CN114035594B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114035594B
CN114035594B CN202111180455.2A CN202111180455A CN114035594B CN 114035594 B CN114035594 B CN 114035594B CN 202111180455 A CN202111180455 A CN 202111180455A CN 114035594 B CN114035594 B CN 114035594B
Authority
CN
China
Prior art keywords
neural network
representing
equation
aircraft system
aircraft
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
CN202111180455.2A
Other languages
English (en)
Other versions
CN114035594A (zh
Inventor
赵志甲
张健
邹涛
李致富
马鸽
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.)
Guangzhou University
Original Assignee
Guangzhou University
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 Guangzhou University filed Critical Guangzhou University
Priority to CN202111180455.2A priority Critical patent/CN114035594B/zh
Publication of CN114035594A publication Critical patent/CN114035594A/zh
Application granted granted Critical
Publication of CN114035594B publication Critical patent/CN114035594B/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
    • G05D1/08—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
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • 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

Abstract

本发明公开了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，方法包括：根据类间隙滞后的输出，建立飞行器系统的非线性模型；根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；构建李亚普诺夫方程；根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。本发明的精确度高且稳定性高，可广泛应用于飞行器控制技术领域。

Description

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
技术领域
本发明涉及飞行器控制技术领域，尤其是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。
背景技术
随着科技的不断发展，无人机技术引起了广泛关注。直升机是一种典型的无人机。其中，直升机具有垂直起降、机动灵活、体积小、起飞环境要求低、低空飞行等优点，引起越来越多研究人员的关注，并已在许多领域得到了成功应用。但因其模型系统复杂难以建立，且具有非线性、欠驱动性、强耦合性、静不稳定性等特点，以及其在飞行过程中不可避免要受到外界干扰的影响，这都为其控制器的分析和设计增加了难度。
为了能稳定的控制直升机系统，科研人员提出了许多控制方法，其中包括LQR控制，模糊控制以及滑模控制等。在LQR控制方法中，主要是针对直升机的线性模型，而这一类线性模型是将直升机的非线性系统线性化，这将会导致直升机系统在实际应用中缺失稳定性。在模糊控制和滑模控制中，大部分斗志应用在直升机的非线性系统中，但是在实际系统中，直升机系统模型的参数是未知的，这就使得所提出的控制方法具有局限性。同时，在直升机系统中，还会因为各种约束以及滞后产生误差，这些都会影响系统的性能，甚至会导致系统的不稳定。
发明内容
有鉴于此，本发明实施例提供一种精确度高且稳定性高的，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。
本发明的一方面提供了一种对受到类间隙滞后和输出约束的飞行器的控制方法，包括：
根据类间隙滞后的输出，建立飞行器系统的非线性模型；
根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；
构建李亚普诺夫方程；
根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；
当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。
可选地，所述根据类间隙滞后的输出，建立飞行器系统的非线性模型，包括：
根据拉格朗日力学模型，构建所述飞行器系统的非线性动力学方程；
