CN117826617B - 基于智能网络模型的飞行器预设性能滑模控制方法及装置 - Google Patents
基于智能网络模型的飞行器预设性能滑模控制方法及装置 Download PDFInfo
- Publication number
- CN117826617B CN117826617B CN202410239277.3A CN202410239277A CN117826617B CN 117826617 B CN117826617 B CN 117826617B CN 202410239277 A CN202410239277 A CN 202410239277A CN 117826617 B CN117826617 B CN 117826617B
- Authority
- CN
- China
- Prior art keywords
- speed
- angle
- attack
- error
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 29
- 239000000295 fuel oil Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 51
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003864 performance function Effects 0.000 description 32
- 239000011159 matrix material Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于智能网络模型的飞行器预设性能滑模控制方法及装置,涉及飞行器控制领域,方法包括:根据当前时刻飞行器的速度、攻角、升降舵偏转角及燃油当量比,基于智能网络模型确定当前误差动力学函数;根据当前误差动力学函数及飞行器传统误差动力学模型建立飞行器智能误差动力学模型;确定速度设定时间预设性能函数及攻角设定时间预设性能函数,进一步确定速度控制器及攻角转换误差动力学模型;基于攻角转换误差动力学模型,采用自适应超螺旋滑模算法,建立飞行器预设性能超螺旋滑模控制器,以确定攻角控制器;基于速度控制器及攻角控制器对飞行器进行控制。本发明提高了飞行器控制的鲁棒性和控制精度。
Description
技术领域
本发明涉及飞行器控制领域,特别是涉及一种基于智能网络模型的飞行器预设性能滑模控制方法及装置。
背景技术
随着航天技术的迅速发展,高速飞行器的结构和任务需求越来越复杂,对控制系统的精度要求越来越高。由于高速飞行器飞行环境跨大空域宽速域,气动与气动热环境变化剧烈,飞行器动力学模型复杂呈现强非线性,且模型参数呈现强不确定性。因此,如果可以提高飞行器建模精度,既可以增强系统的鲁棒性与自适应性,又可以提升系统的控制精度。
传统飞行器动力学模型的结构参数和气动参数均为地面测试仿真后得到的拟合结果,在控制系统设计过程中均保持标称值不变。然而高速飞行器在飞行过程中受环境因素等诸多影响,模型参数呈现快时变性与强不确定性。传统控制器仅能保证飞行器飞行状态收敛,无法保证系统状态在设定时间按照预设状态收敛。而在实际飞行过程中,由于气推耦合与复杂环境因素的影响,需要考虑高速飞行器飞行过程中的瞬态与稳态性能,否则可能导致系统跟踪误差瞬时超调较大,产生过大攻角,从而无法维持吸气式发动机进气量,导致飞行过程发动机熄火。
发明内容
本发明的目的是提供一种基于智能网络模型的飞行器预设性能滑模控制方法及装置,可提高飞行器控制的鲁棒性和控制精度。
为实现上述目的,本发明提供了一种基于智能网络模型的飞行器预设性能滑模控制方法,包括如下步骤。
根据当前时刻飞行器的速度、攻角、升降舵偏转角及燃油当量比,基于智能网络模型确定当前误差动力学函数;所述智能网络模型为预先采用飞行器的历史飞行量测数据集对神经网络进行训练得到的;所述历史飞行量测数据集中包括历史设定时段内各时刻飞行器的速度、攻角、升降舵偏转角、燃油当量比及对应的误差动力学函数。
根据所述当前误差动力学函数及飞行器传统误差动力学模型,建立飞行器智能误差动力学模型。
确定速度设定时间预设性能函数及攻角设定时间预设性能函数。
基于所述速度设定时间预设性能函数、所述攻角设定时间预设性能函数及所述飞行器智能误差动力学模型,确定速度控制器及攻角转换误差动力学模型。
基于所述攻角转换误差动力学模型,采用自适应超螺旋滑模算法,建立飞行器预设性能超螺旋滑模控制器,以确定攻角控制器。
基于所述速度控制器及所述攻角控制器对飞行器进行控制。
为实现上述目的,本发明还提供了一种计算机装置,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述基于智能网络模型的飞行器预设性能滑模控制方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:使用智能网络模型对飞行器进行精确动力学建模,提升了飞行器智能误差动力学模型的精度,通过速度设定时间预设性能函数及攻角设定时间预设性能函数保证了飞行状态跟踪误差在设定时间收敛,提升了收敛速度与收敛精度,避免了初始时刻控制量过大的问题,针对攻角转换误差动力学模型,采用自适应超螺旋滑模算法建立飞行器预设性能超螺旋滑模控制器,以确定攻角控制器,避免了传统终端滑模的奇异问题并加快收敛速度,同时避免了控制增益过小导致控制发散与控制增益过大导致飞行器剧烈抖振的问题,提高了飞行器控制的鲁棒性和控制精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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他的附图。
