CN112947498A - 飞行器航迹角控制方法、系统及存储介质 - Google Patents

飞行器航迹角控制方法、系统及存储介质 Download PDF

Info

Publication number
CN112947498A
CN112947498A CN202110153943.8A CN202110153943A CN112947498A CN 112947498 A CN112947498 A CN 112947498A CN 202110153943 A CN202110153943 A CN 202110153943A CN 112947498 A CN112947498 A CN 112947498A
Authority
CN
China
Prior art keywords
aircraft
control
model
angle
track angle
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.)
Granted
Application number
CN202110153943.8A
Other languages
English (en)
Other versions
CN112947498B (zh
Inventor
陈宝文
程东升
孙经广
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.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
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 Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN202110153943.8A priority Critical patent/CN112947498B/zh
Publication of CN112947498A publication Critical patent/CN112947498A/zh
Application granted granted Critical
Publication of CN112947498B publication Critical patent/CN112947498B/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
    • G05D1/04—Control of altitude or depth
    • G05D1/06—Rate of change of altitude or depth
    • G05D1/0607—Rate of change of altitude or depth specially adapted for aircraft
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
    • 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
    • G05D1/08—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
    • G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
    • G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
    • 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
    • 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
    • G05D1/12—Target-seeking control

Abstract

本发明提供了一种飞行器航迹角控制方法、系统及存储介质，该方法包括以下步骤：根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。相对于现有技术，本发明能避免飞行器控制系统失效，从而提升飞行器航迹角控制精度，提高飞行器的飞行品质和飞行安全特性。

Description

飞行器航迹角控制方法、系统及存储介质
技术领域
本发明涉及飞行器航迹角控制技术领域，尤其涉及一种飞行器航迹角控制方法、系统及存储介质。
背景技术
飞行器具有飞行环境复杂、参数不确定性程度高以及模型非线性强等特性，并随着飞行任务的复杂化，对飞行器控制系统的性能要求越来越高，使得飞行器的非线性控制是控制领域的一个热点，同时也带来了新的挑战。
在诸多的控制模态中，航迹倾角跟踪控制是飞行器控制系统中最重要的控制模态之一，其控制方法优点是抗风干扰特性好，能有效降低扰动气流对飞行控制律的影响。因此，航迹倾角跟踪控制应用于飞行器控制系统设计方面得到广泛使用。另外，在飞行过程中，当飞行器攻角超过某个临界值后，升力系数随攻角增大而减小，会使得飞行器产生失控的俯冲颠簸运动，发动机发生振动，造成飞行器控制系统的失效。
发明内容
本发明的主要目的在于提供一种飞行器航迹角控制方法、系统及存储介质，旨在提升飞行器航迹角控制精度，避免飞行器控制系统失效，提高飞行器的飞行品质和飞行安全特性。
为了达到上述目的，本发明提出一种飞行器航迹角控制方法，所述方法包括以下步骤：
根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；
通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；
基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
本发明进一步的技术方案是，所述通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型的步骤包括：
采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
本发明进一步的技术方案是，所述根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型的步骤包括：
