CN107450324B - 考虑攻角约束的高超声速飞行器自适应容错控制方法 - Google Patents
考虑攻角约束的高超声速飞行器自适应容错控制方法 Download PDFInfo
- Publication number
- CN107450324B CN107450324B CN201710789277.0A CN201710789277A CN107450324B CN 107450324 B CN107450324 B CN 107450324B CN 201710789277 A CN201710789277 A CN 201710789277A CN 107450324 B CN107450324 B CN 107450324B
- Authority
- CN
- China
- Prior art keywords
- angle
- formula
- follows
- attack
- design
- 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
- 230000003044 adaptive effect Effects 0.000 title abstract description 9
- 238000007500 overflow downdraw method Methods 0.000 title abstract 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 14
- 230000004888 barrier function Effects 0.000 claims abstract description 6
- 230000006978 adaptation Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 6
- 238000011217 control strategy Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种考虑攻角约束的高超声速飞行器自适应容错控制方法,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。技术方案是将飞行器攻角限制在给定范围内,保证超燃冲压发动机的正常工作;针对执行器故障情形,给出了鲁棒自适应调整控制策略,利用冗余控制机构有效补偿失效带来的影响以保证***的安全性。针对模型不确定性。本发明结合限幅设计与Barrier型李雅普诺夫函数给出控制器,可确保攻角能够被约束在给定范围内,保证超燃冲压发动机正常工作。通过神经网络学习处理模型不确定性代替线性参数化处理,简化了模型分析,便于实际应用。针对执行器故障情形,利用冗余控制机构有效自适应补偿故障带来的影响,实用性好。
Description
技术领域
本发明涉及一种高超声速飞行器控制方法,特别涉及一种考虑攻角约束的高超声速飞行器自适应容错控制方法。
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。吸气式高超声速飞行器多以超燃冲压发动机作为动力来源,由于这类发动机取消了传统喷气式发动机的压气机构件,其进气效率对飞行器攻角极为敏感,只有当飞行器攻角被限制在一定范围内时,超燃冲压发动机才可正常工作。当前针对高超声速飞行器的研究对于攻角限制考虑较少,缺乏对攻角进行约束的控制律的相关研究。此外,高超声速飞行器由于飞行环境苛刻,飞行过程未知因素较多,其执行器可能出现卡死等故障并进一步导致飞行失稳。
《Fault-tolerant control using command filtered adaptive back-steppingtechnique:application to hypersonic longitudinal flight dynamics》(Bin Xu,Yuyan Guo,Yuan Yuan,Yonghua Fan,Danwei Wang,《International Journal ofAdaptive Control and Signal Processing》,2016,30(4):553-577)一文针对高超声速飞行器纵向通道设计了自适应容错控制律,同时将模型转化为线性参数化形式设计自适应律对其进行估计,但实际中线性参数化形式难以获得,且该论文的控制器设计中并未考虑攻角约束问题,导致该方法难以工程应用。
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,本发明提供一种考虑攻角约束的高超声速飞行器自适应容错控制方法。该方法将飞行器攻角限制在给定范围内,保证超燃冲压发动机的正常工作;针对执行器故障情形,给出了鲁棒自适应调整控制策略,利用冗余控制机构有效补偿失效带来的影响以保证***的安全性。针对模型不确定性。本发明结合限幅设计与Barrier型李雅普诺夫函数给出控制器,可确保攻角能够被约束在给定范围内,保证超燃冲压发动机正常工作。通过神经网络学习处理模型不确定性代替线性参数化处理,简化了模型分析,便于实际应用。针对执行器故障情形,利用冗余控制机构有效自适应补偿故障带来的影响,保证***的安全性,实用性好。
本发明解决其技术问题所采用的技术方案:一种考虑攻角约束的高超声速飞行器自适应容错控制方法,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,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;其中u=[u1,u2,…,un]T为待设计的n个舵面偏转角,为未知故障参数,δ=diag{δ1,δ2,…,δn},当第i个执行器出现故障时取δi=1,否则取δi=0,λ=[λ1,λ2,…,λn]T为未知参数;β为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、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eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,为高度指令的一阶微分,kh>0,ki>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=α,x3=q;可将式(3)-(5)写成如下严格反馈形式:
