CN114371623A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114371623A
CN114371623A CN202210020148.6A CN202210020148A CN114371623A CN 114371623 A CN114371623 A CN 114371623A CN 202210020148 A CN202210020148 A CN 202210020148A CN 114371623 A CN114371623 A CN 114371623A
Authority
CN
China
Prior art keywords
neural network
fractional order
sliding mode
thermal test
simulation system
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
CN202210020148.6A
Other languages
English (en)
Other versions
CN114371623B (zh
Inventor
张广明
史志寒
吕筱东
朱明祥
高鹏
柏志青
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.)
Nanjing Tech University
Original Assignee
Nanjing Tech 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 Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202210020148.6A priority Critical patent/CN114371623B/zh
Publication of CN114371623A publication Critical patent/CN114371623A/zh
Application granted granted Critical
Publication of CN114371623B publication Critical patent/CN114371623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，包括：根据能量守恒定律、热力学和传热学，建立结构热试验气动热地面模拟系统输入电能与输出电热能之间的数学模型；基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测；利用结构热试验气动热地面模拟系统输出跟踪误差和分数阶函数，构建分数阶全局终端滑模面；以幂次趋近律为基础，设计结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)。本发明实现了对系统扰动的实时预测，解决了传统控制方法难以建立模糊控制隶属度函数和PID控制反馈滞后等问题。

Description

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
技术领域
本发明涉及航天航空自动控制系统的技术领域，尤其涉及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。
背景技术
结构热试验是以地面等效模拟飞行器的飞行热环境，以研究和检验结构热强度、热刚度和耐热性能。常见的结构热试验以对流加热和非对流加热为两大类，其中风洞试验就是典型的对流加热试验，将高速气流与飞行器试验件之间作高速相对运动，来实现对飞行器试验件飞行热环境的动态模拟。但是风洞试验尺寸单一，对于多尺寸的飞行器适应性较差，所以非对流加热的结构热试验被提出。常见的非对流加热的结构热试验主要以辐射热为主，辐射热单元如：镍铬丝、硅碳棒、石墨棒、石英灯等。相对比以石英灯为加热单元，镍铬丝升温速率慢、硅碳棒热惯性大、石墨棒寿命短易氧化，因此，非对流加热的结构热试验以石英灯为辐射热源的应用最为广泛，但是，如何针对其建立有效的控制策略是有必要的。
在之前的石英灯加热跟踪控制中，常采用模糊控制或者传统的PID控制，前者建立繁复的隶属度函数，难以实现自适应控制，后者因为采用后置误差反馈控制存在一定的滞后性，控制精度普遍不高，抗干扰能力差等问题。
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：如何保证以石英灯的结构热试验非线性控制系统动、静态稳定性以及消除扰动带来的误差。
为解决上述技术问题，本发明提供如下技术方案：根据能量守恒定律、热力学和传热学，建立结构热试验气动热地面模拟系统输入电能与输出电热能之间的数学模型；基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测；利用结构热试验气动热地面模拟系统输出跟踪误差和分数阶函数，构建分数阶全局终端滑模面；以幂次趋近律为基础，设计结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：所述结构热试验气动热地面模拟系统包括石英灯加热器、可控硅交流调压模块、GH3039K型热电偶传感器。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：所述结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型包括，
Figure BDA0003462144700000021
其中，等式左边为加载在结构热试验气动热地面模拟系统上的输出电热能，分别用于石英灯加热器自身消耗的内能cm[T1(t)-T0]、对流换热过程中损失的热能Aβ[T1(t)-T0]、热传导过程中损失的热能Aλ[T1(t)-T0]、热辐射效应输出的热能
Figure BDA0003462144700000022
