CN112965384A - 一种自适应神经网络全局非奇异快速终端滑模无模型方法 - Google Patents
一种自适应神经网络全局非奇异快速终端滑模无模型方法 Download PDFInfo
- Publication number
- CN112965384A CN112965384A CN202110180328.6A CN202110180328A CN112965384A CN 112965384 A CN112965384 A CN 112965384A CN 202110180328 A CN202110180328 A CN 202110180328A CN 112965384 A CN112965384 A CN 112965384A
- Authority
- CN
- China
- Prior art keywords
- global
- model
- neural network
- sliding mode
- terminal sliding
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 157
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000013459 approach Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000004134 energy conservation Methods 0.000 claims abstract description 11
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000005855 radiation Effects 0.000 claims description 16
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 239000010453 quartz Substances 0.000 claims description 9
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000191 radiation effect Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000010438 heat treatment Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种自适应神经网络全局非奇异快速终端滑模无模型方法，包括，根据能量守恒定律，建立高超声速飞行器气动热地面模拟系统输入电能与输出温度之间的数学模型并转化成无模型控制的超局部模型；基于所述超局部模型构建线性扩展状态观测器LESO，观测外部扰动；利用输出的高超声速飞行器气动热地面模拟系统跟踪误差e，建立全局非奇异快速终端滑模面；将所述全局非奇异快速终端滑模面作为基础，根据滑模的可达性条件定义滑模控制趋近状态下的趋近率；利用自适应神经网络算法作为辅助控制器，无限逼近观测扰动以抵消所述观测扰动；建立Lyapunov稳定性判据模型，验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。
Description
技术领域
本发明涉及自动控制系统的技术领域，尤其涉及一种自适应神经网络全局非奇异快速终端滑模无模型方法。
背景技术
高超声速飞行器以其高速、高机动性、高准确性等优点，成为当今世界强国关注的战略发展方向，其科学问题具有前瞻性、战略性和全局性，但是由于高超声速飞行器飞行速度越来越快，热障问题日趋严峻，气动热问题会导致飞行器的性能受到严重破坏，影响飞行器在高速飞行中的安全问题，因此，通过地面试验准确预测飞行器的热环境和气动载荷是非常重要的，须建立一种气动热地面模拟系统，从而对高速飞行器的材料和结构进行热防护设计。
在实际工作环境中，结构热试验分为对流加热和非对流加热，风洞试验就是典型的对流加热试验，强迫对流换热达到地面模拟气动热，而非对流加热是以传导或辐射为主体换热形式的热试验，其中以石英灯为非接触辐射加热器的气动热地面模拟试验较为突出，因其热惯性小、体积小、功率大等优点，对于石英灯加热地面模拟系统必须满足抗干扰能力强，鲁棒性能强，动态性能好等要求，但是石英灯加热地面模拟系统是一种典型的非线性、不稳定系统，同时，外部扰动会严重影响系统稳定性，使得石英灯控制器的设计极具挑战性。
在现代控制理论当中，滑模控制常被用于非线性系统当中，可以有效的消除扰动和系统自身参数不稳定的影响，但是被控系统在高频切换中存在抖振现象；近年来，终端滑模控制方法日趋发展，与传统滑模控制相比，终端滑模控制方法可以提升系统的收敛速度，提高系统的鲁棒性，改善控制器的稳定性能，然而，现有的终端滑模在远离原点时收敛速度远不如传统滑模控制，同时存在奇异问题，并且很难保证被控系统的控制性能。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明解决的技术问题是：如何对期望轨迹进行跟踪消除扰动，怎样降低控制系统误差以保证动态稳定性能。
为解决上述技术问题，本发明提供如下技术方案：包括，根据能量守恒定律，建立高超声速飞行器气动热地面模拟系统输入电能与输出温度之间的数学模型并转化成无模型控制的超局部模型；基于所述超局部模型构建线性扩展状态观测器LESO，观测外部扰动；利用输出的高超声速飞行器气动热地面模拟系统跟踪误差e，建立全局非奇异快速终端滑模面；将所述全局非奇异快速终端滑模面作为基础，根据滑模的可达性条件定义滑模控制趋近状态下的趋近率；利用自适应神经网络算法作为辅助控制器，无限逼近观测扰动以抵消所述观测扰动；建立Lyapunov稳定性判据模型，验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：所述高超声速飞行器气动热地面模拟系统包括，非接触辐射加热器、电功率调节装置和量热传感器；所述非接触辐射加热器为石英灯加热器，所述电功率调节装置为双向晶闸管，所述量热传感器为热电偶传感器。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：根据所述能量守恒定律构建输入输出能量守恒等式，包括，