其中,fi,gi,i=1,2,3为根据高超声速飞行器模型得到的未知非线性函数。g1=ωg1θg1,g2=1,g3=ωg3θg3,其中为已知项,为未知气动参数项。
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计攻角虚拟控制量:
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。其中为θg1的估计值。
定义建模误差:
其中由下式得到:
其中η1>0由设计者给出。设计自适应律如下:
其中γ1>0、γz1>0、δ1>0。设计自适应律如下:
其中
为了使攻角满足给定的约束条件,令x2c通过如下的饱和环节获得x2cl:
其中,x2cm为x2c上界。
设计一阶滤波器如下:
式中x2d为x2cl通过滤波器(15)后获得的信号,α2>0。
定义攻角跟踪误差:
e2=x2-x2d (16)
构造Barrier李雅普诺夫函数其中kb为误差e2的上界。设计俯仰角速率虚拟控制量:
式中,k2>0,为由RBF神经网络得到的f2估计值,其中为神经网络最优权重向量的估计值,θ2为RBF函数向量。
定义建模误差:
其中由下式得到:
其中η2>0。设计自适应律如下:
其中γ2>0、γz2>0、δ2>0。
设计一阶滤波器如下:
式中x3d为x3c通过滤波器(21)后获得的信号,α3>0。
定义俯仰角速率跟踪误差:
e3=x3-x3d (22)
设计辅助信号u*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。其中为θg3的估计值。
设计各舵面偏转如下:
其中自适应律如下:
其中Γ1i>0与Γ2i>0,sgn(g3)为g3的符号函数,此处g3符号已知。
定义建模误差:
其中由下式得到:
其中η3>0。设计自适应律如下:
其中γ3>0、γz3>0、δ3>0。设计自适应律如下:
其中
步骤四、定义速度跟踪误差:
式中,Vd为速度指令。设计节流阀开度如下:
式中,kpV>0、kiV>0、kdV>0。
步骤五、根据得到的各舵偏角ui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:该方法将飞行器攻角限制在给定范围内,保证超燃冲压发动机的正常工作;针对执行器故障情形,给出了鲁棒自适应调整控制策略,利用冗余控制机构有效补偿失效带来的影响以保证***的安全性。针对模型不确定性。本发明结合限幅设计与Barrier型李雅普诺夫函数给出控制器,可确保攻角能够被约束在给定范围内,保证超燃冲压发动机正常工作。通过神经网络学习处理模型不确定性代替线性参数化处理,简化了模型分析,便于实际应用。针对执行器故障情形,利用冗余控制机构有效自适应补偿故障带来的影响,保证***的安全性,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是本发明考虑攻角约束的高超声速飞行器自适应容错控制方法的流程图。
具体实施方式
参照图1。本发明考虑攻角约束的高超声速飞行器自适应容错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,其中u=[u1 u2]T为各个舵偏角,为未知故障参数,δ=diag{δ1 δ2},当第i个执行器出现故障时取δi=1,否则取δi=0,λ=[λ1 λ2]T=[0.8 0.8]T。β为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、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:
其中表示动压,ρ表示空气密度,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eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,由设计者给出,为高度指令的一阶微分,kh=0.5,ki=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=α,x3=q;可将式(3)-(5)写成如下严格反馈形式:
其中,fi,gi,i=1,2,3为根据高超声速飞行器模型得到的非线性函数。g1=ωg1θg1,g2=1,g3=ωg3θg3,其中为已知项,为未知气动参数项。
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计攻角虚拟控制量:
式中,k1=1。其中为θg1的估计值。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。
定义建模误差:
其中由下式得到:
其中η1=2。设计自适应律如下:
其中γ1=2、γz1=1、δ1=0.1。设计自适应律如下:
其中
为了使攻角满足给定的约束条件,令x2c通过如下的饱和环节:
其中,x2cm=0.1。
令x2cl通过如下一阶滤波器获得x2d:
式中α2=0.05。
定义攻角跟踪误差:
e2=x2-x2d (16)
构造Barrier李雅普诺夫函数其中kb=0.022。设计俯仰角速率虚拟控制量:
式中k2=1。为由RBF神经网络得到的f2估计值,其中为神经网络最优权重向量的估计值,θ2为RBF函数向量。
定义建模误差:
其中由下式得到:
其中η2=2。设计自适应律如下:
其中γ2=0.2、γz2=0.5、δ2=0.01。
令x3c通过如下一阶滤波器得到x3d:
式中α3=0.05。
定义俯仰角速率跟踪误差:
e3=x3-x3d (22)
设计辅助信号u*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。