图1为本发明提供的基于智能网络模型的飞行器预设性能滑模控制方法的流程图。
图2为智能网络模型训练集误差曲线图。
图3为智能网络模型训练集均方误差曲线图。
图4为飞行器的速度跟踪曲线图。
图5为飞行器的速度误差跟踪曲线图。
图6为飞行器的攻角跟踪曲线图。
图7为飞行器的攻角误差跟踪曲线图。
图8为飞行器的燃油当量比变化曲线图。
图9为飞行器的升降舵偏转角变化曲线图。
图10为虚拟俯仰角速度控制量和滤波俯仰角速度输出信号的跟踪曲线图。
图11为滤波俯仰角速度输出信号与虚拟俯仰角速度控制量的差值跟踪曲线图。
图12为速度转换误差的跟踪曲线图。
图13为速度误差转换函数的跟踪曲线图。
图14为攻角转换误差的跟踪曲线图。
图15为攻角误差转换函数的跟踪曲线图。
图16为齐次高阶滑模观测器对速度误差的观测跟踪曲线图。
图17为齐次高阶滑模观测器对速度集总扰动的观测跟踪曲线图。
图18为齐次高阶滑模观测器对攻角误差的观测跟踪曲线图。
图19为齐次高阶滑模观测器对攻角集总扰动的观测跟踪曲线图。
图20为齐次高阶滑模观测器对俯仰角速度的观测跟踪曲线图。
图21为齐次高阶滑模观测器对俯仰角速度集总扰动的观测跟踪曲线图。
图22为飞行器预设性能滑模控制器自适应参数k1的变化曲线图。
图23为飞行器预设性能滑模控制器自适应参数k2的变化曲线图。
图24为飞行器预设性能滑模控制器滑模变量s的变化曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
本发明的目的是提供一种基于智能网络模型的飞行器预设性能滑模控制方法及装置,解决现有控制算法无法保证系统状态瞬态与稳态性能,可能导致高速飞行器吸气式发动机熄火的问题,提高建模精度,抑制了系统抖振,提升的收敛速度、控制精度与鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的基于智能网络模型的飞行器预设性能滑模控制方法包括步骤100至步骤600。
步骤100:根据当前时刻飞行器的速度、攻角、升降舵偏转角及燃油当量比,基于智能网络模型确定当前误差动力学函数。
所述当前误差动力学函数包括:当前第一速度误差动力学函数、当前第二速度误差动力学函数、当前攻角误差动力学函数、当前第一俯仰角速度误差动力学函数及当前第二俯仰角速度误差动力学函数。
所述智能网络模型为预先采用飞行器的历史飞行量测数据集对神经网络进行训练得到的。所述历史飞行量测数据集中包括历史设定时段内各时刻飞行器的速度、攻角、升降舵偏转角、燃油当量比及对应的误差动力学函数。
本实施例中,神经网络采用长短时记忆网络(Long Short-Term Memory,LSTM)。LSTM使用三个控制门(输入门、输出门与遗忘门)和细胞单元状态交互建立模型。其存储单元模型如公式(1)。
(1)。
其中,it为输入门在t时刻的状态,ft为遗忘门在t时刻的状态,ct为细胞单元在t时刻的状态,ct-1为细胞单元在t-1时刻的状态,ot为输出门在t时刻的状态,ht为LSTM存储单元在t时刻的隐藏层状态,ht-1为LSTM存储单元在t-1时刻的隐藏层状态,xt为LSTM存储单元在t时刻的输入,为sigmoid激活函数,Wxi为输入数据对输入门的权重矩阵,Whi为隐藏层对输入门的权重矩阵,Wci为细胞单元对输入门的权重矩阵,Wxf为输入数据对遗忘门的权重矩阵,Whf为隐藏层对遗忘门的权重矩阵,Wcf为细胞单元对遗忘门的权重矩阵,Wxc为输入数据对细胞单元的权重矩阵,Whc为隐藏层对细胞单元的权重矩阵,Wxo为输入数据对输出门的权重矩阵,Who为隐藏层对输出门的权重矩阵,Wco为细胞单元对输出门的权重矩阵,bi为输入门的偏置向量,bf为遗忘门的偏置向量,bc为细胞单元的偏置向量,bo为输出门的偏置向量。
t时刻的隐藏层状态ht与输出层采用全连接的方式计算得到t时刻智能网络模型的输出yt,如公式(2)。
(2)。
其中,Wd为全连接层的权重矩阵,bd为全连接层的偏置向量。
步骤200:根据所述当前误差动力学函数及飞行器传统误差动力学模型,建立飞行器智能误差动力学模型。
传统飞行器动力学模型如公式(3)。
(3)。
其中,V为速度,为攻角,Q为俯仰角速度,T为推力,D为阻力,m为质量,g为重力加速度,/>为飞行路径角,L为升力,M为俯仰力矩,Iyy为转动惯量,/>为V对时间的一阶导数,/>为/>对时间的一阶导数,/>为Q对时间的一阶导数。
各个力和力矩经由曲线拟合近似可得到公式(4)。
(4)。
其中,为燃油当量比,/>、/>、/>、/>为推力系数导数,为推力拟合参数,h为高度,/>为动压,S为参考面积,/>和为升力系数导数,/>为推力矩耦合系数,/>为平均气动弦长,/>、/>、、/>为力矩系数导数,/>为升降舵偏转角,d1和d2为外部扰动,在动力学方程中分别体现于/>和/>中,/>为大气密度,/>、h0、hs为大气密度的拟合参数。
