CN107390531B - 参数学习有限时间收敛的高超声速飞行器控制方法 - Google Patents

Abstract

本发明公开了一种参数学习有限时间收敛的高超声速飞行器控制方法，用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是通过构造一阶滤波器与辅助信号获取建模误差信息，结合跟踪误差与辅助信号设计神经网络自适应律，针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法，将有限时间学习的思想引入神经网络权重更新律设计中，相比传统的神经网络方法，本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律，能保证参数学习误差有限时间收敛，从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计，无需进行模型线性参数化表达，可实现不确定高超声速飞行器控制，便于实际工程应用。

Description

参数学习有限时间收敛的高超声速飞行器控制方法

技术领域

本发明涉及一种高超声速飞行器控制方法，特别涉及一种参数学习有限时间收敛的高超声速飞行器控制方法。

背景技术

高超声速飞行器指能够在大气层内以超过五倍声速飞行的飞行器，由于其突出的飞行能力使得全球实时打击成为可能，因此受到国内外的广泛关注；由于飞行环境复杂且存在气动参数摄动，飞行器模型具有强不确定性，且模型线性参数化形式在实际中难以获得。

《Novel auxiliary error compensation design for the adaptive neuralcontrol of a constrained flexible air-breathing hypersonic vehicle》(XiangweiBu,Xiaoyan Wu,Zhen Ma,Rui Zhang,Jiaqi Huang,《Neurocomputing》,2016,171:313-324.)一文针对高超声速飞行器的未知非线性动态提出了一类神经网络估计方法，根据跟踪误差给出神经网络权重自适应律。然而，这类神经网络学习方法只依据Lyapunov理论设计自适应律以保证***稳定性，不能保证学习速度，在实际***中难以取得满意的跟踪性能。

发明内容

为了克服现有高超声速飞行器控制方法实用性差的不足，本发明提供一种参数学习有限时间收敛的高超声速飞行器控制方法。该方法通过构造一阶滤波器与辅助信号获取建模误差信息，结合跟踪误差与辅助信号设计神经网络自适应律，针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法，将有限时间学习的思想引入神经网络权重更新律设计中，相比传统的神经网络方法，本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律，能保证参数学习误差有限时间收敛，从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计，无需进行模型线性参数化表达，可实现不确定高超声速飞行器控制，便于实际工程应用，实用性好。

本发明解决其技术问题所采用的技术方案：一种参数学习有限时间收敛的高超声速飞行器控制方法，其特点是包括以下步骤：

步骤一、建立高超声速飞行器纵向通道动力学模型：

其中， 表示动压，ρ表示空气密度，C_L、C_D、C_T、C_M(α)、C_M(q)、C_M(δ_e)均为气动参数，表示平均气动弦长，S表示气动参考面积。V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角，β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离。

步骤二、定义高度跟踪误差e_h＝h-h_d，设计航迹角指令γ_d：

式中，h_d为高度指令，为高度指令的一阶微分，k_h>0，k_i>0。考虑巡航段航迹角变化小，航迹角指令的一阶微分取为零。

取x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ代表俯仰角；将式(3)-(5)写成如下严格反馈形式：

其中，f_i,i＝1,3为未知函数，g_i,i＝1,3为根据高超声速飞行器模型得到的已知函数。

步骤三、定义航迹角跟踪误差：

e₁＝x₁-γ_d (8)

设计俯仰角虚拟控制量：

式中，k₁>0，为由RBF神经网络得到的f₁估计值，其中为神经网络最优权重向量的估计值，θ₁为RBF函数向量。

定义设计一阶滤波器如下：

式中x_f1、θ_f1为x₁、θ₁通过滤波器(10)后获得的信号，设计辅助矩阵P₁、辅助向量Q₁、W₁如下：

式中，l₁>0，神经网络权重通过如下自适应律获得：

其中，γ₁>0，Γ₁为正定常数对角矩阵。

设计一阶滤波器如下：

式中x_2d为x_2c通过滤波器(13)后获得的信号，α₂>0。

定义俯仰角跟踪误差：

e₂＝x₂-x_2d (14)

设计俯仰角速率虚拟控制量：

式中，k₂>0。

设计一阶滤波器如下：

式中x_3d为x_3c通过滤波器(16)后获得的信号，α₃>0。

定义俯仰角速率跟踪误差：

e₃＝x₃-x_3d (17)

设计舵偏角控制律如下：

式中，k₃>0，为由RBF神经网络得到的f₃估计值，其中为神经网络最优权重向量的估计值，θ₃为RBF函数向量。

令设计一阶滤波器如下：

式中x_f3、θ_f3为x₃、θ₃通过滤波器(19)后获得的信号，设计辅助矩阵P₃、辅助向量Q₃、W₃如下：

式中，l₃>0，神经网络权重通过如下自适应律获得：

其中，γ₃>0，Γ₃为正定常数对角矩阵。

步骤四、定义速度跟踪误差：

式中，V_d为速度指令。设计节流阀开度如下：

式中，k_pV>0、k_iV>0、k_dV>0。

步骤五、根据得到的舵偏角δ_e和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。

本发明的有益效果是：该方法通过构造一阶滤波器与辅助信号获取建模误差信息，结合跟踪误差与辅助信号设计神经网络自适应律，针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法，将有限时间学习的思想引入神经网络权重更新律设计中，相比传统的神经网络方法，本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律，能保证参数学习误差有限时间收敛，从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计，无需进行模型线性参数化表达，可实现不确定高超声速飞行器控制，便于实际工程应用，实用性好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明参数学习有限时间收敛的高超声速飞行器控制方法的流程图。

具体实施方式

参照图1。本发明参数学习有限时间收敛的高超声速飞行器控制方法具体步骤如下：

步骤一、建立高超声速飞行器纵向通道动力学模型：

其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角，β为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；

