CN117687308B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117687308B CN117687308B CN202410147716.8A CN202410147716A CN117687308B CN 117687308 B CN117687308 B CN 117687308B CN 202410147716 A CN202410147716 A CN 202410147716A CN 117687308 B CN117687308 B CN 117687308B
- Authority
- CN
- China
- Prior art keywords
- representing
- aircraft
- neural network
- disturbance
- fault
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000000052 comparative effect Effects 0.000 description 51
- 238000004088 simulation Methods 0.000 description 47
- 238000010276 construction Methods 0.000 description 3
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种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包括以下步骤：建立含有系统扰动项的变体飞行器纵向动力学模型，设置执行机构故障模型，获得变体飞行器容错模型，将由模型不确定及飞行器变形引起的扰动和执行机构故障对飞行器的影响作为综合扰动，将所述变体飞行器容错模型分解为高度子系统和速度子系统；设置固定时间神经网络扰动观测器，基于固定时间神经网络扰动观测器，设置速度控制器对速度指令进行稳定跟踪，设置高度控制器对高度指令进行稳定跟踪，实现对变体飞行器的控制。本发明公开的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具有误差收敛快、鲁棒性强、稳定性强等优点。
Description
技术领域
本发明涉及一种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，属于飞行器控制技术领域。
背景技术
相比于传统固定翼飞行器，变体飞行器可以通过改变气动外形在不同飞行条件下保持最优的性能。然而，随着变体飞行器气动构型的改变，其转动惯量，质量分布，气动力，气动力矩以及特征长度和特征面积也会发生较大变化，这使变体飞行器具有强耦合，强非线性以及大不确定性的特性，控制难度较高。
现有的变体飞行器控制方法有线性控制方法和非线性控制方法，其中，线性控制方法包括线性变参（LPV）、PID控制、切换控制等，由于变体飞行器动力学模型的强非线性特性导致线性控制方法具有局限性，主流控制方法多采用非线性控制。
非线性控制方法包括动态逆控制、滑模控制以及反演自适应控制等，非线性控制方法虽然可以解决变体飞行器控制中的不确定扰动问题，但很少考虑闭环系统跟踪误差的收敛速率问题。飞行器恶劣的飞行环境以及复杂结构的磨损，容易导致执行机构发生故障或部分失效，从而降低非线性控制性能，影响系统稳定性。
因此，有必要对现有的变体飞行器控制方法进一步研究，以期获得一种误差快速收敛、对于系统未知动态自适应能力强且对于时变综合扰动具有强鲁棒性的控制方法。
发明内容
为了克服上述问题，本发明人进行了深入研究，提出了一种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，包括以下步骤：
建立含有系统扰动项的变体飞行器纵向动力学模型，所述系统扰动项由模型不确定及飞行器变形引起；
设置执行机构故障模型，用于表征执行机构故障对飞行器的影响；
基于执行机构故障模型与变体飞行器纵向动力学模型，获得变体飞行器容错模型，所述变体飞行器容错模型中，将由模型不确定及飞行器变形引起的扰动和执行机构故障对飞行器的影响作为综合扰动，将所述变体飞行器容错模型分解为高度子系统和速度子系统；
设置固定时间神经网络扰动观测器，用于对变体飞行器容错模型中速度子系统、高度子系统中的综合扰动进行观测；
基于固定时间神经网络扰动观测器，设置速度控制器对速度指令进行稳定跟踪，设置高度控制器对高度指令进行稳定跟踪，实现对变体飞行器的控制。
在一个优选的实施方式中，所述变体飞行器纵向动力学模型表示为：
其中，表示飞行速度，/>表示高度，/>表示弹道倾角，/>表示攻角，/>表示俯仰角，/>表示俯仰角速度；/>表示飞行器的质量，/>表示重力加速度，/>表示飞行器的转动惯量；/>表示飞行器的推力，/>表示飞行器的推力臂，/>表示变体飞行器变形过程中产生的惯性力在X方向上的分力，/>表示变体飞行器变形过程中产生的惯性力在Z方向上的分力，/>表示变体飞行器变形过程中产生的惯性力矩，/>表示变体飞行器的静力矩，/>表示飞行器俯仰力矩。