根据飞行器动力模型存在强耦合与高度非线性特性，将飞行器纵向模型表示为：
Figure 100002_DEST_PATH_IMAGE001
（1）
其中，
Figure 188656DEST_PATH_IMAGE002
、
Figure 100002_DEST_PATH_IMAGE003
、
Figure 219978DEST_PATH_IMAGE004
和q分别为飞行器航迹倾角、攻角、俯仰角和俯仰角速率；
Figure 100002_DEST_PATH_IMAGE005
为航速；g分别为飞行器重力加速度；
Figure 875081DEST_PATH_IMAGE006
，
Figure 863766DEST_PATH_IMAGE007
为升力曲线斜率，m为飞行器质量；
Figure 412559DEST_PATH_IMAGE008
为影响升力其他因素；
Figure 77764DEST_PATH_IMAGE009
，
Figure 407115DEST_PATH_IMAGE010
为控制俯仰力矩，
Figure 153485DEST_PATH_IMAGE011
为其他来源力矩，
Figure 291205DEST_PATH_IMAGE012
为舵面偏角。
本发明进一步的技术方案是，所述采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型的步骤包括：
定义状态
Figure 143623DEST_PATH_IMAGE013
、
Figure 366794DEST_PATH_IMAGE014
、
Figure 149812DEST_PATH_IMAGE015
以及控制输入
Figure 266672DEST_PATH_IMAGE016
，考虑模型的不确定性，得到反馈系统模型：
Figure 430937DEST_PATH_IMAGE017
（2）
其中，
Figure 16770DEST_PATH_IMAGE018
其中，
Figure 354211DEST_PATH_IMAGE019
为不确定部分，且
Figure 309266DEST_PATH_IMAGE020
,
Figure 113274DEST_PATH_IMAGE021
为正实数。
本发明进一步的技术方案是，所述基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制的步骤包括：
基于屏障李雅普诺夫函数、RBF神经控制理论以及所述反馈控制模型设计自适应动态面控制器，以对飞行器反馈控制模型进行航迹角约束控制。
本发明进一步的技术方案是，所述基于屏障李雅普诺夫函数、RBF神经控制理论对所述反馈控制模型设计自适应动态面控制器，以对飞行器反馈控制模型进行航迹角约束控制的步骤包括：
定义航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量，根据所述航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量设计自适应动态面控制器。
本发明进一步的技术方案是，所述基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制的步骤之后还包括：
基于李雅普诺夫理论，对所述自适应动态面控制器给出稳定性理论证明，并通过数字仿真，验证了所述自适应动态面控制器的有效性。
为实现上述目的，本发明还提出一种飞行器航迹角控制系统，所述系统包括存储器、处理器以存储在所述处理器上的飞行器航迹角控制程序，所述飞行器航迹角控制程序被所述处理器运行时执行以下步骤：
根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；
通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；
基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
本发明进一步的技术方案是，所述飞行器航迹角控制程序被所述处理器运行时还执行以下步骤：
采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有飞行器航迹角控制程序，所述飞行器航迹角控制程序被处理器运行时执行如上所述的方法的步骤。
本发明飞行器航迹角控制方法、系统及存储介质的有益效果是：本发明通过上述技术方案，根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制，引入屏障李雅普诺夫函数，能保证飞行器输出航迹倾角、攻角、俯仰角速率信息满足期望的状态约束条件，利用RBF神经理论可充分逼近任意非线性函数性质，可有效性处理由系统模型不确定性给系统带来的影响，基于屏障李雅普诺夫函数和RBF神经控制理论，基于反步控制思想，并结合自适应控制算法，设计了自适应动态面控制器，实现了对飞行器的输出信号约束控制。由此，相对于现有技术，本发明能避免飞行器控制系统失效，从而提升飞行器航迹角控制精度，提高飞行器的飞行品质和飞行安全特性。
附图说明
图1是本发明飞行器航迹角控制方法第一实施例的流程示意图；
图2是飞行器纵向模型示意图；
图3是飞行器航迹角跟踪曲线图；
图4是控制信号输入曲线图；
图5是攻角曲线图；
图6是俯仰角速率曲线图。
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
目前，大多数针对飞行器进行控制器设计时没有输出状态信号进行约束，为了保证飞行器具有良好的飞行品质、飞行安全等特性，因此，在飞行器航迹角控制时，输出姿态角及姿态角速度都必须满足一定约束条件。本发明提出一种考虑状态约束的飞行器航迹角神经网络动态面控制方法，基于反步法、自适应控制技术及神经控制理论，实现了对飞行器航迹角快速稳定跟踪，并通过引入屏障李雅普诺夫函数，使得攻角、俯仰角速率在一定范围内变化并满足预期的状态约束条件，具有很高的理论与工程应用价值。
具体地，请参照图1，图1是本发明飞行器航迹角控制方法第一实施例的流程示意图。
如图1所示，本实施例中，该飞行器航迹角控制方法包括以下步骤：
步骤S10，根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型。
具体地，本实施例考虑飞行器动力学模型存在强耦合与高度非线性特性，其纵向模型如图2所示，则飞行器纵向模型可表示为：
