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 PDFInfo
- 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
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
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
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
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
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;
定义x1=γ,x2=θ和x3=q,姿态子系统(3)-(5)变换为
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
定义建模误差为
式中,βv>0为设计参数;
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
设计一阶滤波器为
定义建模误差为
式中,β1>0为设计参数;
第2步:定义俯仰角跟踪误差为
设计俯仰角速度虚拟控制量为
式中,k2>0为设计参数;
设计一阶滤波器为
第3步:定义俯仰角速度跟踪误差为
设计控制器δe为
定义建模误差为
式中,β3>0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
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
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)
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
Cm0(ζ)=0.4239ζ2-0.4462ζ-0.0365
Cmα(ζ)=9.6542ζ3-6.5395ζ2-6.1887ζ-1.5909
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
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。
定义x1=γ,x2=θ和x3=q,姿态子系统(3)-(5)变换为
(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
定义建模误差为
式中,βv=2为设计参数。
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
设计一阶滤波器为
定义建模误差为
式中,β1=5。
第2步:定义俯仰角跟踪误差为
设计俯仰角速度虚拟控制量为
式中,k2=2。
设计一阶滤波器为
第3步:定义俯仰角速度跟踪误差为
设计控制器δe为
定义建模误差为
式中,β3=5。
(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
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
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
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;
定义x1=γ,x2=θ和x3=q,姿态子系统(3)-(5)变换为
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
定义建模误差为
式中,βv>0为设计参数;
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
设计一阶滤波器为
定义建模误差为
式中,β1>0为设计参数;
式中,γ1>0,γz1>0和δf1>0为设计参数;
第2步:定义俯仰角跟踪误差为
设计俯仰角速度虚拟控制量为
式中,k2>0为设计参数;
设计一阶滤波器为
第3步:定义俯仰角速度跟踪误差为
设计控制器δe为
定义建模误差为
式中,β3>0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。
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)
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)
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 |
-
2020
- 2020-06-21 CN CN202010570246.8A patent/CN111665857B/zh active Active
Patent Citations (9)
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)
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 |