在一个优选的实施方式中，所述执行机构故障模型表示为：
其中，表示当前时刻，/>为发生故障的时间，/>、/>为需要设计的控制量，、/>为故障增益，/>、/>为执行器故障偏置。
在一个优选的实施方式中，将所述变体飞行器纵向动力学模型分解为变体飞行器动力学纵向高度子系统和速度子系统，基于执行机构故障模型与变体飞行器动力学纵向高度子系统，获得变体飞行器容错模型高度子系统，表示为：
基于执行机构故障模型与变体飞行器动力学速度子系统，获得变体飞行器容错模型速度子系统，表示为：
，/>，/>，/>。
其中，为变体飞行器容错模型的综合扰动。
在一个优选的实施方式中，所述固定时间神经网络扰动观测器具有多个，对不同的参量进行观测；
设置第一固定时间神经网络扰动观测器对速度子系统进行观测，获得速度子系统中的综合扰动，
所述第一固定时间神经网络扰动观测器表示为：
其中，表示该观测器估计的综合扰动，/>为正数，/>为负常数，/>表示速度控制器的跟踪误差，/>表示神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>表示速度跟踪误差，/>，/>表示飞行器速度，/>表示速度指令，/>、/>为常数项。
在一个优选的实施方式中，所述速度控制器的控制律设置为：
其中，表示飞行器的推力，/>表示对/>的转置。
在一个优选的实施方式中，所述高度控制器的控制率通过以下步骤获得：
S41、设置第一虚拟控制律，获得高度跟踪误差变化率/>；
S42、设置第二固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得弹道倾角跟踪过程中的综合扰动，
设置第二虚拟控制率，获得弹道倾角跟踪误差变化率/>；
S43、设置第三虚拟控制律，获得俯仰角跟踪误差变化率/>；
S44、设置第三固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得俯仰角速度跟踪过程中的综合扰动，
设置高度子系统控制律，实现对飞行器高度的控制。
在一个优选的实施方式中，将观测高度子系统的第二固定时间神经网络扰动观测器设置为：
其中，表示该观测器估计的综合扰动，/>为正数，/>为负常数，/>表示弹道倾角跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，/>为弹道倾角跟踪误差。
在一个优选的实施方式中，所述第三固定时间神经网络扰动观测器设置为：
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，表示俯仰角速度跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，/>为俯仰角速度跟踪误差。
在一个优选的实施方式中，所述高度子系统控制律表示为：
其中，为正常数，/>为俯仰角跟踪误差，/>表示对/>的转置。
本发明所具有的有益效果包括：
（1）不仅可以保证跟踪误差在固定时间内收敛至零的任意小领域，而且收敛时间不依赖于系统初始状态；
（2）可以在模型项无法完全已知的情况下估计未知扰动，并且取消不确定扰动项导数有界的假设，使得所设计的固定时间扰动观测器可估计高频时变扰动；
（3）同时考虑了变体飞行器模型不确定、形变产生的外部扰动以及执行器故障等情况，通过将固定时间收敛理论与神经网络相结合，所设计的基于固定时间神经网络观测器的自适应反演容错控制方法具有更好的自适应性以及更强的鲁棒性。
附图说明
图1示出根据本发明一种优选实施方式的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方法流程示意图；图2示出实施例1中后掠角变化曲线；图3示出了情况一时，实施例1与对比例1高度跟踪曲线仿真结果，图4示出了情况一时，实施例1与对比例1高度跟踪误差仿真结果，图5示出了情况一时，实施例1与对比例1速度跟踪曲线仿真结果，图6示出了情况一时，实施例1与对比例1速度跟踪误差仿真结果，图7示出了情况一时，实施例1与对比例1弹道倾角变化曲线仿真结果，图8示出了情况一时，实施例1与对比例1俯仰角角变化曲线仿真结果，图9示出了情况一时，实施例1与对比例1俯仰角速度变化曲线仿真结果，图10示出了情况一时，实施例1与对比例1俯仰舵偏角变化曲线仿真结果，图11示出了情况一时，实施例1与对比例1推力变化曲线仿真结果，图12示出了情况二时，实施例1与对比例1高度跟踪曲线仿真结果，图13示出了情况二时，实施例1与对比例1高度跟踪误差仿真结果，图14示出了情况二时，实施例1与对比例1速度跟踪曲线仿真结果，图15示出了情况二时，实施例1与对比例1速度跟踪误差仿真结果，图16示出了情况二时，实施例1与对比例1弹道倾角变化曲线仿真结果，图17示出了情况二时，实施例1与对比例1俯仰角角变化曲线仿真结果，图18示出了情况二时，实施例1与对比例1俯仰角速度变化曲线仿真结果，图19示出了情况二时，实施例1与对比例1俯仰舵偏角变化曲线仿真结果，图20示出了情况二时，实施例1与对比例1推力变化曲线仿真结果。
