CN106896722A - 采用状态反馈与神经网络的高超飞行器复合控制方法 - Google Patents
采用状态反馈与神经网络的高超飞行器复合控制方法 Download PDFInfo
- Publication number
- CN106896722A CN106896722A CN201710198546.6A CN201710198546A CN106896722A CN 106896722 A CN106896722 A CN 106896722A CN 201710198546 A CN201710198546 A CN 201710198546A CN 106896722 A CN106896722 A CN 106896722A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- hypersonic
- angle
- attack
- neutral net
- 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
Links
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
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了采用状态反馈与神经网络的高超飞行器复合控制方法,通过测量高超声速飞行器的攻角、俯仰角速度信号,先设计大增益状态反馈控制器,在此基础上针对高超声速飞行器气动参数的强不确定性,采用了一类以正弦函数为基函数的神经网络结构,设计神经网络权值的自适应调节规律,最终组成高超声速飞行器神经网络与状态反馈的复合控制器,实现对期望攻角信号的跟踪。通过状态反馈控制器来保证***的基本稳定性,而神经网络则用于对气动参数不确定带来了建模误差进行补偿,最终也可以选取Lyapunov函数进行全***的闭环稳定性分析,从而保证***设计的理论正确性。
Description
技术领域
本发明属于高超声速飞行器控制技术领域,涉及一种采用状态反馈与神经网络的高超飞行器复合控制方法。
背景技术
近年来,高超声速飞行器控制引起了各国研究学者的广泛兴趣,主要是由于其模型的快时变、强非线性特点给控制***的设计带来了巨大的挑战。尤其是发动机以及弹性形态与控制***的耦合,更加增大了控制设计的难度。
而由于以目前的实验水平,精确建模是难以获得的,因此模型不可避免地存在未建模动态,同时高超声速飞行器真实飞行时也面临着***不确定性,所以控制器必须具备有强鲁棒性,这是高超声速控制面临的主要问题。
考虑神经网络对未知不确定具有自适应逼近能力,因此本发明在控制器中引入神经网络来逼近***未知不确定项,以提高控制器处理高超声速飞行器不确定性的能力。同时,在复合控制器中也引入了大增益状态反馈,来保证高超声速飞行器的基本稳定性。因此本发明不仅理论上具有创新性,而且也能满足工程应用需求。
发明内容
为实现上述目的,本发明提供一种采用状态反馈与神经网络的高超飞行器复合控制方法,通过测量高超声速飞行器的攻角以及俯仰角速度,形成攻角误差信号,再由攻角误差信号、角速率信号等组成大增益状态反馈控制律,同时由攻角误差信号设计三角函数与幂函数为基函数的神经网络及其权值自适应调节规律;最终上述两类控制信号叠加后形成的复合信号经过控制分配,分别输入给鸭翼与升降舵,控制高超声速飞行器俯仰通道实现攻角跟踪,提高了高超声速飞行器的稳定性。
本发明所采用的技术方案是,采用状态反馈与神经网络的高超飞行器复合控制方法,具体按照以下步骤进行:
步骤一,构造攻角测量、俯仰角速率的测量与误差信号;
步骤二,构造大增益状态反馈控制器;
步骤三,构造自适应神经网络控制律;
步骤四,构造复合控制律及控制分配,分别输入给飞行器的鸭翼与升降翼;以控制高超声速飞行器实现俯仰通道的姿态跟踪控制。
进一步的,所述步骤一,具体按照以下步骤进行:
首先采用攻角传感器,测量高超声速飞行器的攻角,记为α;采用速率陀螺测量高超声速飞行器的俯仰角速率,记为q;
其次,假定期望的攻角信号为αd,在飞行器控制计算机中生成攻角误差信号,记为eα,其满足eα=α-αd;
再次,采用飞行器控制计算机生成攻角误差积分信号,记作Se,其满足Se=∫(α-αd)dt。
进一步的,所述步骤二,具体按照以下步骤进行:
构造高超声速飞行器大增益状态反馈控制器u1:
a1抵消角速率与角加速度相关影响,a2、a3用于抵消弹性形态相关影响;的含义是攻角误差信号的导数;
其中q为飞行器俯仰角速率,g为重力加速度,γ为飞行器航迹角,V为飞行器速度,k1、k2、k3为待设计的正参数,选取为k1=15、k2=0.5、k3=0.2;
a2、a3定义如下:
其中m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度,η1、η2与η3为高超声速飞行器的弹性模态,可由传感器测量或近似估算。
