CN116560232A - 基于rbf神经网络的变体飞行器自适应反演控制方法 - Google Patents
基于rbf神经网络的变体飞行器自适应反演控制方法 Download PDFInfo
- Publication number
- CN116560232A CN116560232A CN202310503743.XA CN202310503743A CN116560232A CN 116560232 A CN116560232 A CN 116560232A CN 202310503743 A CN202310503743 A CN 202310503743A CN 116560232 A CN116560232 A CN 116560232A
- Authority
- CN
- China
- Prior art keywords
- adaptive
- neural network
- rbf neural
- self
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 71
- 230000003044 adaptive effect Effects 0.000 title claims description 40
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 1
- 230000000052 comparative effect Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 7
- 238000004880 explosion Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 206010044565 Tremor Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001409926 Aeronautes Species 0.000 description 1
- AFCARXCZXQIEQB-UHFFFAOYSA-N N-[3-oxo-3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CCNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 AFCARXCZXQIEQB-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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)
- 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
本发明公开了一种基于RBF神经网络的变体飞行器自适应反演控制方法,包括以下步骤:设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项dγ和俯仰角速度未知影响项dq,获得RBF神经网络针对弹道倾角未知影响项的自适应权值,以及RBF神经网络针对俯仰角速度未知影响项的自适应权值;设置反演自适应控制器,将RBF神经网络的自适应权值加入至控制器的控制律中,通过反演自适应控制器实现对变体飞行器的控制。本发明公开的基于RBF神经网络的变体飞行器自适应反演控制方法,使用RBF逼近未知影响项并在控制律中进行补偿从而提高控制器的精度和鲁棒性。
Description
技术领域
本发明涉及一种基于RBF神经网络的变体飞行器自适应反演控制方法,属于制导控制领域。
背景技术
变体飞行器可在多种复杂飞行条件下根据不同飞行环境改变气动外形以保持优越的飞行性能,变体飞行器控制大致可分为:线性控制方法、非线性控制方法和智能控制方法。
线性控制方法最早应用于解决变体飞行器控制问题,并在此基础上衍生出极点配置、调度增益、最优控制和鲁棒控制等方法,这些方法仅考虑了平衡点附近的状态稳定,并不能保证整个飞行过程的全局稳定。