c、m、T1(t)、T0、A、β、λ、ε、σ、F、Δt分别为石英灯加热器的比热容、质量、当前温度、初始温度、表面积、对流换热系数、导热系数、黑度系数、斯蒂芬-玻尔兹曼常数、角系数、加热时间；等式右边为加载在结构热试验气动热地面模拟系统上的输入电能，采用可控硅交流调压模块，UI、R、α(t)分别为输入电压即电源两端电压、石英灯加热器的总电阻、可控硅交流调压模块导通角。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测包括，将所述结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型两边除以Δt并进一步移项得：
Figure BDA0003462144700000023
其中，
Figure BDA0003462144700000024
是T1(t)对时间的一阶微分，G(t)＝sin2α(t)，G(t)为系统扰动；
所述神经网络观测器中隐藏层的高斯函数为：
Figure BDA0003462144700000025
其中，H(x)是神经网络算法的隐藏层函数，‖x-o‖2为径向距离，
Figure BDA0003462144700000026
o为高斯函数中心向量，
Figure BDA0003462144700000027
h为高斯函数的宽度，h＝[h1 h2 … hj]，m、n、j为正整数。
利用所述高斯函数构建所述神经网络观测器为：
Figure BDA0003462144700000031
其中，W*＝argmin[G(t)]为利用高斯函数构建神经网络观测器理想权值，W*T为W*的转置，
Figure BDA0003462144700000032
为阈值；
Figure BDA0003462144700000033
其中，
Figure BDA0003462144700000034
为系统扰动观测值，
Figure BDA0003462144700000035
为当前观测状态下的权值，
Figure BDA0003462144700000036
为
Figure BDA0003462144700000037
的转置。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：定义所述结构热试验气动热地面模拟系统输出的跟踪误差为：
e(t)＝T1(t)-T1 *(t)
其中，T1 *(t)是所述结构热试验气动热地面模拟系统的目标温度，e(t)是所述结构热试验气动热地面模拟系统输出的跟踪误差；
将所述的结构热试验气动热地面模拟系统输出的跟踪误差取一阶微分得：
Figure BDA0003462144700000038
其中，
Figure BDA0003462144700000039
是e(t)对时间的一阶微分，
Figure BDA00034621447000000310
是T1 *(t)对时间的一阶微分。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：利用所述结构热试验气动热地面模拟系统输出的跟踪误差e(t)和分数阶函数，构建分数阶全局终端滑模面为：
Figure BDA00034621447000000311
其中，η>0，Dφ为分数阶，φ>0，ι>0，p>q>0，p、q为正奇数，e(0)是所述结构热试验气动热地面模拟系统输出的跟踪初始误差；
将所述分数阶全局终端滑模面取一阶微分得：
Figure BDA00034621447000000312
其中，
Figure BDA00034621447000000313
是s(t)对时间的一阶微分。
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：所述幂次趋近律为：
Figure BDA00034621447000000314
其中，k>0，1>β>0，k、β为调参增益，
Figure BDA00034621447000000315
作为本发明所述的结构热试验神经网络观测器分数阶全局滑模控制方法的一种优选方案，其中：所述结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)为：
Figure BDA0003462144700000041
本发明的有益效果：本发明方法基于能量守恒定律、热力学和传热学，建立结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型，在此基础上利用高斯函数构建神经网络观测器，实现对系统扰动的实时预测，基于结构热试验气动热地面模拟系统输出跟踪误差和分数阶函数，构建分数阶全局终端滑模面，采用幂次趋近律，设计结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器，解决了传统控制方法难以建立模糊控制隶属度函数和PID控制反馈滞后等问题。
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(a)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼三维结构示意图；
图1(b)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼二维尺寸示意图；
图2(a)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼(飞行攻角为45°)有限元分析外流场示意图；
图2(b)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼(飞行攻角为30°)有限元分析外流场示意图；
图2(c)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼(飞行攻角为15°)有限元分析外流场示意图；
图2(d)为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼(飞行攻角为20°)有限元分析外流场示意图；