进一步的,所述步骤三,具体按照以下步骤进行:
根据测量的攻角信息,设计神经网络自适应控制律u2:
其中φ为高超声速飞行器发动机的供油因子;
的含义为神经网络的权值因子,是通过自适应规律自动调节变化的;
其中为神经网络的权值, 为神经网络的权值,R1×n的含义表示是一个n维向量空间;B1(α)与B2(α)为基函数,B1(α)=[1sinα (sinα)2 … sin(α)n-1]T,B2(α)=[1 cosα (cosα)2 … (cosα)n-1]T,T的含义是矩阵转置,表示是列向量;神经网络的权值调节规律如下:
其中τ1、τ2为待调节的正参数,选取为τ1=0.05,τ2=0.05,含义是 的导数,也就是两者的自适应调节规律的依据。
进一步的,所述步骤四,具体按照以下步骤进行:
根据高超声速飞行器大增益状态反馈控制器u1与神经网络自适应控制律u2组成如下复合控制律u:
u=u1+u2
然后按照均匀分配法进行控制律的分配,即定义
从而有
其中δe为高超声速飞行器俯仰舵的舵偏值,δc为高超声速飞行器鸭翼舵的舵偏值,m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度。
本发明的有益效果是通过测量高超声速飞行器的攻角、俯仰角速度信号,首先设计大增益状态反馈控制器,在此基础上针对高超声速飞行器气动参数的强不确定性,采用了一类以正弦函数为基函数的神经网络结构,设计神经网络权值的自适应调节规律,最终组成高超声速飞行器神经网络与状态反馈的复合控制器,实现对期望攻角信号的跟踪。本发明通过状态反馈控制器来保证***的基本稳定性,而神经网络则用于对气动参数不确定带来了建模误差进行补偿,最终也可以选取Lyapunov函数进行全***的闭环稳定性分析,从而保证***设计的理论正确性。因此本发明方法不仅有较大的创新性,而且具有较大的理论价值和工程价值。
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,下面将对实施例或现有技术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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的方法原理图。
图2是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器攻角曲线。
图3是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器高度曲线。
图4是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器速度曲线。
图5是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器航迹角曲线。
图6是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器供油因子曲线。
图7是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器鸭翼曲线。
图8是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器升降舵曲线。
图9是本发明实施例提供的2度攻角跟踪情况下的高超声速飞行器姿态角曲线。
具体实施方式
下面将结合本发明实施例中,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。
采用状态反馈与神经网络的高超飞行器复合控制方法,具体按照以下步骤进行:
步骤一:攻角测量、俯仰角速率的测量与误差信号的构造;
首先采用攻角传感器,测量高超声速飞行器的攻角,记为α;采用速率陀螺测量高超声速飞行器的俯仰角速率,记为q;
其次,假定期望的攻角信号为αd,在飞行器控制计算机中生成攻角误差信号,记为eα,其满足eα=α-αd;
再次,采用飞行器控制计算机生成攻角误差积分信号,记作Se,其满足Se=∫(α-αd)dt;
步骤二:大增益状态反馈控制器的构造;
按照下式构造高超声速飞行器大增益状态反馈控制器u1:
a1、a2、a3按照下文的方式计算,无物理意义,主要是a1抵消角速率与角加速度相关影响,a2、a3用于抵消弹性形态相关影响。的含义是攻角误差信号的导数。
其中q为飞行器俯仰角速率,g为重力加速度,γ为飞行器航迹角,V为飞行器速度,k1、k2、k3=0.2为待设计的正参数,初步选取为k1=15、k2=0.5、k3=0.2而a2、a3定义如下:
其中m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度,η1、η2与η3为高超声速飞行器的弹性模态,可由传感器测量或近似估算。