非线性控制可以针对变体飞行器变形过程的非线性特性设计非线性控制器以提高控制性能,虽然能够提高系统的稳定性,但存在系统不确定性带来扰动的问题。虽然可以通过配合状态观测器以抵消系统不确定性带来的扰动,但传统状态观测器鲁棒性较差,且配合状态观测器的方式,变形过程中会出现控制抖颤问题。
因此,有必要对变体飞行器控制方法进一步研究,以解决上述问题。
发明内容
为了克服上述问题,本发明人进行了深入研究,设计出一种基于RBF神经网络的变体飞行器自适应反演控制方法,包括以下步骤:
设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项dγ和俯仰角速度未知影响项dq,获得RBF神经网络针对弹道倾角未知影响项的自适应权值以及RBF神经网络针对俯仰角速度未知影响项的自适应权值/>
设置反演自适应控制器,将RBF神经网络的自适应权值加入至控制器的控制律中,通过反演自适应控制器实现对变体飞行器的控制。
在一个优选的实施方式中,所述RBF神经网络表示为:
其中,x1,x2为RBF神经网络的输入向量,Wγ、Wq为RBF神经网络的权值参数,εγ、εq为RBF神经网络的逼近误差,Φ()是径向基函数。
在一个优选的实施方式中,所述反演自适应控制器的控制对象模型设置为变体飞行器纵向高度模型,表示为:
其中,
θ=α+γ
h表示飞行器高度、γ表示弹道倾角、θ表示俯仰角、α表示攻角、q俯仰角速度、V表示飞行器速度;m表示飞行器的质量、g表示重力加速度、Iy表示飞行器的转动惯量;
ξ表示后掠角,L0(ξ)表示0°攻角下的升力,Lα(ξ)表示升力对攻角的导数;T表示飞行器的推力,FIKz表示变体飞行器变形过程中产生的惯性力,ZT表示飞行器的推力臂,MA0(ξ)表示α=q=δe=0°时的俯仰力矩,MAα(ξ)表示俯仰力矩对攻角的导数,MAq(ξ)表示俯仰力矩对俯仰角速度的导数,cA(ξ)表示飞行器平均弦长,表示俯仰力矩对俯仰舵偏角的导数。
在一个优选的实施方式中,反演自适应控制器的跟踪误差设置为高度跟踪误差、弹道倾角跟踪误差、俯仰角跟踪误差和俯仰角速度跟踪误差。
在一个优选的实施方式中,所述反演自适应控制器的设置,包括以下步骤:
S21、设置弹道倾角虚拟控制率γr,消除高度跟踪误差;
S22、设置俯仰角虚拟控制率θr,消除引入弹道倾角虚拟控制率γr的弹道倾角跟踪误差;
S23、设置俯仰角速度虚拟控制率qr,消除引入俯仰角虚拟控制率θr的俯仰角跟踪误差;
S24、设置控制律δe,消除引入俯仰角速度虚拟控制率qr的俯仰角速度跟踪误差。
在一个优选的实施方式中,S21中,所述弹道倾角虚拟控制率γr设置为:
其中,k1为可设定常数,hr为高度指令,e1为高度跟踪误差,表示为e1=h-hr;
设置弹道倾角虚拟控制率γr后,所述高度跟踪误差的导数为:
其中,e2为弹道倾角跟踪误差,表示为e2=γ-γr。
在一个优选的实施方式中,S22中,所述俯仰角虚拟控制率θr设置为:
其中,是对RBF神经网络逼近误差的不确定性补偿项,/>为由RBF自适应逼近得到的弹道倾角未知影响项的控制补偿,k2为可设定常数,/>为对γr的一阶导数;
优选地,弹道倾角未知影响项的控制补偿设置为/>
设置俯仰角虚拟控制率θr后,所述弹道倾角跟踪误差的导数为:
其中,e3表示俯仰角跟踪误差,为RBF神经网络的针对弹道倾角未知影响项的自适应权值,该自适应权值的自适应律/>设置为:/>
τ表示自适应律系数。
在一个优选的实施方式中,设置弹道倾角二阶指令滤波器获取γr的一阶导数所述弹道倾角二阶指令滤波器表示为:
其中,为中间变量,/>表示对γr的一阶导数,η2为可设定常数,λ2为可设定常数。
在一个优选的实施方式中,S23中,所述俯仰角速度虚拟控制率qr设置为:
其中,k3为可设定常数,为对θr的一阶导数,
设置俯仰角速度虚拟控制率qr后,所述弹道倾角跟踪误差的导数为:
其中,e4表示俯仰角速度跟踪误差,表示为e3=θ-θr。
在一个优选的实施方式中,S24中,所述控制律δe设置为:
其中,是对RBF神经网络逼近误差的扰动补偿项,/>为对qr的一阶导数,/>为由RBF自适应逼近得到的俯仰角速度未知影响项的控制补偿,
优选地,设置为:
其中,为RBF神经网络针对俯仰角速度未知影响项的自适应权值,该自适应权值的自适应律/>设置为:/>σ表示自适应律系数,
设置控制律后,所述俯仰角速度跟踪误差的导数表示为:
本发明所具有的有益效果包括:
(1)解决了变体飞行器变形过程引起的控制抖颤问题;
(2)通过设置二阶指令滤波器,避免了反演控制方法中的“微分爆炸”,并减小由直接反馈引起的较大超调量;
(3)使用RBF逼近未知影响项并在控制律中进行补偿从而提高控制器的精度和鲁棒性,并可以有效抑制系统中的不确定扰动。
附图说明
图1示出根据本发明一种优选实施方式的基于RBF神经网络的变体飞行器自适应反演控制方法流程示意图;
图2示出根据本发明一种优选实施方式的基于RBF神经网络的变体飞行器自适应反演控制方法中反演自适应控制器的设置流程示意图;
图3示出实施例1中后掠角变化曲线图;
图4示出实施例1、对比例1、对比例2中变体飞行器高度跟踪曲线;
图5示出实施例1、对比例1、对比例2中变体飞行器弹道倾角γ变化曲线;
图6示出实施例1、对比例1、对比例2中变体飞行器攻角α变化曲线;
图7示出实施例1、对比例1、对比例2中变体飞行器俯仰角速度q变化曲线;
图8示出实施例1、对比例1、对比例2中变体飞行器控制输入舵偏角δe变化曲线;
图9示出了实施例1中对不确定项dγ的估计值与实际值;
图10示出了实施例1中对不确定项dq的估计值与实际值。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明提供的一种基于RBF神经网络的变体飞行器自适应反演控制方法,如图1所示,包括以下步骤:
设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项dγ和俯仰角速度未知影响项dq,获得RBF神经网络针对弹道倾角未知影响项的自适应权值以及RBF神经网络针对俯仰角速度未知影响项的自适应权值/>
设置反演自适应控制器,将RBF神经网络的权值更新率加入至控制器的控制律中,通过反演自适应控制器实现对变体飞行器的控制。
根据本发明,所述RBF神经网络选用RBFNN网络。RBFNN是一种单隐层神经网络,具有收敛速度快和逼近能力强等优点。
在一个优选的实施方式中,所述RBF神经网络表示为:
其中,x1、x2为RBF神经网络的输入向量,Wγ、Wq为RBF神经网络的权值参数,εγ、εq为RBF神经网络的逼近误差,Φ()是径向基函数,通常为高斯函数。
在一个优选的实施方式中,径向基函数Φ()表示为:
Φ(x)={Φ1(x)、Φ2(x)、…、Φj(x)、…、Φn(x)}
其中,cj表示隐含层第j个神经元高斯函数中心点的坐标向量,bj表示隐含层第j个神经元高斯函数中心点的宽度,n表示隐含层神经元的个数。
根据本发明,所述RBF神经网络的逼近误差有界,表示为|ε|≤εN,εN为正常数。
在一个优选的实施方式中,所述反演自适应控制器的控制对象模型设置为变体飞行器纵向高度模型,所述高度模型为能够表征后掠角的变化对气动力、气动力矩系数及转动惯量影响的模型,
更优选地,所述变体飞行器纵向高度模型表示为:
根据本发明,在变体飞行器纵向高度模型中,弹道倾角γ是一个很小的值,设置sinγ=γ,速度V设为常值,扰动d的值是有界可导的,存在正常数Nd使得|d|≤Nd且
则所述变体飞行器纵向高度模型表示为:
其中,
θ=α+γ
h表示飞行器高度、γ表示弹道倾角、α表示攻角、θ表示俯仰角、q俯仰角速度、V表示飞行器速度;m表示飞行器的质量、g表示重力加速度、Iy表示飞行器的转动惯量;
ξ表示后掠角,L0(ξ)表示0°攻角下的升力,Lα(ξ)表示升力对攻角的导数;T表示飞行器的推力,FIKz表示变体飞行器变形过程中产生的惯性力,ZT表示飞行器的推力臂,MA0(ξ)表示α=q=δe=0°时的俯仰力矩,MAα(ξ)表示俯仰力矩对攻角的导数,MAq(ξ)表示俯仰力矩对俯仰角速度的导数,cA(ξ)表示飞行器平均弦长,表示俯仰力矩对俯仰舵偏角的导数。
进一步地,fγ、gγ、fq和gq是包含气动参数的已知项,dγ为弹道倾角未知影响项、dq为俯仰角速度未知影响项,二者均是由于飞行器变形导致不确定和外部扰动共同引起的未知影响项。
在一个优选的实施方式中,变体飞行器变形过程中产生的惯性力可表示为:
其中,Sx(ξ)为变体飞行器的静力矩,可表示为:
Sx(ξ)≈2m1r1x+m3r3x
m1和m3分别表示变体飞行器机翼和机身的质量;r1x和r3x分别表示机翼和机身在弹体坐标系中的位置。
进一步地,飞行器的升力L可表示为:
飞行器的俯仰力矩MA可表示为:
其中,和/>分别表示气动力导数及气动力矩系数导数随后掠角ξ变化的拟合多项式。
根据本发明,反演自适应控制器的跟踪误差设置为高度跟踪误差、弹道倾角跟踪误差、俯仰角跟踪误差和俯仰角速度跟踪误差。
进一步优选地,所述反演自适应控制器的设置,如图2所示,包括以下步骤:
S21、设置弹道倾角虚拟控制率γr,消除高度跟踪误差;
S22、设置俯仰角虚拟控制率θr,消除引入弹道倾角虚拟控制率γr的弹道倾角跟踪误差;
S23、设置俯仰角速度虚拟控制率qr,消除引入俯仰角虚拟控制率θr的俯仰角跟踪误差;
S24、设置控制律δe,消除引入俯仰角速度虚拟控制率qr的俯仰角速度跟踪误差。
S21中,所述弹道倾角虚拟控制率γr设置为:
其中,k1为可设定常数,hr为高度指令,e1为高度跟踪误差,表示为e1=h-hr;
进一步地,根据本发明,高度指令hr为常数,且
由高度跟踪误差e1=h-hr,对e1求时间的导数可得:
即,设置弹道倾角虚拟控制率γr后,所述高度跟踪误差的导数为:
其中,e2为弹道倾角跟踪误差,表示为e2=γ-γr。
在一个优选的实施方式中,S22中,所述俯仰角虚拟控制率θr设置为:
其中,是对RBF神经网络逼近误差的不确定性补偿项,优选设置为/>l1为可设计参数,/>为由RBF自适应逼近得到的弹道倾角未知影响项的控制补偿,k2为可设定常数,/>为对γr的一阶导数;
优选地,弹道倾角未知影响项的控制补偿设置为/>
由弹道倾角跟踪误差e2=γ-γr,对e2求时间的导数可得:
即,设置俯仰角虚拟控制率θr后,所述弹道倾角跟踪误差的导数为:
其中,e3表示俯仰角跟踪误差,为RBF神经网络针对弹道倾角未知影响项的自适应权值,该自适应权值的自适应律/>设置为:/>
τ表示自适应律系数,优选地,其设置为τ=0.001。
发明人发现,采用传统方式获得γr一阶导数,即连续求导的方式,会导致“微分爆炸”问题,并且由于初值设置不同使得跟踪误差过大,将会导致控制超调问题。
根据本发明一个优选实施方式,设置弹道倾角二阶指令滤波器获取γr的一阶导数所述弹道倾角二阶指令滤波器表示为:
其中,为中间变量,/>表示对γr的一阶导数,η2为可设定常数,λ2为可设定常数。
在本发明中,通过设置弹道倾角二阶指令滤波器,能够避免“微分爆炸”问题,并解决控制超调问题。
在一个优选的实施方式中,S23中,所述俯仰角速度虚拟控制率qr设置为:
其中,k3为可设定常数,为对θr的一阶导数;
由俯仰角跟踪误差e3=θ-θr,对e3求时间的导数可得:
令即,设置俯仰角速度虚拟控制率qr后,所述弹道倾角跟踪误差的导数为:
其中,e4表示俯仰角速度跟踪误差,表示为e3=θ-θr。
发明人发现,采用传统方式获得θr一阶导数,即连续求导的方式,会导致“微分爆炸”问题,并且由于初值设置不同使得跟踪误差过大,将会导致控制超调问题。
在一个优选的实施方式中,设置俯仰角二阶指令滤波器获取θr的一阶导数,所述俯仰角二阶指令滤波器表示为:
其中,为中间变量,/>表示对θr的一阶导数,η3为可设定常数,λ3为可设定常数。
在本发明中,通过设置俯仰角二阶指令滤波器,能够避免“微分爆炸”问题,同时能够解决由于初值设置不同使得跟踪误差过大导致的控制超调问题。
在一个优选的实施方式中,S24中,所述控制律δe设置为:
其中,是对RBF神经网络逼近误差的扰动补偿项,优选地,/>l2为可设计参数,/>为对qr的一阶导数,由于俯仰角与俯仰角速度的微分关系,/> 为由RBF自适应逼近得到的俯仰角速度未知影响项的控制补偿,
优选地,设置为:
其中,为RBF神经网络针对俯仰角速度未知影响项的自适应权值,优选地,该自适应权值的自适应律/>设置为:/>
σ表示自适应律系数,优选设置为σ=0.1。
由俯仰角跟踪误差e4=q-qr,对e4求时间的导数可得:
令即,设置控制律后,所述俯仰角速度跟踪误差的导数表示为:
在本发明中,还对上述优选的基于RBF神经网络的变体飞行器自适应反演控制方法进行了稳定性分析,具体地:
首先,定义李雅普诺夫函数对其求时间的导数可得:
接着,定义李雅普诺夫函数对其求时间的导数可得:
由于RBF神经网络权值的自适应律为:
可得:
其次,定义李雅普诺夫函数对其求时间的导数可得:
最后,定义李雅普诺夫函数对其求时间的导数可得:
由于RBF神经网络权值的自适应律为:
可得:
由于神经网络逼近误差有界即|εγ|≤εN、|εq|≤εN,可得:
令通过设计合适参数l1、l2使得|l1+l2|≥|e2+e4|,则有/>最终使得控制系统稳定。
实施例
实施例1
进行仿真实验,仿真中的气动力、气动力矩及飞行器模型参数采用文献[Wu,Z.,Lu,J.,Rajput,J.,Shi,J.,Ma,W.:Adaptive neural control based on high orderintegral chained differentiator for morphing aircraft.Math.Probl.Eng.(2015).]中提供的数据,空气动力系数不确定性设置为20%。飞行器高度跟踪控制仿真的初值设为:[h0,γ0,θ0,q0]=[1100m,0°,1°,0°/s],高度跟踪指令为hr=1200m,飞行速度设为V=40m/s。变体飞行器后掠角随时间改变,为模拟变体飞行器飞行过程中后掠角变化的场景,设置后掠角在飞行时间的前20s内从0°变化至45°后保持不变,后掠角变化曲线如图3所示。
采用基于RBF神经网络的变体飞行器自适应反演控制方法进行模拟控制,包括以下步骤:
设置RBF神经网络估计弹道倾角未知影响项dγ和俯仰角速度未知影响项dq;
设置反演自适应控制器,将RBF神经网络的权值更新率加入至控制器的控制律中,通过反演自适应控制器实现对变体飞行器的控制。
其中所述RBF神经网络表示为:
径向基函数Φ()表示为:
Φ(x)={Φ1(x)、Φ2(x)、…、Φj(x)、…、Φn(x)}
其中,隐含层神经元数量设置为5个。
所述反演自适应控制器的控制对象模型设置为变体飞行器纵向高度模型,表示为:
其中,
/>
其中,在纵向动力学模型中涉及到的不确定外部扰动设计为Δdγ=2e-0.1tsin(0.1t)°,Δdq=10e-0.05tsin(0.1t)°。
反演自适应控制器的跟踪误差设置为高度跟踪误差、弹道倾角跟踪误差、俯仰角跟踪误差和俯仰角速度跟踪误差。
所述反演自适应控制器的设置,包括以下步骤:
S21、设置弹道倾角虚拟控制率γr,消除高度跟踪误差;
S22、设置俯仰角虚拟控制率θr,消除引入弹道倾角虚拟控制率γr的弹道倾角跟踪误差;
S23、设置俯仰角速度虚拟控制率qr,消除引入俯仰角虚拟控制率θr的俯仰角跟踪误差;
S24、设置控制律δe,消除引入俯仰角速度虚拟控制率qr的俯仰角速度跟踪误差。
S21中,所述弹道倾角虚拟控制率γr设置为:
设置弹道倾角虚拟控制率γr后,所述高度跟踪误差的导数为:
其中,k1=3,e2=γ-γr。
S22中,所述俯仰角虚拟控制率θr设置为:
其中,k2=5,弹道倾角未知影响项的控制补偿设置为/>
设置俯仰角虚拟控制率θr后,所述弹道倾角跟踪误差的导数为:
其中,自适应权值的自适应律设置为:/>
设置弹道倾角二阶指令滤波器获取γr的一阶导数所述弹道倾角二阶指令滤波器表示为:
其中,λ2=10,η2=0.707。
S23中,所述俯仰角速度虚拟控制率qr设置为:
其中,k3=6,设置俯仰角速度虚拟控制率qr后,所述弹道倾角跟踪误差的导数为:
设置俯仰角二阶指令滤波器获取θr的一阶导数,所述俯仰角二阶指令滤波器表示为:
其中,λ3=20,η3=0.707。
S24中,所述控制律δe设置为:
其中,设置为:
设置控制律后,所述俯仰角速度跟踪误差的导数表示为:
对比例1
进行与实施例1相同的实验,区别在于,采用文献Li,G.,Q,W.:Switching controlof morphing aircraft based on Q-learning,Chin.J.Aeronaut,33(2),672-687(2020).中提出的外环控制器进行。
对比例2
进行与实施例1相同的实验,区别在于,不设置RBF神经网络,仍然采用反演自适应控制器实现对变体飞行器的控制,其中,反演自适应控制器中不具有RBF神经网络的权值。
实施例1、对比例1和对比例2中获得的仿真结果如图4-10所示,其中,m1表示实施例1中的仿真曲线,m2表示对比例1中的仿真曲线,m3表示对比例1中的仿真曲线;图4示出了变体飞行器高度跟踪曲线,图5示出了变体飞行器弹道倾角γ变化曲线,图6示出了变体飞行器攻角α变化曲线,图7示出了变体飞行器俯仰角速度q变化曲线,图8示出了变体飞行器控制输入舵偏角δe变化曲线。
从图4可以看出,实施例1、对比例1和对比例2中的控制方法均可保证高度曲线有效跟踪高度指令且能够使跟踪误差收敛,从图4中的局部放大图可以看出m1的收敛速度和跟踪误差精度均优于m2和m3。
从图5-8中可以看出,实施例1、对比例1和对比例2中的控制方法都保证有界且收敛,可以看出在t∈[0,20s]内由于飞行器后掠角的变化,m2的各状态量γ、α、q及控制量δe产生明显抖颤,m3由于受到飞行器变形过程中不确定扰动的影响出现了变化幅度较大的状态量与控制量,相比之下m1的控制效果最优。
图9示出了实施例1中对不确定项dγ的估计值与实际值,图10示出了实施例1中对不确定项dq的估计值与实际值,可以看出,估计值与实际值之间的误差可控制在±0.05%以内,说明实施例1中的方法可有效抑制系统中的不确定扰动,具有良好的准确性。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系,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”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”“相连”“连接”应作广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体的连接普通;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,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。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (10)
1.一种基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,包括以下步骤:
设置RBF神经网络估计由于飞行器变形导致模型不确定以及外部扰动共同引起的弹道倾角未知影响项dγ和俯仰角速度未知影响项dq,获得RBF神经网络针对弹道倾角未知影响项的自适应权值以及RBF神经网络针对俯仰角速度未知影响项的自适应权值/>
设置反演自适应控制器,将RBF神经网络的自适应权值加入至控制器的控制律中,通过反演自适应控制器实现对变体飞行器的控制。
2.根据权利要求1所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
所述RBF神经网络表示为:
其中,x1,x2为RBF神经网络的输入向量,Wγ、Wq为RBF神经网络的权值参数,εγ、εq为RBF神经网络的逼近误差,Φ()是径向基函数。
3.根据权利要求1所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
所述反演自适应控制器的控制对象模型设置为变体飞行器纵向高度模型,表示为:
其中,
θ=α+γ
h表示飞行器高度、γ表示弹道倾角、θ表示俯仰角、α表示攻角、q俯仰角速度、V表示飞行器速度;m表示飞行器的质量、g表示重力加速度、Iy表示飞行器的转动惯量;
ξ表示后掠角,L0(ξ)表示0°攻角下的升力,Lα(ξ)表示升力对攻角的导数;T表示飞行器的推力,FIKz表示变体飞行器变形过程中产生的惯性力,ZT表示飞行器的推力臂,MA0(ξ)表示α=q=δe=0°时的俯仰力矩,MAα(ξ)表示俯仰力矩对攻角的导数,MAq(ξ)表示俯仰力矩对俯仰角速度的导数,cA(ξ)表示飞行器平均弦长,表示俯仰力矩对俯仰舵偏角的导数。
4.根据权利要求1所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
反演自适应控制器的跟踪误差设置为高度跟踪误差、弹道倾角跟踪误差、俯仰角跟踪误差和俯仰角速度跟踪误差。