根据非线性的滞后类型，确定类间隙滞后的输出；
根据所述非线性动力学方程和类间隙滞后的输出，确定非线性系统方程；
根据所述非线性系统方程，建立飞行器系统的非线性模型。
可选地，所述根据所述非线性模型，构建所述飞行器系统的控制器和自适应律，包括：
根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器；
根据所述控制器构建自适应律；
其中，所述控制器的表达式为：
Figure BDA0003297032220000021
其中，u代表系统控制器；G-1代表系统参数的逆矩阵；K2是一个常数；z11、z12是角度误差项；q1、q2是输出限制的数值；
Figure BDA0003297032220000022
是径向基神经网络估计的权重的转秩；O(X)是径向基神经网络的激活函数；/>
Figure BDA0003297032220000023
是双曲正切神经网络估计权重；b1是一个常数；/>
Figure BDA0003297032220000024
表示双曲正切神经网络的激活函数；
所述自适应律的表达式为：
Figure BDA0003297032220000025
Figure BDA0003297032220000026
其中，
Figure BDA00032970322200000220
和/>
Figure BDA0003297032220000027
分别是径向基神经网络和双曲正切神经网络的学习律；/>
Figure BDA0003297032220000028
和/>
Figure BDA0003297032220000029
是自适应律；O(X)是径向基神经网络的激活函数；/>
Figure BDA00032970322200000210
表示双曲正切神经网络的激活函数；ηw和/>
Figure BDA00032970322200000221
是提高稳定性的正常数；/>
Figure BDA00032970322200000211
是径向基神经网络估计的权重；/>
Figure BDA00032970322200000212
是双曲正切神经网络的估计权重；/>
Figure BDA00032970322200000213
表示第二个误差变量的转秩。
可选地，所述构建李亚普诺夫方程这一步骤中的李亚普诺夫方程的表达式为：
Figure BDA00032970322200000214
V3代表系统最终构建的李雅普诺夫方程；V1代表的是屏障李雅普诺夫函数；V2表示针对第二个误差构建的李雅普诺夫方程；
Figure BDA00032970322200000215
表示的是Pd＝diag[pd1,pd2,…,pdn]的逆矩阵；/>
Figure BDA00032970322200000216
表示的是矩阵/>
Figure BDA00032970322200000217
的迹；/>
Figure BDA00032970322200000218
表示的是矩阵/>
Figure BDA00032970322200000219
的迹；/>
Figure BDA0003297032220000031
是径向基神经网络权重误差的转秩；/>
Figure BDA0003297032220000036
是径向基神经网络学习律的逆矩阵；/>
Figure BDA0003297032220000032
是径向基神经网络权重误差；/>
Figure BDA0003297032220000033
是双曲正切神经网络权重误差的转秩；/>
Figure BDA0003297032220000034
表示双曲正切神经网络的学习律的逆矩阵；/>
Figure BDA0003297032220000035
是双曲正切神经网络的权重误差。
可选地，所述根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性，包括：
将所述李亚普诺夫方程的输出对时间进行一阶求导，得到一阶导数；
根据杨氏不等式对所述一阶导数进行处理，得到目标不等式关系；
根据所述目标不等式关系对所述一阶导数进行求解；
根据所述一阶导数的值与预设目标阈值之间的大小关系，判定所述飞行器系统的稳定性。
本发明实施例提供了一种对受到类间隙滞后和输出约束的飞行器的控制装置，包括：
第一模块，用于根据类间隙滞后的输出，建立飞行器系统的非线性模型；
第二模块，用于根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；
第三模块，用于构建李亚普诺夫方程；
第四模块，用于根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；
第五模块，用于当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。
本发明实施例提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
本发明的实施例根据类间隙滞后的输出，建立飞行器系统的非线性模型；根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；构建李亚普诺夫方程；根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。本发明实施例精确度高且稳定性高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的2-DOF直升机的模型简图；
图2为本发明针对2-DOF直升机未知系统的未知类间隙滞后和输出约束的自适应神经网络控制方法的实施流程图；
图3为本发明实施例提供的2-DOF直升机俯仰角的角度跟踪期望角度的轨迹图；