相关的力矩及参数定义如下： C_L＝0.6203α，C_D＝0.6450α²+0.0043378α+0.003772，C_M(α)＝-0.035α²+0.036617α+5.3261×10^-6，C_M(δ_e)＝0.0292(δ_e-α)。其中表示动压，ρ表示空气密度，C_L、C_D、C_T、C_M(α)、C_M(q)、C_M(δ_e)均为气动参数，表示平均气动弦长，S表示气动参考面积。

步骤二、定义高度跟踪误差e_h＝h-h_d，设计航迹角指令γ_d：

式中，h_d为高度指令，由设计者给出，为高度指令的一阶微分，k_h＝0.5,k_i＝0.05。考虑巡航段航迹角变化小，航迹角指令的一阶微分取为零。

取x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ代表俯仰角；可将式(3)-(5)写成如下严格反馈形式：

其中，f_i,g_i,i＝1,3为根据高超声速飞行器模型得到的未知非线性函数。上式中，

步骤三、定义航迹角跟踪误差：

e₁＝x₁-γ_d (8)

设计俯仰角虚拟控制量：

式中，k₁＝2，为由RBF神经网络得到的f₁估计值，其中为神经网络最优权重向量的估计值，θ₁为RBF函数向量。

定义令x₁、θ₁通过一阶滤波器：

其中设计辅助矩阵P₁、辅助向量Q₁、W₁如下：

式中，l₁＝2，神经网络权重通过如下自适应律获得：

其中，γ₁＝1，Γ₁为对角元素为0.05的对角矩阵。

令x_2c通过一阶滤波器得到x_2d：

式中α₂＝0.05。

定义俯仰角跟踪误差：

e₂＝x₂-x_2d (14)

设计俯仰角速率虚拟控制量：

式中，k₂＝2。

令x_3c通过一阶滤波器得到x_3d：

式中α₃＝0.05。

定义俯仰角速率跟踪误差：

e₃＝x₃-x_3d (17)

设计舵偏角控制律如下：

式中，k₃＝5，为由RBF神经网络得到的f₃估计值，其中为神经网络最优权重向量的估计值，θ₃为RBF函数向量。

令分别使x₃、θ₃通过一阶滤波器获得x_f3、θ_f3：

其中设计辅助矩阵P₃、辅助向量Q₃、W₃如下：

式中，l₃＝1，神经网络权重通过如下自适应律获得：

其中，γ₃＝2，Γ₃为对角元素为0.05的对角矩阵。

步骤四、给定速度指令定义V_d，定义速度跟踪误差：

设计节流阀开度如下：

式中，k_pV＝0.5、k_iV＝0.001、k_dV＝0.01。

步骤五、根据得到的舵偏角δ_e和节流阀开度β，返回到高超声速飞行器的动力学模型，对高度和速度进行跟踪控制。

本发明未详细说明部分属于领域技术人员公知常识。

Claims (1)

1.一种参数学习有限时间收敛的高超声速飞行器控制方法，其特征在于包括以下步骤：

步骤一、建立高超声速飞行器纵向通道动力学模型：

其中， 表示动压，ρ表示空气密度，C_L、C_D、C_T、C_M(α)、C_M(q)、C_M(δ_e)均为气动参数，表示平均气动弦长，S表示气动参考面积；V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；

步骤二、定义高度跟踪误差e_h＝h-h_d，设计航迹角指令γ_d：

式中，h_d为高度指令，为高度指令的一阶微分，k_h>0，k_i>0；考虑巡航段航迹角变化小，航迹角指令的一阶微分取为零；

取x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ代表俯仰角；将式(3)-(5)写成如下严格反馈形式：

其中，f_i,i＝1,3为未知函数，g_i,i＝1,3为根据高超声速飞行器模型得到的已知函数；

步骤三、定义航迹角跟踪误差：

e₁＝x₁-γ_d (8)

设计俯仰角虚拟控制量：

式中，k₁＞0，为由RBF神经网络得到的f₁估计值，其中为神经网络最优权重向量的估计值，θ₁为RBF函数向量；

定义设计一阶滤波器如下：

式中x_f1、θ_f1为x₁、θ₁通过公式(10)所表达的滤波器后获得的信号，设计辅助矩阵P₁、辅助向量Q₁、W₁如下：

式中，l₁＞0，神经网络权重通过如下自适应律获得：

其中，γ₁＞0，Γ₁为正定常数对角矩阵；

设计一阶滤波器如下：

式中x_2d为x_2c通过公式(13)所表达的滤波器后获得的信号，α₂＞0；

定义俯仰角跟踪误差：

e₂＝x₂-x_2d (14)

设计俯仰角速率虚拟控制量：

式中，k₂＞0；

设计一阶滤波器如下：

式中x_3d为x_3c通过公式(16)所表达的滤波器后获得的信号，α₃＞0；

定义俯仰角速率跟踪误差：

e₃＝x₃-x_3d (17)

设计舵偏角控制律如下：

式中，k₃＞0，为由RBF神经网络得到的f₃估计值，其中为神经网络最优权重向量的估计值，θ₃为RBF函数向量；

令设计一阶滤波器如下：

式中x_f3、θ_f3为x₃、θ₃通过公式(19)所表达的滤波器后获得的信号，设计辅助矩阵P₃、辅助向量Q₃、W₃如下：

式中，l₃＞0，神经网络权重通过如下自适应律获得：

其中，γ₃＞0，Γ₃为正定常数对角矩阵；

步骤四、定义速度跟踪误差：

式中，V_d为速度指令；设计节流阀开度如下：

式中，k_pV＞0、k_iV＞0、k_dV＞0；

步骤五、根据得到的舵偏角δ_e和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。