5.根据权利要求4所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
所述反演自适应控制器的设置,包括以下步骤:
S21、设置弹道倾角虚拟控制率γr,消除高度跟踪误差;
S22、设置俯仰角虚拟控制率θr,消除引入弹道倾角虚拟控制率γr的弹道倾角跟踪误差;
S23、设置俯仰角速度虚拟控制率qr,消除引入俯仰角虚拟控制率θr的俯仰角跟踪误差;
S24、设置控制律δe,消除引入俯仰角速度虚拟控制率qr的俯仰角速度跟踪误差。
6.根据权利要求5所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
S21中,所述弹道倾角虚拟控制率γr设置为:
其中,k1为可设定常数,hr为高度指令,e1为高度跟踪误差,表示为e1=h-hr;
设置弹道倾角虚拟控制率γr后,所述高度跟踪误差的导数为:
其中,e2为弹道倾角跟踪误差,表示为e2=γ-γr。
7.根据权利要求5所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
S22中,所述俯仰角虚拟控制率θr设置为:
其中,是对RBF神经网络逼近误差的不确定性补偿项,/>为由RBF自适应逼近得到的弹道倾角未知影响项的控制补偿,k2为可设定常数,/>为对γr的一阶导数;
优选地,弹道倾角未知影响项的控制补偿设置为/>
设置俯仰角虚拟控制率θr后,所述弹道倾角跟踪误差的导数为:
其中,e3表示俯仰角跟踪误差,为RBF神经网络的针对弹道倾角未知影响项的自适应权值,该自适应权值的自适应律/>设置为:/>
τ表示自适应律系数。
8.根据权利要求5所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
设置弹道倾角二阶指令滤波器获取γr的一阶导数所述弹道倾角二阶指令滤波器表示为:
其中,为中间变量,/>表示对γr的一阶导数,η2为可设定常数,λ2为可设定常数。
9.根据权利要求5所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
S23中,所述俯仰角速度虚拟控制率qr设置为:
其中,k3为可设定常数,为对θr的一阶导数,
设置俯仰角速度虚拟控制率qr后,所述弹道倾角跟踪误差的导数为:
其中,e4表示俯仰角速度跟踪误差,表示为e3=θ-θr。
10.根据权利要求5所述的基于RBF神经网络的变体飞行器自适应反演控制方法,其特征在于,
S24中,所述控制律δe设置为:
其中,是对RBF神经网络逼近误差的扰动补偿项,/>为对qr的一阶导数,/>为由RBF自适应逼近得到的俯仰角速度未知影响项的控制补偿,
优选地,设置为:
其中,为RBF神经网络针对俯仰角速度未知影响项的自适应权值,该自适应权值的自适应律/>设置为:/>σ表示自适应律系数,
设置控制律后,所述俯仰角速度跟踪误差的导数表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310503743.XA CN116560232A (zh) | 2023-05-06 | 2023-05-06 | 基于rbf神经网络的变体飞行器自适应反演控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310503743.XA CN116560232A (zh) | 2023-05-06 | 2023-05-06 | 基于rbf神经网络的变体飞行器自适应反演控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116560232A true CN116560232A (zh) | 2023-08-08 |
Family
ID=87487403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310503743.XA Pending CN116560232A (zh) | 2023-05-06 | 2023-05-06 | 基于rbf神经网络的变体飞行器自适应反演控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116560232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687308A (zh) * | 2024-02-02 | 2024-03-12 | 北京理工大学 | 基于固定时间神经网络观测器的变体飞行器容错控制方法 |
-
2023
- 2023-05-06 CN CN202310503743.XA patent/CN116560232A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687308A (zh) * | 2024-02-02 | 2024-03-12 | 北京理工大学 | 基于固定时间神经网络观测器的变体飞行器容错控制方法 |
CN117687308B (zh) * | 2024-02-02 | 2024-04-19 | 北京理工大学 | 基于固定时间神经网络观测器的变体飞行器容错控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807663B (zh) | 基于自适应控制的无人机编队保持控制方法 | |
CN109725644B (zh) | 一种高超声速飞行器线性优化控制方法 | |
CN108445766B (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 | |
CN110119089B (zh) | 一种基于积分滑模的浸入不变流型自适应四旋翼控制方法 | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
CN109901606A (zh) | 一种用于四旋翼精确轨迹跟踪的混合有限时间控制方法 | |
CN111290421A (zh) | 一种考虑输入饱和的高超声速飞行器姿态控制方法 | |
CN112363519B (zh) | 四旋翼无人机强化学习非线性姿态控制方法 | |
CN110908281A (zh) | 无人直升机姿态运动有限时间收敛强化学习控制方法 | |
CN107807657B (zh) | 一种基于路径规划的挠性航天器姿态自适应控制方法 | |
CN112578805B (zh) | 一种旋翼飞行器的姿态控制方法 | |
CN113759979B (zh) | 基于事件驱动的无人机吊挂系统在线轨迹规划方法 | |
CN111650830A (zh) | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 | |
CN112947518B (zh) | 一种基于干扰观测器的四旋翼鲁棒姿态控制方法 | |
CN113778129B (zh) | 一种干扰补偿的高超声速变后掠翼飞行器跟踪控制方法 | |
CN111045440B (zh) | 一种高超声速飞行器俯冲段快速滚转控制方法 | |
CN111522352B (zh) | 多旋翼飞行器单参数自抗扰姿态控制器设计方法 | |
CN116560232A (zh) | 基于rbf神经网络的变体飞行器自适应反演控制方法 | |
CN110209192A (zh) | 战斗机航向增稳控制系统设计方法 | |
CN112327926B (zh) | 一种无人机编队的自适应滑模控制方法 | |
CN111240204B (zh) | 一种基于模型参考滑模变结构控制的巡飞弹控制方法 | |
CN112631316A (zh) | 变负载四旋翼无人机的有限时间控制方法 | |
CN110347036B (zh) | 基于模糊滑模控制的无人机自主抗风智能控制方法 | |
CN114721266B (zh) | 飞机舵面结构性缺失故障情况下的自适应重构控制方法 | |
Ansari et al. | Retrospective cost adaptive control of generic transport model under uncertainty and failure |
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 |