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固定时间神经网络观测器的变体飞行器容错控制方法，如图1所示，包括以下步骤：
建立含有系统扰动项的变体飞行器纵向动力学模型，所述系统扰动项由模型不确定及飞行器变形引起；
设置执行机构故障模型，用于表征执行机构故障对飞行器的影响；
基于执行机构故障模型与变体飞行器纵向动力学模型，获得变体飞行器容错模型，所述变体飞行器容错模型中，将由模型不确定及飞行器变形引起的扰动和执行机构故障对飞行器的影响作为综合扰动，将所述变体飞行器容错模型分解为高度子系统和速度子系统；
设置固定时间神经网络扰动观测器，用于对变体飞行器容错模型中速度子系统、高度子系统中的综合扰动进行观测；
基于固定时间神经网络扰动观测器，设置速度控制器对速度指令进行稳定跟踪，设置高度控制器对高度指令进行稳定跟踪，实现对变体飞行器的控制。
所述变体飞行器纵向动力学模型表示为：
其中，表示飞行速度，/>表示高度，/>表示弹道倾角，/>表示攻角，/>表示俯仰角，/>表示俯仰角速度；/>表示飞行器的质量，/>表示重力加速度，/>表示飞行器的转动惯量；/>表示飞行器的推力，/>表示飞行器的推力臂，/>表示变体飞行器变形过程中产生的惯性力在X方向上的分力，/>表示变体飞行器变形过程中产生的惯性力在Z方向上的分力，/>表示变体飞行器变形过程中产生的惯性力矩。
优选地，、/>和/>表示为：
其中，为变体飞行器的静力矩，可表示为：
表示变体飞行器机翼的质量，/>表示变体飞行器机身的质量；/>表示机翼弹体坐标系中的位置，/>表示机身在弹体坐标系中的位置，/>为飞行器的阻力，/>为飞行器的升力，/>为飞行器的俯仰力矩。
优选地，、/>和/>表示为：
其中，表示气动力导数随后掠角/>变化的拟合多项式，/>表示气动力矩系数导数随后掠角/>变化的拟合多项式，/>是后掠角，/>表示俯仰舵偏角；/>表示特征面积，表示平均弦长，/>表示动压，优选为/>，其中/>是空气密度。
根据本发明，所述变体飞行器纵向动力学模型可分解为变体飞行器动力学纵向高度子系统和速度子系统，其中，
所述变体飞行器动力学纵向高度子系统表示为：
其中，、/>、/>，/>、/>、，
其中，表示飞行器高度，/>表示飞行速度，/>表示弹道倾角，/>、/>、/>、是由于飞行器变形引起的不确定和外部扰动引起的系统扰动未知项，/>和/>是包含气动参数的已知项，/>表示俯仰角，/>表示俯仰角速度，/>表示俯仰舵偏角，/>表示零攻角下的升力，/>表示升力对攻角的导数，/>表示飞行器的质量，/>表示重力加速度，/>表示飞行器的推力，/>表示攻角，/>表示变体飞行器变形过程中产生的惯性力在X方向上的分量，/>为由模型不确定和外部扰动引起的相关扰动，/>表示飞行器的推力臂，/>表示后掠角，/>表示零攻角下的俯仰力矩，/>表示俯仰力矩对攻角的导数，/>表示飞行器的转动惯量，/>表示俯仰力矩对俯仰角速度的导数，/>表示平均弦长，/>表示俯仰力矩对俯仰舵偏角的导数，/>表示变体飞行器变形过程中产生的惯性力矩，/>表示变体飞行器的静力矩，/>、/>均为由模型不确定和外部扰动引起的系统扰动。
进一步地，。
所述变体飞行器动力学速度子系统表示为：
其中，为系统扰动的未知项，/>表示飞行器的阻力，/>表示飞行过程中由模型不确定及飞行器变形引起的扰动。
所述执行机构故障模型表示为：
其中，表示当前时刻，/>为发生故障的时间，/>、/>为需要设计的控制量，/>、/>为故障增益，优选地，/>，/>，/>、/>为执行器故障偏置，其中/>，/>是一个未知常数。
基于执行机构故障模型与变体飞行器动力学纵向高度子系统，获得变体飞行器容错模型高度子系统，表示为：
基于执行机构故障模型与变体飞行器动力学速度子系统，获得变体飞行器容错模型速度子系统，表示为：
则，所述变体飞行器容错模型中高度子系统表示为：
所述变体飞行器容错模型中速度子系统表示为：
，/>，/>，/>。
其中，、/>、/>、/>为变体飞行器容错模型的综合扰动。
所述固定时间神经网络扰动观测器，基于RBF神经网络设置。
RBF神经网络是一种单隐层神经网络，可以按任意精度对连续且有界的函数进行全局逼近，具有收敛速度快和逼近能力强等优点，其可将输入到输出之间的映射关系表示为：
其中，为RBF神经网络的输入向量，/>为RBF神经网络的权值参数，/>为RBF神经网络的逼近误差，/>是径向基函数，通常为高斯函数，表示为：
其中，和/>分别表示隐含层第j个神经元高斯函数中心点的坐标向量和宽度。
根据本发明，将神经网络与固定时间收敛方法相结合，设计获得所述固定时间神经网络扰动观测器，对变体飞行器模型不确定、变形过程中的扰动以及执行器故障产生的综合扰动进行观测。
根据本发明，所述固定时间神经网络扰动观测器具有多个，对不同的参量进行观测。优选地，多个固定时间神经网络扰动观测器的结构相同，仅神经网络中的可学习参数不同。
在本发明中，设置第一固定时间神经网络扰动观测器对速度子系统进行观测，获得速度子系统中的综合扰动，将观测速度子系统的第一固定时间神经网络扰动观测器表示为：