针对双执行器情形,设计自适应分配律如下:
式中,自适应律如下:
其中Γ1i=3,Γ2i=0.7,i=1,2。
定义建模误差:
其中由下式得到:
其中η3=2。设计自适应律如下:
其中γ3=0.1、γz3=0.05、δ3=0.01。设计自适应律如下:
其中
步骤四、给定速度指令Vd,定义速度跟踪误差:
设计节流阀开度如下:
式中,kpV=0.5、kiV=0.001、kdV=0.01。
步骤五、根据得到的舵偏角u1、u2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。本例中所设计控制器可保证攻角被限制在±0.122rad(±7°)的范围内。
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种考虑攻角约束的高超声速飞行器自适应容错控制方法,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,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;其中u=[u1,u2,…,un]T为待设计的n个舵面偏转角,为未知故障参数,δ=diag{δ1,δ2,…,δn},当第i个执行器出现故障时取δi=1,否则取δi=0,λ=[λ1,λ2,…,λn]T为未知参数;Φ为节流阀开度;T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩;m、Iyy、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eh=h-hd,设计航迹角指令γd:
式中,hd为高度指令,为高度指令的一阶微分,kh>0,ki>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=α,x3=q;可将式(3)-(5)写成如下严格反馈形式:
其中,fi,gi,i=1,2,3为根据高超声速飞行器模型得到的未知非线性函数;g1=ωg1θg1,g2=1,g3=ωg3θg3,其中 为已知项,为未知气动参数项;
步骤三、定义航迹角跟踪误差:
e1=x1-γd (8)
设计攻角虚拟控制量:
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;其中为θg1的估计值;
定义建模误差:
其中由下式得到:
其中η1>0由设计者给出;设计自适应律如下:
其中γ1>0、γz1>0、δ1>0;设计自适应律如下:
其中
为了使攻角满足给定的约束条件,令x2c通过如下的饱和环节获得x2cl:
其中,x2cm为x2c上界;
设计一阶滤波器如下:
式中x2d为x2cl通过公式(15)所表达的滤波器后获得的信号,α2>0;
定义攻角跟踪误差:
e2=x2-x2d (16)
构造Barrier李雅普诺夫函数其中kb为误差e2的上界;设计俯仰角速率虚拟控制量:
式中,k2>0,为由RBF神经网络得到的f2估计值,其中为神经网络最优权重向量的估计值,θ2为RBF函数向量;
定义建模误差:
其中由下式得到:
其中η2>0;设计自适应律如下:
其中γ2>0、γz2>0、δ2>0;
设计一阶滤波器如下:
式中x3d为x3c通过公式(21)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-x3d (22)
设计辅助信号u*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;其中为θg3的估计值;
设计各舵面偏转如下:
其中自适应律如下:
其中Γ1i>0与Γ2i>0,sgn(g3)为g3的符号函数,此处g3符号已知;
定义建模误差:
其中由下式得到:
其中η3>0;设计自适应律如下:
其中γ3>0、γz3>0、δ3>0;设计自适应律如下:
其中
步骤四、定义速度跟踪误差:
式中,Vd为速度指令;设计节流阀开度如下:
式中,kpV>0、kiV>0、kdV>0;
步骤五、根据得到的各舵偏角ui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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789277.0A CN107450324B (zh) | 2017-09-05 | 2017-09-05 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789277.0A CN107450324B (zh) | 2017-09-05 | 2017-09-05 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107450324A CN107450324A (zh) | 2017-12-08 |
CN107450324B true CN107450324B (zh) | 2019-10-22 |
Family
ID=60495150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789277.0A Active CN107450324B (zh) | 2017-09-05 | 2017-09-05 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107450324B (zh) |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943097B (zh) * | 2017-12-29 | 2020-07-17 | 北京航空航天大学 | 飞行器的控制方法、装置和飞行器 |
CN108241380B (zh) * | 2018-01-24 | 2020-11-03 | 北京航空航天大学 | 高速无人飞行器的控制方法、装置和高速无人飞行器 |