图3为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的高超声速飞行器机翼翼面气动热数据散点示意图；
图4为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的控制原理框架示意图；
图5为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法的结构热试验气动热地面模拟系统的跟踪目标曲线(0)以及神经网络观测器分数阶全局滑模控制方法(1)与传统滑模控制方法(2)、传统PID控制方法(3)对比的温度跟踪示意图；
图6为本发明一个实施例所述的结构热试验神经网络观测器分数阶全局滑模控制方法在跟踪拟合目标下，结构热试验神经网络观测器分数阶全局滑模控制方法(1)与传统滑模控制方法(2)、传统PID控制方法(3)对比的误差跟踪示意图。
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1～4，为本发明的一个实施例，提供了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，本发明方法将结构热试验气动热地面模拟系统模型、高斯函数构建的神经网络观测器、分数阶全局终端滑模面、幂次趋近律结合到结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)的设计，参照图4，为本发明结构热试验气动热地面模拟系统的神经网络观测器分数阶全局滑模控制框图，具体包括：
S1：根据能量守恒定律、热力学和传热学，建立结构热试验气动热地面模拟系统输入电能与输出电热能之间的数学模型。
需要说明的是，结构热试验气动热地面模拟系统包括石英灯加热器、可控硅交流调压模块、GH3039K型热电偶传感器。
进一步的，结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型包括：
Figure BDA0003462144700000061
其中，等式左边为加载在结构热试验气动热地面模拟系统上的输出电热能，分别用于石英灯加热器自身消耗的内能cm[T1(t)-T0]、对流换热过程中损失的热能Aβ[T1(t)-T0]、热传导过程中损失的热能Aλ[T1(t)-T0]、热辐射效应输出的热能
Figure BDA0003462144700000071
c、m、T1(t)、T0、A、β、λ、ε、σ、F、Δt分别为石英灯加热器的比热容、质量、当前温度、初始温度、表面积、对流换热系数、导热系数、黑度系数、斯蒂芬-玻尔兹曼常数、角系数、加热时间；等式右边为加载在结构热试验气动热地面模拟系统上的输入电能，采用可控硅交流调压模块，UI、R、α(t)分别为输入电压即电源两端电压、石英灯加热器的总电阻、可控硅交流调压模块导通角；从而建立了结构热试验气动热地面模拟系统输入可控硅交流调压模块导通角α(t)和输出温度T1(t)之间的数学模型。
S2：基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测。
需要说明的是，基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测包括：
将结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型两边除以Δt并进一步移项得：
Figure BDA0003462144700000072
其中，
Figure BDA0003462144700000073
是T1(t)对时间的一阶微分，G(t)＝sin2α(t)，G(t)为系统扰动；
神经网络观测器中隐藏层的高斯函数为：
Figure BDA0003462144700000074
其中，H(x)是神经网络算法的隐藏层函数，‖x-o‖2为径向距离，
Figure BDA0003462144700000075
o为高斯函数中心向量，
Figure BDA0003462144700000076
h为高斯函数的宽度，h＝[h1 h2 … hj]，m、n、j为正整数。
利用高斯函数构建神经网络观测器为：
Figure BDA0003462144700000077
其中，W*＝argmin[G(t)]为利用高斯函数构建神经网络观测器理想权值，W*T为W*的转置，
Figure BDA0003462144700000078
为阈值；
Figure BDA0003462144700000079
其中，
Figure BDA00034621447000000710
为系统扰动观测值，
Figure BDA00034621447000000711
为当前观测状态下的权值，
Figure BDA00034621447000000712
为
Figure BDA00034621447000000713
的转置。
S3：利用结构热试验气动热地面模拟系统输出跟踪误差和分数阶函数，构建分数阶全局终端滑模面。
需要说明的是，定义结构热试验气动热地面模拟系统输出的跟踪误差为：
e(t)＝T1(t)-T1 *(t)
其中，T1 *(t)是结构热试验气动热地面模拟系统的目标温度，e(t)是结构热试验气动热地面模拟系统输出的跟踪误差；
将的结构热试验气动热地面模拟系统输出的跟踪误差取一阶微分得：
Figure BDA0003462144700000081
其中，
Figure BDA0003462144700000082
是e(t)对时间的一阶微分，
Figure BDA0003462144700000083
是T1 *(t)对时间的一阶微分。
进一步的，利用结构热试验气动热地面模拟系统输出的跟踪误差e(t)和分数阶函数，构建分数阶全局终端滑模面为：
Figure BDA0003462144700000084
其中，η>0，Dφ为分数阶，φ>0，ι>0，p>q>0，p、q为正奇数，e(0)是结构热试验气动热地面模拟系统输出的跟踪初始误差；
将分数阶全局终端滑模面取一阶微分得：
Figure BDA0003462144700000085
其中，
Figure BDA0003462144700000086