定义速度指令Vd由阶跃信号Vc通过二阶光滑滤波器得到,如公式(5)。
(5)。
其中,为角频率,/>为阻尼比,s1为拉普拉斯变换对应于时域的符号或算子。
定义攻角指令由攻角最大限幅/>和正弦信号组成,如公式(6)。
(6)。
其中,t为时刻,和/>为正弦信号频率,/>和/>为正弦信号振幅,且,/>,/>为常数,且/>。
分别定义速度误差,攻角误差/>。
根据公式(3)所示的传统飞行器动力学模型可建立飞行器传统误差动力学模型,如公式(7)。
(7)。
其中,为/>对时间的一阶导数,FV为第一速度误差动力学函数,GV为第二速度误差动力学函数,dV为速度外部扰动,/>为Vd对时间的一阶导数,/>为/>对时间的一阶导数,/>为攻角误差动力学函数,/>为/>对时间的一阶导数,FQ为第一俯仰角速度误差动力学函数,GQ为第二俯仰角速度误差动力学函数,dQ为俯仰角速度外部扰动。
上述各误差动力学函数和外部扰动如公式(8)。
(8)。
由于飞行器气动系数和结构系数在飞行过程中均会受到参数摄动影响,定义Cr为气动系数(实际气动拟合参数和推力拟合参数),C0为其标称值;Pr为结构系数(包含m、Iyy和S),P0为其标称值。而在传统飞行器控制器设计中,仅有标称参数可以获得,FV0、GV0、、FQ0与GQ0即为使用标称值C0与P0得到的误差动力学函数。
本发明建立的飞行器智能误差动力学模型包括速度智能误差动力学模型及攻角智能误差动力学模型。
速度智能误差动力学模型如公式(9),攻角智能误差动力学模型如公式(10)。
(9)。
(10)。
其中,为当前第一速度误差动力学函数,/>为当前第二速度误差动力学函数,/>为速度集总扰动,/>为当前攻角误差动力学函数,/>为攻角集总扰动,/>为当前第一俯仰角速度误差动力学函数,/>为当前第二俯仰角速度误差动力学函数,/>为俯仰角速度集总扰动。/>、/>和/>由外部扰动和参数摄动引起。
步骤300:确定速度设定时间预设性能函数及攻角设定时间预设性能函数。
速度设定时间预设性能函数如公式(11)和公式(12)。
(11)。
(12)。
其中,为速度设定时间预设性能函数,/>为速度设定时间预设性能函数的第一系数,/>为速度设定时间预设性能函数的第二系数,/>为速度设定时间预设性能函数的第三系数,t为时刻,/>为速度误差的初值,/>为速度设定时间预设性能函数的变化方向,/>为速度设定时间预设性能函数的稳态收敛值,/>为速度误差收敛到/>的设定时间。/>、/>、/>与/>为待设计参数。
当时,/>及其二阶导数满足公式(13)的定义。
(13)。
攻角设定时间预设性能函数如公式(14)。
(14)。
其中,为攻角设定时间预设性能函数,/>为攻角设定时间预设性能函数的第一系数,/>为攻角设定时间预设性能函数的第二系数,/>为攻角设定时间预设性能函数的第三系数,/>为攻角误差的初值,/>为攻角设定时间预设性能函数的变化方向,/>为攻角设定时间预设性能函数的稳态收敛值,/>为攻角误差收敛到的设定时间。/>、/>、/>与/>为待设计参数。
当时,/>及其二阶导数满足公式(15)的定义。
(15)。
步骤400:基于所述速度设定时间预设性能函数、所述攻角设定时间预设性能函数及所述飞行器智能误差动力学模型,确定速度控制器及攻角转换误差动力学模型。
具体地,将飞行器智能误差动力学模型改写为转换误差动力学模型。步骤400包括如下步骤。
1)为保证高速飞行器飞行过程系统状态瞬态与稳态性能要求与吸气式发动机进气约束条件,需对和/>进行限幅。即基于所述速度设定时间预设性能函数,对速度误差进行限幅,以确定速度预设性能条件。基于所述攻角设定时间预设性能函数,对攻角误差进行限幅,以确定攻角预设性能条件。
速度预设性能条件如公式(16),攻角预设性能条件如公式(17)。
(16)。
(17)。
其中,为速度设定时间预设性能函数的下界系数,/>为速度设定时间预设性能函数的上界系数,/>为t时刻的速度误差,/>为攻角设定时间预设性能函数的下界系数,/>为攻角设定时间预设性能函数的上界系数,/>为t时刻的攻角误差。/>、/>、/>、/>为/>之间的正数,一般均取值为1。
2)确定所述速度智能误差动力学模型的速度预设性能控制器,并基于所述速度预设性能条件,采用齐次高阶滑模观测器对速度集总扰动进行补偿,以确定速度控制器。
速度预设性能控制器如公式(18)。
(18)。
其中,为速度转换误差,/>为速度误差转换函数,其表达式如公式(19)。
(19)。
从而,可以得到及其导数/>的表达式如公式(20)。
(20)。
其中,为t时刻的速度转换误差,/>为/>对时间的一阶导数,/>为t时刻的速度中间参数,/>为/>对时间的一阶导数,其表达式如公式(21)。
(21)。
加入齐次高阶滑模观测器对速度集总扰动补偿,如公式(22)。
(22)。
其中,为/>的估计值,/>为/>的估计值,/>为/>的估计值,/>为的估计值,/>为/>的一阶导数,/>为/>的二阶导数,/>为/>的一阶导数,为/>的一阶导数,/>为/>的一阶导数,/>为/>的一阶导数,/>、/>、、/>为中间变量,LV为正的待设计参数,/>,/>,/>,。