Figure 248720DEST_PATH_IMAGE022
（1）
其中，
Figure 429998DEST_PATH_IMAGE023
、
Figure 646084DEST_PATH_IMAGE024
、
Figure 276786DEST_PATH_IMAGE004
和q分别为飞行器航迹倾角、攻角、俯仰角和俯仰角速率；
Figure 696266DEST_PATH_IMAGE025
为航速；g分别为飞行器重力加速度；
Figure 126241DEST_PATH_IMAGE026
，
Figure 72200DEST_PATH_IMAGE007
为升力曲线斜率，m为飞行器质量；
Figure 749169DEST_PATH_IMAGE027
为影响升力其他因素；
Figure 29847DEST_PATH_IMAGE028
，
Figure 247202DEST_PATH_IMAGE029
为控制俯仰力矩，
Figure 532821DEST_PATH_IMAGE030
为其他来源力矩，
Figure 115112DEST_PATH_IMAGE031
为舵面偏角。
步骤S20，通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
本实施例中，可以采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
具体地，定义状态
Figure 899397DEST_PATH_IMAGE032
、
Figure 169710DEST_PATH_IMAGE014
、
Figure 965628DEST_PATH_IMAGE033
以及控制输入
Figure 46716DEST_PATH_IMAGE034
，考虑模型的不确定性，得到反馈系统模型如下：
Figure 537872DEST_PATH_IMAGE035
（2）
其中，
Figure 362608DEST_PATH_IMAGE036
式中，
Figure 861635DEST_PATH_IMAGE037
为不确定部分，且
Figure 910362DEST_PATH_IMAGE038
,
Figure 357655DEST_PATH_IMAGE039
为正实数。
假设1：在式（2）中
Figure 658186DEST_PATH_IMAGE040
、
Figure 756592DEST_PATH_IMAGE041
和
Figure 959910DEST_PATH_IMAGE042
为未知连续函数。
假设2：神经网络系统能够有效逼近任意联系非线性函数，一个n输入单输出且中间层有N个神经元的RBF神经网络可以表示为有
Figure 81449DEST_PATH_IMAGE043
，其中
Figure 44726DEST_PATH_IMAGE044
是网络的输入向量，
Figure 482792DEST_PATH_IMAGE045
是网络的输出，
Figure 748688DEST_PATH_IMAGE046
为可调权向量，
Figure 216579DEST_PATH_IMAGE047
是非线性向量函数且
Figure 858912DEST_PATH_IMAGE048
Figure 915599DEST_PATH_IMAGE049
N是高斯基函数，且有如下形式：
Figure 477030DEST_PATH_IMAGE050
（3）
式中，
Figure 42004DEST_PATH_IMAGE051
N为第
Figure 97816DEST_PATH_IMAGE052
个高斯基函数的中心；b>0为高斯基函数的宽度。
Figure 431845DEST_PATH_IMAGE053
（4）
式中，
Figure 164178DEST_PATH_IMAGE054
为逼近误差且满足
Figure 216447DEST_PATH_IMAGE055
，且
Figure 308906DEST_PATH_IMAGE056
为正数。
步骤S30，基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
具体地，本实施例中，基于屏障李雅普诺夫函数、RBF神经控制理论对所述反馈控制模型设计自适应动态面控制器，以对对飞行器反馈控制模型进行航迹角约束控制。
其中，基于屏障李雅普诺夫函数、RBF神经控制理论对所述反馈控制模型设计自适应动态面控制器的步骤中具体可以包括:
定义航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量，根据所述航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量设计自适应动态面控制器。
其中，对于控制器设计的具体步骤如下：
1.定义航迹倾角误差变量
Figure 28600DEST_PATH_IMAGE057
如下：
Figure 931834DEST_PATH_IMAGE058
（5）
其中，
Figure 471400DEST_PATH_IMAGE059
为参考信号。
对式（5）求导，得：
Figure 869015DEST_PATH_IMAGE060
（6）
由于
Figure DEST_PATH_IMAGE061
和
Figure 974374DEST_PATH_IMAGE062
为未知，采用RBF网络逼近函数
Figure DEST_PATH_IMAGE063
Figure 377672DEST_PATH_IMAGE064
（7）
其中，
Figure 404533DEST_PATH_IMAGE065
为理想权值，满足
Figure 809101DEST_PATH_IMAGE066
，
Figure 96863DEST_PATH_IMAGE067
为逼近误差，
Figure 217266DEST_PATH_IMAGE068
，
Figure 105325DEST_PATH_IMAGE069
和
Figure 969376DEST_PATH_IMAGE070
为正常数。
为保证航迹角期望的跟踪性能
Figure 111644DEST_PATH_IMAGE071
，其中
Figure 934107DEST_PATH_IMAGE072
，定义屏障李雅普诺夫函数：
Figure 545348DEST_PATH_IMAGE073
（8）
对式（8）求导可得：
Figure 213089DEST_PATH_IMAGE074
（9）
其中，
Figure 209864DEST_PATH_IMAGE075
。
根据式（9），设计虚拟控制器
Figure 937649DEST_PATH_IMAGE076
为：
Figure 534721DEST_PATH_IMAGE077
（10）
Figure 68471DEST_PATH_IMAGE078
（11）
Figure 60697DEST_PATH_IMAGE079
（12）
其中，
Figure 100329DEST_PATH_IMAGE080
、
Figure 545217DEST_PATH_IMAGE081
、
Figure 679395DEST_PATH_IMAGE082
和
Figure 368871DEST_PATH_IMAGE083
为正实数，
Figure 438458DEST_PATH_IMAGE084
为权值
Figure 760855DEST_PATH_IMAGE085
的估计，
Figure 891534DEST_PATH_IMAGE086
。
为避免对虚拟控制器
Figure 858353DEST_PATH_IMAGE076
多次微分所导致计算复杂，引入低通命令滤波器如下：
Figure 957896DEST_PATH_IMAGE087
（13）
其中，
Figure 548015DEST_PATH_IMAGE076
和
Figure 899362DEST_PATH_IMAGE088
分别为低通滤波器的输入及输出信号，且
Figure 861633DEST_PATH_IMAGE089
为正常数。
将式（10）代入式（9）整理可得：
Figure 69760DEST_PATH_IMAGE090
（14）
2. 定义攻角误差变量
Figure 412755DEST_PATH_IMAGE091
如下：
Figure 567793DEST_PATH_IMAGE092
（15）
对式（15）求导得：
Figure 587832DEST_PATH_IMAGE093
（16）
由于函数
Figure 334903DEST_PATH_IMAGE094
未知，采用RBF网络对其进行逼近：
Figure 791292DEST_PATH_IMAGE095
（17）
其中，
Figure DEST_PATH_IMAGE096
为理想权值，
Figure 422125DEST_PATH_IMAGE097
，
Figure DEST_PATH_IMAGE098
为逼近误差，
Figure 123102DEST_PATH_IMAGE099
，且
Figure DEST_PATH_IMAGE100
和
Figure 689344DEST_PATH_IMAGE101
为正常数。
为了保证攻角期望的跟踪性能
Figure DEST_PATH_IMAGE102
，其中
Figure 475772DEST_PATH_IMAGE103
，定义屏障李雅普诺夫函数：
Figure DEST_PATH_IMAGE104
（18）
对
Figure 644717DEST_PATH_IMAGE105
求导可得：
Figure DEST_PATH_IMAGE106
（19）
其中，
Figure 357458DEST_PATH_IMAGE107
。
根据式（19），设计虚拟控制器如下：
Figure DEST_PATH_IMAGE108
（20）
Figure 717770DEST_PATH_IMAGE109
（21）
Figure 86434DEST_PATH_IMAGE110
（22）
其中，
Figure 262331DEST_PATH_IMAGE111
、
Figure 767262DEST_PATH_IMAGE112
、
Figure 986891DEST_PATH_IMAGE113
和
Figure 425875DEST_PATH_IMAGE114
为正常数，
Figure 998938DEST_PATH_IMAGE115
为权值
Figure 217430DEST_PATH_IMAGE116
的估计，
Figure 358693DEST_PATH_IMAGE117
。
为避免对虚拟控制器
Figure 701949DEST_PATH_IMAGE118
多次微分所导致计算复杂，引入低通滤波器如下：
Figure 672179DEST_PATH_IMAGE119
（23）
其中，
Figure 525603DEST_PATH_IMAGE120
和
Figure 962401DEST_PATH_IMAGE121
分别为低通滤波器的输入及输出信号，且
Figure 652008DEST_PATH_IMAGE122
为正常数。
将式（20）代入式（19）整理可得：
Figure 566875DEST_PATH_IMAGE123
（24）
3. 定义俯仰角速率误差变量
Figure 41850DEST_PATH_IMAGE124
Figure 915128DEST_PATH_IMAGE125
（25）
对
Figure 92031DEST_PATH_IMAGE126
求导可得：
Figure 810588DEST_PATH_IMAGE127
（26）
利用RBF网络对
Figure 638605DEST_PATH_IMAGE128
进行逼近：
Figure 417205DEST_PATH_IMAGE129
（27）
其中，
Figure 81405DEST_PATH_IMAGE130
为理想权值，
Figure 682281DEST_PATH_IMAGE131
，
Figure 53220DEST_PATH_IMAGE132
为逼近误差，
Figure 642202DEST_PATH_IMAGE133
，且
Figure 403484DEST_PATH_IMAGE134
和
Figure 57320DEST_PATH_IMAGE135
为正常数。
为了保证俯仰角速率期望的跟踪性能
Figure 95814DEST_PATH_IMAGE136
，其中
Figure 809692DEST_PATH_IMAGE137
，定义屏障李雅普诺夫函数：
Figure 323850DEST_PATH_IMAGE138
（28）
对式（28）求导可得：
Figure 844959DEST_PATH_IMAGE139
（29）
其中，
Figure 190490DEST_PATH_IMAGE140
。
根据式（29），设计自适应控制律为：