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数，从而得到当前温度T1和双向晶闸管的导通角α之间的数学关系。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：当被控对象模型是单输入单输出系统时，则将所述被控对象模型转化为无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n一般取1或者2，u表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和系统内部非线性扰动，χ表示为非物理意义的可调参数；根据所述超局部模型将所述输入输出能量守恒等式两边除以Δt并进行移项处理，获得无模型控制的超局部控制模型，如下，
其中，
为T1对时间Δt的导数，所述超局部控制模型中
α分别对应所述超局部模型的y(n)、u，而sin2α给系统带来的是周期性的震动，并没有对系统整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作系统的高阶输出扰动，因此
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：所述状态观测器LESO包括，
e1＝z1-T1
其中，z1是输出y估计值，z2是未知扰动G估计值，
是z1的一阶微分，
是z2的一阶微分，β1和β2是观测器的可调增益，β1＞0,β2＞0，
g0为已知扰动上界，用于观测外部扰动G，
是观测误差，
是G的估计值。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：建立所述全局非奇异快速终端滑模面包括，定义输出的跟踪误差表达式为：
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；输出的跟踪误差一阶微分，如下，
则所述全局非奇异快速终端滑模面为：
其中，η＞0,ι＞0，p＜q＜2p，p,q都为正奇数；即全局非奇异快速终端滑模面的一阶微分为：
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：所述滑模的可达性条件包括，
其中κ＞0；则所述趋近率为：
其中，
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：所述自适应神经网络算法包括，
将所述自适应神经网络算法uNNC代入上式求解，如下，
其中，
为神经网络权值自适应律增益参数，
W*＝argmin(g(t))，W*为神经网络理想权值，
为近似误差。
作为本发明所述的自适应神经网络全局非奇异快速终端滑模无模型方法的一种优选方案，其中：所述Lyapunov模型包括，
其中，
为权值估计误差，用于验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。
本发明的有益效果：本发明方法在高超声速飞行器气动热地面模拟系统无模型控制的超局部模型基础上，构建全局非奇异快速终端滑模面，解决了在进入趋近状态下传统滑模在高频切换中存在抖振现象；设计LESO观测器，观测出高超声速飞行器气动热地面模拟系统的扰动；同时提出了自适应神经网络辅助控制器，可以有效地无限逼近观测扰动，从而使得控制器具有良好的静、动态特性和对外部干扰的强鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的流程示意图；
图2为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器气动热地面模拟系统工作流程示意图；
图3(a)为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器机翼三维结构示意图；
图3(b)为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器机翼二维尺寸示意图；
图4(a)为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器机翼气动热的有限元仿真示意图；
图4(b)为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器机翼气动热的壁面平均温度采样示意图；
图4(c)为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器机翼气动热的数据拟合示意图；
图5为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的无模型原理控制框架示意图；
图6为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的高超声速飞行器气动热地面模拟系统的跟踪拟合目标图(a)以及自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的温度跟踪曲线(b)和局部放大图(c)；
图7为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的误差跟踪曲线(a)和局部放大图(b,c)；
图8为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪实际扰动(1)，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(2)与全局非奇异快速终端滑模控制方法(3)、传统全局终端滑模控制方法(4)对比的观测器估计跟踪曲线(a)和局部放大图(b)；
图9为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的控制器u(t)输入曲线(a)和局部放大图(b)；
图10为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在外扰动下(a)与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的温度跟踪曲线(b)和局部放大图(c)；
图11为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在外扰动下与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的误差跟踪曲线(a)和局部放大图(b,c)；
图12为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪实际扰动(1)，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(2)，在外扰动下与全局非奇异快速终端滑模控制方法(3)、传统全局终端滑模控制方法(4)对比的观测器估计跟踪曲线；
图13为本发明一个实施例所述的自适应神经网络全局非奇异快速终端滑模无模型方法的在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在外扰动下与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的控制器u(t)输入曲线(a)和局部放大图(b)。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图5，为本发明的第一个实施例，提供了一种自适应神经网络全局非奇异快速终端滑模无模型方法，本发明方法将高超声速飞行器气动热地面模拟系统无模型控制的超局部模型、全局非奇异快速终端滑模面、线性扩展状态观测器LESO、自适应神经网络算法结合进行控制器u(t)的设计，参照图5，为本发明高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制框图，具体包括：
根据能量守恒定律，建立高超声速飞行器气动热地面模拟系统输入电能与输出温度之间的数学模型并转化成无模型控制的超局部模型；
S1：基于超局部模型构建线性扩展状态观测器LESO，观测外部扰动。其中需要说明的是，高超声速飞行器气动热地面模拟系统包括：
非接触辐射加热器、电功率调节装置和量热传感器；
非接触辐射加热器为石英灯加热器，电功率调节装置为双向晶闸管，量热传感器为热电偶传感器。
具体的，根据能量守恒定律构建输入输出能量守恒等式，包括：
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数，从而得到当前温度T1和双向晶闸管的导通角α之间的数学关系；
当被控对象模型是单输入单输出系统时，则将被控对象模型转化为无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n一般取1或者2，u表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和系统内部非线性扰动，χ表示为非物理意义的可调参数；
根据超局部模型将输入输出能量守恒等式两边除以Δt并进行移项处理，获得无模型控制的超局部控制模型，如下，
其中，
为T1对时间Δt的导数，超局部控制模型中
α分别对应超局部模型的y(n)、u，而sin2α给系统带来的是周期性的震动，并没有对系统整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作系统的高阶输出扰动，因此
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G。
进一步的，状态观测器LESO包括：
e1＝z1-T1
其中，z1是输出y估计值，z2是未知扰动G估计值，
是z1的一阶微分，
是z2的一阶微分，β1和β2是观测器的可调增益，β1＞0,β2＞0，
g0为已知扰动上界，用于观测外部扰动G，
是观测误差，
是G的估计值。
S2：利用输出的高超声速飞行器气动热地面模拟系统跟踪误差e，建立全局非奇异快速终端滑模面。本步骤需要说明的是，建立全局非奇异快速终端滑模面包括：
定义输出的跟踪误差表达式为：
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；
输出的跟踪误差一阶微分，如下，
则全局非奇异快速终端滑模面为：
其中，η＞0,ι＞0，p＜q＜2p，p,q都为正奇数；
即全局非奇异快速终端滑模面的一阶微分为：
S3：将全局非奇异快速终端滑模面作为基础，根据滑模的可达性条件定义滑模控制趋近状态下的趋近率。其中还需要说明的是，滑模的可达性条件包括：
其中κ＞0；
则趋近率为：
其中，
S4：利用自适应神经网络算法作为辅助控制器，无限逼近观测扰动以抵消观测扰动。本步骤还需要说明的是，自适应神经网络算法包括：
将所述自适应神经网络算法uNNC代入上式求解，如下，
其中，
为神经网络权值自适应律增益参数，
W*＝argmin(g(t))，W*为神经网络理想权值，
为近似误差。
S5：建立Lyapunov稳定性判据模型，验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。其中还需要说明的是，Lyapunov模型包括：
其中，
为权值估计误差，用于验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性；
其中，
满足
参照图2，整个高超声速飞行器气动热地面模拟系统工作流程主要包括以下步骤：
(1)高超声速飞行器气动热数据采集：对高超声速飞行器的机翼部分，通过给定飞行环境和壁面材料型号对其进行有限元数值模拟；采集每一时刻机翼壁面的平均温度，对采样数据进行线性拟合，作为整个高超声速飞行器气动热地面模拟系统的期望输出值，即目标值，为了和实际控制器输出值进行对比。
(2)高超声速飞行器气动热地面模拟控制系统：设计控制器对石英灯加热系统进行控制；将目标值加载到控制板中，通过控制板改变双向晶闸管的导通角α进而改变输出电压U，不同的输出电压U值对应不同的石英灯加热系统电功率P，通过传感器获得石英灯加热器输出的实际温度T1，与目标值对比得到跟踪误差e，再通过闭环反馈给控制器进行调节双向晶闸管的导通角α，最终达到跟踪控制。
(3)地面模拟试验反馈：石英灯加热器对试件进行加热试验，再通过对试件的性能进行检测，分析材料的可行性，选定材料，若不可以就更换材料再次经过第一步操作，从而优化热防护系统设计。
参照图3，为有限元仿真所绘制的机翼结构示意图，机翼的具体参数为：翼根3550mm，翼展1250mm，前缘后掠角70°，后缘前掠角15°，板厚160mm，前缘半径40mm，材料为镍基高温合金GH1015，飞行环境为高度20km，速度为5.5马赫数，攻角10°巡航。
参照图4，是机翼进行有限元仿真的仿真模拟图、壁面平均温度采样图和平均温度曲线拟合图，拟合曲线为：
y*＝7.224×10-6t6-0.001041×t5+0.05614×t4-1.353×t3+11.86×t2+43.25t+279.2
参照图5，本发明高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制(MF-GNFTSMNNC Controller)原理框图是对图2的高超声速飞行器地面模拟控制系统的进一步的说明，主控图过程如下：误差e首先通过全局非奇异快速终端滑模面的趋近、滑动阶段；其次将误差e及其微分输入到自适应神经网络中；接着伴随LESO观测在线观测系统的未知扰动G，最终构成设计的控制器u(t)。
优选的，本实施例还需要说明的是，与现有技术相比，本发明公开了一种自适应神经网络全局非奇异快速终端滑模无模型方法，旨在通过采用全局非奇异快速终端滑模方法对期望轨迹实现跟踪，用LESO观测器对未知扰动进行估计，再通过自适应神经网络控制算法消除未知观测扰动，从而降低系统误差，保证系统的动态性能；其中，基于高超声速飞行器气动热地面模拟系统无模型控制的超局部模型，将全局性、非奇异性、快速性有机地统一到滑模面上，利用自适应神经网络无限逼近性，可以有效地抵消LESO观测器带来的观测误差，保证了控制精度。
实施例2
参照图6～图13，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种自适应神经网络全局非奇异快速终端滑模无模型方法的测试验证，包括：
优选的，为了更好地对本发明方法中采用的技术效果加以验证说明，本实施例中选择以传统的全局非奇异快速终端滑模控制方法、传统全局终端滑模控制方法、iPID控制方法、传统PID控制方法与本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统方法存在奇异问题，系统稳定性较差，鲁棒性不强，为验证本发明方法相对于传统方法具有较高的抗干扰性和控制稳定性，本实施例中将采用高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在有无外扰动下与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)分别对高超声速飞行器气动热地面模拟系统的输出温度和跟踪误差进行实时测量对比。
测试环境：参照图4(c)，将高超声速飞行器气动热地面模拟系统运行在仿真平台模拟跟踪期望目标曲线，分别利用高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在有无外扰动下与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)进行测试并获得测试结果数据。两者都将在开启自动化测试设备并运用MATLB软件编程实现对比方法的仿真测试，根据实验结果得到仿真数据；每种方法各测试8组数据，每组数据采样18s，计算获得每组数据输入温度和跟踪误差，与仿真模拟输入的期望目标温度进行对比计算误差。
参照图6～图13，为本发明在跟踪拟合目标下，高超声速飞行器气动热地面模拟系统的自适应神经网络全局非奇异快速终端滑模的无模型控制方法(1)，在有无外扰动下与全局非奇异快速终端滑模控制方法(2)、传统全局终端滑模控制方法(3)、iPID控制方法(4)、传统PID控制方法(5)对比的温度跟踪曲线和局部放大图、误差跟踪曲线和局部放大图、观测器估计跟踪曲线和局部放大图、控制器u(t)输入曲线和局部放大图。外扰动为时变电阻R：
R＝3.08×(1+0.0045y*)
全局非奇异快速终端滑模控制方法(2)：
传统全局终端滑模控制方法(3)：
其中：
iPID控制方法(4)：
表1：各项参数设置表。
表2：自适应神经网络全局非奇异快速终端滑模的无模型控制参数表。
表3：全局非奇异快速终端滑模控制参数表。
表4：传统全局终端滑模控制参数表。
表5：IPID和PID参数表，
参照图6和图7，5种方法都可以跟踪上目标曲线，但是在图6c中，方法(3)具有较大的超调量；在图7中，方法(3)、(4)、(5)具有较大的超调量，且方法(3)存在一定的稳态误差；方法(2)的快速性较差。
参照图8，方法(2)作为LESO可以准确地跟踪系统扰动(曲线1)，参照图9，5种方法在时间0～0.5s都具有一定的输入抖振，但是方法(2)、(3)在整个高频切换过程中保持较高的抖振。
参照图10和图11，在外扰作用下，方法(3)、(4)、(5)的超调量更大，且方法(2)的快速性仍然差于方法(1)；参照图12，在外扰作用下，方法(2)作为LESO仍然可以准确地跟踪系统扰动(曲线1)；参照图13，在外扰作用下，方法(2)、(3)高频抖振最大，方法(4)、(5)输入超调较为明显。
基于上述，本发明的控制方法从稳态误差、瞬态输入、稳态输入、收敛速度以及观测器精度五个方面均优于其它4种方法，得益于两个方面，一方面是因为全局非奇异快速终端滑模的应用，有效地避免了高频切换中存在抖振现象和加快了远离原点时的收敛速度；另一方面是因为自适应神经网络无限地逼近于观测器扰动。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：包括，
根据能量守恒定律，建立高超声速飞行器气动热地面模拟系统输入电能与输出温度之间的数学模型并转化成无模型控制的超局部模型；
基于所述超局部模型构建线性扩展状态观测器LESO，观测外部扰动；
利用输出的高超声速飞行器气动热地面模拟系统跟踪误差e，建立全局非奇异快速终端滑模面；
将所述全局非奇异快速终端滑模面作为基础，根据滑模的可达性条件定义滑模控制趋近状态下的趋近率；
利用自适应神经网络算法作为辅助控制器，无限逼近观测扰动以抵消所述观测扰动；
建立Lyapunov稳定性判据模型，验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。
2.根据权利要求1所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：所述高超声速飞行器气动热地面模拟系统包括，非接触辐射加热器、电功率调节装置和量热传感器；
所述非接触辐射加热器为石英灯加热器，所述电功率调节装置为双向晶闸管，所述量热传感器为热电偶传感器。
3.根据权利要求1或2所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：根据所述能量守恒定律构建输入输出能量守恒等式，包括，
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数，从而得到当前温度T1和双向晶闸管的导通角α之间的数学关系。
4.根据权利要求3所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：当被控对象模型是单输入单输出系统时，则将所述被控对象模型转化为无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n一般取1或者2，u表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和系统内部非线性扰动，χ表示为非物理意义的可调参数；
根据所述超局部模型将所述输入输出能量守恒等式两边除以Δt并进行移项处理，获得无模型控制的超局部控制模型，如下，
其中，
为T1对时间Δt的导数，所述超局部控制模型中
α分别对应所述超局部模型的y(n)、u，而sin2α给系统带来的是周期性的震动，并没有对系统整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作系统的高阶输出扰动，因此
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G。
5.根据权利要求4所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：所述状态观测器LESO包括，
e1＝z1-T1
其中，z1是输出y估计值，z2是未知扰动G估计值，
是z1的一阶微分，
是z2的一阶微分，β1和β2是观测器的可调增益，β1＞0,β2＞0，
g0为已知扰动上界，用于观测外部扰动G，
是观测误差，
是G的估计值。
6.根据权利要求5所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：建立所述全局非奇异快速终端滑模面包括，
定义输出的跟踪误差表达式为：
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；
输出的跟踪误差一阶微分，如下，
则所述全局非奇异快速终端滑模面为：
其中，η＞0,ι＞0，p＜q＜2p，p,q都为正奇数；
即全局非奇异快速终端滑模面的一阶微分为：
7.根据权利要求6所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：所述滑模的可达性条件包括，
其中κ＞0；
则所述趋近率为：
其中，
8.根据权利要求7所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：所述自适应神经网络算法包括，
将所述自适应神经网络算法uNNC代入上式求解，如下，
其中，
为神经网络权值自适应律增益参数，
W*＝argmin(g(t))，W*为神经网络理想权值，
为近似误差。
9.根据权利要求8所述的自适应神经网络全局非奇异快速终端滑模无模型方法，其特征在于：所述Lyapunov模型包括，
其中，
为权值估计误差，用于验证自适应神经网络全局非奇异快速终端滑模无模型方法的收敛性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110180328.6A CN112965384B (zh) | 2021-02-08 | 2021-02-08 | 一种自适应神经网络全局非奇异快速终端滑模无模型方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110180328.6A CN112965384B (zh) | 2021-02-08 | 2021-02-08 | 一种自适应神经网络全局非奇异快速终端滑模无模型方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965384A true CN112965384A (zh) | 2021-06-15 |
| CN112965384B CN112965384B (zh) | 2021-11-16 |
Family
ID=76284621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110180328.6A Active CN112965384B (zh) | 2021-02-08 | 2021-02-08 | 一种自适应神经网络全局非奇异快速终端滑模无模型方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965384B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113703313A (zh) * | 2021-10-28 | 2021-11-26 | 季华实验室 | 一种基于改进预设性能的无模型自适应滑模约束控制方法 |
| CN114355779A (zh) * | 2022-01-10 | 2022-04-15 | 南京工业大学 | 一种结构热试验非线性扩展状态观测器全局滑模控制方法 |
| CN114371623A (zh) * | 2022-01-10 | 2022-04-19 | 南京工业大学 | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 |
| CN117922841A (zh) * | 2024-03-22 | 2024-04-26 | 南京工业大学 | 一种提升高超声速飞行器结构热试验模拟精度的控制方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9694918B1 (en) * | 2016-05-26 | 2017-07-04 | Beihang University | Method for disturbance compensation based on sliding mode disturbance observer for spacecraft with large flexible appendage |
| CN108490786A (zh) * | 2018-04-27 | 2018-09-04 | 哈尔滨工业大学 | 一种基于终端滑模的高超声速飞行器鲁棒跟踪控制方法 |
| CN109343549A (zh) * | 2018-10-09 | 2019-02-15 | 北京航空航天大学 | 一种飞行器姿态控制方法、系统、介质及设备 |
| CN109426146A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 |
| CN111988249A (zh) * | 2020-07-16 | 2020-11-24 | 北京大学 | 一种基于自适应神经网络的接收端均衡方法及接收端 |
-
2021
- 2021-02-08 CN CN202110180328.6A patent/CN112965384B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9694918B1 (en) * | 2016-05-26 | 2017-07-04 | Beihang University | Method for disturbance compensation based on sliding mode disturbance observer for spacecraft with large flexible appendage |
| CN109426146A (zh) * | 2017-08-23 | 2019-03-05 | 中国空气动力研究与发展中心计算空气动力研究所 | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 |
| CN108490786A (zh) * | 2018-04-27 | 2018-09-04 | 哈尔滨工业大学 | 一种基于终端滑模的高超声速飞行器鲁棒跟踪控制方法 |
| CN109343549A (zh) * | 2018-10-09 | 2019-02-15 | 北京航空航天大学 | 一种飞行器姿态控制方法、系统、介质及设备 |
| CN111988249A (zh) * | 2020-07-16 | 2020-11-24 | 北京大学 | 一种基于自适应神经网络的接收端均衡方法及接收端 |
Non-Patent Citations (4)
| Title |
|---|
| CHIH-HONG LIN 等: "Integral Backstepping Control for a PMSM Drive Using Adaptive RNN Uncertainty Observer", 《2012 INTERNATIONAL SYMPOSIUM ON COMPUTER, CONSUMER AND CONTROL》 * |
| FRANCISCO JAVIER CARRILLO 等: "Some contributions to estimation for model-free control", 《IFAC-PAPERSONLINEVOLUME》 * |
| YOUNES AL YOUNES 等: "Robust Model-Free Control Applied to a Quadrotor UAV", 《JOURNAL OF INTELLIGENT & ROBOTIC SYSTEMS》 * |