经过有限时间后,,/>。
因此,速度控制器设计为公式(23)的形式。
(23)。
其中,为速度正待设计参数,/>为速度中间参数。
进一步地,速度转换误差动力学模型如公式(24)。
(24)。
其中,为速度集总扰动误差,/>。若速度转换误差/>有界,则速度误差转换函数/>,因此速度子系统满足速度预设性能条件。
3)确定所述攻角智能误差动力学模型的攻角预设性能控制器,并基于所述攻角预设性能条件,采用齐次高阶滑模观测器对速度集总扰动及俯仰角速度集总扰动进行补偿,以确定虚拟俯仰角速度控制量。
针对公式(10)中的攻角智能误差动力学模型,首先使用攻角预设性能控制器对进行转换,如公式(25)。
(25)。
其中,为攻角转换误差,/>为攻角误差转换函数,其表达式如公式(26)。
(26)。
从而,可以得到及其导数/>的表达式如公式(27)。
(27)。
为t时刻的攻角转换误差,/>为/>对时间的一阶导数,/>为t时刻的攻角中间参数,/>为/>对时间的一阶导数,其表达式如公式(28)。
(28)。
加入齐次高阶滑模观测器对速度集总扰动补偿,如公式(29)。/>
(29)。
其中,为/>的估计值,/>为/>的估计值,/>为/>的估计值,/>为的估计值,/>为/>的一阶导数,/>为/>的二阶导数,/>为/>的一阶导数,为/>的一阶导数,/>为/>的一阶导数,/>为/>的一阶导数,/>、/>、、/>为中间变量,LV为正的待设计参数。
经过有限时间后,,/>。
因此,虚拟俯仰角速度控制量Qc的表达式如公式(30)。
(30)。
其中,为攻角正待设计参数,/>为攻角中间参数。
4)根据所述虚拟俯仰角速度控制量,采用一阶滤波器确定滤波俯仰角速度输出信号Qd,如公式(31)。
(31)。
其中,为时间常量,/>为Qd的一阶导数。
5)根据所述滤波俯仰角速度输出信号,确定攻角转换误差动力学模型。
具体地,定义俯仰角速度误差与滤波俯仰角速度输出信号与虚拟俯仰角速度控制量的差值/>,则攻角转换误差动力学模型如公式(32)。/>
(32)。
其中,为/>对时间的一阶导数,/>为攻角集总扰动误差,/>。
若攻角转换误差有界,则攻角误差转换函数/>,因此攻角子系统满足攻角预设性能条件。
同样对俯仰角速度的动力学方程加入齐次高阶滑模观测器,对俯仰角速度集总扰动补偿,如公式(33)。
(33)。
其中,为/>的估计值,/>为/>的估计值,/>为/>的估计值,/>为的估计值,/>为/>的一阶导数,/>为/>的二阶导数,/>为/>的一阶导数,为/>的一阶导数,/>为/>的一阶导数,/>为/>的一阶导数,/>、/>、、/>为中间变量,LQ为正的待设计参数。
经过有限时间后,,/>。
步骤500:基于所述攻角转换误差动力学模型,采用自适应超螺旋滑模算法,建立飞行器预设性能超螺旋滑模控制器,以确定攻角控制器。
本实施例中,所述自适应超螺旋滑模算法包括非奇异快速终端滑模面及改进的自适应超螺旋趋近律。
非奇异快速终端滑模面如公式(34)。
(34)。
改进的自适应超螺旋趋近律如公式(35)。
(35)。
其中,s为滑模变量,为s的导数,/>、/>、k1、k2、k3均为正待设计参数,k1、k2满足公式(36)的自适应律,a1和a2为常数,a1>a2,1<a2<2,sgn( )为符号函数,tanh( )为双曲正切函数。
(36)。
其中,为k1的一阶导数,/>、/>、/>、/>、/>、/>均为正参数,且/>。本发明的自适应律可以实现控制增益灵活调整。具体表现形式为:当/>时,,k1增加,实现/>减小;当/>时,/>,k1减小;当/>,,k1不变。若系统稳定条件不满足,会导致/>再次增大,自适应律再次作用,使系统趋于稳定。本自适应律避免了控制增益过小导致系统发散与控制增益过大导致系统剧烈抖振的问题。
结合自适应超螺旋滑模算法与攻角转换误差动力学模型,建立飞行器预设性能超螺旋滑模控制器,得到攻角实际控制律,如公式(37)。
(37)。
其中,为攻角实际控制律,即升降舵偏转角,/>为攻角控制器中间参数,kQ为俯仰角速度正待设计参数,/>为/>的一阶导数。/>的定义如公式(38)。/>
(38)。
的动力学方程如公式(39)。
(39)。
为/>的一阶导数,/>为俯仰角速度集总扰动误差,/>。
公式(34)的非奇异快速终端滑模面由攻角转换误差和俯仰角速度误差/>组成,公式(32)给出攻角转换误差的导数。通过对公式(34)求导,代入公式(32)和公式(10)中的俯仰角速度误差动力学方程,从而得到一个含有升降舵偏转角/>的表达式,令该表达式与公式(35)改进的自适应超螺旋趋近律相等,即可推导出公式(37)的攻角实际控制律。
步骤600:基于所述速度控制器及所述攻角控制器对飞行器进行控制。
本发明使用智能网络模型进行精确动力学建模,提升了飞行器智能误差动力学模型的精度。采用预设性能控制保证高速飞行器飞行过程中发动机进气条件约束,通过满足攻角幅值条件避免飞行器发动机出现壅塞而熄火。相比传统性能函数,本发明通过设定时间性能函数可以保证系统飞行状态跟踪误差在设定时间收敛,提升了收敛速度与收敛精度,避免了初始时刻控制量过大的问题。本发明设计了自适应超螺旋滑模算法,其中,非奇异快速终端滑模面避免了传统终端滑模的奇异问题并加快系统收敛速度;自适应超螺旋趋近律自动调整控制增益,避免了控制增益过小导致系统发散与控制增益过大导致系统剧烈抖振的问题。