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，/>表示速度控制器的跟踪误差，/>表示神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>表示速度跟踪误差，/>，/>表示飞行器速度，/>表示速度指令，/>、/>为常数项，优选地，/>、/>。
优选地，该观测器神经网络的输入设置为/>。
具体地，对求时间的导数可得：
采用第一固定时间神经网络扰动观测器获得：
，/>
设计为对/>的估计值，并满足：
其中为对/>的估计值，定义估计误差为/>，/>，可得：
/>
构造函数以估计/>，设计两者估计误差为/>，/>设计为下式：
。
联立上式可得
所述速度控制器的控制律设置为：
其中，表示飞行器的推力，同时也是速度子系统控制率，在本发明中，上标/>表示转置。
根据本发明，所述高度控制器的控制率通过以下步骤获得：
S41、设置第一虚拟控制律，获得高度跟踪误差变化率/>；
S42、设置第二固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得弹道倾角跟踪过程中的综合扰动，
设置第二虚拟控制率，获得弹道倾角跟踪误差变化率/>；
S43、设置第三虚拟控制律，获得俯仰角跟踪误差变化率/>；
S44、设置第三固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得俯仰角速度跟踪过程中的综合扰动，
设置高度子系统控制律，实现对飞行器高度的控制。
S41中，所述第一虚拟控制律设置为：
其中，为正常数，/>为高度跟踪误差，/>，/>表示飞行器的高度，/>为高度指令。
所述高度跟踪误差变化率表示为：
其中，为弹道倾角跟踪误差，/>，/>为飞行器的弹道倾角。
S42中，将观测高度子系统的第二固定时间神经网络扰动观测器设置为：
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，表示弹道倾角跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，优选地，/>、。
优选地，该观测器神经网络的输入设置为/>。
具体地，对求时间的导数可得：
采用固定时间神经网络扰动观测器获得：
，/>
设计为对/>的估计值，并满足：
其中为对/>的估计值，定义估计误差为/>，/>，可得：
构造函数以估计/>，设计两者估计误差为/>，/>设计为下式：
。
联立上式可得
所述第二虚拟控制率设置为：
其中，为正常数。
所述弹道倾角跟踪误差变化率表示为：
其中，表示变体飞行器容错模型高度子系统中的综合扰动，
其中，表示飞行器的俯仰角。
S43中，优选地，设置滤波器对第二虚拟控制率进行滤波，以避免对虚拟控制律连续求导导致的“微分爆炸”问题。
所述滤波器优选为二阶指令滤波器，在本发明中，对所述二阶指令滤波器的具体结构不做限定，本领域技术人员可根据实际需要自由设置，例如设置为:
其中，、/>为可设置参数。
所述第三虚拟控制律设置为：
其中，为正常数。
获得俯仰角跟踪误差变化率表示为：
其中，为俯仰角速度跟踪误差，表示为/>，其中，/>表示飞行器的俯仰角速度。
S44中，所述第三固定时间神经网络扰动观测器设置为：
/>
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，表示俯仰角速度跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，优选地，/>、。
优选地，该观测器神经网络的输入设置为/>。
具体地，对求时间的导数可得：
通过第三固定时间神经网络扰动观测器估计，获得：
，/>
为对/>的估计值并满足：
其中为对/>的估计值，定义估计误差为/>，/>
可得：
构造函数以估计/>，设计两者估计误差为/>，/>设计为下式：
可得:
所述高度子系统控制律表示为：
/>
其中，为正常数。
则有：。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
实施例
实施例1
进行变体飞行器控制仿真实验，控制方法包括以下步骤：
建立含有系统扰动项的变体飞行器纵向动力学模型，所述系统扰动项由模型不确定及飞行器变形引起；
设置执行机构故障模型，用于表征执行机构故障对飞行器的影响；
基于执行机构故障模型与变体飞行器纵向动力学模型，获得变体飞行器容错模型，所述变体飞行器容错模型中，将由模型不确定及飞行器变形引起的扰动和执行机构故障对飞行器的影响作为综合扰动，将所述变体飞行器容错模型分解为高度子系统和速度子系统；
设置固定时间神经网络扰动观测器，用于对变体飞行器容错模型中速度子系统、高度子系统中的综合扰动进行观测；
基于固定时间神经网络扰动观测器，设置速度控制器对速度指令进行稳定跟踪，设置高度控制器对高度指令进行稳定跟踪，实现对变体飞行器的控制。
所述变体飞行器纵向动力学模型表示为：
所述执行机构故障模型表示为：