是s(t)对时间的一阶微分。
S4：以幂次趋近律为基础，设计结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)。
需要说明的是，幂次趋近律为：
Figure BDA0003462144700000087
其中，k>0，1>β>0，k、β为调参增益，
Figure BDA0003462144700000088
进一步的，联立融合结构热试验气动热地面模拟系统输入电能与输出电热能之间的数学模型、利用高斯函数构建神经网络观测器、结构热试验气动热地面模拟系统输出的跟踪误差一阶微分、分数阶全局终端滑模面、幂次趋近律，得到结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)为：
Figure BDA0003462144700000089
Figure BDA00034621447000000810
Figure BDA00034621447000000811
具体的，参照图1，是有限元仿真所绘制的高超声速飞行器机翼，其具体尺寸为：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，飞行轨迹如表1。将高超声速飞行器飞行轨迹分为31组，a对应的飞行攻角为45°，b～k对应的飞行攻角为30°，l～A对应的飞行攻角为15°，B～E对应的飞行攻角为20°。采用公式[T a P Rou]＝atmoscoesa(H)计算表1的数据，其中H为海拔高度，单位为m；T为当前位置温度，单位为K；a为当前位置音速，单位为m/s；P为当前位置压强，单位为Pa；Rou为当前位置密度，单位为kg/m3，M为当前位置速度，单位为马赫数。
表1：高超声速飞行器飞行轨迹表。
H T a P R M
a 12192 216.65 295.0696 18754 0.3016 0.8
b 12572 216.65 295.0696 17663 0.284 1.005
c 12952 216.65 295.0696 16636 0.2675 1.21
d 13332 216.65 295.0696 15668 0.2519 1.415
e 13712 216.65 295.0696 14757 0.2373 1.62
f 14092 216.65 295.0696 13899 0.2235 1.825
g 14472 216.65 295.0696 13090 0.2105 2.03
h 14852 216.65 295.0696 12329 0.1982 2.235
i 15232 216.65 295.0696 11612 0.1867 2.44
j 15612 216.65 295.0696 10937 0.1759 2.645
k 16000 216.65 295.0696 10287 0.1654 2.85
l 16500 216.65 295.0696 9508 0.1529 2.98
m 17000 216.65 295.0696 8787 0.1413 3.11
n 17500 216.65 295.0696 8121 0.1306 3.24
o 18000 216.65 295.0696 7505 0.1207 3.37
p 18500 216.65 295.0696 6936 0.1115 3.5
q 19000 216.65 295.0696 6410 0.1031 3.63
r 19500 216.65 295.0696 5924 0.0953 3.76
s 20000 216.65 295.0696 5475 0.088 3.89
t 20500 217.15 295.4099 5060 0.0812 4.02
u 21000 217.65 295.7498 4678 0.0749 4.15
v 21500 218.15 296.0893 4325 0.0691 4.28
w 22000 218.65 296.4284 4000 0.0637 4.41
x 22500 219.15 296.7672 3700 0.0588 4.54
y 23000 219.65 297.1055 3422 0.0543 4.67
z 23500 220.15 297.4435 3167 0.0501 4.8
A 24000 220.65 297.7811 2930 0.0463 5
B 25239 221.889 298.616 2420 0.038 5.5125
C 26478 223.128 299.4485 2001 0.0312 6.025
D 27717 224.367 300.2788 1656 0.0257 6.5375
E 28956 225.606 301.1067 1372 0.0212 7.05
参照图2，是高超声速飞行器有限元分析外流场示意图，其外流场范围为1800mm*1000mm，对应的攻角为45°、30°、15°、20°。
参照图3，是高超声速飞行器机翼翼面气动热数据散点示意图，对应表1高超声速飞行器飞行轨迹31组数据，温度范围：252.809K～1711.79K。其高超声速飞行器机翼翼面气动热数据拟合曲线为：
T1 *(t)＝-5.012*10-7t8+5.832*10-5t7-2.675*10-3t6+0.06117t5-0.7195t4+3.945t3-6.902t2+21.51t+234.2
参照图4，是结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制方法的控制原理框架示意图，是对本发明方法的进一步说明，主控图过程如下：首先，导入高超声速飞行器机翼结构示意图和绘制的外流场计算域，通过有限元分析得到高超声速飞行器机翼翼面气动热数据拟合曲线，作为跟踪目标；其次，由跟踪目标和被测的当前实时温度做差得到误差，建立高斯函数的神经网络观测器和分数阶全局终端滑模面；最终，通过幂次趋近律设计控制器α(t)。