图4为本发明实施例提供的2-DOF直升机偏航角的角度跟踪期望角度的轨迹图；
图5为本发明实施例提供的2-DOF直升机俯仰角的角速度跟踪期望角度的轨迹图；
图6为本发明实施例提供的2-DOF直升机偏航角的角速度跟踪期望角度的轨迹图；
图7为本发明实施例提供的2-DOF直升机角度误差轨迹跟踪响应图；
图8为本发明实施例提供的2-DOF直升机系统的输入电压示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
针对现有技术存在的问题，本发明实施例提供了一种对受到类间隙滞后和输出约束的飞行器的控制方法，包括：
根据类间隙滞后的输出，建立飞行器系统的非线性模型；
根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；
构建李亚普诺夫方程；
根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；
当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。
可选地，所述根据类间隙滞后的输出，建立飞行器系统的非线性模型，包括：
根据拉格朗日力学模型，构建所述飞行器系统的非线性动力学方程；
根据非线性的滞后类型，确定类间隙滞后的输出；
根据所述非线性动力学方程和类间隙滞后的输出，确定非线性系统方程；
根据所述非线性系统方程，建立飞行器系统的非线性模型。
可选地，所述根据所述非线性模型，构建所述飞行器系统的控制器和自适应律，包括：
根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器；
根据所述控制器构建自适应律；
其中，所述控制器的表达式为：
Figure BDA0003297032220000051
其中，u代表系统控制器；G-1代表系统参数逆矩阵；K2是一个常数；z11、z12是角度误差项；q1、q2是输出限制的数值；
Figure BDA0003297032220000052
是径向基神经网络估计的权重的转秩；O(X)是径向基神经网络的激活函数；/>
Figure BDA0003297032220000053
是双曲正切神经网络的估计权重；b1是一个常数；/>
Figure BDA0003297032220000054
表示双曲正切神经网络的激活函数；
所述自适应律的表达式为：
Figure BDA0003297032220000055
Figure BDA0003297032220000056
其中，
Figure BDA0003297032220000057
和/>
Figure BDA0003297032220000058
分别是径向基神经网络和双曲正切神经网络的学习律；/>
Figure BDA0003297032220000059
和/>
Figure BDA00032970322200000510
是自适应律；O(X)是径向基神经网络的激活函数；/>
Figure BDA00032970322200000511
表示双曲正切神经网络的激活函数；ηw和/>
Figure BDA00032970322200000527
是提高稳定性的正常数；/>
Figure BDA00032970322200000512
是径向基神经网络估计的权重；/>
Figure BDA00032970322200000513
是双曲正切神经网络的估计权重；/>
Figure BDA00032970322200000514
表示第二个误差变量的转秩。
可选地，所述构建李亚普诺夫方程这一步骤中的李亚普诺夫方程的表达式为：
Figure BDA00032970322200000515
其中，V3代表系统最终构建的李雅普诺夫方程；V1代表的是屏障李雅普诺夫函数；V2表示针对第二个误差构建的李雅普诺夫方程；z2表示的是第二个误差变量；
Figure BDA00032970322200000516
表示的是Pd＝diag[pd1,pd2,…,pdn]的逆矩阵；/>
Figure BDA00032970322200000517
表示的是矩阵/>
Figure BDA00032970322200000518
的迹；
Figure BDA00032970322200000519
表示的是矩阵/>
Figure BDA00032970322200000520
的迹；/>
Figure BDA00032970322200000521
是径向基神经网络权重误差的转秩；/>
Figure BDA00032970322200000522
是径向基神经网络学习律的逆矩阵；/>
Figure BDA00032970322200000523
是径向基神经网络权重误差；/>
Figure BDA00032970322200000524
是双曲正切神经网络权重误差的转秩；/>
Figure BDA00032970322200000525
表示双曲正切神经网络的学习律的逆矩阵；/>
Figure BDA00032970322200000526
是双曲正切神经网络的权重误差。
可选地，所述根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性，包括：
将所述李亚普诺夫方程的输出对时间进行一阶求导，得到一阶导数；
根据杨氏不等式对所述一阶导数进行处理，得到目标不等式关系；
根据所述目标不等式关系对所述一阶导数进行求解；
根据所述一阶导数的值与预设目标阈值之间的大小关系，判定所述飞行器系统的稳定性。
本发明实施例提供了一种对受到类间隙滞后和输出约束的飞行器的控制装置，包括：
第一模块，用于根据类间隙滞后的输出，建立飞行器系统的非线性模型；
第二模块，用于根据所述非线性模型，构建所述飞行器系统的控制器和自适应律；
第三模块，用于构建李亚普诺夫方程；
第四模块，用于根据所述李亚普诺夫方程，验证所述飞行器系统的稳定性；
第五模块，用于当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果。
本发明实施例提供了一种电子设备，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
本发明实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面所述的方法。
下面结合说明书附图，对本发明的具体实现原理进行详细说明：
本发明实施例以2-DOF直升机系统作为飞行器系统为例，对本发明的控制方法的实现过程进行详细描述，本发明实施例公开了一种针对受到类间隙滞后和输出约束的2-DOF直升机系统的自适应神经网络控制方法。该方法实现了所需设定点和轨迹的渐近姿态调整和跟踪。首先建立2-DOF直升机系统的模型，然后在构建系统的控制器和自适应律，再基于所述的2-DOF直升机系统模型，构建李雅普诺夫函数，根据李雅普诺夫方程，验证2-DOF直升机系统的稳定性。最后，在MATLAB数字模拟平台上的进行仿真验证了该控制方法的有效性和合理性。
图2是本发明针对受到类间隙滞后和输出约束的2-DOF直升机系统的自适应神经网络控制方法的实施流程图。
在本实施例中，如图2所示，本发明针对受到类间隙滞后和输出约束的2-DOF直升机系统的自适应神经网络控制方法，包括以下步骤1-6：
步骤1：图1表示2-DOF直升机的模型简图，在模型简图中，Fg表示重力，ln表示表示距离机身固定框架原点的质心距离，Fy和Fp分别表示偏航和俯仰螺旋桨产生的推力，ry和rp分别表示偏航和俯仰螺旋桨距离固定坐标原点的距离，Yaw axis表示偏航轴，Pitch axis表示俯仰轴，该直升机模型在运动过程中，俯仰螺旋桨(水平放置)产生绕俯仰轴的扭矩，从而产生俯仰运动。偏航螺旋桨(垂直放置)产生绕偏航轴的扭矩，产生偏航运动。
根据图1的直升机模型简图，再结合拉格朗日力学模型，得出系统的非线性动力学方程如下：
Figure BDA0003297032220000071
Figure BDA0003297032220000072
其中，Jpp和Jyy分别表示为围绕俯仰轴和偏航轴的惯性矩，Vp和Vy表示两个电机的输入电压，Ma表示直升机的质量，ln表示距离机身固定框架原点的质心距离，α表示俯仰角，β表示偏航角，Kpp表示俯仰螺旋桨中作用于俯仰轴上的扭矩推力增益，Kpy表示偏航螺旋桨中作用于俯仰轴上的扭矩推力增益，Kyy表示偏航螺旋桨中作用于偏航轴上的扭矩推力增益，Kyp表示俯仰螺旋桨中作用于偏航轴上的扭矩推力增益，Dpp和Dyy表示黏性摩擦系数，g表示重力加速度。
为了方便计算，本发明实施例将(A)和(B)中的复杂项用简单的参数代替：
Figure BDA0003297032220000073
Figure BDA0003297032220000074
Figure BDA0003297032220000075
Figure BDA0003297032220000076
最后可得：
Figure BDA0003297032220000077
步骤1.1：基于2-DOF直升机系统(A)、(B)和(C)的非线性动力学方程，该非线性系统可以表示为：
Figure BDA0003297032220000078
y＝x (E)
其中，x∈R2为变量向量，u＝[Vp，Vy]T∈R2表示控制输入，y∈R2表示控制的输出。
步骤1.2：定义Φ(u)∈R2表示表示类间隙滞后的输出，则非线性的滞后类型定义为：
Figure BDA0003297032220000081
其中，kl,pd和kv表示任意的常数，且要满足pd>0,pd>kv。Φ(u)可以表示为:
Φ(u)＝Pdu+H(u) (G)
其中，Pd＝diag[pd1,pd2,…,pdn]，H(u)＝[h1(u1),h2(u2),…，hn(un)]T，H(u)是有界的，‖H(u)‖≤H*。
步骤1.3：基于2-DOF直升机系统(C)-(E)和类间隙滞后的输出，通过定义x1＝[α,β]T和
Figure BDA0003297032220000082
非线性系统方程可以表示如下：
Figure BDA0003297032220000083
Figure BDA0003297032220000084
Figure BDA0003297032220000085
其中，x1∈R2为角度向量，x2∈R2为角度向量的导数，α和β分别为俯仰和偏航角，Φ(u)∈R2为类间隙滞后的输出。再将(G)代入(I)中，可得：
Figure BDA0003297032220000086
步骤1.4：设置角度误差为：z1＝x1-xd，其中，x1为变量向量，xd＝[xd1,xd2]T为期望的轨迹，同时再设置第二个误差变量为：z2＝x2-θ,其中，x2为角度向量的导数，θ为虚拟控制器。
步骤2：根据所述的步骤1中给出的系统的非线性方程，再结合障碍李雅普诺夫方程：
Figure BDA0003297032220000087
得出系统的控制器表达式为:
Figure BDA0003297032220000088
其中，K2是一个常数，z11,z12是角度误差项，q1,q2是输出限制的数值，
Figure BDA0003297032220000089
是径向基神经网络估计的权重的转秩，O(X)是径向基神经网络的激活函数，/>
Figure BDA00032970322200000810
是双曲正切神经网络的估计权重，b1是一个很小的常数。/>
Figure BDA00032970322200000811
表示双曲正切神经网络的激活函数。
步骤3：根据步骤2中系统的控制器，可以构建自适应律：
