDA0002549334940000036
Figure BDA0002549334940000037
表示神经网络最优权重的估计值，θv表示神经网络基函数向量，Vd表示速度参考信号，
Figure BDA0002549334940000038
表示速度参考信号的导数，kv＞0为设计参数；
定义建模误差为
Figure BDA0002549334940000039
其中
Figure BDA00025493349400000310
由下式得到
Figure BDA00025493349400000311
式中，βv＞0为设计参数；
设计
Figure BDA00025493349400000312
自适应更新律为
Figure BDA00025493349400000313
其中γv＞0，γzv＞0和δv＞0为设计参数；
步骤4：第1步：定义航迹角跟踪误差为
e1＝x1-γd (14)
设计俯仰角虚拟控制量为
Figure BDA00025493349400000314
式中，
Figure BDA00025493349400000315
Figure BDA00025493349400000316
表示神经网络最优权重的估计值，
Figure BDA00025493349400000317
表示神经网络基函数向量，
Figure BDA00025493349400000318
Figure BDA00025493349400000319
表示
Figure BDA00025493349400000320
的估计值，k1＞0为设计参数；
设计一阶滤波器为
Figure BDA0002549334940000041
式中，
Figure BDA0002549334940000042
表示
Figure BDA0002549334940000043
通过公式(16)所表达的滤波器后获得的信号，
Figure BDA0002549334940000044
为滤波后得到的信号
Figure BDA0002549334940000045
的导数，α2＞0为设计参数；
定义建模误差为
Figure BDA0002549334940000046
其中
Figure BDA0002549334940000047
由下式得到
Figure BDA0002549334940000048
式中，β1＞0为设计参数；
设计
Figure BDA0002549334940000049
自适应律为
Figure BDA00025493349400000410
式中，γ1＞0，γz1＞0和
Figure BDA00025493349400000411
为设计参数；
设计
Figure BDA00025493349400000412
自适应律为
Figure BDA00025493349400000413
式中，Γ1＞0和
Figure BDA00025493349400000414
为设计参数；
第2步：定义俯仰角跟踪误差为
Figure BDA00025493349400000415
设计俯仰角速度虚拟控制量为
Figure BDA00025493349400000416
式中，k2＞0为设计参数；
设计一阶滤波器为
Figure BDA00025493349400000417
式中，
Figure BDA00025493349400000418
表示
Figure BDA00025493349400000419
通过公式(23)所表达的滤波器后获得的信号，
Figure BDA00025493349400000420
为滤波后得到的信号
Figure BDA00025493349400000421
的微分信号，α3＞0为设计参数；
第3步：定义俯仰角速度跟踪误差为
Figure BDA0002549334940000051
设计控制器δe为
Figure BDA0002549334940000052
式中，
Figure BDA0002549334940000053
Figure BDA0002549334940000054
表示神经网络最优权重的估计值，
Figure BDA0002549334940000055
表示神经网络基函数向量，
Figure BDA0002549334940000056
Figure BDA0002549334940000057
表示
Figure BDA0002549334940000058
的估计值，k3＞0为设计参数；
定义建模误差为
Figure BDA0002549334940000059
其中
Figure BDA00025493349400000510
由下式得到
Figure BDA00025493349400000511
式中，β3＞0为设计参数；
设计
Figure BDA00025493349400000512
自适应律为
Figure BDA00025493349400000513
式中，γ3＞0，γz3＞0和
Figure BDA00025493349400000514
为设计参数；
设计
Figure BDA00025493349400000515
自适应律为
Figure BDA00025493349400000516
式中，Γ3＞0和
Figure BDA00025493349400000517
为设计参数；
