CN107450323B - 高超声速飞行器再入段神经网络复合学习控制方法 - Google Patents
高超声速飞行器再入段神经网络复合学习控制方法 Download PDFInfo
- Publication number
- CN107450323B CN107450323B CN201710789276.6A CN201710789276A CN107450323B CN 107450323 B CN107450323 B CN 107450323B CN 201710789276 A CN201710789276 A CN 201710789276A CN 107450323 B CN107450323 B CN 107450323B
- Authority
- CN
- China
- Prior art keywords
- neural network
- control
- hypersonic aircraft
- reentry stage
- error
- 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
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
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
本发明公开了一种高超声速飞行器再入段神经网络复合学习控制方法,用于解决现有高超声速飞行器再入段姿态控制方法精度差的技术问题。技术方案是首先将高超声速飞行器再入段动力学描述为面向控制的姿态模型,再利用神经网络对***不确定函数进行学习设计控制器,最后采用在线数据构造预测建模误差,并利用跟踪误差和预测误差形成复合误差进行神经网络权重更新,提升闭环控制过程神经网络学习性能改善跟踪性能。由于利用神经网络进行学习可提升***的自适应能力,提高了控制精度;由于利用在线数据构造预测误差评价神经网络学习性能并结合***跟踪误差,进行神经网络权重向量复合更新,提高闭环控制过程中神经网络学习准确性,提高了***跟踪精度。
Description
技术领域
本发明涉及一种高超声速飞行器再入段姿态控制方法,特别涉及一种高超声速飞行器再入段神经网络复合学习控制方法。
背景技术
高超声速飞行器由于其高速飞行能力,使得在紧急情况下实现“全球到达、全球作战”成为可能,因此受到国内外的广泛关注;NASA X-43A试飞成功证实了这项技术的可行性。高超声速飞行器再入过程中,攻角和倾侧角的变化范围大,***存在强非线性;同时,气动系数、反推力器的控制效能都严重的依赖于飞行姿态,这使得***中的参数和状态都存在着严重的非线性耦合。高超声速飞行器再入段的特性给控制设计带来了巨大的挑战,控制***就必须具有强自适应学习能力。
由于再入段强非线性、快时变性以及强不确定性等特性,飞行器姿态控制非常复杂。常用的处理方案是采用鲁棒自适应设计。一种方案是将***的非线性写为线性参数化形式,进而进行自适应设计,该过程需要对***的结构具有清晰认知以获得参数化表达;另外一种方案是将考虑非线性函数的上下界,利用该信息设计鲁棒项以保证***稳定,例如《Adaptive Dynamic Sliding Mode Control for Near Space Vehicles Under ActuatorFaults》(Jing Zhao,Bin Jiang,Peng Shi,Hongtao Liu,《Circuits Systems&SignalProcessing》,2013年,第32卷,页码:2281–2296)一文针对近空间飞行器研究了滑模控制器。由于设计过程中利用***未知上界信息进行滑模设计,因此所得到的控制器具有很强的保守性,不利于高精度的高超声速飞行器再入段姿态控制。
发明内容
为了克服现有高超声速飞行器再入段姿态控制方法精度差的不足,本发明提供一种高超声速飞行器再入段神经网络复合学习控制方法。该方法首先将高超声速飞行器再入段动力学描述为面向控制的姿态模型,再利用神经网络对***不确定函数进行学习设计控制器,最后采用在线数据构造预测建模误差,并利用跟踪误差和预测误差形成复合误差进行神经网络权重更新,提升闭环控制过程神经网络学习性能改善跟踪性能。由于利用神经网络进行学习可提升***的自适应能力,降低鲁棒控制方法带来的保守性,提高了控制精度;由于利用在线数据构造预测误差评价神经网络学习性能并结合***跟踪误差,进行神经网络权重向量复合更新,提高闭环控制过程中神经网络学习准确性与快速性,提高了***的跟踪精度。
本发明解决其技术问题所采用的技术方案:一种高超声速飞行器再入段神经网络复合学习控制方法,其特点是包括以下步骤:
(a)建立高超声速飞行器再入段动力学模型:
该动力学模型包含状态变量X=[v,ω]T和控制输入U=Mc,其中v=[α β σ]T为姿态角向量,α、β、σ分别表示攻角、侧滑角和倾斜角;ω=[p q r]T为姿态角速率向量,p、q、r分别表示滚动、俯仰和偏航角速率;Mc=[Mx My Mz]T表示***的控制力矩;I表示惯量矩阵;
(b)定义X=[x1 x2]T,x1=v,x2=ω。则姿态控制模型可表示为:
其中g1(x1)=R(·),f2(x2)=-I-1ΩIω,g2(x2)=I-1。
(c)定义姿态角跟踪误差e1=x1-yd;其中yd=[αd βd σd]T为制导***生成的制导指令。设计虚拟控制量为:
其中k1∈R3×3为控制增益矩阵,进一步可计算其中 分别为制导指令的一阶导数和二阶导数。
定义姿态角速率误差设计控制信号Mc为:
其中为最优神经网络权重向量的估计值,θ2(x2)为径向基函数向量;k2∈R3×3为控制增益矩阵,
(d)定义其中τd>0为积分区间。
构造预测误差为神经网络复合学习自适应律设计为:
其中λ2∈R3×3为学习率矩阵,kω2∈R3×3为权重因子矩阵,
(e)根据得到的控制输入Mc,返回到高超声速飞行器再入段的动力学模型(1)、(2),对姿态角进行跟踪控制。
本发明的有益效果是:该方法首先将高超声速飞行器再入段动力学描述为面向控制的姿态模型,再利用神经网络对***不确定函数进行学习设计控制器,最后采用在线数据构造预测建模误差,并利用跟踪误差和预测误差形成复合误差进行神经网络权重更新,提升闭环控制过程神经网络学习性能改善跟踪性能。由于利用神经网络进行学习可提升***的自适应能力,降低鲁棒控制方法带来的保守性,提高了控制精度;由于利用在线数据构造预测误差评价神经网络学习性能并结合***跟踪误差,进行神经网络权重向量复合更新,提高闭环控制过程中神经网络学习准确性与快速性,提高了***的跟踪精度。
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是本发明高超声速飞行器再入段神经网络复合学习控制方法的流程图。
具体实施方式
参照图1。本发明高超声速飞行器再入段神经网络复合学习控制方法具体步骤如下:
(a)建立高超声速飞行器再入段动力学模型:
该动力学模型包含状态变量X=[v,ω]T和控制输入U=Mc,其中v=[α β σ]T为姿态角向量,α、β、σ分别表示攻角、侧滑角和倾斜角;ω=[p q r]T为姿态角速率向量,p、q、r分别表示滚动、俯仰和偏航角速率;Mc=[Mx My Mz]T表示***的控制力矩;
(b)定义X=[x1 x2]T,x1=v,x2=ω。则姿态控制模型可表示为:
其中g1(x1)=R(·),f2(x2)=-I-1ΩIω,g2(x2)=I-1。
(c)定义姿态角跟踪误差e1=x1-yd;其中yd=[αd βd σd]T为制导***生成的制导指令;设计虚拟控制量为:
其中进一步可计算其中分别为制导指令的一阶导数和二阶导数。
定义姿态角速率误差设计控制信号Mc为:
其中为最优神经网络权重的估计值,θ2(x2)为RBF基函数向量;
(d)定义其中τd=0.05s。
构造预测误差为设计神经网络复合学习自适应律为:
其中
(e)根据得到的控制输入Mc,返回到高超声速飞行器再入段的动力学模型(1)、(2),对姿态角进行跟踪控制。
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种高超声速飞行器再入段神经网络复合学习控制方法,其特征在于包括以下步骤:
(a)建立高超声速飞行器再入段动力学模型:
该动力学模型包含状态变量X=[v,ω]T和控制输入U=Mc,其中v=[α β σ]T为姿态角向量,α、β、σ分别表示攻角、侧滑角和倾斜角;ω=[p q r]T为姿态角速率向量,p、q、r分别表示滚动、俯仰和偏航角速率;Mc=[Mx My Mz]T表示***的控制力矩;I表示惯量矩阵;
(b)定义X=[x1 x2]T,x1=v,x2=ω;则姿态控制模型可表示为:
其中g1(x1)=R(·),f2(x2)=-I-1ΩIω,g2(x2)=I-1;
(c)定义姿态角跟踪误差e1=x1-yd;其中yd=[αd βd σd]T为制导***生成的制导指令;设计虚拟控制量为:
其中k1∈R3×3为控制增益矩阵,进一步可计算其中 分别为制导指令的一阶导数和二阶导数;
定义姿态角速率误差设计控制信号Mc为:
其中为最优神经网络权重向量的估计值,θ2(x2)为径向基函数向量;k2∈R3×3为控制增益矩阵,
(d)定义其中τd>0为积分区间;
构造预测误差为神经网络复合学习自适应律设计为:
其中λ2∈R3×3为学习率矩阵,kω2∈R3×3为权重因子矩阵,
(e)根据得到的控制输入Mc,返回到高超声速飞行器再入段的动力学模型(1)、(2),对姿态角进行跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789276.6A CN107450323B (zh) | 2017-09-05 | 2017-09-05 | 高超声速飞行器再入段神经网络复合学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789276.6A CN107450323B (zh) | 2017-09-05 | 2017-09-05 | 高超声速飞行器再入段神经网络复合学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107450323A CN107450323A (zh) | 2017-12-08 |
CN107450323B true CN107450323B (zh) | 2019-10-18 |
Family
ID=60495139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789276.6A Active CN107450323B (zh) | 2017-09-05 | 2017-09-05 | 高超声速飞行器再入段神经网络复合学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107450323B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109164708B (zh) * | 2018-10-31 | 2020-08-04 | 南京航空航天大学 | 一种高超声速飞行器神经网络自适应容错控制方法 |
CN110413000B (zh) * | 2019-05-28 | 2020-10-13 | 北京航空航天大学 | 一种基于深度学习的高超声速飞行器再入预测校正容错制导方法 |
CN111351488B (zh) * | 2020-03-03 | 2022-04-19 | 南京航空航天大学 | 飞行器智能轨迹重构再入制导方法 |
CN112327626B (zh) * | 2020-11-14 | 2022-06-21 | 西北工业大学 | 基于数据分析的飞行器通道耦合协调控制方法 |
CN112327627B (zh) * | 2020-11-14 | 2022-06-21 | 西北工业大学 | 基于复合学习的非线性切换***自适应滑模控制方法 |
CN114859712B (zh) * | 2022-04-17 | 2023-08-01 | 西北工业大学 | 面向油门约束的飞行器制导控制一体化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2423377A (en) * | 2002-12-09 | 2006-08-23 | Georgia Tech Res Inst | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system. |
US8285659B1 (en) * | 2009-08-18 | 2012-10-09 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Aircraft system modeling error and control error |
CN102880052A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于时标功能分解的高超声速飞行器执行器饱和控制方法 |
CN102880055A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器神经网络控制方法 |
CN102929141A (zh) * | 2012-10-10 | 2013-02-13 | 西北工业大学 | 飞行器时间滞后时变模型逼近及控制器设计方法 |
CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
CN104022742A (zh) * | 2014-06-19 | 2014-09-03 | 金陵科技学院 | 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法 |
CN104765272A (zh) * | 2014-03-05 | 2015-07-08 | 北京航空航天大学 | 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050137724A1 (en) * | 2003-10-10 | 2005-06-23 | Georgia Tech Research Corporation | Adaptive observer and related method |
-
2017
- 2017-09-05 CN CN201710789276.6A patent/CN107450323B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2423377A (en) * | 2002-12-09 | 2006-08-23 | Georgia Tech Res Inst | Adaptive output feedback apparatuses and methods capable of controlling a non-minimum phase system. |
US8285659B1 (en) * | 2009-08-18 | 2012-10-09 | The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) | Aircraft system modeling error and control error |
CN102880052A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于时标功能分解的高超声速飞行器执行器饱和控制方法 |
CN102880055A (zh) * | 2012-09-29 | 2013-01-16 | 西北工业大学 | 基于预测模型的高超声速飞行器神经网络控制方法 |
CN102929141A (zh) * | 2012-10-10 | 2013-02-13 | 西北工业大学 | 飞行器时间滞后时变模型逼近及控制器设计方法 |
CN103365296A (zh) * | 2013-06-29 | 2013-10-23 | 天津大学 | 一种四旋翼无人飞行器非线性输出反馈飞行控制方法 |