与现有技术相比，本发明公开的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，旨在通过采用分数阶全局终端滑模面对期望轨迹实现跟踪，用高斯函数的神经网络观测器对系统扰动进行实时估计，再通过幂次趋近律达到渐进快速稳定状态；其中，基于分数阶函数建立的分数阶全局终端滑模面将削弱原有整数阶抖振现象，高斯函数的神经网络观测器实现对系统扰动的补偿，采用幂次趋近律保证了收敛速度。
实施例2
参照图4～6为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了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的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统滑模控制方法、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，以验证本方法所具有的真实效果。
传统的控制方法存在整数阶切换抖振大、稳定性差、鲁棒性弱，为验证本发明方法想对于传统方法具有抑制过程抖振、收敛速度快、抗干扰能力强，本实施例中将采用结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制方法(1)，在高超声速飞行器机翼翼面气动热数据拟合曲线作为跟踪目标(0)，传统滑模控制方法(2)、传统PID控制方法(3)分别对结构热试验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，将结构热试验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(0)，分别利用结构热试验气动热地面模拟系统的模拟系统神经网络观测器分数阶全局滑模控制方法(1)、传统滑模控制方法(2)、传统PID控制方法(3)进行测试并获得测试结果数据。全部测试都将在开启自动化测试设备并运用MATLAB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5组数据，每组数据采样31s，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5～6，为本发明在高超声速飞行器机翼翼面气动热数据拟合曲线作为跟踪目标(0)，结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制方法(1)、传统滑模控制方法(2)、传统PID控制方法(3)之间对比的温度跟踪曲线、误差跟踪曲线。
传统滑模控制方法(2)：
Figure BDA0003462144700000111
表2：结构热试验气动热地面模拟系统参数表。
Figure BDA0003462144700000112
表3：神经网络观测器分数阶全局滑模控制方法参数表。
Figure BDA0003462144700000113
表4：传统滑模控制方法参数表。
Figure BDA0003462144700000121
表5：传统PID控制方法参数表。
Figure BDA0003462144700000122
其中，h4＝[2 8 3 1]，
Figure BDA0003462144700000123
参照图5～6，3种方法都可以整体上跟踪以高声速飞行器机翼翼面气动热数据拟合曲线为目标曲线，在图5中，试验时间是31s，整体以单调递增的趋势；在图6中，方法(2)在0s～31s期间，存在一定的稳态误差，数值约为4K，在4s～8s、16s～18s、24s～31s存在较大的超调量，对应的数值为10K、18K、20K，且在24s～31s期间出现高频抖振现象；方法(3)在0s～2s期间出现超调量，2s以后达到稳定状态，1s处最大超调量为2K，在6s、21s出出现3K的超调量。
不难发现，本发明提出的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在快速性、超调量、自适应性、鲁棒性四个方面都优于方法(2)和方法(3)，原因有三：以高斯函数的神经网络观测器可以无线逼近系统扰动；以分数阶函数的分数阶全局终端滑模面扩展了传统滑模整数阶自由度；采用幂次趋近律提高了收敛速度，同时减小了稳态误差，保证了控制精度。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
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 (8)

1.一种结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于，包括：
根据能量守恒定律、热力学和传热学，建立结构热试验气动热地面模拟系统输入电能与输出电热能之间的数学模型；
基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测；
利用结构热试验气动热地面模拟系统输出跟踪误差和分数阶函数，构建分数阶全局终端滑模面；
以幂次趋近律为基础，设计结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)。
2.如权利要求1所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：所述结构热试验气动热地面模拟系统包括石英灯加热器、可控硅交流调压模块、GH3039K型热电偶传感器。
3.如权利要求1或2所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：所述结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型包括，
Figure FDA0003462144690000011
其中，等式左边为加载在结构热试验气动热地面模拟系统上的输出电热能，分别用于石英灯加热器自身消耗的内能cm[T1(t)-T0]、对流换热过程中损失的热能Aβ[T1(t)-T0]、热传导过程中损失的热能Aλ[T1(t)-T0]、热辐射效应输出的热能
Figure FDA0003462144690000012