以下通过MATLAB仿真说明本发明提供的基于智能网络模型的飞行器预设性能滑模控制方法的具体实施过程。
首先假设飞行器气动系数与结构系数受飞行环境参数摄动影响后,气动系数Cr与结构系数Pr的表达式如公式(40)。
(40)。
然后假设外部扰动d1和d2分别发生在第70秒和第40秒,表达形式如公式(41)。
(41)。/>
飞行器参数设置为:,m=4378.17kg,Vc=2407.92m/s,/>,/>,/>,/>,/>,,/>。
初始飞行状态设置为:h=26212.8m,V=2347.59m/s,,Q=0°/s,,/>。
LSTM的超参数设置为:学习率为0.01,训练次数为180,隐藏层数量为5,隐藏层单元数为64,批样本数为800,输入维度为4。
预设性能滑模控制器的参数的设定为:,/>,,/>,/>,/>,/>,/>,,/>,/>,/>,/>,/>,,/>,/>,/>,/>,/>,/>,,/>,/>,/>,/>,/>,/>,,/>。
本发明基于上述设置的参数进行智能网络模型的仿真训练,从仿真训练结果可确定本发明构建的智能网络模型可以对未知数据进行预测,从而提高在外部扰动情形下高速飞行器的建模精度。图2和图3展示了智能网络模型对训练数据的拟合误差和均方误差。智能网络模型对预测集的预测结果显示,决定系数R2=0.9995、均方误差RMSE=0.0906,这表明了飞行器智能网络模型对时序飞行数据的拟合具有良好的外推性和泛化性能。
为预设性能滑模控制器对速度指令的跟踪性能如图4、图5、图12和图13所示。预设性能滑模控制器对攻角指令的跟踪性能如图6、图7、图14和图15。在飞行器预定性能滑模控制器的作用下,速度跟踪精度达到,攻角跟踪精度达到/>,均可满足期望性能边界要求并快速收敛,而且攻角变化范围始终不会超过最大幅值约束,满足吸气式发动机正常工作条件。此外,转换误差函数始终可以限制在预定性能边界与/>内,进一步保证飞行器系统状态的瞬态与稳态性能要求。
图8和图9的曲线描述了控制器执行机构均在合理范围内变化。图10和图11给出通过一阶低通滤波器后Qd对虚拟俯仰角速度控制量Qc的跟踪情况。齐次高阶滑模观测器对、/>、Q、/>、/>、/>的观测效果如图16至图21所示,使用HSMO代指齐次高阶滑模观测器。图22和图23给出自适应参数变化曲线,展示其自动调节增益大小的攻能。图24给出滑模变量的变化曲线,进一步表明本发明的快速收敛性与强鲁棒性。
在一个实施例中,提供了一种计算机装置,包括存储器和处理器以存储在存储器上并可在处理器上运行的计算机程序,该处理器执行计算机程序时实现上述基于智能网络模型的飞行器预设性能滑模控制方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于智能网络模型的飞行器预设性能滑模控制方法的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述基于智能网络模型的飞行器预设性能滑模控制方法的步骤。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于智能网络模型的飞行器预设性能滑模控制方法,其特征在于,所述基于智能网络模型的飞行器预设性能滑模控制方法包括:
根据当前时刻飞行器的速度、攻角、升降舵偏转角及燃油当量比,基于智能网络模型确定当前误差动力学函数;所述智能网络模型为预先采用飞行器的历史飞行量测数据集对神经网络进行训练得到的;所述历史飞行量测数据集中包括历史设定时段内各时刻飞行器的速度、攻角、升降舵偏转角、燃油当量比及对应的误差动力学函数;所述当前误差动力学函数包括:当前第一速度误差动力学函数、当前第二速度误差动力学函数、当前攻角误差动力学函数、当前第一俯仰角速度误差动力学函数及当前第二俯仰角速度误差动力学函数;
根据所述当前误差动力学函数及飞行器传统误差动力学模型,建立飞行器智能误差动力学模型;所述飞行器智能误差动力学模型包括速度智能误差动力学模型及攻角智能误差动力学模型;
所述速度智能误差动力学模型为:
;
所述攻角智能误差动力学模型为:
;
其中,为/>对时间的一阶导数,/>为速度误差,/>,V为飞行器的速度,Vd为速度指令,/>为当前第一速度误差动力学函数,/>为当前第二速度误差动力学函数,/>为燃油当量比,/>为速度集总扰动,/>为Vd对时间的一阶导数,/>为/>对时间的一阶导数,/>为攻角误差,/>,/>为飞行器的攻角,/>为攻角指令,/>为当前攻角误差动力学函数,Q为飞行器的俯仰角速度,/>为攻角集总扰动,/>为/>对时间的一阶导数,/>为Q对时间的一阶导数,/>为当前第一俯仰角速度误差动力学函数,/>为当前第二俯仰角速度误差动力学函数,/>为升降舵偏转角,/>为俯仰角速度集总扰动;
确定速度设定时间预设性能函数及攻角设定时间预设性能函数;
基于所述速度设定时间预设性能函数、所述攻角设定时间预设性能函数及所述飞行器智能误差动力学模型,确定速度控制器及攻角转换误差动力学模型,具体包括:
基于所述速度设定时间预设性能函数,对速度误差进行限幅,以确定速度预设性能条件;