步骤5：根据得到的舵偏角δe和推力T，返回到变体飞行器动力学模型(1)-(5)，对速度和高度进行跟踪控制。
步骤2中所述的kh＝0.5，kI＝0.05。
有益效果
本发明提出的一种基于复合智能学习的变体飞行器控制方法，该方法将变体飞行器纵向通道模型解耦为速度子系统和高度子系统，针对速度子系统采用动态逆控制，针对高度子系统采用反步法控制。利用神经网络对未知非线性函数进行估计，设计平行估计模型对神经网络逼近性能进行评价，进一步基于评价信息建立预测误差，并结合跟踪误差设计自适应权重更新律。所提出的复合学习策略能有效提高未知动力学的估计精度，保证系统的控制性能。
与现有技术相比有益效果为：
(1)本发明考虑变体飞行器在变体过程中系统动力学模型不确定的问题，采用复合神经网络对未知非线性函数进行自适应估计。
(2)本发明建立平行估计模型对神经网络逼近性能进行评价，进一步基于评价信息建立预测误差，并结合跟踪误差给出复合权重更新律。
(3)本发明基于估计信息设计自适应控制律，能有效提高模型不确定性的估计精度，进一步提升系统速度和高度指令的跟踪性能。
附图说明
图1是本发明基于复合智能学习的变体飞行器控制方法的流程图。
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，本发明基于复合智能学习的变体飞行器控制方法应用于变后掠翼飞行器，通过以下步骤实现：
(a)考虑变后掠翼飞行器纵向动力学模型
Figure BDA0002549334940000061
Figure BDA0002549334940000062
Figure BDA0002549334940000063
Figure BDA0002549334940000071
Figure BDA0002549334940000072
其中，FIx、FIkz、FIz和MIy表示变形过程引起的惯性力矩，其表达式为
Figure BDA0002549334940000073
该动力学模型包含五个状态变量X＝[V，h，γ，α，q]T和两个控制输入U＝[δe，T]T，其中V表示速度，h表示高度，γ表示航迹角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，T表示推力；D、L和MA分别表示阻力、升力和俯仰转动力矩；m、Iy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；θ＝α+γ表示俯仰角，Sx表示静力矩，zT表示推力矩臂长。力、力矩及各系数关于变形量后掠角ζ的表达式为：
L＝CL(ζ)QSω(ζ)，D＝CD(ζ)QSω(ζ)，MA＝Cm(ζ)QSω(ζ)cA(ζ)
Figure BDA0002549334940000074
Figure BDA0002549334940000075
Sω(ζ)＝-0.8271+1.6040ζ，Sx≈2m1r1x+m3r3x，m1＝5，m3＝15
r3x＝0.1458，r1x＝-0.0324ζ2sin(ζ)+0.0561ζsin(ζ)+1.4983sin(ζ)
cA(ζ)＝0.2054ζ2-0.2520ζ+0.4874
CL0(ζ)＝0.0042ζ3-0.1374ζ2-0.0516ζ+0.2291
CLα(ζ)＝-1.1264ζ3-0.4351ζ2+0.3816ζ+4.592
CD0(ζ)＝-0.0024ζ3+0.0045ζ2+0.0022ζ+0.0210
CDα(ζ)＝-0.0310ζ2-0.0458ζ+0.1090
Figure BDA0002549334940000076
Cm0(ζ)＝0.4239ζ2-0.4462ζ-0.0365
Cmα(ζ)＝9.6542ζ3-6.5395ζ2-6.1887ζ-1.5909
Figure BDA0002549334940000077
Cmq(ζ)＝41.4537ζ3-50.4868ζ2-9.7741ζ-10.673
其中，Q表示动压，ρh表示空气密度，Sω(ζ)表示气动参考面积，cA(ζ)表示平均气动弦长。
(b)将变体飞行器动力学模型解耦得到速度子系统(1)和高度子系统(2)-(5)。
速度子系统(1)写为
Figure BDA0002549334940000081
式中，fv表示由式(1)得到的未知非线性函数，gv表示由式(1)得到的已知函数。
针对高度子系统，定义高度跟踪误差为
Figure BDA0002549334940000082
设计航迹角期望指令γd为
Figure BDA0002549334940000083
式中，hd表示高度参考信号，
Figure BDA0002549334940000084
表示高度参考信号的导数，kh＝0.5，kI＝0.05。
定义x1＝γ，x2＝θ和x3＝q，姿态子系统(3)-(5)变换为
Figure BDA0002549334940000085
式中，fi，gi，i＝1，3表示由式(3)-(5)得到的未知非线性函数，
Figure BDA0002549334940000086
Figure BDA0002549334940000087
和
Figure BDA0002549334940000088
分别表示未知气动参数项和已知项。
(c)针对速度子系统，定义速度跟踪误差为ev＝V-Vd，设计控制器T为
Figure BDA0002549334940000089
式中，
