CN113110540B - 基于时标分解的弹性体飞行器全局有限时间控制方法 - Google Patents

基于时标分解的弹性体飞行器全局有限时间控制方法 Download PDF

Info

Publication number
CN113110540B
CN113110540B CN202110402166.6A CN202110402166A CN113110540B CN 113110540 B CN113110540 B CN 113110540B CN 202110402166 A CN202110402166 A CN 202110402166A CN 113110540 B CN113110540 B CN 113110540B
Authority
CN
China
Prior art keywords
formula
subsystem
design parameter
defining
design
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
Application number
CN202110402166.6A
Other languages
English (en)
Other versions
CN113110540A (zh
Inventor
许斌
王霞
李导
唐勇
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.)
Northwestern Polytechnical University
AVIC Chengdu Aircraft Design and Research Institute
Original Assignee
Northwestern Polytechnical University
AVIC Chengdu Aircraft Design and Research Institute
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 Northwestern Polytechnical University, AVIC Chengdu Aircraft Design and Research Institute filed Critical Northwestern Polytechnical University
Priority to CN202110402166.6A priority Critical patent/CN113110540B/zh
Publication of CN113110540A publication Critical patent/CN113110540A/zh
Application granted granted Critical
Publication of CN113110540B publication Critical patent/CN113110540B/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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0833—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using limited authority control
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种基于时标分解的弹性体飞行器全局有限时间控制方法，属于飞行器控制领域，用于解决弹性体飞行器表现出的弹性模态和气动不确定问题。该方法首先基于奇异摄动理论将刚弹耦合飞行动力学转换为刚体慢变子系统和弹性快变子系统。然后，针对刚体子系统设计了基于监测机制的全局有限时间控制方法，当飞行状态在智能工作域时构建有限时间复合学习策略，当偏离智能工作域时构建有限时间鲁棒控制策略，针对弹性子系统设计了有限时间滑模控制方法。本发明实现了系统自适应动态调整和鲁棒跟踪，保证了弹性模态的快速稳定收敛，对弹性体飞行器安全可靠飞行具有重要意义。

