CN112327626B - 基于数据分析的飞行器通道耦合协调控制方法 - Google Patents
基于数据分析的飞行器通道耦合协调控制方法 Download PDFInfo
- Publication number
- CN112327626B CN112327626B CN202011273970.0A CN202011273970A CN112327626B CN 112327626 B CN112327626 B CN 112327626B CN 202011273970 A CN202011273970 A CN 202011273970A CN 112327626 B CN112327626 B CN 112327626B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- control
- representing
- neural network
- channel
- 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
- 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于数据分析的飞行器通道耦合协调控制方法,该方法基于飞行器再入段的动力学模型,分析模型特点定义三层滑模面,利用Filippov等效理论设计等效控制律,利用滑模控制原理设计切换控制律;利用神经网络估计系统的未知动力学,基于在线数据构造预测误差用以评估不确定学习性能,结合跟踪误差调节神经网络权重自适应更新律;结合等效控制和切换控制并前馈神经网络估计信息,设计通道耦合协调控制律,并应用于高超声速飞行器再入段模型。本发明充分利用飞行器耦合特性设计协调控制律,并利用在线数据进行神经网络学习,弥补了偏航通道不足而带来的大侧滑角问题,实现飞行器高效耦合利用并获得姿态的高精度控制,为飞行器控制提供了新的技术途径。
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数据分析的飞行器通道耦合协调控制方法,属于飞行控制领域。
背景技术
飞行器的结构外形和和配置确保了其优异性能,同时也导致了严重的操纵耦合,常见的飞行器耦合姿态控制研究主要考虑耦合的补偿或解耦,而缺乏事先考虑如何利用耦合的相关研究。然而即使耦合带来了极大的控制难点,但是合理地利用耦合也能实现对控制能力的增强和对控制效果的改善。飞行器再入过程中的偏航通道控制能力相比较于滚转通道和俯仰通道较弱,而当偏航控制能力不足时,将会产生较大的侧滑角,进而会引起气动力参数的急剧变化,从而导致系统变成一个快时变系统,难以实现良好的控制效果。为了防止大侧滑角带来的控制问题,利用模型中偏航通道的耦合来合理分配各个通道的控制能力,从而严格控制侧滑角的幅值设计三通道耦合协调控制策略。
《欠驱动航天器姿态稳定的分层滑模控制器设计》(王冬霞,贾英宏,金磊,周付根,徐世杰,宇航学报,2013年,第34卷第1期)一文针对航行器的姿态控制系统设计了三轴稳定控制器。论文分析了航天器的姿态动力学和运动学模型的特点,采用分层滑模控制技术协调航天器的三轴稳定,实现了欠驱动下的姿态稳定控制。但是,该设计过程中并未考虑飞行器系统存在的未知非线性。现在常采用智能控制技术处理飞行器的非线性,但是大多数已有的控制研究基于跟踪误差设计权重更新,仅保证闭环系统的稳定性,而无法实现对未知系统动力学的有效逼近,从而难以大幅度提升控制性能。
发明内容
要解决的技术问题
为解决飞行器再入过程中通道耦合的高效利用和系统未知动态的问题,本发明提出了一种基于数据分析的飞行器通道耦合协调控制方法。
技术方案
一种基于数据分析的飞行器通道耦合协调控制方法,通过以下步骤实现:
(a)采用飞行器再入段动力学模型:
ω=-J-1ΩJω+J-1Mc (2)
该动力学模型包含两个状态变量X=[γ,ω]T和一个控制输入Mc;其中,γ=[σ,β,α]T表示姿态角向量,σ表示倾斜角,β表示侧滑角,α表示攻角,ω=[ωx,ωy,ωz]T表示飞行器的姿态角速率向量,ωx表示滚转角速率,ωy表示偏航角速率,ωz表示俯仰角速率,Mc=[Mx,My,Mz]T表示系统的控制力矩,Mx表示滚转力矩,My表示偏航力矩,Mz表示俯仰力矩;表示惯量矩阵,
(b)定义姿态角跟踪误差信号为eγ=γ-γr和姿态角速率跟踪误差为eω=ω-ωr。设计参考模型为:
(c)定义第一层滑模面为:
z=eω+Aeγ (4)
设计偏航通道的控制力矩需求为:
根据Filippov等效理论,设计滚转和俯仰通道的等效力矩为:
定义第二层滑模面为:
s1=z1+h1z3 (8)
其中,h1=m0sign(z1z3),m0>0为设计的参数。
定义第三层滑模面为:
s2=s1+h2z2 (9)
其中,h2=n0sign(s1z2),n0>0为设计的参数。
设计切换控制律为:
其中,ks1>0和ks2>0为设计的参数。
飞行器的控制力矩为:
(d)设计预测误差为:
设计神经网络自适应更新律为:
其中,λ,Kw和δω为设计的正定参数矩阵。
(e)根据得到的Mc,返回到飞行器再入段的动力学模型(1)、(2),对姿态角和姿态角速率进行跟踪控制。
有益效果
本发明提出的一种基于数据分析的飞行器通道耦合协调控制方法,该方法基于飞行器再入段的动力学模型,分析模型特点定义三层滑模面,利用Filippov等效理论设计等效控制律,利用滑模控制原理设计切换控制律;利用神经网络估计系统的未知动力学,基于在线数据构造预测误差用以评估不确定学习性能,结合跟踪误差调节神经网络权重自适应更新律;结合等效控制和切换控制并前馈神经网络估计信息,设计通道耦合协调控制律,并应用于高超声速飞行器再入段模型,弥补了偏航通道不足而带来的大侧滑角问题,实现飞行器高精度姿态控制。有益效果如下:
(1)本发明考虑飞行器再入过程中通道耦合的高效利用,分析模型特点定义三层滑模面,采用Filippov等效理论设计等效控制律,采用滑模控制原理设计切换控制律,利用通道耦合弥补偏航通道力矩不足所带来的大侧滑角问题,实现飞行器协调控制。
(2)本发明考虑飞行器的未知动力学带来的控制问题,在线采集历史数据构建预测误差用以评价不确定学习性能,结合跟踪误差设计自适应更新律,提高学习精度。
(3)本发明结合基于数据的复合学习技术和分层滑模控制技术设计耦合协调控制律,前馈至飞行器再入段的动力学模型,可实现飞行器高效耦合利用并获得姿态的高精度控制。
附图说明
图1是本发明基于数据分析的飞行器通道耦合协调控制方法的流程图。
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,本发明一种基于数据分析的飞行器通道耦合协调控制方法,通过以下步骤实现:
(a)采用飞行器再入段动力学模型:
ω=-J-1ΩJω+J-1Mc (16)
该动力学模型包含两个状态变量X=[γ,ω]T和一个控制输入Mc;其中,γ=[σ,β,α]T表示姿态角向量,σ表示倾斜角,β表示侧滑角,α表示攻角,ω=[ωx,ωy,ωz]T表示飞行器的姿态角速率向量,ωx表示滚转角速率,ωy表示偏航角速率,ωz表示俯仰角速率,Mc=[Mx,My,Mz]T表示系统的控制力矩,Mx表示滚转力矩,My表示偏航力矩,Mz表示俯仰力矩;表示惯量矩阵,
(b)定义姿态角跟踪误差信号为eγ=γ-γr和姿态角速率跟踪误差为eω=ω-ωr。设计参考模型为:
(c)定义第一层滑模面为:
z=eω+Aeγ (18)
设计偏航通道的控制力矩需求为:
根据Filippov等效理论,设计滚转和俯仰通道的等效力矩为:
定义第二层滑模面为:
s1=z1+h1z3 (22)
其中,h1=m0sign(z1z3),m0=5。
定义第三层滑模面为:
s2=s1+h2z2 (23)
其中,h2=n0sign(s1z2),n0=5。
设计切换控制律为:
其中,ks1=5和ks2=1。
飞行器的控制力矩为:
(d)设计预测误差为:
设计神经网络自适应更新律为:
其中,λ=I147,Kw=100I147和δω=0.1I147。
(e)根据得到的Mc,返回到飞行器再入段的动力学模型(1)、(2),对姿态角和姿态角速率进行跟踪控制。
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种基于数据分析的飞行器通道耦合协调控制方法,其特征在于步骤如下:
步骤1:采用飞行器再入段动力学模型:
ω=-J-1ΩJω+J-1Mc (2)
该动力学模型包含两个状态变量X=[γ,ω]T和一个控制输入Mc;其中,γ=[σ,β,α]T表示姿态角向量,σ表示倾斜角,β表示侧滑角,α表示攻角,ω=[ωx,ωy,ωz]T表示飞行器的姿态角速率向量,ωx表示滚转角速率,ωy表示偏航角速率,ωz表示俯仰角速率,Mc=[Mx,My,Mz]T表示系统的控制力矩,Mx表示滚转力矩,My表示偏航力矩,Mz表示俯仰力矩;表示惯量矩阵,
步骤2:定义姿态角跟踪误差信号为eγ=γ-γr和姿态角速率跟踪误差为eω=ω-ωr;设计参考模型为:
步骤3:定义第一层滑模面为:
z=eω+Aeγ (4)
设计偏航通道的控制力矩需求为:
根据Filippov等效理论,设计滚转和俯仰通道的等效力矩为:
定义第二层滑模面为:
s1=z1+h1z3 (8)
其中,h1=m0sign(z1z3),m0>0为设计的参数;
定义第三层滑模面为:
s2=s1+h2z2 (9)
其中,h2=n0sign(s1z2),n0>0为设计的参数;
设计切换控制律为:
其中,ks1>0和ks2>0为设计的参数;
飞行器的控制力矩为:
步骤4:设计预测误差为:
设计神经网络自适应更新律为:
其中,λ,Kw和δω为设计的正定参数矩阵;
步骤5:根据得到的Mc,返回到飞行器再入段的动力学模型(1)、(2),对姿态角和姿态角速率进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273970.0A CN112327626B (zh) | 2020-11-14 | 2020-11-14 | 基于数据分析的飞行器通道耦合协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011273970.0A CN112327626B (zh) | 2020-11-14 | 2020-11-14 | 基于数据分析的飞行器通道耦合协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327626A CN112327626A (zh) | 2021-02-05 |
CN112327626B true CN112327626B (zh) | 2022-06-21 |
Family
ID=74319122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011273970.0A Active CN112327626B (zh) | 2020-11-14 | 2020-11-14 | 基于数据分析的飞行器通道耦合协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327626B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113485122B (zh) * | 2021-08-09 | 2022-11-11 | 西北工业大学 | 一种针对柔性捕获的完全包络控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155988A (zh) * | 2014-08-12 | 2014-11-19 | 北京航天自动控制研究所 | 飞行器的多通道姿态控制器 |
CN104155986A (zh) * | 2014-08-11 | 2014-11-19 | 北京航天自动控制研究所 | 基于惯性耦合特性的飞行器姿态补偿控制方法 |
CN107085435A (zh) * | 2017-06-01 | 2017-08-22 | 南京航空航天大学 | 基于耦合分析的高超声速飞行器姿态协调控制方法 |
CN107450323A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 高超声速飞行器再入段神经网络复合学习控制方法 |
CN107479382A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于在线数据学习的高超声速飞行器神经网络控制方法 |
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 |
CN111650830A (zh) * | 2020-05-20 | 2020-09-11 | 天津大学 | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 |
-
2020