CN108415247B (zh) * | 2018-02-07 | 2019-12-20 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于标称信息的时标分离飞行器弹性体鲁棒控制方法 |
CN108303889B (zh) * | 2018-02-07 | 2019-12-20 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于非线性信息的时标分离飞行器弹性体控制方法 |
CN108333939B (zh) * | 2018-02-07 | 2019-12-31 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于神经网络的时标分离飞行器弹性体智能控制方法 |
CN108388118A (zh) * | 2018-02-11 | 2018-08-10 | 浙江工业大学 | 基于非对称时变正切型约束李雅普诺夫函数的四旋翼飞行器全状态受限控制方法 |
CN108427277A (zh) * | 2018-03-15 | 2018-08-21 | 浙江工业大学 | 基于非对称时变反正切型约束李雅普诺夫函数的四旋翼飞行器输出受限控制方法 |
CN108663940B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的飞行器神经网络学习控制方法 |
CN109062234B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 一种非最小相位飞行器复合学习滑模控制方法 |
CN108897227B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 非线性严格反馈***全局有限时间神经网络控制方法 |
CN109062049B (zh) * | 2018-08-20 | 2019-09-24 | 西北工业大学 | 基于集总复合估计的严格反馈***神经网络控制方法 |
CN108828957B (zh) * | 2018-08-20 | 2019-11-05 | 西北工业大学 | 基于切换机制的飞行器全局有限时间神经网络控制方法 |
CN108762098B (zh) * | 2018-08-20 | 2019-11-01 | 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 |
CN108919651B (zh) * | 2018-09-26 | 2020-09-01 | 北京航空航天大学 | 一种考虑执行器输入约束的高超声速飞行器自适应容错控制方法 |
CN109176525A (zh) * | 2018-09-30 | 2019-01-11 | 上海神添实业有限公司 | 一种基于rbf的移动机械手自适应控制方法 |
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 |
CN110362110B (zh) * | 2019-07-12 | 2022-09-23 | 西北工业大学 | 一种固定时自适应神经网络无人机航迹角控制方法 |
CN110515392A (zh) * | 2019-08-26 | 2019-11-29 | 哈尔滨工业大学 | 一种面向性能恢复的高超声速飞行器轨迹跟踪控制方法 |
CN110597068A (zh) * | 2019-10-16 | 2019-12-20 | 西北工业大学 | 考虑攻角非对称约束的高超声速飞行器鲁棒控制方法 |
CN110568765A (zh) * | 2019-10-16 | 2019-12-13 | 西北工业大学 | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 |
CN110727198B (zh) * | 2019-11-11 | 2022-06-14 | 中国人民解放军军事科学院国防科技创新研究院 | 一种导弹多驱动状态执行机构故障的容错控制方法 |
CN111007720A (zh) * | 2019-12-11 | 2020-04-14 | 南京航空航天大学 | 高超声速飞行器多传感器故障的非线性自愈合控制方法 |
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 |
CN111273681B (zh) * | 2020-04-09 | 2023-03-31 | 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 |
CN112558484A (zh) * | 2020-12-29 | 2021-03-26 | 彩虹无人机科技有限公司 | 一种显示考虑飞行器执行机构动态特性的控制器设计方法 |
CN112947498B (zh) * | 2021-02-04 | 2021-11-23 | 深圳信息职业技术学院 | 飞行器航迹角控制方法、***及存储介质 |
CN114200828B (zh) * | 2021-11-09 | 2023-06-23 | 西北工业大学 | 一种超音速大机动靶标持续大过载防失速方法 |
CN114237050B (zh) * | 2021-12-16 | 2022-12-23 | 西北工业大学 | 一种全状态约束下绳系组合体稳定控制方法 |
CN114397819B (zh) * | 2022-01-13 | 2023-10-13 | 大连理工大学 | 航空发动机执行机构的事件触发自适应控制方法 |
CN114779636B (zh) * | 2022-04-17 | 2023-08-01 | 西北工业大学 | 考虑气动伺服弹性的飞行器鲁棒自适应控制方法 |
CN116009594B (zh) * | 2023-03-27 | 2023-06-02 | 合肥工业大学 | 一种基于零和博弈的高超声速飞行器状态约束容错控制方法 |
CN116594414B (zh) * | 2023-03-28 | 2024-03-15 | 西北工业大学 | 一种高超声速飞行器纵向控制方法 |