步骤三:自适应神经网络控制律的构造;
根据测量的攻角信息,设计如下的神经网络自适应控制律u2:
其中φ为高超声速飞行器发动机的供油因子(该值属于发动机设计的现有技术即可得到,本专利不作深入讨论)。
的含义为神经网络的权值因子,其定义为下面的矩阵,是通过后面自适应规律自动调节变化的;
R1×n的含义表示是一个n维向量空间;
其中为神经网络的权值, 为神经网络的权值,
两者之间的形式基本相同,调节规律不同,后文会介绍。
B1(α)与B2(α)为基函数,B1(α)=[1 sinα (sinα)2 … sin(α)n-1]T,B2(α)=[1 cosα (cosα)2 … (cosα)n-1]T,T的含义是矩阵转置,表示是列向量。神经网络的权值调节规律如下:
其中τ1、τ2为待调节的正参数,可初步选取为τ1=0.05,τ2=0.05。的含义是的导数,也就是两者的自适应调节规律的依据。
步骤四:复合控制律的构造与控制分配;
根据高超声速飞行器大增益状态反馈控制器u1与神经网络自适应控制律u2组成如下复合控制律u:
u=u1+u2
然后按照均匀分配法进行控制律的分配,即定义
从而有
其中δe为高超声速飞行器俯仰舵的舵偏值,δc为高超声速飞行器鸭翼舵的舵偏值,m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度;
步骤5,为了确保上述步骤一至步骤四中控制器的参数选取合理,可用通过计算机模拟仿真的手段进行编程,从而模拟被控对象高超声速飞行器的运动特性,从而方便进行参数调整。在此以某一类高超声速飞行器模型为例示范说明,其俯仰通道可以采用如下9个微分方程建模表示:
第一个微分方程为
其中V为飞行器的速度,为飞行器速度的导数,T为飞行器推力,α为飞行器攻角,m为飞行器质量,γ为飞行器航迹角,,g为重力加速度,D为高超声速飞行器阻力,推力按照如下方式计算:
其中
表示两个矩阵相乘,其中 为实验测量值;η1、η2与η3为飞行器的弹性模态(其状态无需测量,需要测量的是系数,而且该测量是风洞实验所研究问题,本文不讨论该方法,仅借用其结果得到的模型,作为本文方法是否有效的验证工具);为动压头数据,ρ为大气密度,S为飞行器的前向推力特征面积。
CTφ也是风洞实验测量,本专利不讨论其测量方法,仅借用其结果得到飞行器模型,来验证本专利控制方法的有效性,CTφ的计算方式如下:
以上参数属于本领域技术人员公知。
空气动力系数CT计算如下:
φ为发动机供油因子。
D为高超声速飞行器阻力且
CD的含义是和阻力相关的模型的气动参数,
其计算方式如下
其中δe为高超声速飞行器俯仰舵的舵偏值,δc为高超声速飞行器鸭翼舵的舵偏值,
第二个微分方程为
其中为飞行器的航迹角速度,γ为飞行器的航迹角,L为飞行器升力,其计算方式如下:
CL含义是模型中和升力相关的气动参数;
其中,
公式所有符号含义为模型中和升力相关的气动参数。
第三个微分方程为
其中M为俯仰力矩,I为转动惯量,为俯仰角加速度,q为俯仰角。俯仰力矩的计算方法如下:
其中zT=8.36*0.3048,这两个参数为飞行器的尺寸参数,CM的计算方式如下:
上式参数为模型中和俯仰力矩相关的气动参数。
第四个微分方程为
为攻角的导数;
第五个微分方程为
其中为高度的导数,h为飞行器高度。
第六个微分方程为
其中ωn=5,(二者含义是发动机的供油设计,和本专利无关,是发动机设计所固有的方法),φc为发动机的供油规律(是发动机设计所固有的方法,以验证本专利控制方案的正确性)。
的含义是发动机的供油因子的导数。
第(7)(8)(9)三个微分方程为弹性模态微分方程(其中i分别取1,2,3就得到了三个方程):
含义是弹性形态的二阶导数;
εm含义是发动机弹性形态建模所得到的振动弹性阻尼系数,属于建模,和本专利无关,用该建立好的模型,来验证控制方案的有效性;
ωmi含义是发动机弹性形态建模所得到的振动弹性频率系数,属于建模,和本专利无关,用该建立好的模型,来验证控制方案的有效性;
含义是弹性形态的一阶导数;
ηi含义是弹性形态的0阶导数,也就是弹性形态本身;
Ni的含义是弹性形态变化因子,按照下面公式计算;
其中i=1,2,3。 含义是发动机弹性形态建模所得到的弹性相关系数,属于建模,用该建立好的模型,来验证控制方案的有效性;
其计算方式如下:
其中,
以上参数为发动机弹性形态建模所得到的弹性相关系数,属于建模,和本专利无关,本文用该建立好的模型,来验证控制方案的有效性。
至此高超声速飞行器的模型描述完成。而其它初始条件与控制参数的设定,以及发动机供油规律的设计见仿真示例。值得说明的是发动机供油规律的设计非本发明主要内容,在此仅采用一类简单的PID供油规律,以保证仿真与示例得以进行。