- 2020-11-14 CN CN202011273970.0A patent/CN112327626B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155986A (zh) * | 2014-08-11 | 2014-11-19 | 北京航天自动控制研究所 | 基于惯性耦合特性的飞行器姿态补偿控制方法 |
CN104155988A (zh) * | 2014-08-12 | 2014-11-19 | 北京航天自动控制研究所 | 飞行器的多通道姿态控制器 |
CN107085435A (zh) * | 2017-06-01 | 2017-08-22 | 南京航空航天大学 | 基于耦合分析的高超声速飞行器姿态协调控制方法 |
CN107450323A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 高超声速飞行器再入段神经网络复合学习控制方法 |
CN107479382A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 基于在线数据学习的高超声速飞行器神经网络控制方法 |
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 |
CN111650830A (zh) * | 2020-05-20 | 2020-09-11 | 天津大学 | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 |
Non-Patent Citations (2)
Title |
---|
Composite Learning Control of MIMO Systems With Applications;Xu B.等;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180115;第65卷(第8期);第6414-6424页 * |
基于全通道耦合特征模型的高超飞行器控制研究;徐李佳;《空间控制技术与应用》;20120831;第38卷(第4期);第12-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112327626A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108445766B (zh) | 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN107357166B (zh) | 小型无人直升机的无模型自适应鲁棒控制方法 | |
CN104238357A (zh) | 一种近空间飞行器的容错滑模控制方法 | |
Li et al. | Robust tracking control strategy for a quadrotor using RPD-SMC and RISE | |
CN109062042B (zh) | 一种旋翼飞行器的有限时间航迹跟踪控制方法 | |
CN108663940B (zh) | 基于集总复合估计的飞行器神经网络学习控制方法 | |
CN103425135A (zh) | 一种具有输入饱和的近空间飞行器鲁棒控制方法 | |
CN111026160B (zh) | 一种四旋翼无人机轨迹跟踪控制方法 | |
CN110850887A (zh) | 一种四旋翼无人机复合动态逆抗干扰姿态控制方法 | |
Zhang et al. | A novel event-triggered robust neural formation control for USVs with the optimized leader–follower structure | |
Xu et al. | Fuzzy adaptive nonlinear information fusion model predictive attitude control of unmanned rotorcrafts | |
CN107817818B (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
CN113741188A (zh) | 执行器故障下固定翼无人机反步自适应容错控制方法 | |
CN111198570A (zh) | 一种基于固定时间微分器预测的抗时延高精度自抗扰姿态控制方法 | |
CN112327626B (zh) | 基于数据分析的飞行器通道耦合协调控制方法 | |
CN112631316A (zh) | 变负载四旋翼无人机的有限时间控制方法 | |
CN110377044B (zh) | 一种无人直升机的有限时间高度和姿态跟踪控制方法 | |
CN109976364B (zh) | 一种六旋翼飞行器姿态解耦控制方法 | |
Prach et al. | Development of a state dependent riccati equation based tracking flight controller for an unmanned aircraft | |
Chao et al. | Adaptive fault-tolerant control for the ascent phase of hypersonic vehicle with time-varying full state constraints | |
Enjiao et al. | Finite-time control of formation system for multiple flight vehicles subject to actuator saturation | |
CN108459611B (zh) | 一种近空间飞行器的姿态跟踪控制方法 | |
CN116627156A (zh) | 一种四旋翼无人机姿态抗扰控制方法 | |
CN116923730A (zh) | 一种具有自调节预设性能约束的航天器姿态主动容错控制方法 | |
CN110647161A (zh) | 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法 |
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 |