CN116819976B (zh) * | 2023-08-31 | 2023-11-10 | 中国人民解放军空军工程大学 | 控制输入受约束动力学***的预定时间容错控制设计方法 |
CN118092145A (zh) * | 2024-04-25 | 2024-05-28 | 南京理工大学 | 用于多智能体***的pi型容错一致性控制器设计方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2423377B (en) * | 2002-12-09 | 2007-04-18 | Georgia Tech Res Inst | Adaptive Output Feedback Apparatuses And Methods Capable Of Controlling A Non-Minimum Phase System |
US20050137724A1 (en) * | 2003-10-10 | 2005-06-23 | Georgia Tech Research Corporation | Adaptive observer and related method |
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 |
CN102880055B (zh) * | 2012-09-29 | 2014-11-26 | 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 |
CN102880052B (zh) * | 2012-09-29 | 2014-12-31 | 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 |
CN102929141B (zh) * | 2012-10-10 | 2015-03-18 | 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 |
CN103365296B (zh) * | 2013-06-29 | 2015-12-09 | 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 |
CN104022742B (zh) * | 2014-06-19 | 2017-12-12 | 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 |
-
2017
- 2017-09-05 CN CN201710789277.0A patent/CN107450324B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107450324A (zh) | 2017-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450324B (zh) | 考虑攻角约束的高超声速飞行器自适应容错控制方法 | |
CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN107479383B (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 | |
CN108828957B (zh) | 基于切换机制的飞行器全局有限时间神经网络控制方法 | |
CN103616816B (zh) | 一种高超声速飞行器升降舵故障控制方法 | |
CN111665857B (zh) | 基于复合智能学习的变体飞行器控制方法 | |
CN104216417B (zh) | 一种基于四矢量螺旋桨的平流层飞艇的动态控制分配方法 | |
CN109426146A (zh) | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 | |
CN108776434B (zh) | 一种高超声速飞行器快速自适应滑模容错控制方法 | |
CN111679583B (zh) | 基于气动参数估计的变体飞行器自适应控制方法 | |
CN107632518B (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 | |
CN111273681B (zh) | 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 | |
CN109164708B (zh) | 一种高超声速飞行器神经网络自适应容错控制方法 | |
CN110568765A (zh) | 面向攻角跟踪的高超声速飞行器非对称输出受限控制方法 | |
CN102880052A (zh) | 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 | |
CN110262448B (zh) | 具有状态限制的高超声速飞行器升降舵故障容错控制方法 | |
CN113741188B (zh) | 执行器故障下固定翼无人机反步自适应容错控制方法 | |
CN113777932B (zh) | 一种基于Delta算子的四旋翼自适应滑模容错控制方法 | |
CN113341693B (zh) | 一种基于扑翼非对称相位差与振幅的航向控制方法 | |
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 | |
CN108762098B (zh) | 基于复合学习的非最小相位飞行器神经网络控制方法 | |
CN110320927A (zh) | 智能变形飞行器的飞行控制方法及*** | |
CN112327926B (zh) | 一种无人机编队的自适应滑模控制方法 | |
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 |
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 |