Description

基于时标分解的弹性体飞行器全局有限时间控制方法
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时标分解的弹性体飞行器全局有限时间控制方法，属于飞行器控制领域。
背景技术
轻质材料的应用和细长机身设计使机体结构固有振动频率降低，飞行器动力学表现出弹性模态，弹性振动易造成机体弯曲振动和气动特性变化，影响系统控制性能和飞行安全。由于天地环境不一致，飞行器在实际飞行过程面临诸多干扰，飞行动力学表现出气动不确定，如何快速有效地对其进行处理是实现可靠飞行的关键。
《基于时标分解的弹性高超声速飞行器智能控制》(许斌,王霞,《航空学报》,2020,41(11):624387.)一文考虑刚弹性模态的不同时标特性，采用奇异摄动理论进行快慢时标分解，将模型转换为刚体子系统和弹性子系统，并分别设计了复合学习控制和滑模控制。该设计忽略了神经网络逼近是否有效的问题，且未实现刚弹模态的有限时间快速稳定收敛，因此难以取得较好的控制性能。
发明内容
要解决的技术问题
针对弹性体飞行器表现出的弹性模态和气动不确定问题，本发明设计了一种基于时标分解的弹性体飞行器全局有限时间控制方法。
技术方案
一种基于时标分解的弹性体飞行器全局有限时间控制方法，其特征在于步骤如下：
步骤1：考虑弹性飞行器纵向通道动力学模型
Figure BDA0003020807880000011
Figure BDA0003020807880000012
Figure BDA0003020807880000021
Figure BDA0003020807880000022
Figure BDA0003020807880000023
Figure BDA0003020807880000024
所述的运动学模型由七个状态量
Figure BDA0003020807880000025
和两个控制输入U＝[δe,Φ]T组成；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，η和
Figure BDA0003020807880000026
表示弹性模态，δe表示舵偏角，Φ表示节流阀开度；m、Iyy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；ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力；
力、力矩以及各系数的表达式为
Figure BDA0003020807880000027
其中，
Figure BDA0003020807880000028
表示动压，S表示气动参考面积，
Figure BDA0003020807880000029
表示平均气动弦长，zT表示推力力矩臂，
Figure BDA00030208078800000210
Figure BDA00030208078800000211
和
Figure BDA00030208078800000212
均表示气动参数；
步骤2：定义高度跟踪误差为eh＝h-hd，设计航迹角指令γd为
Figure BDA00030208078800000213
式中，hd表示高度参考指令，
Figure BDA0003020807880000031
表示高度参考指令的一阶微分，kh>0和ki>0为设计参数；
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分
Figure BDA0003020807880000032
为
Figure BDA0003020807880000033
式中，
Figure BDA0003020807880000034
表示高度参考指令的二阶微分；
步骤3：取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ表示俯仰角，姿态子系统(3)-(6)写为
Figure BDA0003020807880000035
式中，
Figure BDA0003020807880000036
Figure BDA0003020807880000037
定义ρ＝1/ω2，ρσ＝η和ρB3＝β1，姿态子系统(9)写为以下形式
Figure BDA0003020807880000038
设置ρ＝0，姿态子系统(11)写为
Figure BDA0003020807880000039
式中，‘s’表示慢变子系统，δes表示慢变子系统的舵偏角；
可得姿态慢变子系统为
Figure BDA0003020807880000041
进一步写为以下严格反馈形式
Figure BDA0003020807880000042
式中，fi，i＝1,3表示由式(14)得到的未知平滑非线性函数，满足
Figure BDA0003020807880000043
其中
Figure BDA0003020807880000044
是已知函数；gi，i＝1,3表示由式(14)得到的已知非线性函数；
步骤4：定义快变变量ψ1＝σ-σs和
Figure BDA0003020807880000045
新的时间尺度
Figure BDA0003020807880000046
则快变子系统可进一步写为
Figure BDA0003020807880000047
式中，δef＝δe-δes表示快变子系统的舵偏角；
可将快变子系统(15)写为以下形式
Figure BDA0003020807880000048
步骤5：设计飞行状态监测函数
Figure BDA0003020807880000049
为
Figure BDA00030208078800000410
其中，
Figure BDA0003020807880000051
式中，λk2＞λk1＞0，k＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界，由设计者给定，b＞0和τk＞0为设计参数；
步骤6：定义航迹角跟踪误差e1为
e1＝x1s-γd (19)设计俯仰角虚拟控制量
Figure BDA0003020807880000052
为
Figure BDA0003020807880000053
式中，
Figure BDA0003020807880000054
z1＝e1-χ1为补偿后的跟踪误差，χ1为误差补偿信号由式(24)给出，