Figure BDA00025493349400000810
Figure BDA00025493349400000811
表示神经网络最优权重的估计值，θv表示神经网络基函数向量，Vd表示速度参考信号，
Figure BDA00025493349400000812
表示速度参考信号的导数，kv＝10。
定义建模误差为
Figure BDA00025493349400000813
其中
Figure BDA00025493349400000814
由下式得到
Figure BDA00025493349400000815
式中，βv＝2为设计参数。
设计
Figure BDA00025493349400000816
自适应更新律为
Figure BDA0002549334940000091
其中γv＝5，γzv＝2和δv＝0.01为设计参数。
(d)第1步：定义航迹角跟踪误差为
e1＝x1-γd (14)
设计俯仰角虚拟控制量为
Figure BDA0002549334940000092
式中，
Figure BDA0002549334940000093
Figure BDA0002549334940000094
表示神经网络最优权重的估计值，
Figure BDA0002549334940000095
表示神经网络基函数向量，
Figure BDA0002549334940000096
Figure BDA0002549334940000097
表示
Figure BDA0002549334940000098
的估计值，k1＝2。
设计一阶滤波器为
Figure BDA0002549334940000099
式中，
Figure BDA00025493349400000910
表示
Figure BDA00025493349400000911
通过公式(16)所表达的滤波器后获得的信号，
Figure BDA00025493349400000912
为滤波后得到的信号
Figure BDA00025493349400000913
的导数，α2＝0.005为设计参数。
定义建模误差为
Figure BDA00025493349400000914
其中
Figure BDA00025493349400000915
由下式得到
Figure BDA00025493349400000916
式中，β1＝5。
设计
Figure BDA00025493349400000917
自适应律为
Figure BDA00025493349400000918
式中，γ1＝1，γz1＝1和
Figure BDA00025493349400000919
设计
Figure BDA00025493349400000920
自适应律为
Figure BDA00025493349400000921
式中，Γ1＝2，
Figure BDA00025493349400000922
第2步：定义俯仰角跟踪误差为
Figure BDA0002549334940000101
设计俯仰角速度虚拟控制量为
Figure BDA0002549334940000102
式中，k2＝2。
设计一阶滤波器为
Figure BDA0002549334940000103
式中，
Figure BDA0002549334940000104
表示
Figure BDA0002549334940000105
通过公式(23)所表达的滤波器后获得的信号，
Figure BDA0002549334940000106
为滤波后得到的信号
Figure BDA0002549334940000107
的导数，α3＝0.005。
第3步：定义俯仰角速度跟踪误差为
Figure BDA0002549334940000108
设计控制器δe为
Figure BDA0002549334940000109
式中，
Figure BDA00025493349400001010
Figure BDA00025493349400001011
表示神经网络最优权重的估计值，
Figure BDA00025493349400001012
表示神经网络基函数向量，
Figure BDA00025493349400001013
Figure BDA00025493349400001014
表示
Figure BDA00025493349400001015
的估计值，k3＝3。
定义建模误差为
Figure BDA00025493349400001016
其中
Figure BDA00025493349400001017
由下式得到
Figure BDA00025493349400001018
式中，β3＝5。
设计
Figure BDA00025493349400001019
自适应律为
Figure BDA00025493349400001020
式中，γ3＝1，γz3＝1和
Figure BDA00025493349400001021
设计
Figure BDA0002549334940000111
自适应律为
Figure BDA0002549334940000112
式中，Γ3＝10-8和
Figure BDA0002549334940000113
(e)根据得到的舵偏角δe和推力T，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。