Figure BDA00032970322200000812
Figure BDA0003297032220000091
其中，
Figure BDA0003297032220000092
和/>
Figure BDA0003297032220000093
分别是径向基神经网络和双曲正切神经网络的学习律，/>
Figure BDA0003297032220000094
和/>
Figure BDA0003297032220000095
是自适应律，O(X)是径向基神经网络的激活函数，/>
Figure BDA0003297032220000096
表示双曲正切神经网络的激活函数，ηw和/>
Figure BDA00032970322200000935
是提高稳定性的正常数，/>
Figure BDA0003297032220000097
是径向基神经网络估计的权重，/>
Figure BDA0003297032220000098
是双曲正切神经网络的估计权重，/>
Figure BDA0003297032220000099
表示第二个误差变量的转秩。
步骤4：根据步骤2和步骤3，可构建李亚普诺夫方程为：
Figure BDA00032970322200000910
其中，
Figure BDA00032970322200000911
代表的是屏障李雅普诺夫函数，/>
Figure BDA00032970322200000912
z2表示的是第二个误差变量，/>
Figure BDA00032970322200000913
表示的是Pd＝diag[pd1,pd2,…,pdn]的逆矩阵，/>
Figure BDA00032970322200000914
表示的是矩阵/>
Figure BDA00032970322200000915
的迹，/>
Figure BDA00032970322200000916
是径向基神经网络权重误差的转秩，/>
Figure BDA00032970322200000917
是径向基神经网络学习律的逆矩阵，
Figure BDA00032970322200000918
是径向基神经网络权重误差，/>
Figure BDA00032970322200000919
是双曲正切神经网络权重误差的转秩，/>
Figure BDA00032970322200000920
表示双曲正切神经网络的学习律的逆矩阵，/>
Figure BDA00032970322200000921
是双曲正切神经网络的权重误差。
步骤5：根据步骤4可得，验证所述系统的稳定性，主要是验证V3的半全局有界性。
V3对时间求一阶导数，可得：
Figure BDA00032970322200000922
其中，k1,k2表示增益系数，z11,z12是角度误差项，q1,q2是输出限制的数值，z2表示的是第二个误差变量，K2表示增益矩阵，
Figure BDA00032970322200000923
表示双曲正切神经网络的理想权重，且
Figure BDA00032970322200000924
Figure BDA00032970322200000925
表示双曲正切神经网络的激活函数，ηw和/>
Figure BDA00032970322200000934
是提高稳定性的正常数，
Figure BDA00032970322200000926
是径向基神经网络估计的权重，/>
Figure BDA00032970322200000927
是双曲正切神经网络的权重，/>
Figure BDA00032970322200000928
表示第二个误差变量的转秩，/>
Figure BDA00032970322200000929
是径向基神经网络权重误差的转秩，/>
Figure BDA00032970322200000930
是双曲正切神经网络权重误差的转秩，ρ(X)表示近似误差，且‖ρ(X)‖≤ρ*，ρ*>0。/>
Figure BDA00032970322200000931
表示的是Pd＝diag[pd1,pd2，…，pdn]的逆矩阵，H(u)＝[h1(u1)，h2(u2)，…，hn(un)]T且H(u)有界，‖H(u)‖≤H*，H*是一个常数。
因为‖H(u)‖≤H*，‖ρ(X)‖≤ρ*，则
Figure BDA00032970322200000932
因此可得/>
Figure BDA00032970322200000933
根据杨氏不等式，可得：
Figure BDA0003297032220000101
Figure BDA0003297032220000102
其中，W*表示双曲正切神经网络的理想权重,
Figure BDA0003297032220000103
表示双曲正切神经网络的理想权重。
然后可得到如下不等式关系：
Figure BDA0003297032220000104
且
Figure BDA0003297032220000105
因此，可以得出V3的导数为：
Figure BDA0003297032220000106
得：
Figure BDA0003297032220000107
其中，
Figure BDA0003297032220000108
Figure BDA0003297032220000109
为了确保
Figure BDA00032970322200001010
本发明实施例可以得到：min(ki)>0，λmin(K2)>0。
最后可以验证V3是半全局稳定的。
步骤6：通过MATLAB仿真软件对2-DOF直升机系统进行仿真，并对仿真效果进行查看分析。