步骤六:将步骤一至步骤四所得的δc值与δe,代入步骤五所建立的高超声速飞行器模型,通过不断调整控制参数,并观察飞行器各状态的数据并画图,尤其是观测高超声速飞行器攻角变化的数据曲线,分析飞行器攻角跟踪的动态特性,从而确定最终高超声速飞行器攻角跟踪的控制方案参数,使得高超声速飞行器攻角响应具有满意的动态响应与稳态响应性能。
实施例及计算机仿真模拟结果分析
按照上述所设计控制律进行仿真,选取初始高度为h0=85000*0.3048,初始速度为V0=7846*0.3048,初始攻角α0=0.0174,其它初始状态如下:γ0=0,q0=0,η10=0.4588*0.3048*14.59,η20=-0.08726*0.3048*14.59,η30=-0.03671*0.3048*14.59(表示弹性形态η1在0时刻的初始取值η10,其它类似),设定发动机的油门开度为PID控制律与柔化控制律的切换控制律,选取如果ev>0,则设计
如果ev<0,则选取φc=-300,其中ev=Vd-V,ket、kset、kde、ketb与εev为可调正数。
选取期望速度为Vd=2391,选取控制参数如下:τ1=0.05,τ2=0.05,k1=15,k2=0.5,k3=0.2,将步骤四所得到的综合控制律代入模型五进行仿真,得到仿真结果图2至图9所示。
通过以上仿真结果与曲线可以看出,可见攻角输出在初始段具有较强的阻尼而使得超调较小,这使得该控制策略比较适用于攻角控制精度要求比较高的场合。而其中后面的波动是由于发动机的速度控制策略引起的,可以从发动机供油曲线比照来映证。从以上案例仿真结果可以看出,本发明提供的攻角跟踪控制方法能够有效地稳定高超声速飞行器攻角,因此本发明具有很好的实用价值,同时也能推广应用于其它类飞行器中。
本发明的特点是通过测量高超声速飞行器的攻角、俯仰角速度信号,通过飞行器控制计算机与给定的期望攻角指令进行对比形成攻角误差,首先设计大增益状态反馈控制器,在此基础上针对高超声速飞行器气动参数的强不确定性,采用了一类以正弦函数为基函数的神经网络结构,设计神经网络权值的自适应调节规律,最终组成高超声速飞行器神经网络与状态反馈的复合控制器,实现对期望攻角信号的跟踪。两个控制信号叠加后形成的复合信号经过控制分配,最终分别输入给两个鸭翼与升降翼,以控制高超声速飞行器实现俯仰通道的姿态跟踪控制。本发明通过状态反馈控制器来保证***的基本稳定性,而神经网络则用于对气动参数不确定带来了建模误差进行补偿,最终也可以选取Lyapunov函数进行全***的闭环稳定性分析,从而保证***设计的理论正确性。因此本发明方法不仅有较大的创新性,而且具有较大的理论价值和工程价值。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (5)
1.采用状态反馈与神经网络的高超飞行器复合控制方法,其特征在于,具体按照以下步骤进行:
步骤一,构造攻角测量、俯仰角速率的测量与误差信号;
步骤二,构造大增益状态反馈控制器;
步骤三,构造自适应神经网络控制律;
步骤四,构造复合控制律经过控制分配,分别输入给飞行器的鸭翼与升降翼;以控制高超声速飞行器实现俯仰通道的姿态跟踪控制。
2.根据权利要求1所述的采用状态反馈与神经网络的高超飞行器复合控制方法,其特征在于,所述步骤一,具体按照以下步骤进行:
首先采用攻角传感器,测量高超声速飞行器的攻角,记为α;采用速率陀螺测量高超声速飞行器的俯仰角速率,记为q;
其次,假定期望的攻角信号为αd,在飞行器控制计算机中生成攻角误差信号,记为eα,其满足eα=α-αd;
再次,采用飞行器控制计算机生成攻角误差积分信号,记作Se,其满足Se=∫(α-αd)dt。
3.根据权利要求2所述的采用状态反馈与神经网络的高超飞行器复合控制方法,其特征在于,所述步骤二,具体按照以下步骤进行:
构造高超声速飞行器大增益状态反馈控制器u1:
a1用于抵消角速率与角加速度相关影响,a2、a3用于抵消弹性形态相关影响;的含义是攻角误差信号的导数;
其中q为飞行器俯仰角速率,g为重力加速度,γ为飞行器航迹角,V为飞行器速度,k1、k2、k3为待设计的正参数,选取为k1=15、k2=0.5、k3=0.2;
a2、a3定义如下:
其中m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度,η1、η2与η3为高超声速飞行器的弹性模态,可由传感器测量或近似估算。
4.根据权利要求3所述的采用状态反馈与神经网络的高超飞行器复合控制方法,其特征在于,所述步骤三,具体按照以下步骤进行:
根据测量的攻角信息,设计神经网络自适应控制律u2:
其中φ为高超声速飞行器发动机的供油因子;
的含义为神经网络的权值因子,是通过自适应规律自动调节变化的;
其中为神经网络的权值, 为神经网络的权值,R1×n的含义表示是一个n维向量空间;B1(α)与B2(α)为基函数,B1(α)=[1sinα (sinα)2 … sin(α)n-1]T,B2(α)=[1 cosα (cosα)2 … (cosα)n-1]T,T的含义是矩阵转置,表示是列向量;