将所述变体飞行器纵向动力学模型分解为变体飞行器动力学纵向高度子系统和速度子系统，基于执行机构故障模型与变体飞行器动力学纵向高度子系统，获得变体飞行器容错模型高度子系统，表示为：
基于执行机构故障模型与变体飞行器动力学速度子系统，获得变体飞行器容错模型速度子系统，表示为：
。
所述固定时间神经网络扰动观测器具有多个，对不同的参量进行观测。
设置第一固定时间神经网络扰动观测器对速度子系统进行观测，获得速度子系统中的综合扰动，
所述第一固定时间神经网络扰动观测器表示为：
所述速度控制器的控制律设置为：
所述高度控制器的控制率通过以下步骤获得：
S41、设置第一虚拟控制律，获得高度跟踪误差变化率/>；
S42、设置第二固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得弹道倾角跟踪过程中的综合扰动，
设置第二虚拟控制率，获得弹道倾角跟踪误差变化率/>；
S43、设置第三虚拟控制律，获得俯仰角跟踪误差变化率/>；
S44、设置第三固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得俯仰角速度跟踪过程中的综合扰动，
设置高度子系统控制律，实现对飞行器高度的控制。/>
所述第一虚拟控制律设置为：
所述高度跟踪误差变化率表示为：
S42中，将观测高度子系统的第二固定时间神经网络扰动观测器设置为：
所述第二虚拟控制率设置为：
所述弹道倾角跟踪误差变化率表示为：
S43中，所述第三虚拟控制律设置为：
获得俯仰角跟踪误差变化率表示为：
S44中，所述第三固定时间神经网络扰动观测器设置为：
所述高度子系统控制律表示为：
其中，相关参数为：、/>、/>、/>、/>、/>、/>，/>、/>、/>、/>、/>、、/>、/>、/>、/>、/>、/>、、/>、/>、/>、/>。
仿真实验中变体飞行器高度跟踪控制仿真的初值设为：，高度跟踪指令为/>。变体飞行器速度跟踪控制仿真的初值设为：/>，速度跟踪指令为/>，高度及速度跟踪指令通过如下二阶滤波器产生：
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2所示。仿真中对于气动力和气动力矩参数考虑了20%的不确定性,在纵向动力学模型中涉及到的不确定外部扰动设计为，/>，。
仿真过程中，设置两种情况，情况一为执行机构正常工作未发生故障时的高度速度系统跟踪控制仿真；情况二为执行机构发生故障，设置故障函数为：
对比例1
进行与实施例1相同的实验，区别在于，采用WANG X, GUO J, TANG S, et al.Fixed-time disturbance observer based fixed-timeback-stepping control for anair-breathing hypersonic vehicle [J]. ISATransactions, 2019, 88: 233-45.中的方法进行。
对比实施例1与对比例1的结果，在情况一时，即执行机构未发生故障时的结果如图3-11所示，其中，图3示出了实施例1与对比例1高度跟踪曲线仿真结果，图4示出了实施例1与对比例1高度跟踪误差仿真结果，图5示出了实施例1与对比例1速度跟踪曲线仿真结果，图6示出了实施例1与对比例1速度跟踪误差仿真结果，图7示出了实施例1与对比例1弹道倾角变化曲线仿真结果，图8示出了实施例1与对比例1俯仰角角变化曲线仿真结果，图9示出了实施例1与对比例1俯仰角速度变化曲线仿真结果，图10示出了实施例1与对比例1俯仰舵偏角变化曲线仿真结果，图11示出了实施例1与对比例1推力变化曲线仿真结果，
由图3-图6可以看出，实施例1与对比例1两种控制方法均可保证高度及速度曲线有效跟踪高度及速度指令且能够使跟踪误差收敛，由图中的局部放大图可以看出实施例1中的控制方法在高度和速度的跟踪精度和误差收敛速度上明显优于对比例1，实施例1在0-20s内高度及速度的跟踪误差明显小于对比例1，且实施例1中的高度及速度的跟踪误差收敛速度更快；
由图7-图11可以看出，实施例1、对比例1中的方法各状态量的仿真结果都保证有界且收敛，但是内由于飞行器后掠角的变化，对比例1中的各状态量/>、/>、/>及控制量/>、/>产生小幅抖颤且变化幅度明显大于实施例1。
在情况二时，即执行机构发生故障时的结果如图12-图20所示，其中，图12示出了实施例1与对比例1高度跟踪曲线仿真结果，
图13示出了实施例1与对比例1高度跟踪误差仿真结果，
图14示出了实施例1与对比例1速度跟踪曲线仿真结果，
图15示出了实施例1与对比例1速度跟踪误差仿真结果，
图16示出了实施例1与对比例1弹道倾角变化曲线仿真结果，
图17示出了实施例1与对比例1俯仰角角变化曲线仿真结果，
图18示出了实施例1与对比例1俯仰角速度变化曲线仿真结果，
图19示出了实施例1与对比例1俯仰舵偏角变化曲线仿真结果，
图20示出了实施例1与对比例1推力变化曲线仿真结果。
从图12-图15可以看出，实施例1在高度及速度跟踪误差明显小于对比例1，当执行机构在t=10s发生故障时，对比例1的高度及速度跟踪误差产生明显产生大幅增加，对比例1的高度跟踪误差在执行机构发生故障后无法收敛，实施例1的速度跟踪误差在执行机构发生故障后收敛速度明显慢于对比例1，实施例1在执行机构发生故障时的跟踪效果明显优于对比例1。
从图16-图18的仿真结果可以看出，在t=10s执行机构发生故障时对比例1状态量产生大幅抖动，且由于故障函数的时变性状态量、/>、/>逐渐收敛后依然具有小幅抖动，而实施例1在t=10s时产生小幅抖动后迅速收敛且收敛后状态量/>、/>、/>不受执行机构时变故障影响依然稳定输出。
从图19-图20可以看出，实施例1在执行机构故障时的控制量变化小、收敛快且稳定性强，说明实施例1中的方法可以快速估计未知扰动并补偿由外部扰动以及时变的执行机构故障引起的扰动。
综合情况一、情况二，可以看出，当变体飞行器受到变形产生的不确定、外部扰动以及时变的执行机构故障时，实施例1中的方法具有更快的瞬态响应和更高的跟踪精度，并且能够更好的补偿由执行机构故障引起的扰动，具有误差收敛快、鲁棒性强、稳定性强等特点。
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 (1)
1.一种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，其特征在于，包括以下步骤：
建立含有系统扰动项的变体飞行器纵向动力学模型，所述系统扰动项由模型不确定及飞行器变形引起；
设置执行机构故障模型，用于表征执行机构故障对飞行器的影响；
基于执行机构故障模型与变体飞行器纵向动力学模型，获得变体飞行器容错模型，所述变体飞行器容错模型中，将由模型不确定及飞行器变形引起的扰动和执行机构故障对飞行器的影响作为综合扰动，将所述变体飞行器容错模型分解为高度子系统和速度子系统；
设置固定时间神经网络扰动观测器，用于对变体飞行器容错模型中速度子系统、高度子系统中的综合扰动进行观测；
基于固定时间神经网络扰动观测器，设置速度控制器对速度指令进行稳定跟踪，设置高度控制器对高度指令进行稳定跟踪，实现对变体飞行器的控制；
所述变体飞行器纵向动力学模型表示为：
；
其中，表示飞行速度，/>表示高度，/>表示弹道倾角，/>表示攻角，/>表示俯仰角，表示俯仰角速度；/>表示飞行器的质量，/>表示重力加速度，/>表示飞行器的转动惯量；/>表示飞行器的推力，/>表示飞行器的推力臂，/>表示变体飞行器变形过程中产生的惯性力在X方向上的分力，/>表示变体飞行器变形过程中产生的惯性力在Z方向上的分力，/>表示变体飞行器变形过程中产生的惯性力矩，/>表示变体飞行器的静力矩，表示飞行器俯仰力矩；
所述执行机构故障模型表示为：
；
其中，表示当前时刻，/>为发生故障的时间，/>、/>为需要设计的控制量，、/>为故障增益，/>、/>为执行器故障偏置；
将所述变体飞行器纵向动力学模型分解为变体飞行器动力学纵向高度子系统和速度子系统，基于执行机构故障模型与变体飞行器动力学纵向高度子系统，获得变体飞行器容错模型高度子系统，表示为：
；
基于执行机构故障模型与变体飞行器动力学速度子系统，获得变体飞行器容错模型速度子系统，表示为：
；
；
其中，、/>、/>、/>为变体飞行器容错模型的综合扰动；
所述固定时间神经网络扰动观测器具有多个，对不同的参量进行观测；
设置第一固定时间神经网络扰动观测器对速度子系统进行观测，获得速度子系统中的综合扰动，
所述第一固定时间神经网络扰动观测器表示为：
；
；
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，/>表示速度控制器的跟踪误差，/>表示神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，表示该观测器神经网络的输入，/>表示速度跟踪误差，/>，/>表示飞行器速度，/>表示速度指令，/>、/>为常数项；
所述速度控制器的控制律设置为：
；
其中，表示飞行器的推力，/>表示对/>的转置；
所述高度控制器的控制率通过以下步骤获得：
S41、设置第一虚拟控制律，获得高度跟踪误差变化率/>；
S42、设置第二固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得弹道倾角跟踪过程中的综合扰动，
设置第二虚拟控制率，获得弹道倾角跟踪误差变化率/>；
S43、设置第三虚拟控制律，获得俯仰角跟踪误差变化率/>；
S44、设置第三固定时间神经网络扰动观测器对高度子系统中的综合扰动进行观测，获得俯仰角速度跟踪过程中的综合扰动，
设置高度子系统控制律，实现对飞行器高度的控制；
将观测高度子系统的第二固定时间神经网络扰动观测器设置为：
；
；
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，/>表示弹道倾角跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，/>为弹道倾角跟踪误差；
所述第三固定时间神经网络扰动观测器设置为：
；
；