Claims (2)

1.一种基于复合智能学习的变体飞行器控制方法，其特征在于步骤如下：
步骤1：考虑变后掠翼飞行器纵向动力学模型
Figure FDA0003741974400000011
Figure FDA0003741974400000012
Figure FDA0003741974400000013
Figure FDA0003741974400000014
Figure FDA0003741974400000015
其中，FIx、FIkz、FIz和MIy表示变形过程引起的惯性力矩，其表达式为
Figure FDA0003741974400000016
该动力学模型包含五个状态变量X＝[V,h,γ,α,q]T和两个控制输入U＝[δe,T]T，其中V表示速度，h表示高度，γ表示航迹角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，T表示推力；D、L和MA分别表示阻力、升力和俯仰转动力矩；m、Iy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；θ＝α+γ表示俯仰角，Sx表示静力矩，zT表示推力矩臂长；
步骤2：将变体飞行器动力学模型解耦得到速度子系统(1)和高度子系统(2)-(5)；
速度子系统(1)写为
Figure FDA0003741974400000017
式中，fv表示由式(1)得到的未知非线性函数，gv表示由式(1)得到的已知函数；
针对高度子系统，定义高度跟踪误差为
Figure FDA0003741974400000018
设计航迹角期望指令γd为
Figure FDA0003741974400000021
式中，hd表示高度参考信号，
Figure FDA0003741974400000022
表示高度参考信号的导数，kh＞0和kI＞0为设计参数；
定义x1＝γ，x2＝θ和x3＝q，姿态子系统(3)-(5)变换为
Figure FDA0003741974400000023
式中，fi，gi，i＝1,3表示由式(3)-(5)得到的未知非线性函数，gi＝ωgiθgi，ωgi和θgi分别表示未知气动参数项和已知项；
步骤3：针对速度子系统，定义速度跟踪误差为ev＝V-Vd，设计推力T为
Figure FDA0003741974400000024
式中，
Figure FDA0003741974400000025
Figure FDA0003741974400000026
表示神经网络最优权重的估计值，θv表示神经网络基函数向量，Vd表示速度参考信号，
Figure FDA0003741974400000027
表示速度参考信号的导数，kv＞0为设计参数；
定义建模误差为
Figure FDA0003741974400000028
其中
Figure FDA0003741974400000029
由下式得到
Figure FDA00037419744000000210
式中，βv＞0为设计参数；
设计
Figure FDA00037419744000000211
自适应更新律为
Figure FDA00037419744000000212
其中γv＞0，γzv＞0和δv＞0为设计参数；
步骤4：第1步：定义航迹角跟踪误差为
e1＝x1-γd (14)
其中，γd为航迹角期望指令；
设计俯仰角虚拟控制量为
Figure FDA0003741974400000031
式中，
Figure FDA0003741974400000032
Figure FDA0003741974400000033
表示神经网络最优权重的估计值，
Figure FDA0003741974400000034
表示神经网络基函数向量，
Figure FDA0003741974400000035
Figure FDA0003741974400000036
表示ωg1的估计值，k1＞0为设计参数；
设计一阶滤波器为
Figure FDA0003741974400000037
式中，
Figure FDA0003741974400000038
表示
Figure FDA0003741974400000039
通过公式(16)所表达的滤波器后获得的信号，
Figure FDA00037419744000000310
为滤波后得到的信号
Figure FDA00037419744000000311
的导数，α2＞0为设计参数；
定义建模误差为
Figure FDA00037419744000000312
其中
Figure FDA00037419744000000313
由下式得到
Figure FDA00037419744000000314
式中，β1＞0为设计参数；
设计
Figure FDA00037419744000000315
自适应律为
Figure FDA00037419744000000316
式中，γ1＞0，γz1＞0和δf1＞0为设计参数；
设计
Figure FDA00037419744000000317
自适应律为
Figure FDA00037419744000000318
式中，Γ1＞0和
Figure FDA00037419744000000319
为设计参数；
第2步：定义俯仰角跟踪误差为
Figure FDA00037419744000000320
设计俯仰角速度虚拟控制量为
Figure FDA00037419744000000321
式中，k2＞0为设计参数；
设计一阶滤波器为
Figure FDA0003741974400000041
式中，
Figure FDA0003741974400000042
表示
Figure FDA0003741974400000043
通过公式(23)所表达的滤波器后获得的信号，
Figure FDA0003741974400000044
为滤波后得到的信号
Figure FDA0003741974400000045
的微分信号，α3＞0为设计参数；
Figure FDA0003741974400000046
为俯仰角速度虚拟控制量；
第3步：定义俯仰角速度跟踪误差为
Figure FDA0003741974400000047
设计控制器δe为
Figure FDA0003741974400000048
式中，
Figure FDA0003741974400000049
Figure FDA00037419744000000410
表示神经网络最优权重的估计值，
Figure FDA00037419744000000411
表示神经网络基函数向量，
Figure FDA00037419744000000412
Figure FDA00037419744000000413
表示ωg3的估计值，k3＞0为设计参数；
定义建模误差为
Figure FDA00037419744000000414
其中
Figure FDA00037419744000000415
由下式得到
Figure FDA00037419744000000416
式中，β3＞0为设计参数；
设计
Figure FDA00037419744000000417
自适应律为
Figure FDA00037419744000000418
式中，γ3＞0，γz3＞0和
Figure FDA00037419744000000419
为设计参数；
设计
Figure FDA00037419744000000420
自适应律为
Figure FDA00037419744000000421
式中，Γ3＞0和
Figure FDA00037419744000000422
为设计参数；
步骤5：根据得到的舵偏角δe和推力T，返回到变体飞行器动力学模型(1)-(5)，对速度和高度进行跟踪控制。
2.根据权利要求1所述的一种基于复合智能学习的变体飞行器控制方法，其特征在于步骤2中所述的kh＝0.5，kI＝0.05。
CN202010570246.8A 2020-06-21 2020-06-21 基于复合智能学习的变体飞行器控制方法 Active CN111665857B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010570246.8A CN111665857B (zh) 2020-06-21 2020-06-21 基于复合智能学习的变体飞行器控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010570246.8A CN111665857B (zh) 2020-06-21 2020-06-21 基于复合智能学习的变体飞行器控制方法