神经网络的权值调节规律如下:
其中τ1、τ2为待调节的正参数,选取为τ1=0.05,τ2=0.05,含义是 的导数,也就是两者的自适应调节规律的依据。
5.根据权利要求4所述的采用状态反馈与神经网络的高超飞行器复合控制方法,其特征在于,所述步骤四,具体按照以下步骤进行:
根据高超声速飞行器大增益状态反馈控制器u1与神经网络自适应控制律u2组成如下复合控制律u:u=u1+u2,然后按照均匀分配法进行控制律的分配,即定义
从而有
其中δe为高超声速飞行器俯仰舵的舵偏值,δc为高超声速飞行器鸭翼舵的舵偏值,m为飞行器的质量,S为飞行器的特征面积,为动压头数据,ρ为大气密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198546.6A CN106896722B (zh) | 2017-03-29 | 2017-03-29 | 采用状态反馈与神经网络的高超飞行器复合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710198546.6A CN106896722B (zh) | 2017-03-29 | 2017-03-29 | 采用状态反馈与神经网络的高超飞行器复合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106896722A true CN106896722A (zh) | 2017-06-27 |
CN106896722B CN106896722B (zh) | 2019-11-29 |
Family
ID=59193517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710198546.6A Active CN106896722B (zh) | 2017-03-29 | 2017-03-29 | 采用状态反馈与神经网络的高超飞行器复合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106896722B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515530A (zh) * | 2017-07-12 | 2017-12-26 | 北京控制工程研究所 | 一种基于深度自编码网络的非线性控制分配方法 |
CN108469728A (zh) * | 2018-03-28 | 2018-08-31 | 山东理工大学 | 一种机载LiDAR姿态角补偿装置解耦控制方法 |
CN110134135A (zh) * | 2019-05-27 | 2019-08-16 | 郑州轻工业学院 | 基于改进mpc-pid的四旋翼飞行器控制方法 |
CN110488854A (zh) * | 2018-09-25 | 2019-11-22 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 |
CN110488852A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种高超声速飞行器全剖面自适应控制方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598719A (zh) * | 2004-09-27 | 2005-03-23 | 北京交通大学 | 一种神经网络优化控制器及控制方法 |
CN107065544A (zh) * | 2017-03-29 | 2017-08-18 | 郑州轻工业学院 | 基于攻角幂函数的高超飞行器神经网络控制方法 |
-
2017
- 2017-03-29 CN CN201710198546.6A patent/CN106896722B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1598719A (zh) * | 2004-09-27 | 2005-03-23 | 北京交通大学 | 一种神经网络优化控制器及控制方法 |
CN107065544A (zh) * | 2017-03-29 | 2017-08-18 | 郑州轻工业学院 | 基于攻角幂函数的高超飞行器神经网络控制方法 |
Non-Patent Citations (5)
Title |
---|
SHUJUN LIANG 等: "An Improved Particle Swarm Optimization Algorithm and Its Convergence Analysis", 《2010 SECOND INTERNATIONAL CONFERENCE ON COMPUTER MODELING AND SIMULATION》 * |