其中，表示该观测器估计的综合扰动，/>、/>、/>为正数，/>为负常数，/>表示俯仰角速度跟踪误差的估计误差，/>表示该神经网络的权值参数，/>表示对神经网络的权值参数/>的估计值，/>表示神经网络权值参数/>的更新律系数，/>表示径向基函数，/>表示该观测器神经网络的输入，/>、/>为常数项，/>为俯仰角速度跟踪误差；
所述高度子系统的控制律表示为：
；
其中，为正常数，/>为俯仰角跟踪误差，/>表示对/>的转置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410147716.8A CN117687308B (zh) | 2024-02-02 | 2024-02-02 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410147716.8A CN117687308B (zh) | 2024-02-02 | 2024-02-02 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117687308A CN117687308A (zh) | 2024-03-12 |
| CN117687308B true CN117687308B (zh) | 2024-04-19 |
Family
ID=90132374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410147716.8A Active CN117687308B (zh) | 2024-02-02 | 2024-02-02 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117687308B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108762098A (zh) * | 2018-08-20 | 2018-11-06 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
| CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
| CN114815861A (zh) * | 2021-01-19 | 2022-07-29 | 南京航空航天大学 | 一种基于时空径向基函数神经网络的容错飞行控制方法 |
| CN116560232A (zh) * | 2023-05-06 | 2023-08-08 | 北京理工大学 | 基于rbf神经网络的变体飞行器自适应反演控制方法 |
| CN116755337A (zh) * | 2023-06-19 | 2023-09-15 | 南京理工大学 | 基于长短时记忆神经网络线性自抗扰控制的高超声速飞行器容错控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020142984A1 (zh) * | 2019-01-10 | 2020-07-16 | 大连理工大学 | 一种基于误差区间观测器的航空发动机主动容错控制方法 |
-
2024
- 2024-02-02 CN CN202410147716.8A patent/CN117687308B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108762098A (zh) * | 2018-08-20 | 2018-11-06 | 西北工业大学 | 基于复合学习的非最小相位飞行器神经网络控制方法 |
| CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
| CN114815861A (zh) * | 2021-01-19 | 2022-07-29 | 南京航空航天大学 | 一种基于时空径向基函数神经网络的容错飞行控制方法 |
| CN116560232A (zh) * | 2023-05-06 | 2023-08-08 | 北京理工大学 | 基于rbf神经网络的变体飞行器自适应反演控制方法 |
| CN116755337A (zh) * | 2023-06-19 | 2023-09-15 | 南京理工大学 | 基于长短时记忆神经网络线性自抗扰控制的高超声速飞行器容错控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117687308A (zh) | 2024-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yan et al. | Extended state observer‐based sliding mode fault‐tolerant control for unmanned autonomous helicopter with wind gusts | |
| CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