c、m、T1(t)、T0、A、β、λ、ε、σ、F、Δt分别为石英灯加热器的比热容、质量、当前温度、初始温度、表面积、对流换热系数、导热系数、黑度系数、斯蒂芬-玻尔兹曼常数、角系数、加热时间；等式右边为加载在结构热试验气动热地面模拟系统上的输入电能，采用可控硅交流调压模块，UI、R、α(t)分别为输入电压即电源两端电压、石英灯加热器的总电阻、可控硅交流调压模块导通角。
4.如权利要求3所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：基于结构热试验气动热地面模拟系统模型，利用高斯函数构建神经网络观测器，对系统扰动进行预测包括，
将所述结构热试验气动热地面模拟系统输入电能和输出电热能之间的数学模型两边除以Δt并进一步移项得：
Figure FDA0003462144690000021
其中，
Figure FDA0003462144690000022
是T1(t)对时间的一阶微分，G(t)＝sin2α(t)，G(t)为系统扰动；
所述神经网络观测器中隐藏层的高斯函数为：
Figure FDA0003462144690000023
其中，H(x)是神经网络算法的隐藏层函数，‖x-o‖2为径向距离，
Figure FDA0003462144690000024
o为高斯函数中心向量，
Figure FDA0003462144690000025
h为高斯函数的宽度，h＝[h1 h2 … hj]，m、n、j为正整数。
利用所述高斯函数构建所述神经网络观测器为：
Figure FDA0003462144690000026
其中，W*＝argmin[G(t)]为利用高斯函数构建神经网络观测器理想权值，W*T为W*的转置，
Figure FDA0003462144690000027
为阈值；
Figure FDA0003462144690000028
其中，
Figure FDA0003462144690000029
为系统扰动观测值，
Figure FDA00034621446900000210
为当前观测状态下的权值，
Figure FDA00034621446900000211
为
Figure FDA00034621446900000212
的转置。
5.如权利要求1或2所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：定义所述结构热试验气动热地面模拟系统输出的跟踪误差为：
e(t)＝T1(t)-T1 *(t)
其中，T1 *(t)是所述结构热试验气动热地面模拟系统的目标温度，e(t)是所述结构热试验气动热地面模拟系统输出的跟踪误差；
将所述的结构热试验气动热地面模拟系统输出的跟踪误差取一阶微分得：
Figure FDA00034621446900000213
其中，
Figure FDA00034621446900000214
是e(t)对时间的一阶微分，
Figure FDA00034621446900000215
是T1 *(t)对时间的一阶微分。
6.如权利要求5所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：利用所述结构热试验气动热地面模拟系统输出的跟踪误差e(t)和分数阶函数，构建分数阶全局终端滑模面为：
Figure FDA00034621446900000216
其中，η>0，Dφ为分数阶，φ>0，ι>0，p>q>0，p、q为正奇数，e(0)是所述结构热试验气动热地面模拟系统输出的跟踪初始误差；
将所述分数阶全局终端滑模面取一阶微分得：
Figure FDA0003462144690000031
其中，
Figure FDA0003462144690000032
是s(t)对时间的一阶微分。
7.如权利要求6所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：所述幂次趋近律为：
Figure FDA0003462144690000033
其中，k>0，1>β>0，k、β为调参增益，
Figure FDA0003462144690000034
8.如权利要求1、4、6～7任一所述的结构热试验神经网络观测器分数阶全局滑模控制方法，其特征在于：所述结构热试验气动热地面模拟系统神经网络观测器分数阶全局滑模控制器α(t)为：
Figure FDA0003462144690000035
CN202210020148.6A 2022-01-10 2022-01-10 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 Active CN114371623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210020148.6A CN114371623B (zh) 2022-01-10 2022-01-10 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210020148.6A CN114371623B (zh) 2022-01-10 2022-01-10 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

Publications (2)

Publication Number Publication Date
CN114371623A true CN114371623A (zh) 2022-04-19
CN114371623B CN114371623B (zh) 2022-12-23

Family

ID=81143993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210020148.6A Active CN114371623B (zh) 2022-01-10 2022-01-10 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

Country Status (1)

Country Link
CN (1) CN114371623B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236975A (zh) * 2022-07-28 2022-10-25 南京工业大学 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453362A (zh) * 2017-09-19 2017-12-08 河海大学常州校区 基于神经网络的有源电力滤波器反演全局滑模模糊控制法
CN108334679A (zh) * 2018-01-22 2018-07-27 河海大学常州校区 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法
CN109560551A (zh) * 2018-11-22 2019-04-02 河海大学常州校区 一种基于回归神经网络的有源电力滤波器分数阶全局滑模控制方法
CN111240210A (zh) * 2020-03-19 2020-06-05 河海大学常州校区 微陀螺双反馈模糊神经网络动态分数阶滑模控制方法
CN111799795A (zh) * 2020-06-22 2020-10-20 河海大学常州校区 一种基于干扰观测的有源电力滤波器自适应滑模控制
CN112181002A (zh) * 2020-09-15 2021-01-05 河海大学常州校区 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法
CN112327627A (zh) * 2020-11-14 2021-02-05 西北工业大学 基于复合学习的非线性切换系统自适应滑模控制方法
CN112859617A (zh) * 2021-02-08 2021-05-28 南京工业大学 一种iPI无模型自适应全局非奇异快速终端滑模控制方法
CN112965382A (zh) * 2021-02-08 2021-06-15 南京工业大学 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
CN112965364A (zh) * 2021-02-08 2021-06-15 南京工业大学 一种高超声速飞行器气动热地面模拟系统建模及iPID方法
CN112965384A (zh) * 2021-02-08 2021-06-15 南京工业大学 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
CN112987566A (zh) * 2021-02-08 2021-06-18 南京工业大学 一种气动热的超螺旋非线性分数阶滑模无模型控制方法
CN112987569A (zh) * 2021-02-08 2021-06-18 南京工业大学 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
CN112987567A (zh) * 2021-02-09 2021-06-18 河北科技大学 非线性系统的固定时间自适应神经网络滑模控制方法
CN113495486A (zh) * 2021-08-06 2021-10-12 南京工业大学 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
CN113625564A (zh) * 2021-08-06 2021-11-09 南京工业大学 一种结构热试验基于系统模型的滑模控制方法
CN113900373A (zh) * 2021-08-06 2022-01-07 南京工业大学 一种结构热试验的全局非奇异快速终端滑模控制方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107453362A (zh) * 2017-09-19 2017-12-08 河海大学常州校区 基于神经网络的有源电力滤波器反演全局滑模模糊控制法
CN108334679A (zh) * 2018-01-22 2018-07-27 河海大学常州校区 基于双反馈模糊神经网络的有源电力滤波器全局滑模控制方法
CN109560551A (zh) * 2018-11-22 2019-04-02 河海大学常州校区 一种基于回归神经网络的有源电力滤波器分数阶全局滑模控制方法
CN111240210A (zh) * 2020-03-19 2020-06-05 河海大学常州校区 微陀螺双反馈模糊神经网络动态分数阶滑模控制方法
CN111799795A (zh) * 2020-06-22 2020-10-20 河海大学常州校区 一种基于干扰观测的有源电力滤波器自适应滑模控制
CN112181002A (zh) * 2020-09-15 2021-01-05 河海大学常州校区 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法
CN112327627A (zh) * 2020-11-14 2021-02-05 西北工业大学 基于复合学习的非线性切换系统自适应滑模控制方法
CN112859617A (zh) * 2021-02-08 2021-05-28 南京工业大学 一种iPI无模型自适应全局非奇异快速终端滑模控制方法
CN112965382A (zh) * 2021-02-08 2021-06-15 南京工业大学 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
CN112965364A (zh) * 2021-02-08 2021-06-15 南京工业大学 一种高超声速飞行器气动热地面模拟系统建模及iPID方法
CN112965384A (zh) * 2021-02-08 2021-06-15 南京工业大学 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