图3和图4分别是在控制直升机运动过程中的俯仰角和偏航角跟踪期望轨迹的示意图，从图3和4中可以看出α和β可以完全跟踪期望角度。图5和图6分别是在控制直升机过程中俯仰角和偏航角的角速度与期望轨迹的示意图，从图5和6中也可以看出角速度也能完全跟踪到期望轨迹。图7表示α和β在跟踪期望轨迹的过程中所产生的跟踪误差。图8表示控制系统的输入。
总的来说，本实施例在2-DOF直升机系统中考虑类间隙迟滞，基于系统不确定性开发系统的自适应神经网络技术提高鲁棒性；利用屏障李雅普诺夫函数约束2-DOF直升机系统的输出，使系统跟踪误差在一定时间范围内收敛于零；系统所需的传感器和控制少，成本低，前景广。
因此，本发明能够有效解决飞行器(例如2-DOF直升机)中的类间隙滞后和输出约束问题，并且能使该系统稳定有效。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种对受到类间隙滞后和输出约束的飞行器的控制方法，其特征在于，包括：
根据类间隙滞后的输出，建立飞行器系统的非线性模型；
根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器和自适应律；
构建李雅普诺夫方程；
根据所述李雅普诺夫方程，验证所述飞行器系统的稳定性；
当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果；
其中，所述根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器和自适应律，包括：
根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器；
根据所述控制器构建自适应律；
其中，所述控制器的表达式为：
Figure FDA0004196583770000011
其中，u代表系统控制器；G-1代表系统参数逆矩阵；K2是一个常数；z11、z12是角度误差项；q1、q2是输出限制的数值；
Figure FDA0004196583770000012
是径向基神经网络估计的权重的转秩；O(X)是径向基神经网络的激活函数；/>
Figure FDA0004196583770000013
是双曲正切神经网络的估计权重；b1是一个常数；/>
Figure FDA0004196583770000014
表示双曲正切神经网络的激活函数；
所述自适应律的表达式为：
Figure FDA0004196583770000015
Figure FDA0004196583770000016
其中，
Figure FDA0004196583770000017
和/>
Figure FDA0004196583770000018
分别是径向基神经网络和双曲正切神经网络的学习律；/>
Figure FDA0004196583770000019
和/>
Figure FDA00041965837700000110
是自适应律；O(X)是径向基神经网络的激活函数；/>
Figure FDA00041965837700000111
表示双曲正切神经网络的激活函数；ηw和/>
Figure FDA00041965837700000112
是提高稳定性的正常数；/>
Figure FDA00041965837700000113
是径向基神经网络估计的权重；/>
Figure FDA00041965837700000114
是双曲正切神经网络的估计权重；/>
Figure FDA00041965837700000115
表示第二个误差变量的转秩。
2.根据权利要求1所述的对受到类间隙滞后和输出约束的飞行器的控制方法，其特征在于，所述根据类间隙滞后的输出，建立飞行器系统的非线性模型，包括：
根据拉格朗日力学模型，构建所述飞行器系统的非线性动力学方程；
根据非线性的滞后类型，确定类间隙滞后的输出；
根据所述非线性动力学方程和类间隙滞后的输出，确定非线性系统方程；
根据所述非线性系统方程，建立飞行器系统的非线性模型。
3.根据权利要求1所述的对受到类间隙滞后和输出约束的飞行器的控制方法，其特征在于，所述构建李雅普诺夫方程这一步骤中的李雅普诺夫方程的表达式为：
Figure FDA0004196583770000021
其中，V3代表系统最终构建的李雅普诺夫方程；V1代表的是屏障李雅普诺夫函数；V2表示针对第二个误差构建的李雅普诺夫方程；
Figure FDA0004196583770000022
表示的是Pd＝diag[pd1,pd2,…,pdn]的逆矩阵；/>
Figure FDA0004196583770000023
表示的是矩阵/>
Figure FDA0004196583770000024
的迹；/>
Figure FDA0004196583770000025
表示的是矩阵/>
Figure FDA0004196583770000026
的迹；/>
Figure FDA0004196583770000027
是径向基神经网络权重误差的转秩；/>
Figure FDA0004196583770000028
是径向基神经网络学习律的逆矩阵；/>
Figure FDA0004196583770000029
是径向基神经网络权重误差；/>
Figure FDA00041965837700000210
是双曲正切神经网络权重误差的转秩；
Figure FDA00041965837700000211
表示双曲正切神经网络的学习律的逆矩阵；/>
Figure FDA00041965837700000212
是双曲正切神经网络的权重误差。
4.根据权利要求3所述的对受到类间隙滞后和输出约束的飞行器的控制方法，其特征在于，所述根据所述李雅普诺夫方程，验证所述飞行器系统的稳定性，包括：
将所述李雅普诺夫方程的输出对时间进行一阶求导，得到一阶导数；
根据杨氏不等式对所述一阶导数进行处理，得到目标不等式关系；
根据所述目标不等式关系对所述一阶导数进行求解；
根据所述一阶导数的值与预设目标阈值之间的大小关系，判定所述飞行器系统的稳定性。
5.一种对受到类间隙滞后和输出约束的飞行器的控制装置，其特征在于，包括：
第一模块，用于根据类间隙滞后的输出，建立飞行器系统的非线性模型；
第二模块，用于根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器和自适应律；
第三模块，用于构建李雅普诺夫方程；
第四模块，用于根据所述李雅普诺夫方程，验证所述飞行器系统的稳定性；
第五模块，用于当所述稳定性满足预设要求时，对所述飞行器系统进行仿真，得到仿真结果；
其中，所述根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器和自适应律，包括：
根据所述非线性模型，结合障碍李雅普诺夫方程，构建所述飞行器系统的控制器；
根据所述控制器构建自适应律；
其中，所述控制器的表达式为：
Figure FDA0004196583770000031
其中，u代表系统控制器；G-1代表系统参数逆矩阵；K2是一个常数；z11、z12是角度误差项；q1、q2是输出限制的数值；
Figure FDA0004196583770000032
是径向基神经网络估计的权重的转秩；O(X)是径向基神经网络的激活函数/>
Figure FDA0004196583770000033
是双曲正切神经网络的估计权重；b1是一个常数；/>
Figure FDA0004196583770000034
表示双曲正切神经网络的激活函数；
所述自适应律的表达式为：
Figure FDA0004196583770000035
Figure FDA0004196583770000036
其中，
Figure FDA0004196583770000037
和/>
Figure FDA0004196583770000038
分别是径向基神经网络和双曲正切神经网络的学习律；/>
Figure FDA0004196583770000039
和/>
Figure FDA00041965837700000310
是自适应律；O9X)是径向基神经网络的激活函数；/>
Figure FDA00041965837700000311
表示双曲正切神经网络的激活函数；ηw和/>
Figure FDA00041965837700000312
是提高稳定性的正常数；/>
Figure FDA00041965837700000313
是径向基神经网络估计的权重；/>
Figure FDA00041965837700000314
是双曲正切神经网络的估计权重；/>
Figure FDA00041965837700000315
表示第二个误差变量的转秩。
6.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。
CN202111180455.2A 2021-10-11 2021-10-11 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 Active CN114035594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111180455.2A CN114035594B (zh) 2021-10-11 2021-10-11 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111180455.2A CN114035594B (zh) 2021-10-11 2021-10-11 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

Publications (2)

Publication Number Publication Date
CN114035594A CN114035594A (zh) 2022-02-11
CN114035594B true CN114035594B (zh) 2023-06-20

Family

ID=80141043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111180455.2A Active CN114035594B (zh) 2021-10-11 2021-10-11 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

Country Status (1)

Country Link
CN (1) CN114035594B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109375639A (zh) * 2018-11-27 2019-02-22 浙江工业大学 一种基于非对称改进型障碍李雅普诺夫函数的刚性飞行器姿态约束跟踪控制方法
EP3772707A1 (en) * 2019-08-05 2021-02-10 Robert Bosch GmbH Dynamics model for globally stable modeling of system dynamics
CN112947498B (zh) * 2021-02-04 2021-11-23 深圳信息职业技术学院 飞行器航迹角控制方法、系统及存储介质

Also Published As

Publication number Publication date
CN114035594A (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
Wen et al. Decoupling control of a twin rotor MIMO system using robust deadbeat control technique
Davoudi et al. Quad-rotor flight simulation in realistic atmospheric conditions
Yan et al. Extended state observer‐based sliding mode fault‐tolerant control for unmanned autonomous helicopter with wind gusts
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
Tripathi et al. Finite‐time super twisting sliding mode controller based on higher‐order sliding mode observer for real‐time trajectory tracking of a quadrotor
CN112987567B (zh) 非线性系统的固定时间自适应神经网络滑模控制方法
CN108445766A (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
Emami et al. Adaptive model predictive control‐based attitude and trajectory tracking of a VTOL aircraft
Trapiello et al. Position‐heading quadrotor control using LPV techniques
Cheng et al. Neural-networks control for hover to high-speed-level-flight transition of ducted fan uav with provable stability
Rahmat et al. Adaptive feedback linearization controller for stabilization of quadrotor UAV
Shao et al. Model and robust gain‐scheduled PID control of a bio‐inspired morphing UAV based on LPV method
Mohammadi et al. PSO tuned FLC for full autopilot control of quadrotor to tackle wind disturbance using bond graph approach
CN111007724A (zh) 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法
Nuchkrua et al. Identification and optimal control of quadrotor
Liu et al. Observer-based linear parameter varying control design with unmeasurable varying parameters under sensor faults for quad-tilt rotor unmanned aerial vehicle
Suresh et al. An on-line learning neural controller for helicopters performing highly nonlinear maneuvers
Thompson et al. Aerodynamic moment model calibration from distributed pressure arrays
Li et al. Optimized neural network based sliding mode control for quadrotors with disturbances
Yi et al. Anti-disturbance control of a quadrotor manipulator with tiltable rotors based on integral sliding mode control
Liu et al. Incremental sliding-mode control and allocation for morphing-wing aircraft fast manoeuvring
Cheng et al. Hover-to-cruise transition control for high-speed level flight of ducted fan UAV
CN114035594B (zh) 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
Tran et al. Integrator-backstepping control design for nonlinear flight system dynamics
Tran et al. Nonlinear control of aircraft flight dynamics using integrator-backstepping design method

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