| CN109062055A (zh) | 一种基于Back-stepping鲁棒自适应动态面的近空间飞行器控制系统 | |
| CN111007720A (zh) | 高超声速飞行器多传感器故障的非线性自愈合控制方法 | |
| CN116339140B (zh) | 一种基于瞬时自抗扰和自适应动态逆的复合容错控制方法 | |
| Liu et al. | Observer-based linear parameter varying control design with unmeasurable varying parameters under sensor faults for quad-tilt rotor unmanned aerial vehicle | |
| CN113128035A (zh) | 民用飞机飞控传感器信号重构容错控制方法 | |
| 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 | |
| CN111580540A (zh) | 基于Kalman滤波的变体飞行器T-S模糊控制方法 | |
| CN117250867B (zh) | 一种多模式垂直起降飞行器自愈控制方法 | |
| CN113110538A (zh) | 一种基于反步法控制的舰载机着舰固定时间容错控制方法 | |
| CN117687308B (zh) | 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 | |
| CN115877717B (zh) | 一种基于自抗扰控制的飞行器容错控制结构与控制方法 | |
| Wahid et al. | Comparative assesment using LQR and fuzzy logic controller for a pitch control system | |
| Shuang et al. | An anti-windup fault tolerant control scheme with guaranteed transient performance for tailless flying wing aircrafts | |
| Wu et al. | Elman Neural Network‐Based Direct Lift Automatic Carrier Landing Nonsingular Terminal Sliding Mode Fault‐Tolerant Control System Design | |
| CN114003052B (zh) | 一种基于动态补偿系统的固定翼无人机纵向运动鲁棒自适应控制方法 | |
| Ming et al. | An adaptive backstepping flight control method considering disturbance characteristics | |
| Tournes et al. | Hypersonic glider autopilot using adaptive higher order sliding mode control with impulsive actions | |
| Wenhai et al. | Nonlinear Comprehensive Decoupling Controller Based on Direct Lift Control for Carrier Landing | |
| Beh et al. | Control law design and flight test results of the experimental aircraft X-31A | |
| Weilai et al. | Anti-disturbance control of hypersonic vehicle considering input saturation | |
| Wang et al. | An adaptive disturbance suppression based fault-tolerant control approach against the control surface faults | |
| Brahim et al. | Anti-saturation finite time adaptive altitude quadrotor control under unknown disturbances | |
| Chen et al. | Hybird Nonlinear Control for Fighter With Center of Gravity Perturbation and Aerodynamic Parameter Uncertainty |
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 |