Figure BDA0003020807880000055
表示由式(17)-(18)设计的状态监测函数，k1＞0，l1＞0和0＜υ＜1为设计参数；设计自适应神经网络控制
Figure BDA0003020807880000056
和鲁棒控制
Figure BDA0003020807880000057
为
Figure BDA0003020807880000058
Figure BDA0003020807880000059
式中，
Figure BDA00030208078800000510
表示f1的估计值，
Figure BDA00030208078800000511
表示神经网络最优权重向量的估计值，
Figure BDA00030208078800000512
表示神经网络基函数向量，
Figure BDA00030208078800000513
为设计参数；
设计一阶微分器为
Figure BDA00030208078800000514
式中，
Figure BDA00030208078800000515
Figure BDA00030208078800000516
表示
Figure BDA00030208078800000517
通过式(23)所表达的微分器后获得的信号，
Figure BDA00030208078800000518
为滤波后得到的信号
Figure BDA00030208078800000519
的一阶微分，γ1,1＞0和γ1,2＞0为设计参数；
定义误差补偿信号χ1为
Figure BDA0003020807880000061
式中，q1＞0为设计参数，χ2为误差补偿信号由式(24)给出；
定义预测误差z1N为
Figure BDA0003020807880000062
式中，
Figure BDA0003020807880000063
B1＞0，L1＞0和
Figure BDA0003020807880000064
为设计参数；
设计自适应律
Figure BDA0003020807880000065
为
Figure BDA0003020807880000066
式中，γ1＞0，γz1＞0和
Figure BDA0003020807880000067
为设计参数；
定义俯仰角跟踪误差e2为
Figure BDA0003020807880000068
设计俯仰角速率虚拟控制量
Figure BDA0003020807880000069
为
Figure BDA00030208078800000610
式中，sigυ(z2)＝|z2|υsign(z2)，z2＝e2-χ2为补偿后的跟踪误差，k2＞0和l2＞0为设计参数；
设计一阶微分器为
Figure BDA00030208078800000611
式中，
Figure BDA00030208078800000612
Figure BDA00030208078800000613
表示
Figure BDA00030208078800000614
通过式(29)所表达的微分器后获得的信号，
Figure BDA00030208078800000615
为滤波后得到的信号
Figure BDA00030208078800000616
的一阶微分，γ2,1＞0和γ2,2＞0为设计参数；
定义误差补偿信号χ2为
Figure BDA0003020807880000071
式中，q2＞0为设计参数，χ3为误差补偿信号由式(35)给出；
定义俯仰角速率跟踪误差e3为
Figure BDA0003020807880000072
设计慢变子系统的舵偏角δes为
Figure BDA0003020807880000073
式中，sigυ(z3)＝|z3|υsign(z3)，z3＝e3-χ3为补偿后的跟踪误差，
Figure BDA0003020807880000074
表示由式(20)-(21)设计的状态监测函数，k3＞0和l3＞0为设计参数。设计自适应神经网络控制
Figure BDA0003020807880000075
和鲁棒控制
Figure BDA0003020807880000076
为
Figure BDA0003020807880000077
Figure BDA0003020807880000078
式中，
Figure BDA0003020807880000079
表示f3的估计值，
Figure BDA00030208078800000710
表示神经网络最优权重向量的估计值，
Figure BDA00030208078800000711
表示神经网络基函数向量，
Figure BDA00030208078800000712
为设计参数；
定义误差补偿信号χ3为
Figure BDA00030208078800000713
式中，q3＞0为设计参数；
定义预测误差z3N为
Figure BDA00030208078800000714
式中，
Figure BDA00030208078800000715
B3＞0，L3＞0和
Figure BDA00030208078800000716
为设计参数；
设计自适应律
Figure BDA00030208078800000717
为
Figure BDA00030208078800000718
式中，γ3＞0，γz3＞0和
Figure BDA0003020807880000081
为设计参数；
步骤7：定义滑模面es为
es＝ψ1+csψ2 (38)式中，cs＞0为设计参数；
设计快变子系统的舵偏角δef为
Figure BDA0003020807880000082
式中，sig(es)υ＝|es|υsign(es)，ks1＞0和ks2＞0为设计参数；
步骤8：定义速度跟踪误差
Figure BDA0003020807880000085
为
Figure BDA0003020807880000083
式中，Vd为速度参考指令；
设计节流阀开度Φ为
Figure BDA0003020807880000084
式中，kpV＞0，kiV＞0和kdV＞0为设计参数；
步骤9：根据得到的慢变子系统舵偏角δes和快变子系统舵偏角δef，得到姿态子系统舵偏角δe＝δes+δef，结合速度子系统节流阀开度Φ，返回到弹性飞行器纵向通道动力学模型(1)-(6)，对高度和速度进行跟踪控制。
一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提出的一种基于时标分解的弹性体飞行器全局有限时间控制方法。该方法首先基于奇异摄动理论将刚弹耦合飞行动力学转换为刚体慢变子系统和弹性快变子系统。然后针对刚体子系统设计了基于监测机制的全局有限时间控制方法，当飞行状态在智能工作域时构建有限时间复合学习策略，当偏离智能工作域时构建有限时间鲁棒控制策略，针对弹性子系统设计了有限时间滑模控制方法。该控制方案实现了系统自适应动态调整和鲁棒跟踪，保证了弹性模态的快速稳定收敛，对弹性体飞行器安全可靠飞行具有重要意义。
本发明与现有技术相比有益效果为：
(1)本发明给出了基于飞行状态监测机制的全局有限时间控制方法，通过智能逼近和鲁棒补偿的协同策略保障智能系统的有效估计，实现了飞行指令的全局跟踪。
(2)本发明通过将有限时间项引入到表征系统不确定逼近效果的预测误差构建，对未知系统动力学进行鲁棒有限时间估计，保证了不确定的快速有效学习。
(3)本发明考虑弹性模态的快速变化特性，设计了基于滑模面的鲁棒有限时间控制策略，从机理上保证了弹性模态的快速稳定收敛。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1本发明方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1，本发明一种基于时标分解的弹性体飞行器全局有限时间控制方法。具体步骤如下：
(a)考虑弹性飞行器纵向通道动力学模型
Figure BDA0003020807880000101
Figure BDA0003020807880000102
Figure BDA0003020807880000103
Figure BDA0003020807880000104
Figure BDA0003020807880000105
Figure BDA0003020807880000106
所述的运动学模型由七个状态量
Figure BDA0003020807880000107
和两个控制输入U＝[δe,Φ]T组成；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，η和
Figure BDA0003020807880000109
表示弹性模态，δe表示舵偏角，Φ表示节流阀开度；m、Iyy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；ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力。
力、力矩以及各系数的表达式为
Figure BDA0003020807880000108
其中，
Figure BDA0003020807880000111
表示动压，S表示气动参考面积，
Figure BDA0003020807880000112
表示平均气动弦长，zT表示推力力矩臂，
Figure BDA0003020807880000113
Figure BDA0003020807880000114
Figure BDA0003020807880000115
Figure BDA0003020807880000116
Figure BDA0003020807880000117
和
Figure BDA0003020807880000118
均表示气动参数。
(b)定义高度跟踪误差为eh＝h-hd，设计航迹角指令γd为
Figure BDA0003020807880000119
式中，hd表示高度参考指令，
Figure BDA00030208078800001110
表示高度参考指令的一阶微分，kh＝0.5和ki＝0.1。
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分
Figure BDA00030208078800001111
为
Figure BDA00030208078800001112
式中，
Figure BDA00030208078800001113
表示高度参考指令的二阶微分。
(c)取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ表示俯仰角，姿态子系统(3)-(6)写为
Figure BDA00030208078800001114
式中，
Figure BDA00030208078800001115
Figure BDA00030208078800001116
定义ρ＝1/ω2，ρσ＝η和ρB3＝β1，姿态子系统(9)写为以下形式
Figure BDA00030208078800001117
设置ρ＝0，姿态子系统(11)写为
Figure BDA0003020807880000121
式中，‘s’表示慢变子系统，δes表示慢变子系统的舵偏角。
可得姿态慢变子系统为
Figure BDA0003020807880000122
进一步写为以下严格反馈形式
Figure BDA0003020807880000123
式中，
Figure BDA0003020807880000124
Figure BDA0003020807880000125
(d)定义快变变量ψ1＝σ-σs和
Figure BDA0003020807880000126
新的时间尺度
Figure BDA0003020807880000127
则快变子系统可进一步写为
Figure BDA0003020807880000128
式中，δef＝δe-δes表示快变子系统的舵偏角。
可将快变子系统(15)写为以下形式
Figure BDA0003020807880000129
(e)设计飞行状态监测函数
Figure BDA0003020807880000131
为
Figure BDA0003020807880000132
其中，
Figure BDA0003020807880000133
式中，λk1＝0.55，λk2＝1，k＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界，b＝2和τk＝1。
(f)定义航迹角跟踪误差e1为
e1＝x1s-γd (19)
设计俯仰角虚拟控制量
Figure BDA0003020807880000134
为
Figure BDA0003020807880000135
式中，sigυ(z1)＝|z1|υsign(z1)，z1＝e1-χ1为补偿后的跟踪误差，χ1为误差补偿信号由式(24)给出，
Figure BDA0003020807880000136
表示由式(17)-(18)设计的监测函数，k1＝2，l1＝3和υ＝0.3。设计自适应神经网络控制
Figure BDA0003020807880000137
和鲁棒控制
Figure BDA0003020807880000138
为
Figure BDA0003020807880000139
Figure BDA00030208078800001310
式中，
Figure BDA00030208078800001311
表示f1的估计值，
Figure BDA00030208078800001312
表示神经网络最优权重向量的估计值，
Figure BDA00030208078800001313
表示神经网络基函数向量，
Figure BDA00030208078800001314
设计一阶微分器为
Figure BDA0003020807880000141
式中，
Figure BDA0003020807880000142
Figure BDA0003020807880000143
表示
Figure BDA0003020807880000144
通过式(23)所表达的微分器后获得的信号，
Figure BDA0003020807880000145
为滤波后得到的信号
Figure BDA0003020807880000146
的一阶微分，γ1,1＝300和γ1,2＝10。
定义误差补偿信号χ1为
Figure BDA0003020807880000147
式中，q1＝1，χ2为误差补偿信号由式(24)给出。
定义预测误差z1N为
Figure BDA0003020807880000148
式中，
Figure BDA0003020807880000149
B1＝5，L1＝0.5和
Figure BDA00030208078800001410
设计自适应律
Figure BDA00030208078800001411
为
Figure BDA00030208078800001412
式中，γ1＝1，γz1＝1和
Figure BDA00030208078800001413
为设计参数。
定义俯仰角跟踪误差e2为
Figure BDA00030208078800001414
设计俯仰角速率虚拟控制量
Figure BDA00030208078800001415
为
Figure BDA00030208078800001416
式中，sigυ(z2)＝|z2|υsign(z2)，z2＝e2-χ2为补偿后的跟踪误差，k2＝3和l2＝3。
设计一阶微分器为
Figure BDA00030208078800001417
式中，
Figure BDA0003020807880000151
Figure BDA0003020807880000152
表示
Figure BDA0003020807880000153
通过式(29)所表达的微分器后获得的信号，
Figure BDA0003020807880000154
为滤波后得到的信号
Figure BDA0003020807880000155
的一阶微分，γ2,1＝300和γ2,2＝10。
定义误差补偿信号χ2为
Figure BDA0003020807880000156
式中，q2＝1，χ3为误差补偿信号由式(35)给出。
定义俯仰角速率跟踪误差e3为
Figure BDA0003020807880000157
设计慢变子系统的舵偏角δes为
Figure BDA0003020807880000158
式中，sigυ(z3)＝|z3|υsign(z3)，z3＝e3-χ3为补偿后的跟踪误差，
Figure BDA0003020807880000159
表示由式(20)-(21)设计的监测函数，k3＝3和l3＝4。设计自适应神经网络控制
Figure BDA00030208078800001510
和鲁棒控制
Figure BDA00030208078800001511
为
Figure BDA00030208078800001512
Figure BDA00030208078800001513
式中，
Figure BDA00030208078800001514
表示f3的估计值，
Figure BDA00030208078800001515
表示神经网络最优权重向量的估计值，
Figure BDA00030208078800001516
表示神经网络基函数向量，
Figure BDA00030208078800001517
定义误差补偿信号χ3为
Figure BDA00030208078800001518
式中，q3＝1。
定义预测误差z3N为
Figure BDA00030208078800001519
式中，
Figure BDA00030208078800001520
B3＝5，L3＝0.5和
Figure BDA00030208078800001521
设计自适应律
Figure BDA00030208078800001522
为
Figure BDA0003020807880000161
式中，γ3＝1，γz3＝1和
Figure BDA0003020807880000162
(g)定义滑模面es为
es＝ψ1+csψ2 (38)
式中，cs＝1。
设计快变子系统的舵偏角δef为
Figure BDA0003020807880000163
式中，sig(es)υ＝|es|υsign(es)，ks1＝1.5和ks2＝1。
(h)定义速度跟踪误差
Figure BDA0003020807880000166
为
Figure BDA0003020807880000164
式中，Vd为速度参考指令。
设计节流阀开度Φ为
Figure BDA0003020807880000165
式中，kpV＝5，kiV＝0.001和kdV＝0.001。
(i)根据得到的慢变子系统舵偏角δes和快变子系统舵偏角δef，得到姿态子系统舵偏角δe＝δes+δef，结合速度子系统节流阀开度Φ，返回到弹性飞行器纵向通道动力学模型(1)-(6)，对高度和速度进行跟踪控制。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (3)

1.一种基于时标分解的弹性体飞行器全局有限时间控制方法，其特征在于步骤如下：
步骤1：考虑弹性飞行器纵向通道动力学模型
Figure FDA0003887854120000011
Figure FDA0003887854120000012
Figure FDA0003887854120000013
Figure FDA0003887854120000014
Figure FDA0003887854120000015
Figure FDA0003887854120000016
所述的动力学模型由七个状态量
Figure FDA0003887854120000017
和两个控制输入U＝[δe,Φ]T组成；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，η和
Figure FDA0003887854120000018
表示弹性模态，δe表示舵偏角，Φ表示节流阀开度；m、Iyy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；ζ、ω和N分别表示弹性模态的阻尼比、自然振动频率和广义力；
力、力矩以及各系数的表达式为
Figure FDA0003887854120000019
其中，
Figure FDA00038878541200000110
表示动压，S表示气动参考面积，
Figure FDA00038878541200000111
表示平均气动弦长，zT表示推力力矩臂，
Figure FDA00038878541200000112
Figure FDA0003887854120000021
和
Figure FDA0003887854120000022
均表示气动参数；
步骤2：定义高度跟踪误差为eh＝h-hd，设计航迹角指令γd为
Figure FDA0003887854120000023
式中，hd表示高度参考指令，
Figure FDA0003887854120000024
表示高度参考指令的一阶微分，kh>0和ki>0为设计参数；
根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分
Figure FDA0003887854120000025
为
Figure FDA0003887854120000026
式中，
Figure FDA0003887854120000027
表示高度参考指令的二阶微分；
步骤3：取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ表示俯仰角，姿态子系统(3)-(6)写为
Figure FDA0003887854120000028
式中，
Figure FDA0003887854120000029
Figure FDA00038878541200000210
定义ρ＝1/ω2，ρσ＝η和
Figure FDA00038878541200000212
姿态子系统(10)写为以下形式
Figure FDA00038878541200000211
设置ρ＝0，姿态子系统(11)写为
Figure FDA0003887854120000031
式中，下标s表示慢变子系统，δes表示慢变子系统的舵偏角；
可得姿态慢变子系统为
Figure FDA0003887854120000032
进一步写为以下严格反馈形式
Figure FDA0003887854120000033
式中，fi，i＝1,3表示由式(13)得到的未知平滑非线性函数，满足
Figure FDA0003887854120000034
其中
Figure FDA0003887854120000035
是已知函数；gi，i＝1,3表示由式(14)得到的已知非线性函数；
步骤4：定义快变变量ψ1＝σ-σs和
Figure FDA0003887854120000036
新的时间尺度
Figure FDA0003887854120000037
则快变子系统可进一步写为
Figure FDA0003887854120000038
式中，δef＝δe-δes表示快变子系统的舵偏角；
可将快变子系统(15)写为以下形式
Figure FDA0003887854120000039
步骤5：设计飞行状态监测函数
Figure FDA00038878541200000310
为
Figure FDA00038878541200000311
式中，xks，i＝1,3表示飞行状态量；
其中，
Figure FDA0003887854120000041
式中，λk2＞λk1＞0，k＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界，由设计者给定，b＞0和τk＞0为设计参数；
步骤6：定义航迹角跟踪误差e1为
e1＝x1s-γd (19)
设计俯仰角虚拟控制量
Figure FDA0003887854120000042
为
Figure FDA0003887854120000043
式中，
Figure FDA0003887854120000044
z1＝e1-χ1为补偿后的跟踪误差，χ1为误差补偿信号由式(24)给出，
Figure FDA0003887854120000045
表示由式(17)-(18)设计的状态监测函数，k1＞0，l1＞0和0＜υ＜1为设计参数；设计自适应神经网络控制
Figure FDA0003887854120000046
和鲁棒控制
Figure FDA0003887854120000047
为
Figure FDA0003887854120000048
Figure FDA0003887854120000049
式中，
Figure FDA00038878541200000410
表示f1的估计值，
Figure FDA00038878541200000411
表示神经网络最优权重向量的估计值，
Figure FDA00038878541200000412
表示神经网络基函数向量，
Figure FDA00038878541200000413
为设计参数；
设计一阶微分器为
Figure FDA00038878541200000414
式中，
Figure FDA0003887854120000051
Figure FDA0003887854120000052
表示
Figure FDA0003887854120000053
通过式(23)所表达的微分器后获得的信号，
Figure FDA0003887854120000054
为滤波后得到的信号
Figure FDA0003887854120000055
的一阶微分，γ1,1＞0和γ1,2＞0为设计参数；
定义误差补偿信号χ1为
Figure FDA0003887854120000056
式中，q1＞0为设计参数，χ2为误差补偿信号由式(24)给出；
定义预测误差z1N为
Figure FDA0003887854120000057
式中，
Figure FDA0003887854120000058
B1＞0，L1＞0和
Figure FDA0003887854120000059
为设计参数；
设计自适应律
Figure FDA00038878541200000510
为
Figure FDA00038878541200000511
式中，γ1＞0，γz1＞0和
Figure FDA00038878541200000512
为设计参数；
定义俯仰角跟踪误差e2为
Figure FDA00038878541200000513
设计俯仰角速率虚拟控制量
Figure FDA00038878541200000514
为
Figure FDA00038878541200000515
式中，sigυ(z2)＝|z2|υsign(z2)，z2＝e2-χ2为补偿后的跟踪误差，k2＞0和l2＞0为设计参数；
设计一阶微分器为
Figure FDA00038878541200000516
式中，
Figure FDA00038878541200000517
Figure FDA00038878541200000518
表示
Figure FDA00038878541200000519
通过式(29)所表达的微分器后获得的信号，
Figure FDA00038878541200000520
为滤波后得到的信号
Figure FDA00038878541200000521
的一阶微分，γ2,1＞0和γ2,2＞0为设计参数；
定义误差补偿信号χ2为
Figure FDA0003887854120000061
式中，q2＞0为设计参数，χ3为误差补偿信号由式(35)给出；
定义俯仰角速率跟踪误差e3为
Figure FDA0003887854120000062
设计慢变子系统的舵偏角δes为
Figure FDA0003887854120000063
式中，sigυ(z3)＝|z3|υsign(z3)，z3＝e3-χ3为补偿后的跟踪误差，
Figure FDA0003887854120000064
表示由式(20)-(21)设计的状态监测函数，k3＞0和l3＞0为设计参数；设计自适应神经网络控制
Figure FDA0003887854120000065
和鲁棒控制
Figure FDA0003887854120000066
为
Figure FDA0003887854120000067
Figure FDA0003887854120000068
式中，
Figure FDA0003887854120000069
表示f3的估计值，
Figure FDA00038878541200000610
表示神经网络最优权重向量的估计值，
Figure FDA00038878541200000611
表示神经网络基函数向量，
Figure FDA00038878541200000612
为设计参数；
定义误差补偿信号χ3为
Figure FDA00038878541200000613
式中，q3＞0为设计参数；
定义预测误差z3N为
Figure FDA00038878541200000614
式中，
Figure FDA00038878541200000615
B3＞0，L3＞0和
Figure FDA00038878541200000616
为设计参数；
设计自适应律
Figure FDA00038878541200000617
为
Figure FDA00038878541200000618
式中，γ3＞0，γz3＞0和
Figure FDA0003887854120000071
为设计参数；
步骤7：定义滑模面es为
es＝ψ1+csψ2 (38)
式中，cs＞0为设计参数；
设计快变子系统的舵偏角δef为
Figure FDA0003887854120000072
式中，sig(es)υ＝|es|υsign(es)，ks1＞0和ks2＞0为设计参数；
步骤8：定义速度跟踪误差
Figure FDA0003887854120000073
为
Figure FDA0003887854120000074
式中，Vd为速度参考指令；
设计节流阀开度Φ为
Figure FDA0003887854120000075
式中，kpV＞0，kiV＞0和kdV＞0为设计参数；
步骤9：根据得到的慢变子系统舵偏角δes和快变子系统舵偏角δef，得到姿态子系统舵偏角δe＝δes+δef，结合速度子系统节流阀开度Φ，返回到弹性飞行器纵向通道动力学模型(1)-(6)，对高度和速度进行跟踪控制。
2.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
3.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202110402166.6A 2021-04-14 2021-04-14 基于时标分解的弹性体飞行器全局有限时间控制方法 Active CN113110540B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110402166.6A CN113110540B (zh) 2021-04-14 2021-04-14 基于时标分解的弹性体飞行器全局有限时间控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110402166.6A CN113110540B (zh) 2021-04-14 2021-04-14 基于时标分解的弹性体飞行器全局有限时间控制方法

Publications (2)

Publication Number Publication Date
CN113110540A CN113110540A (zh) 2021-07-13
CN113110540B true CN113110540B (zh) 2023-01-13

Family

ID=76717228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110402166.6A Active CN113110540B (zh) 2021-04-14 2021-04-14 基于时标分解的弹性体飞行器全局有限时间控制方法

Country Status (1)

Country Link
CN (1) CN113110540B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859950B (zh) * 2022-04-17 2024-05-10 西北工业大学 考虑控制死区的弹性飞行器智能控制方法
CN114779636B (zh) * 2022-04-17 2023-08-01 西北工业大学 考虑气动伺服弹性的飞行器鲁棒自适应控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108303889A (zh) * 2018-02-07 2018-07-20 中国航空工业集团公司西安飞机设计研究所 一种基于非线性信息的时标分离飞行器弹性体控制方法
CN108333939A (zh) * 2018-02-07 2018-07-27 中国航空工业集团公司西安飞机设计研究所 一种基于神经网络的时标分离飞行器弹性体智能控制方法
CN108828957A (zh) * 2018-08-20 2018-11-16 西北工业大学 基于切换机制的飞行器全局有限时间神经网络控制方法
CN108897227A (zh) * 2018-08-20 2018-11-27 西北工业大学 非线性严格反馈系统全局有限时间神经网络控制方法
WO2019055025A1 (en) * 2017-09-15 2019-03-21 Sanyal Amit K INTEGRATED GUIDE AND FEEDBACK CONTROL FOR AUTONOMOUS VEHICLE
CN110456642A (zh) * 2019-07-24 2019-11-15 西北工业大学 基于奇异摄动分析的弹性飞行器鲁棒有限时间控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019055025A1 (en) * 2017-09-15 2019-03-21 Sanyal Amit K INTEGRATED GUIDE AND FEEDBACK CONTROL FOR AUTONOMOUS VEHICLE
CN108303889A (zh) * 2018-02-07 2018-07-20 中国航空工业集团公司西安飞机设计研究所 一种基于非线性信息的时标分离飞行器弹性体控制方法
CN108333939A (zh) * 2018-02-07 2018-07-27 中国航空工业集团公司西安飞机设计研究所 一种基于神经网络的时标分离飞行器弹性体智能控制方法
CN108828957A (zh) * 2018-08-20 2018-11-16 西北工业大学 基于切换机制的飞行器全局有限时间神经网络控制方法
CN108897227A (zh) * 2018-08-20 2018-11-27 西北工业大学 非线性严格反馈系统全局有限时间神经网络控制方法
CN110456642A (zh) * 2019-07-24 2019-11-15 西北工业大学 基于奇异摄动分析的弹性飞行器鲁棒有限时间控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时标分解的弹性高超声速飞行器智能控制;许斌等;《航空学报》;20201125;第41卷(第11期);第624387-1~624387-10页 *

Also Published As

Publication number Publication date
CN113110540A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
Calise et al. Direct adaptive reconfigurable control of a tailless fighter aircraft
CN113110540B (zh) 基于时标分解的弹性体飞行器全局有限时间控制方法
CN102749851B (zh) 一种挠性高超声速飞行器的精细抗干扰跟踪控制器
CN111665857B (zh) 基于复合智能学习的变体飞行器控制方法
CN110320807B (zh) 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法
CN108333939B (zh) 一种基于神经网络的时标分离飞行器弹性体智能控制方法
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
CN107065569B (zh) 基于rbf神经网络补偿的船舶动力定位滑模控制系统及方法
CN102880052A (zh) 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN108663940A (zh) 基于集总复合估计的飞行器神经网络学习控制方法
CN110456643A (zh) 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法
CN108303889B (zh) 一种基于非线性信息的时标分离飞行器弹性体控制方法
CN110320794A (zh) 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法
CN110488854B (zh) 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法
Jiffri et al. Feedback linearisation for nonlinear vibration problems
CN108415247B (zh) 一种基于标称信息的时标分离飞行器弹性体鲁棒控制方法
CN112305917A (zh) 充液航天器的固定时间终端滑模鲁棒容错控制方法及装置
CN116088549B (zh) 一种尾座式垂直起降无人机姿态控制方法
CN116360255A (zh) 一种非线性参数化高超声速飞行器的自适应调节控制方法
CN114153144B (zh) 一种输入受限和输入扰动的弹性高超声速飞行器控制方法
CN115981149A (zh) 基于安全强化学习的高超声速飞行器最优控制方法
Ouellette et al. Generation and Calibration of Linear Models of Aircraft with Highly Coupled Aeroelastic and Flight Dynamics
CN114859950B (zh) 考虑控制死区的弹性飞行器智能控制方法
CN114779636B (zh) 考虑气动伺服弹性的飞行器鲁棒自适应控制方法
CN114036628A (zh) 变体飞行器翼展与控制策略协同设计方法

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