基于所述攻角设定时间预设性能函数,对攻角误差进行限幅,以确定攻角预设性能条件;
确定所述速度智能误差动力学模型的速度预设性能控制器,并基于所述速度预设性能条件,采用齐次高阶滑模观测器对速度集总扰动进行补偿,以确定速度控制器;
所述速度控制器为:
;
其中,为速度集总扰动的估计值,/>为速度设定时间预设性能函数,/>为对时间的一阶导数,/>为速度正待设计参数,/>为速度中间参数,,/>为t时刻的速度误差,/>为速度设定时间预设性能函数的下界系数,/>为速度设定时间预设性能函数的上界系数,/>为速度转换误差;
确定所述攻角智能误差动力学模型的攻角预设性能控制器,并基于所述攻角预设性能条件,采用齐次高阶滑模观测器对速度集总扰动及俯仰角速度集总扰动进行补偿,以确定虚拟俯仰角速度控制量;
根据所述虚拟俯仰角速度控制量,采用一阶滤波器确定滤波俯仰角速度输出信号;
根据所述滤波俯仰角速度输出信号,确定攻角转换误差动力学模型;
所述攻角转换误差动力学模型为:
;
其中,为/>对时间的一阶导数,/>为攻角转换误差,/>为攻角中间参数,,/>为攻角设定时间预设性能函数,/>为/>对时间的一阶导数,/>为t时刻的攻角误差,/>为攻角设定时间预设性能函数的下界系数,/>为攻角设定时间预设性能函数的上界系数,为/>对时间的一阶导数,/>为俯仰角速度误差,/>,Qd为滤波俯仰角速度输出信号,/>为滤波俯仰角速度输出信号与虚拟俯仰角速度控制量的差值,,Qc为虚拟俯仰角速度控制量,/>为攻角集总扰动误差,,/>为攻角集总扰动的估计值,/>为攻角正待设计参数;
基于所述攻角转换误差动力学模型,采用自适应超螺旋滑模算法,建立飞行器预设性能超螺旋滑模控制器,以确定攻角控制器;
所述攻角控制器为:
;
;
其中,为攻角实际控制律,表示升降舵偏转角,a1和a2为常数,a1>a2,1<a2<2,/>为攻角控制器中间参数,/>为俯仰角速度正待设计参数,/>为俯仰角速度集总扰动的估计值,/>为Qd的一阶导数,/>为/>的一阶导数,s为滑模变量,/>、/>、k1、k2、k3均为正待设计参数,tanh( )为双曲正切函数;
基于所述速度控制器及所述攻角控制器对飞行器进行控制。
2.根据权利要求1所述的基于智能网络模型的飞行器预设性能滑模控制方法,其特征在于,所述速度设定时间预设性能函数为:
;
其中,为速度设定时间预设性能函数,/>为速度设定时间预设性能函数的第一系数,/>为速度设定时间预设性能函数的第二系数,/>为速度设定时间预设性能函数的第三系数,t为时刻,/>为速度误差的初值,/>为速度设定时间预设性能函数的变化方向,/>为速度设定时间预设性能函数的稳态收敛值,/>为速度误差收敛到的设定时间;
所述攻角设定时间预设性能函数为:
;
其中,为攻角设定时间预设性能函数,/>为攻角设定时间预设性能函数的第一系数,/>为攻角设定时间预设性能函数的第二系数,/>为攻角设定时间预设性能函数的第三系数,/>为攻角误差的初值,/>为攻角设定时间预设性能函数的变化方向,为攻角设定时间预设性能函数的稳态收敛值,/>为攻角误差收敛到/>的设定时间。
3.根据权利要求1所述的基于智能网络模型的飞行器预设性能滑模控制方法,其特征在于,所述速度预设性能条件为:
;
其中,为速度设定时间预设性能函数的下界系数,/>为速度设定时间预设性能函数的上界系数,/>为速度设定时间预设性能函数,/>为t时刻的速度误差;
所述攻角预设性能条件为:
;
其中,为攻角设定时间预设性能函数的下界系数,/>为攻角设定时间预设性能函数的上界系数,/>为攻角设定时间预设性能函数,/>为t时刻的攻角误差。
4.根据权利要求1所述的基于智能网络模型的飞行器预设性能滑模控制方法,其特征在于,所述自适应超螺旋滑模算法包括非奇异快速终端滑模面及改进的自适应超螺旋趋近律;
所述非奇异快速终端滑模面为:
;
所述改进的自适应超螺旋趋近律为:
;
其中,s为滑模变量,为s的导数,/>为攻角转换误差,/>为俯仰角速度误差,/>、/>、k1、k2、k3均为正待设计参数,a1和a2为常数,a1>a2,1<a2<2,sgn( )为符号函数,tanh( )为双曲正切函数。
5.一种计算机装置,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-4中任一项所述基于智能网络模型的飞行器预设性能滑模控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239277.3A CN117826617B (zh) | 2024-03-04 | 2024-03-04 | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410239277.3A CN117826617B (zh) | 2024-03-04 | 2024-03-04 | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117826617A CN117826617A (zh) | 2024-04-05 |
CN117826617B true CN117826617B (zh) | 2024-05-10 |
Family
ID=90509903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410239277.3A Active CN117826617B (zh) | 2024-03-04 | 2024-03-04 | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826617B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774379A (zh) * | 2017-03-09 | 2017-05-31 | 北京航天自动控制研究所 | 一种智能超螺旋强鲁棒姿态控制方法 |
CN110376887A (zh) * | 2019-07-11 | 2019-10-25 | 西北工业大学 | 基于时变滑模增益的飞行器离散滑模智能控制方法 |
CN111158398A (zh) * | 2020-01-15 | 2020-05-15 | 哈尔滨工业大学 | 考虑攻角约束的高超音速飞行器的自适应控制方法 |
CN111273681A (zh) * | 2020-04-09 | 2020-06-12 | 中北大学 | 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 |
CN112068444A (zh) * | 2020-09-22 | 2020-12-11 | 中国人民解放军海军航空大学 | 一种采用非线性自适应滑模的飞行器攻角控制方法 |
CN114020019A (zh) * | 2021-11-03 | 2022-02-08 | 北京理工大学 | 飞行器的制导方法与装置 |
CN115793696A (zh) * | 2022-12-28 | 2023-03-14 | 西北工业大学 | 高超声速飞行器姿态控制方法、系统、电子设备及介质 |
CN115981146A (zh) * | 2022-11-22 | 2023-04-18 | 上海航天控制技术研究所 | 一种抗饱和的参数自调节的超螺旋滑模控制方法及系统 |
CN116873226A (zh) * | 2023-08-08 | 2023-10-13 | 西北工业大学 | 一种航天器姿态控制及rcs优化分配方法 |
KR102605907B1 (ko) * | 2023-04-06 | 2023-11-27 | 세종대학교 산학협력단 | 우주선을 위한 적응형 슬라이딩 모드 자세 제어 방법 및 장치 |
-
2024
- 2024-03-04 CN CN202410239277.3A patent/CN117826617B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106774379A (zh) * | 2017-03-09 | 2017-05-31 | 北京航天自动控制研究所 | 一种智能超螺旋强鲁棒姿态控制方法 |
CN110376887A (zh) * | 2019-07-11 | 2019-10-25 | 西北工业大学 | 基于时变滑模增益的飞行器离散滑模智能控制方法 |
CN111158398A (zh) * | 2020-01-15 | 2020-05-15 | 哈尔滨工业大学 | 考虑攻角约束的高超音速飞行器的自适应控制方法 |
CN111273681A (zh) * | 2020-04-09 | 2020-06-12 | 中北大学 | 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 |
CN112068444A (zh) * | 2020-09-22 | 2020-12-11 | 中国人民解放军海军航空大学 | 一种采用非线性自适应滑模的飞行器攻角控制方法 |
CN114020019A (zh) * | 2021-11-03 | 2022-02-08 | 北京理工大学 | 飞行器的制导方法与装置 |
CN115981146A (zh) * | 2022-11-22 | 2023-04-18 | 上海航天控制技术研究所 | 一种抗饱和的参数自调节的超螺旋滑模控制方法及系统 |
CN115793696A (zh) * | 2022-12-28 | 2023-03-14 | 西北工业大学 | 高超声速飞行器姿态控制方法、系统、电子设备及介质 |
KR102605907B1 (ko) * | 2023-04-06 | 2023-11-27 | 세종대학교 산학협력단 | 우주선을 위한 적응형 슬라이딩 모드 자세 제어 방법 및 장치 |
CN116873226A (zh) * | 2023-08-08 | 2023-10-13 | 西北工业大学 | 一种航天器姿态控制及rcs优化分配方法 |
Non-Patent Citations (3)
Title |
---|
《含干扰观测器的高超声速飞行器新型滑模姿态控制》;郭建国,刘宇超,郑强,周军;西北工业大学学报;20171231;第35卷(第6期);全文 * |
考虑进气约束的高超声速飞行器预定性能控制;丁一波,岳晓奎,代洪华,崔乃刚;航空学报;20211125;第42卷(第11期);全文 * |