Figure 12953DEST_PATH_IMAGE141
（30）
Figure 624194DEST_PATH_IMAGE142
（31）
Figure 134678DEST_PATH_IMAGE143
（32）
其中，
Figure 662612DEST_PATH_IMAGE144
、
Figure 390396DEST_PATH_IMAGE145
、
Figure 20092DEST_PATH_IMAGE146
和
Figure 491524DEST_PATH_IMAGE147
为正常数，
Figure 123232DEST_PATH_IMAGE148
为权值
Figure 756338DEST_PATH_IMAGE149
的估计，
Figure 591439DEST_PATH_IMAGE150
。
定理1：考虑系统（2）且满足假设条件1-2，在控制器（30）和自适应律（31）-（32）作用下，则跟踪误差变量
Figure 679612DEST_PATH_IMAGE151
渐进收敛到如下区域：
Figure 119821DEST_PATH_IMAGE152
（33）
其中，
Figure 189408DEST_PATH_IMAGE153
和
Figure 761072DEST_PATH_IMAGE154
是与控制器参数相关的常数。
证明：定义滤波误差为：
Figure 902204DEST_PATH_IMAGE155
（34）
由式（13）、（23），对式（34）可得：
Figure 213231DEST_PATH_IMAGE156
（35）
根据式（35）对式（34）求导可得：
Figure 188140DEST_PATH_IMAGE157
（36）
根据式（36），并整理可得：
Figure 263412DEST_PATH_IMAGE158
（37）
其中，
Figure 197782DEST_PATH_IMAGE159
非负连续函数。
选取Lyapunov函数为：
Figure 284687DEST_PATH_IMAGE160
（38）
其中，
Figure 23973DEST_PATH_IMAGE161
，
Figure 9377DEST_PATH_IMAGE162
。
根据式（14），（19）和（29）对式（38）求导可得：
Figure 335054DEST_PATH_IMAGE163
（39）
根据
Figure 135520DEST_PATH_IMAGE164
（40）
Figure 796440DEST_PATH_IMAGE165
（41）
Figure DEST_PATH_IMAGE166
（42）
将式（40）-（42）代入式（39）整理可得：
Figure 49566DEST_PATH_IMAGE167
（43）
利用Young不等式及下式：
Figure DEST_PATH_IMAGE168
（44）
根据式（44），则式（43）可整理为：
Figure 788721DEST_PATH_IMAGE169
（45）
进一步可整理为：
Figure DEST_PATH_IMAGE170
（46）
其中，
Figure 443693DEST_PATH_IMAGE171
为
Figure DEST_PATH_IMAGE172
的最大特征值。
根据：
Figure 868990DEST_PATH_IMAGE173
（47）
根据式（47），则式（46）可重新为：
Figure DEST_PATH_IMAGE174
（48）
其中，
Figure 327522DEST_PATH_IMAGE175
为待设计的正数，且满足如下：
Figure DEST_PATH_IMAGE176
，
Figure 683417DEST_PATH_IMAGE177
，
Figure DEST_PATH_IMAGE178
，
Figure 678049DEST_PATH_IMAGE179
，
Figure DEST_PATH_IMAGE180
，
Figure 195618DEST_PATH_IMAGE180
，
Figure 564282DEST_PATH_IMAGE181
，
Figure DEST_PATH_IMAGE182
，
Figure 498435DEST_PATH_IMAGE183
，
Figure DEST_PATH_IMAGE184
，
Figure 675469DEST_PATH_IMAGE185
，
Figure DEST_PATH_IMAGE186
Figure 82049DEST_PATH_IMAGE187
对式（48）求解可得：
Figure DEST_PATH_IMAGE188
（49）
不等式（49）可得到：
Figure 531484DEST_PATH_IMAGE189
，即
Figure DEST_PATH_IMAGE190
是有界的，联合屏障李雅普诺夫函数（8），（18）和（28）, 可得不等式如下：
Figure 714335DEST_PATH_IMAGE191
（50）
Figure DEST_PATH_IMAGE192
（51）
Figure 932827DEST_PATH_IMAGE193
（52）
进一步可得：
Figure DEST_PATH_IMAGE194
（53）
Figure 41466DEST_PATH_IMAGE195
（54）
Figure DEST_PATH_IMAGE196
（55）
根据（53）-（55）可知，则误差变量
Figure 712619DEST_PATH_IMAGE197
、
Figure DEST_PATH_IMAGE198
和
Figure 761477DEST_PATH_IMAGE199
以指数形式收敛于区域
Figure DEST_PATH_IMAGE200
。
定理1证毕。
本实施例的有益效果是：本实施例通过上述技术方案，根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制，引入屏障李雅普诺夫函数，能保证飞行器输出航迹倾角、攻角、俯仰角速率信息满足期望的状态约束条件，利用RBF神经理论可充分逼近任意非线性函数性质，可有效性处理由系统模型不确定性给系统带来的影响，基于屏障李雅普诺夫函数和RBF神经控制理论，基于反步控制思想，并结合自适应控制算法，设计了自适应动态面控制器，实现了对飞行器的输出信号约束控制。由此，相对于现有技术，本实施例能避免飞行器控制系统失效，从而提升飞行器航迹角控制精度，提高飞行器的飞行品质和飞行安全特性。