CN104765272A (zh) * | 2014-03-05 | 2015-07-08 | 北京航空航天大学 | 一种基于pid神经元网络控制(pidnn)的四旋翼飞行器控制方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN104022742A (zh) * | 2014-06-19 | 2014-09-03 | 金陵科技学院 | 基于神经网络观测器的飞行器姿态鲁棒反演容错控制方法 |
Non-Patent Citations (4)
Title |
---|
《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》;Bin Xu;《2013 International Conference on Unmanned Aircraft Systems (ICUAS)》;20130531;全文 * |
《RBF Neural Network based Adaptive Sliding Mode Control for Hypersonic Flight Vehicles》;Jianmin Wang;《Proceedings of 2016 IEEE Chinese Guidance, Navigation and Control Conference》;20160815;全文 * |
《基于RBF神经网络自适应PID四旋翼飞行器控制》;李砚浓;《控制工程》;20160331;第23卷(第3期);全文 * |
《基于混合神经网络的鲁棒自适应飞行控制器的设计》;王丽;《电光与控制》;20161130;第23卷(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107450323A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450323B (zh) | 高超声速飞行器再入段神经网络复合学习控制方法 | |
CN108803649B (zh) | 一种垂直起降重复使用运载器自抗扰滑模控制方法 | |
CN106527137B (zh) | 基于观测器的四旋翼无人机容错控制方法 | |
Wu et al. | Modified adaptive neural dynamic surface control for morphing aircraft with input and output constraints | |
Chen et al. | A novel nonlinear resilient control for a quadrotor UAV via backstepping control and nonlinear disturbance observer | |
CN104155990B (zh) | 考虑攻角约束的高超声速飞行器俯仰通道姿态控制方法 | |
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 | |
CN109884895A (zh) | 基于饱和受限情况下的无人机自适应跟踪控制算法 | |
CN107608367A (zh) | 多变量干扰补偿四旋翼无人机轨迹与姿态协同控制方法 | |
CN104950898A (zh) | 一种再入飞行器全阶非奇异终端滑模姿态控制方法 | |
CN109470252A (zh) | 一种基于凸优化的垂直起降重复使用运载器快速轨迹优化方法 | |
CN113361013B (zh) | 一种基于时间同步稳定的航天器姿态鲁棒控制方法 | |
CN101708780A (zh) | 用于目标姿态跟踪的刚性航天器的控制方法 | |
CN104281155B (zh) | 一种无人飞艇三维航迹跟踪方法 | |
CN108594837A (zh) | 基于pd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法 | |
CN105159305A (zh) | 一种基于滑模变结构的四旋翼飞行控制方法 | |
Xu et al. | Adaptive prescribed performance terminal sliding mode attitude control for quadrotor under input saturation | |
CN107526296B (zh) | 基于预测建模的高超声速飞行器神经网络学习控制方法 | |
CN108181920A (zh) | 基于给定时间的四旋翼无人机高精度姿态跟踪控制方法 | |
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*** | |
CN113377121B (zh) | 一种基于深度强化学习的飞行器智能抗扰动控制方法 | |
CN109507890A (zh) | 一种基于eso的无人机动态逆广义预测控制器 | |
CN107065564A (zh) | 一种基于自抗扰的中性浮力机器人姿态与轨迹控制方法 | |
CN105242683B (zh) | 一种飞艇神经网络终端滑模航迹控制方法 | |
CN108803648A (zh) | 无人飞行器鲁棒姿态控制方法、装置及电子设备 |
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 |