CN112987566A (zh) * 2021-02-08 2021-06-18 南京工业大学 一种气动热的超螺旋非线性分数阶滑模无模型控制方法
CN112987569A (zh) * 2021-02-08 2021-06-18 南京工业大学 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
CN112987567A (zh) * 2021-02-09 2021-06-18 河北科技大学 非线性系统的固定时间自适应神经网络滑模控制方法
CN113495486A (zh) * 2021-08-06 2021-10-12 南京工业大学 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
CN113625564A (zh) * 2021-08-06 2021-11-09 南京工业大学 一种结构热试验基于系统模型的滑模控制方法
CN113900373A (zh) * 2021-08-06 2022-01-07 南京工业大学 一种结构热试验的全局非奇异快速终端滑模控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236975A (zh) * 2022-07-28 2022-10-25 南京工业大学 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法
CN115236975B (zh) * 2022-07-28 2023-09-26 南京工业大学 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法

Also Published As

Publication number Publication date
CN114371623B (zh) 2022-12-23

Similar Documents

Publication Publication Date Title
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
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
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
CN111580535B (zh) 一种基于凸优化的再入轨迹三维剖面规划方法及系统
Cole et al. Higher-order free-wake method for propeller–wing systems
Garcia Numerical investigation of nonlinear aeroelastic effects on flexible high-aspect-ratio wings
Grigorie et al. How the airfoil shape of a morphing wing is actuated and controlled in a smart way
CN107944137B (zh) 高超声速飞行器弹道状态多场耦合的热气动弹性计算技术
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
Silvestre et al. Aircraft control based on flexible aircraft dynamics
CN115236975B (zh) 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法
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
CN113495486B (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
Eyi et al. Aerothermodynamic shape optimization of hypersonic blunt bodies
CN113625564A (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
Lyu et al. Some improvements of hybrid trim method for a helicopter rotor in forward flight
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
Echavarria et al. Optimal airfoil design through particle swarm optimization fed by CFD and XFOIL
Leonard et al. Hyper-X hot structures design and comparison with flight data
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
Huang et al. A surrogate-based optimization framework for hypersonic aerothermoelastic scaling laws with application to skin panels
Venkatachari et al. Implementation and Assessment of Menter’s Galilean-Invariant γ Transition Model in OVERFLOW
Wei et al. Method of image quality assessment based on human visual system and structural similarity

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