进一步的，基于图1所示第一实施例，提出本发明飞行器航迹角控制方法第二实施例，本实施例与图1所示的第一实施例的区别在于，上述步骤S30，基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制的步骤之后包括：
步骤S40，基于李雅普诺夫理论，对所述自适应动态面控制器给出稳定性理论证明，并通过数字仿真，验证了所述自适应动态面控制器的有效性。
具体地，设航迹倾角参考轨迹
Figure 349322DEST_PATH_IMAGE201
，外界干扰为
Figure DEST_PATH_IMAGE202
，
Figure 582858DEST_PATH_IMAGE203
和
Figure DEST_PATH_IMAGE204
系统物理参数选取如下：
Figure 757618DEST_PATH_IMAGE205
，
Figure DEST_PATH_IMAGE206
，
Figure 114562DEST_PATH_IMAGE207
，
Figure DEST_PATH_IMAGE208
，
Figure 307646DEST_PATH_IMAGE209
，设定稳定航速为
Figure DEST_PATH_IMAGE210
、
Figure 259553DEST_PATH_IMAGE211
，初始状态
Figure DEST_PATH_IMAGE212
。
控制参数选取：
Figure 639719DEST_PATH_IMAGE213
、
Figure DEST_PATH_IMAGE214
、
Figure 732177DEST_PATH_IMAGE215
、
Figure DEST_PATH_IMAGE216
、
Figure 779768DEST_PATH_IMAGE217
、
Figure 558368DEST_PATH_IMAGE218
、
Figure 707721DEST_PATH_IMAGE219
、
Figure 229969DEST_PATH_IMAGE220
、
Figure 663224DEST_PATH_IMAGE221
、
Figure 612726DEST_PATH_IMAGE222
、
Figure 13489DEST_PATH_IMAGE223
。其仿真结果如图3-图6所示。
从图3给出的航迹角跟踪曲线仿真结果可知，航迹角在30秒内跟踪误差收敛到附件，且满足控制性能，从图4给出控制输入曲线可知，控制输入U在较短时间内控制输入趋于稳态值。从图5-图6分别给出的攻角和俯仰角速率曲线可知，攻角和俯仰角速率在短时间内趋于稳态值且满足预期的状态约束。即误差变量
Figure 73849DEST_PATH_IMAGE224
和
Figure 830452DEST_PATH_IMAGE225
分别收敛到如下区域
Figure 747593DEST_PATH_IMAGE226
和
Figure 74800DEST_PATH_IMAGE227
。表明所设计控制策略的有效性。
本发明飞行器航迹角控制方法的有益效果是：本发明通过上述技术方案，根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制，引入屏障李雅普诺夫函数，能保证飞行器输出航迹倾角、攻角、俯仰角速率信息满足期望的状态约束条件，利用RBF神经理论可充分逼近任意非线性函数性质，可有效性处理由系统模型不确定性给系统带来的影响，基于屏障李雅普诺夫函数和RBF神经控制理论，基于反步控制思想，并结合自适应控制算法，设计了自适应动态面控制器，实现了对飞行器的输出信号约束控制。由此，相对于现有技术，本发明能避免飞行器控制系统失效，从而提升飞行器航迹角控制精度，提高飞行器的飞行品质和飞行安全特性。
为实现上述目的，本发明还提出一种飞行器航迹角控制系统，所述系统包括存储器、处理器以存储在所述处理器上的飞行器航迹角控制程序，所述飞行器航迹角控制程序被所述处理器运行时执行以下步骤：
根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；
通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；
基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
进一步的，所述飞行器航迹角控制程序被所述处理器运行时还执行以下步骤：
采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
本发明飞行器航迹角控制系统的有益效果是：本发明通过上述技术方案，根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制，引入屏障李雅普诺夫函数，能保证飞行器输出航迹倾角、攻角、俯仰角速率信息满足期望的状态约束条件，利用RBF神经理论可充分逼近任意非线性函数性质，可有效性处理由系统模型不确定性给系统带来的影响，基于屏障李雅普诺夫函数和RBF神经控制理论，基于反步控制思想，并结合自适应控制算法，设计了自适应动态面控制器，实现了对飞行器的输出信号约束控制。由此，相对于现有技术，本实施例能避免飞行器控制系统失效，从而提升飞行器航迹角控制精度，提高飞行器的飞行品质和飞行安全特性。
为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有飞行器航迹角控制程序，所述飞行器航迹角控制程序被处理器运行时执行如上实施例所述的方法的步骤，这里不再赘述。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种飞行器航迹角控制方法，其特征在于，所述方法包括以下步骤：
根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；
通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；
基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
2.根据权利要求1所述的飞行器航迹角控制方法，其特征在于，所述通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型的步骤包括：