涂再云 等: "飞行器自适应神经网络时滞控制", 《计算机仿真》 * |
赵刚 等: "高超声速飞行器神经网络动态逆姿态控制器设计", 《***仿真技术》 * |
赵贺伟 等: "弹性高超声速飞行器抗输入饱和动态神经网络控制", 《***工程与电子技术》 * |
马宇 等: "面向高超声速飞行器的新型复合神经网络预测控制方法", 《西安交通大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515530A (zh) * | 2017-07-12 | 2017-12-26 | 北京控制工程研究所 | 一种基于深度自编码网络的非线性控制分配方法 |
CN108469728A (zh) * | 2018-03-28 | 2018-08-31 | 山东理工大学 | 一种机载LiDAR姿态角补偿装置解耦控制方法 |
CN110488854A (zh) * | 2018-09-25 | 2019-11-22 | 浙江工业大学 | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 |
CN110134135A (zh) * | 2019-05-27 | 2019-08-16 | 郑州轻工业学院 | 基于改进mpc-pid的四旋翼飞行器控制方法 |
CN110134135B (zh) * | 2019-05-27 | 2022-03-18 | 郑州轻工业学院 | 基于改进mpc-pid的四旋翼飞行器控制方法 |
CN110488852A (zh) * | 2019-08-28 | 2019-11-22 | 北京航空航天大学 | 一种高超声速飞行器全剖面自适应控制方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN106896722B (zh) | 2019-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106896722A (zh) | 采用状态反馈与神经网络的高超飞行器复合控制方法 | |
CN106094860B (zh) | 四旋翼飞行器及其控制方法 | |
CN107065544A (zh) | 基于攻角幂函数的高超飞行器神经网络控制方法 | |
CN106527122B (zh) | 平流层飞艇定高飞行非线性pid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 | |
CN111399531B (zh) | 高超声速飞行器滑翔段制导与姿态控制一体化设计方法 | |
CN107479567A (zh) | 动态特性未知的四旋翼无人机姿态控制器及方法 | |
CN104950901B (zh) | 无人直升机姿态误差有限时间收敛非线性鲁棒控制方法 | |
CN109270947A (zh) | 倾转旋翼无人机飞行控制*** | |
CN105159305A (zh) | 一种基于滑模变结构的四旋翼飞行控制方法 | |
CN106707749B (zh) | 一种针对仿生扑翼飞行机器人的控制方法 | |
CN109635494A (zh) | 一种飞行试验与地面仿真气动力数据综合建模方法 | |
CN110320925A (zh) | 基于高阶干扰观测器的四旋翼飞行器安全控制方法 | |
CN108132604A (zh) | 基于四元数的四旋翼飞行器鲁棒姿态控制方法、装置及*** | |
CN109358634A (zh) | 一种高超声速飞行器鲁棒自适应控制方法 | |
CN106814626A (zh) | 基于模糊变结构的超声速飞行器过载指令快速跟踪方法 | |
CN108638068A (zh) | 一种携带冗余度机械臂的飞行机器人控制***设计方法 | |
CN105182990B (zh) | 具有输出受限的三自由度模型直升机的鲁棒控制方法 | |
CN107943094A (zh) | 一种四旋翼飞行器的滑模控制方法及其控制器 | |
CN110162933A (zh) | 一种共轴多旋翼仿真方法及*** | |
CN106406333B (zh) | 一种基于积分型终端滑模的平流层飞艇俯仰角跟踪方法 | |
CN107367941A (zh) | 基于非线性增益的高超声速飞行器攻角观测方法 | |
CN104536448B (zh) | 一种基于Backstepping法的无人机姿态***控制方法 | |
CN106802570A (zh) | 一种无人直升机位置跟踪的方法与装置 | |
CN106774385B (zh) | 一种采用自适应变结构的飞艇定点悬停控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |