CN112327626B - 基于数据分析的飞行器通道耦合协调控制方法 - Google Patents

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

基于数据分析的飞行器通道耦合协调控制方法

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^-1M_c (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M_c；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＝[ω_x,ω_y,ω_z]^T表示飞行器的姿态角速率向量，ω_x表示滚转角速率，ω_y表示偏航角速率，ω_z表示俯仰角速率，M_c＝[M_x,M_y,M_z]^T表示系统的控制力矩，M_x表示滚转力矩，M_y表示偏航力矩，M_z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e_γ＝γ-γ_r和姿态角速率跟踪误差为e_ω＝ω-ω_r。设计参考模型为：

其中，γ_r＝[σ_r,β_r,α_r]^T表示参考姿态角，ω_r＝[ω_xr,ω_yr,ω_zr]^T表示参考姿态角速率，γ_c＝[σ_c,β_c,α_c]^T表示制导系统生成的制导指令，

(c)定义第一层滑模面为：

z＝e_ω+Ae_γ (4)

其中，

为设计的正定矩阵，z＝[z₁,z₂,z₃]^T。

设计偏航通道的控制力矩需求为：

其中，

表示神经网络最优权重的估计值，θ₂(ω)表示神经网络基函数向量，k_z1＞0和k_z2＞0为设计的参数。

考虑偏航通道内控制能力不足，实际提供的控制力矩为

其中，0<p<1为控制力矩的效率。

根据Filippov等效理论，设计滚转和俯仰通道的等效力矩为：

其中，

和

表示神经网络最优权重的估计值，θ₁(ω)和θ₃(ω)表示神经网络基函数向量。

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，k_s1＞0和k_s2＞0为设计的参数。

飞行器的控制力矩为：

其中，

和

(d)设计预测误差为：

其中，τ_d＞0表示积分区间，

Δu＝[u_s,u_d,u_s]^T，u_z＝[0,k_z1z₂+k_z2sign(z₂),0]^T。

设计神经网络自适应更新律为：

其中，λ，K_w和δ_ω为设计的正定参数矩阵。

(e)根据得到的M_c，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^-1M_c (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M_c；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＝[ω_x,ω_y,ω_z]^T表示飞行器的姿态角速率向量，ω_x表示滚转角速率，ω_y表示偏航角速率，ω_z表示俯仰角速率，M_c＝[M_x,M_y,M_z]^T表示系统的控制力矩，M_x表示滚转力矩，M_y表示偏航力矩，M_z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e_γ＝γ-γ_r和姿态角速率跟踪误差为e_ω＝ω-ω_r。设计参考模型为：

其中，γ_r＝[σ_r,β_r,α_r]^T表示参考姿态角，ω_r＝[ω_xr,ω_yr,ω_zr]^T表示参考姿态角速率，γ_c＝[σ_c,β_c,α_c]^T表示制导系统生成的制导指令，

(c)定义第一层滑模面为：

z＝e_ω+Ae_γ (18)

其中，

z＝[z₁,z₂,z₃]^T。

设计偏航通道的控制力矩需求为：

其中，

表示神经网络最优权重的估计值，θ₂(ω)表示神经网络基函数向量，k_z1＝1和k_z2＝0.1。

考虑偏航通道内控制能力不足，实际提供的控制力矩为

其中，p＝0.6为控制力矩的效率。

根据Filippov等效理论，设计滚转和俯仰通道的等效力矩为：

其中，

和

表示神经网络最优权重的估计值，θ₁(ω)和θ₃(ω)表示神经网络基函数向量。

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，k_s1＝5和k_s2＝1。

飞行器的控制力矩为：

其中，

和

(d)设计预测误差为：

其中，τ_d＝0.05s表示积分区间，

Δu＝[u_s,u_d,u_s]^T，u_z＝[0,k_z1z₂+k_z2sign(z₂),0]^T。

设计神经网络自适应更新律为：

其中，λ＝I₁₄₇，K_w＝100I₁₄₇和δ_ω＝0.1I₁₄₇。

(e)根据得到的M_c，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^-1M_c (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M_c；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＝[ω_x,ω_y,ω_z]^T表示飞行器的姿态角速率向量，ω_x表示滚转角速率，ω_y表示偏航角速率，ω_z表示俯仰角速率，M_c＝[M_x,M_y,M_z]^T表示系统的控制力矩，M_x表示滚转力矩，M_y表示偏航力矩，M_z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e_γ＝γ-γ_r和姿态角速率跟踪误差为e_ω＝ω-ω_r；设计参考模型为：

其中，γ_r＝[σ_r,β_r,α_r]^T表示参考姿态角，ω_r＝[ω_xr,ω_yr,ω_zr]^T表示参考姿态角速率，γ_c＝[σ_c,β_c,α_c]^T表示制导系统生成的制导指令，

步骤3：定义第一层滑模面为：

z＝e_ω+Ae_γ (4)

其中，

为设计的正定矩阵，z＝[z₁,z₂,z₃]^T；

设计偏航通道的控制力矩需求为：

其中，

表示神经网络最优权重的估计值，θ₂(ω)表示神经网络基函数向量，k_z1＞0和k_z2＞0为设计的参数；

考虑偏航通道内控制能力不足，实际提供的控制力矩为

其中，0＜p＜1为控制力矩的效率；

根据Filippov等效理论，设计滚转和俯仰通道的等效力矩为：

其中，

和

表示神经网络最优权重的估计值，θ₁(ω)和θ₃(ω)表示神经网络基函数向量；

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，k_s1＞0和k_s2＞0为设计的参数；

飞行器的控制力矩为：

其中，

和

步骤4：设计预测误差为：

其中，τ_d＞0表示积分区间，

Δu＝[u_s,u_d,u_s]^T，u_z＝[0,k_z1z₂+k_z2sign(z₂),0]^T；

设计神经网络自适应更新律为：

其中，λ，K_w和δ_ω为设计的正定参数矩阵；

步骤5：根据得到的M_c，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。

Images