采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
3.根据权利要求2所述的飞行器航迹角控制方法，其特征在于，所述根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型的步骤包括：
根据飞行器动力模型存在强耦合与高度非线性特性，将飞行器纵向模型表示为：
Figure DEST_PATH_IMAGE001
（1）
其中，
Figure 536171DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
、
Figure 412860DEST_PATH_IMAGE004
和q分别为飞行器航迹倾角、攻角、俯仰角和俯仰角速率；
Figure DEST_PATH_IMAGE005
为航速； g分别为飞行器重力加速度；
Figure 812487DEST_PATH_IMAGE006
，
Figure 672995DEST_PATH_IMAGE007
为升力曲线斜率，m为飞行器质量；
Figure 340737DEST_PATH_IMAGE008
为影响升力其他因素；
Figure 353823DEST_PATH_IMAGE009
，
Figure 816029DEST_PATH_IMAGE010
为控制俯仰力矩，
Figure 163833DEST_PATH_IMAGE011
为其他来源力矩，
Figure 635266DEST_PATH_IMAGE012
为舵面偏角。
4.根据权利要求3所述的飞行器航迹角控制方法，其特征在于，所述采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型的步骤包括：
定义状态
Figure 1394DEST_PATH_IMAGE013
、
Figure 962397DEST_PATH_IMAGE014
、
Figure 938443DEST_PATH_IMAGE015
以及控制输入
Figure 823354DEST_PATH_IMAGE016
，考虑模型的不确定性，得到反馈系统模型：
Figure 997983DEST_PATH_IMAGE017
（2）
其中，
Figure 67570DEST_PATH_IMAGE018
其中，
Figure 645094DEST_PATH_IMAGE019
为不确定部分，且
Figure 458329DEST_PATH_IMAGE020
,
Figure 487465DEST_PATH_IMAGE021
为正实数。
5.根据权利要求4所述的飞行器航迹角控制方法，其特征在于，所述基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制的步骤包括：
基于屏障李雅普诺夫函数、RBF神经控制理论对所述反馈控制模型设计自适应动态面控制器，以对飞行器反馈控制模型进行航迹角约束控制。
6.根据权利要求5所述的飞行器航迹角控制方法，其特征在于，所述基于屏障李雅普诺夫函数、RBF神经控制理论对所述反馈控制模型设计自适应动态面控制器，以对飞行器反馈控制模型进行航迹角约束控制的步骤包括：
定义航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量，根据所述航迹倾角误差变量、攻角误差变量和俯仰角速率误差变量设计自适应动态面控制器。
7.根据权利要求6所述的飞行器航迹角控制方法，其特征在于，所述基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制的步骤之后还包括：
基于李雅普诺夫理论，对所述自适应动态面控制器给出稳定性理论证明，并通过数字仿真，验证了所述自适应动态面控制器的有效性。
8.一种飞行器航迹角控制系统，其特征在于，所述系统包括存储器、处理器以存储在所述处理器上的飞行器航迹角控制程序，所述飞行器航迹角控制程序被所述处理器运行时执行以下步骤：
根据飞行器动力模型存在强耦合与高度非线性特性，建立飞行器非线性系统模型；
通过变量代换，将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型；
基于屏障李雅普诺夫函数、RBF神经控制理论对飞行器反馈控制模型进行航迹角约束控制。
9.根据权利要求8所述的飞行器航迹角控制系统，其特征在于，所述飞行器航迹角控制程序被所述处理器运行时还执行以下步骤：
采用屏障李雅普诺夫函数和RBF神经控制理论将所述飞行器非线性系统模型转化为带有模型参数不确定性的反馈控制模型。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有飞行器航迹角控制程序，所述飞行器航迹角控制程序被处理器运行时执行如权利要求1至7任意一项所述的方法的步骤。
CN202110153943.8A 2021-02-04 2021-02-04 飞行器航迹角控制方法、系统及存储介质 Active CN112947498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110153943.8A CN112947498B (zh) 2021-02-04 2021-02-04 飞行器航迹角控制方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110153943.8A CN112947498B (zh) 2021-02-04 2021-02-04 飞行器航迹角控制方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN112947498A true CN112947498A (zh) 2021-06-11
CN112947498B CN112947498B (zh) 2021-11-23

Family

ID=76243775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110153943.8A Active CN112947498B (zh) 2021-02-04 2021-02-04 飞行器航迹角控制方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112947498B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985732A (zh) * 2021-10-11 2022-01-28 广州大学 针对飞行器系统的自适应神经网络控制方法及装置