高超声速飞行器超螺旋滑模自适应控制;文成馀;江驹;余朝军;朱平;;电光与控制;20200201;第29卷(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117826617A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Fixed-time disturbance observer based fixed-time back-stepping control for an air-breathing hypersonic vehicle | |
Cobb et al. | Iterative learning-based path optimization for repetitive path planning, with application to 3-d crosswind flight of airborne wind energy systems | |
Liu et al. | Barrier Lyapunov function based reinforcement learning control for air-breathing hypersonic vehicle with variable geometry inlet | |
Sun et al. | Finite-time tracking control of hypersonic vehicle with input saturation | |
CN107479384A (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
CN107479383A (zh) | 基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法 | |
CN108459505B (zh) | 一种适合控制迭代设计的非常规布局飞行器快速建模方法 | |
Ding et al. | Robust fixed-time sliding mode controller for flexible air-breathing hypersonic vehicle | |
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 | |
WO2022041317A1 (zh) | 无模型自适应控制的改进方法 | |
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 | |
CN107632518A (zh) | 基于高增益观测器的高超声速飞行器神经网络复合学习控制方法 | |
Ding et al. | Global smooth sliding mode controller for flexible air-breathing hypersonic vehicle with actuator faults | |
Lee et al. | Linear parameter-varying control of variable span-sweep morphing aircraft | |
CN113126497B (zh) | 考虑输入饱和的飞行器鲁棒跟踪控制方法 | |
CN117826617B (zh) | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 | |
Zhu et al. | Fault-tolerant control of hypersonic vehicles based on fast fault observer under actuator gain loss fault or stuck fault | |
Liu et al. | Improved LQG method for active gust load alleviation | |
CN107943097A (zh) | 飞行器的控制方法、装置和飞行器 | |
CN116700107A (zh) | 一种控制器参数确定方法、装置、设备及可读存储介质 | |
CN115981149A (zh) | 基于安全强化学习的高超声速飞行器最优控制方法 | |
Tieshan et al. | Application of adaptive fuzzy ADRC for hypersonic flight vehicle | |
Riso et al. | A post-flutter response constraint for gradient-based aircraft design optimization | |
CN109814393B (zh) | 一种悬吊漂浮物随动系统的降维观测器和控制器设计方法 | |
Vindigni et al. | Simple adaptive wing-aileron flutter suppression system |
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 |