| 殷童欢: "永磁同步电机无模型滑模控制研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113703313A (zh) * | 2021-10-28 | 2021-11-26 | 季华实验室 | 一种基于改进预设性能的无模型自适应滑模约束控制方法 |
| CN113703313B (zh) * | 2021-10-28 | 2022-02-08 | 季华实验室 | 一种基于改进预设性能的无模型自适应滑模约束控制方法 |
| CN114355779A (zh) * | 2022-01-10 | 2022-04-15 | 南京工业大学 | 一种结构热试验非线性扩展状态观测器全局滑模控制方法 |
| CN114371623A (zh) * | 2022-01-10 | 2022-04-19 | 南京工业大学 | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 |
| CN114355779B (zh) * | 2022-01-10 | 2022-07-19 | 南京工业大学 | 一种结构热试验非线性扩展状态观测器全局滑模控制方法 |
| CN117922841A (zh) * | 2024-03-22 | 2024-04-26 | 南京工业大学 | 一种提升高超声速飞行器结构热试验模拟精度的控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965384B (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112965384B (zh) | 一种自适应神经网络全局非奇异快速终端滑模无模型方法 | |
| CN112987566B (zh) | 一种气动热的超螺旋非线性分数阶滑模无模型控制方法 | |
| CN112965364B (zh) | 一种高超声速飞行器气动热地面模拟系统建模及iPID方法 | |
| CN112965382B (zh) | 一种基于神经网络观测器非线性全局滑模无模型控制方法 | |
| CN112987569B (zh) | 一种扰动上界自适应分数阶全局终端滑模无模型控制方法 | |
| CN113625564B (zh) | 一种结构热试验基于系统模型的滑模控制方法 | |
| CN112859617B (zh) | 一种iPI无模型自适应全局非奇异快速终端滑模控制方法 | |
| CN108803336B (zh) | 一种航空发动机自适应lqg/ltr控制器设计方法 | |
| CN105888971B (zh) | 一种大型风力机叶片主动降载控制系统及方法 | |
| CN114371623B (zh) | 一种结构热试验神经网络观测器分数阶全局滑模控制方法 | |
| CN113495486A (zh) | 一种结构热试验基于扩展状态观测器的模型预测控制方法 | |
| CN113900373B (zh) | 一种结构热试验的全局非奇异快速终端滑模控制方法 | |
| CN107092724A (zh) | 一种考虑不确定性的热防护系统模型修正方法 | |
| CN105490266B (zh) | 基于多变量拟合的发电机调速系统参数优化建模方法 | |
| CN114706295A (zh) | 用于空天飞机强度测试的热试验中快时变热载荷控制方法 | |
| Lyu et al. | Some improvements of hybrid trim method for a helicopter rotor in forward flight | |
| CN113589862A (zh) | 一种基于网络拓扑型智能pid温度控制方法及控制芯片 | |
| CN114721450B (zh) | 空天飞机结构强度测试中温度控制用热试验迭代控温方法 | |
| CN114355779B (zh) | 一种结构热试验非线性扩展状态观测器全局滑模控制方法 | |
| Svorcan et al. | Two-dimensional numerical analysis of active flow control by steady blowing along foil suction side by different urans turbulence models | |
| Zhang et al. | Unsteady aerodynamic identification based on recurrent neural networks | |
| Wu et al. | Two-dimensional temperature distribution estimation for a cross-flow planar solid oxide fuel cell stack | |
| Girault et al. | Parametric low-order models in transient heat diffusion by MIM. Estimation of thermal conductivity in a 2D slab | |
| CN118534770A (zh) | Pso寻优方法、调整控制方法、气动热模拟试验系统 | |
| Bai et al. | Model Predictive Control of Aerodynamic Heat Simulation Heating System with Discrete-time Linear Extended State Observer |
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 |