CN114035594A (zh) * 2021-10-11 2022-02-11 广州大学 对受到类间隙滞后和输出约束的飞行器的控制方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130054500A1 (en) * 2011-08-22 2013-02-28 King Fahd University Of Petroleum And Minerals Robust controller for nonlinear mimo systems
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN108919824A (zh) * 2018-07-20 2018-11-30 中国人民解放军海军航空大学 舰载无人机纵向着舰控制方法
CN109062055A (zh) * 2018-09-10 2018-12-21 南京航空航天大学 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统
CN110456821A (zh) * 2019-08-22 2019-11-15 安徽大学 基于动态触发机制的飞行器轨迹最优控制方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130054500A1 (en) * 2011-08-22 2013-02-28 King Fahd University Of Petroleum And Minerals Robust controller for nonlinear mimo systems
CN107450324A (zh) * 2017-09-05 2017-12-08 西北工业大学 考虑攻角约束的高超声速飞行器自适应容错控制方法
CN108919824A (zh) * 2018-07-20 2018-11-30 中国人民解放军海军航空大学 舰载无人机纵向着舰控制方法
CN109062055A (zh) * 2018-09-10 2018-12-21 南京航空航天大学 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统
CN110456821A (zh) * 2019-08-22 2019-11-15 安徽大学 基于动态触发机制的飞行器轨迹最优控制方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985732A (zh) * 2021-10-11 2022-01-28 广州大学 针对飞行器系统的自适应神经网络控制方法及装置
CN114035594A (zh) * 2021-10-11 2022-02-11 广州大学 对受到类间隙滞后和输出约束的飞行器的控制方法及装置
CN113985732B (zh) * 2021-10-11 2023-06-20 广州大学 针对飞行器系统的自适应神经网络控制方法及装置

Also Published As

Publication number Publication date
CN112947498B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN109189087B (zh) 一种垂直起降重复使用运载器的自适应容错控制方法
CN107992082B (zh) 基于分数阶幂次切换律的四旋翼无人机飞行控制方法
CN112947498A (zh) 飞行器航迹角控制方法、系统及存储介质
CN109164708B (zh) 一种高超声速飞行器神经网络自适应容错控制方法
CN107203138B (zh) 一种输入输出饱和的飞行器鲁棒控制方法
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
CN108681327B (zh) 基于分数阶饱和函数切换控制律的四旋翼飞行控制方法
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
CN114265318A (zh) 一种基于滑模控制和模糊算法的协作机器人轨迹跟踪方法
CN112445234A (zh) 一种航天器的姿态控制方法和装置
CN108717266B (zh) 风场风机功率基于扰动观测器的神经自适应跟踪控制方法
CN111897358A (zh) 一种基于自适应滑模的无人机编队容错控制方法
Dong et al. Nonlinear tracking control of underactuated surface vessel
CN117452827B (zh) 一种欠驱动无人艇轨迹跟踪控制方法
CN108681245B (zh) 一种解决实际升力受限的减摇鳍控制器
CN102749843A (zh) 一种自适应反馈保护动态面控制器结构及设计方法
Ruan et al. Fuzzy backstepping controllers for two-wheeled self-balancing robot
CN110347036B (zh) 基于模糊滑模控制的无人机自主抗风智能控制方法
CN111007867B (zh) 一种可预设调整时间的高超声速飞行器姿态控制设计方法
Butt et al. Dynamic surface control for nonlinear hypersonic air vehicle using neural network
CN110109357A (zh) 针对非标准型非线性航空器的半全局自适应控制方法
CN114675536A (zh) 2-dof直升机的自适应宽度学习未知方向控制方法
Boukhnifer et al. Experimental H-infinity robust control of aerial vehicle flight
CN114253137A (zh) 基于控制分配的无人机系统故障诊断与容错控制方法
CN113093782A (zh) 一种无人机指定性能姿态控制方法及系统

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