Publications (2)

Publication Number Publication Date
CN111665857A CN111665857A (zh) 2020-09-15
CN111665857B true CN111665857B (zh) 2022-09-13

Family

ID=72388903

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010570246.8A Active CN111665857B (zh) 2020-06-21 2020-06-21 基于复合智能学习的变体飞行器控制方法

Country Status (1)

Country Link
CN (1) CN111665857B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394739B (zh) * 2020-10-29 2021-11-05 南京航空航天大学 主动变形四旋翼飞行器自抗扰飞行控制方法
CN114036628B (zh) * 2021-02-14 2023-07-14 西北工业大学 变体飞行器翼展与控制策略协同设计方法
CN113126494B (zh) * 2021-04-14 2022-08-09 西北工业大学 参考轨迹动态修正的低空飞行气动辨识控制方法
CN113126495B (zh) * 2021-04-14 2022-08-05 西北工业大学 基于地效干扰补偿的低空飞行鲁棒智能控制方法
CN113110593B (zh) * 2021-05-06 2022-08-09 西北工业大学 基于虚拟结构和估计信息传输的飞行编队协同自适应控制方法
CN114489095B (zh) * 2021-12-11 2023-12-26 西北工业大学 一种应用于变体飞行器的类脑脉冲神经网络控制方法
CN114942649B (zh) * 2022-06-06 2022-12-06 北京石油化工学院 一种基于反步法的飞机俯仰姿态与航迹角解耦控制方法
CN116594414B (zh) * 2023-03-28 2024-03-15 西北工业大学 一种高超声速飞行器纵向控制方法
CN117687308B (zh) * 2024-02-02 2024-04-19 北京理工大学 基于固定时间神经网络观测器的变体飞行器容错控制方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204355273U (zh) * 2014-12-30 2015-05-27 黄和悦 一种基于单片机的多功能微型四轴飞行器
CN107479384A (zh) * 2017-09-05 2017-12-15 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
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
CN107632518A (zh) * 2017-09-05 2018-01-26 西北工业大学 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
CN108663940A (zh) * 2018-08-20 2018-10-16 西北工业大学 基于集总复合估计的飞行器神经网络学习控制方法
CN109597303A (zh) * 2018-11-29 2019-04-09 南京航空航天大学 一种复合式旋翼飞行器全模式飞行控制方法
CN110308657A (zh) * 2019-07-24 2019-10-08 西北工业大学 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法
CN110320794A (zh) * 2019-07-24 2019-10-11 西北工业大学 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法
CN110979682A (zh) * 2019-12-30 2020-04-10 西北工业大学 一种变面积鸭式前掠翼变体飞行器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204355273U (zh) * 2014-12-30 2015-05-27 黄和悦 一种基于单片机的多功能微型四轴飞行器
CN107479384A (zh) * 2017-09-05 2017-12-15 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
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
CN107632518A (zh) * 2017-09-05 2018-01-26 西北工业大学 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
CN108663940A (zh) * 2018-08-20 2018-10-16 西北工业大学 基于集总复合估计的飞行器神经网络学习控制方法
CN109597303A (zh) * 2018-11-29 2019-04-09 南京航空航天大学 一种复合式旋翼飞行器全模式飞行控制方法
CN110308657A (zh) * 2019-07-24 2019-10-08 西北工业大学 基于奇异摄动策略的弹性飞行器全局鲁棒智能控制方法
CN110320794A (zh) * 2019-07-24 2019-10-11 西北工业大学 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法
CN110979682A (zh) * 2019-12-30 2020-04-10 西北工业大学 一种变面积鸭式前掠翼变体飞行器

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Barrier Lyapunov Function Based Learning Control of Hypersonic Flight Vehicle With AOA Constraint and Actuator Faults;Bin Xu et al.;《IEEE TRANSACTIONS ON CYBERNETICS》;20181231;第1-11页 *
基于Kalman滤波的变体飞行器T-S模糊控制;梁帅等;《航空学报》;20200615;第41卷(第S2期);第724274-1-724274-8页 *

Also Published As

Publication number Publication date
CN111665857A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN111665857B (zh) 基于复合智能学习的变体飞行器控制方法
CN111679583B (zh) 基于气动参数估计的变体飞行器自适应控制方法
CN110377045B (zh) 一种基于抗干扰技术的飞行器全剖面控制方法
CN110908278B (zh) 一种折叠翼飞行器的动力学建模与稳定控制方法
CN108776434B (zh) 一种高超声速飞行器快速自适应滑模容错控制方法
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
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
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
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
CN109164708B (zh) 一种高超声速飞行器神经网络自适应容错控制方法
CN110187715B (zh) 一种基于动态耦合分析的高超声速飞行器协调控制方法
CN108762098B (zh) 基于复合学习的非最小相位飞行器神经网络控制方法
CN114564045A (zh) 一种考虑降雨和阵风条件的无人机飞行控制律设计方法
CN109062234B (zh) 一种非最小相位飞行器复合学习滑模控制方法
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
CN111045440B (zh) 一种高超声速飞行器俯冲段快速滚转控制方法
CN109703769B (zh) 一种基于预瞄策略的空中加油对接控制方法
CN113987894A (zh) 一种基于降雨天气条件的无人机动力学建模方法
CN114721266B (zh) 飞机舵面结构性缺失故障情况下的自适应重构控制方法
CN111580540A (zh) 基于Kalman滤波的变体飞行器T-S模糊控制方法
CN113126495B (zh) 基于地效干扰补偿的低空飞行鲁棒智能控制方法
CN107479382A (zh) 基于在线数据学习的高超声速飞行器神经网络控制方法
CN115685764B (zh) 变翼展飞行器任务自适应的抗干扰跟踪控制方法及系统
CN116088549B (zh) 一种尾座式垂直起降无人机姿态控制方法
CN116360258A (zh) 基于固定时间收敛的高超声速变形飞行器抗干扰控制方法

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