CN107526296A - 基于预测建模的高超声速飞行器神经网络学习控制方法 - Google Patents
基于预测建模的高超声速飞行器神经网络学习控制方法 Download PDFInfo
- Publication number
- CN107526296A CN107526296A CN201710789199.4A CN201710789199A CN107526296A CN 107526296 A CN107526296 A CN 107526296A CN 201710789199 A CN201710789199 A CN 201710789199A CN 107526296 A CN107526296 A CN 107526296A
- Authority
- CN
- China
- Prior art keywords
- neural network
- hypersonic aircraft
- subsystem
- designing
- definition
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 230000013016 learning Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 10
- 239000000446 fuel Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 4
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 230000009897 systematic effect Effects 0.000 abstract 1
- 239000002131 composite material Substances 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G05B13/048—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 using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法,用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子***和高度子***,再利用神经网络对高超声速飞行器***存在的不确定性进行逼近,通过构造预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的***学习能力。由于针对两个子***分别给出基于神经网络学习的控制器,可在线动态对不确定进行估计学习,实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差,提升了神经网络学习准确性与快速性,进而提高了控制***的自适应能力且稳定性好。
Description
技术领域
本发明涉及一种高超声速飞行器控制方法,特别涉及一种基于预测建模的高超声速飞行器神经网络学习控制方法。
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;由于飞行高度和飞行马赫数跨度范围大,飞行环境非常复杂,在飞行过程中飞行器热特性和气动特性变化剧烈,并且在控制过程中存在着各种噪声,要适应大范围的飞行环境和高机动性要求,控制***就必须具有高可靠性和强适应性。
由于气动特性变化和未建模动态等因素的影响,***不确定变化会非常复杂,研究自适应学习对于高超声速飞行器的飞行控制起到至关重要的作用。智能控制将控制理论的方法和人工智能技术结合,不需要考虑模型非线性的结构信息,通过从外界环境所获得的信息不断逼近***的不确定性以实现动态学习;其中,神经网络控制采用神经网络逼近***非线性函数以实现控制保证***稳定并改善控制性能。
《Neural Network Based Dynamic Surface Control of Hypersonic FlightDynamics Using Small-gain Theorem》(Bin Xu,Qi Zhang,Yongping Pan,《Neurocomputing》,2016年,第173卷)一文针对高超声速飞行器的纵向动力学研究了智能自适应控制。整个方案按照动态面设计,在每一步设计一个虚拟控制量;在设计过程中,采用神经网络对模型的不确定性进行逼近学习进而为控制器设计提供反馈。由于该方法利用跟踪误差设计神经网络自适应更新律,只保证Lyapunov稳定忽略神经网络逼近不确定性的好快,不能确保神经网络有效完成逼近不确定性实现反馈设计的初衷,难以实现***的快速稳定控制。
发明内容
为了克服现有高超声速飞行器控制方法稳定性差的不足,本发明提供一种基于预测建模的高超声速飞行器神经网络学习控制方法。该方法首先将高超声速飞行器纵向通道模型分解为速度子***和高度子***,再利用神经网络对高超声速飞行器***存在的不确定性进行逼近,通过构造预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的***学习能力。由于针对两个子***分别给出基于神经网络学习的控制器,可在线动态对不确定进行估计学习,实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差,通过设计神经网络的复合更新学习算法,可提升神经网络学习准确性与快速性,进而提高控制***的自适应能力且稳定性好。
本发明解决其技术问题所采用的技术方案:一种基于预测建模的高超声速飞行器神经网络学习控制方法,其特点是包括以下步骤:
(a)建立高超声速飞行器的动力学模型:
该高超声速飞行器的动力学模型包含五个状态变量X=[V,h,α,γ,q]T和两个控制输入U=[δe,Φ]T。其中,V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比;g,m,Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量;T,D,L,Myy分别表示推力、升力、阻力、俯仰力矩;
(b)按照功能解耦得到速度子***和高度子***;定义速度子***(1)写为:
其中fv是由式(1)得到的未知光滑函数,gv是由式(1)得到的已知函数;
针对高度子***,高度跟踪误差定义为航迹角期望指令为:
其中kh>0,kI>0,hd为高度参考信号,为高度参考信号的变化率;考虑巡航段航迹角变化很小,取
定义x1=γ,x2=θp,x3=q,θp=α+γ;姿态子***(3)-(5)变换为:
其中fi,i=1,2,3是由式(3)-(5)得到的未知光滑函数,gi,(i=1,2,3)是由式(3)-(5)得到的已知函数;
(c)针对速度子***,定义速度跟踪误差为ev=V-Vd,根据公式(6)设计控制器:
其中为神经网络最优权重向量的估计值,为RBF基函数向量,Vd为速度参考信号,为速度参考信号的导数,控制增益kv>0;
定义其中τd>0为积分区间。构造预测建模误差并设计神经网络自适应更新律为
其中λv>0,kωv>0;
(d)针对姿态子***,定义航迹角跟踪误差为e1=x1-x1d,其中x1d=γd为航迹角期望指令;设计虚拟控制量
其中为神经网络最优权重向量的估计值,为基函数向量,控制增益k1>0。
设计一阶滤波器:
其中滤波器参数α2>0。
定义e2=x2-x2c,y2=x2c-x2d; 构造预测建模误差并设计神经网络自适应更新律为
其中λ1>0,kω1>0;
设计虚拟控制量:
其中控制增益k2>0。
设计一阶滤波器:
其中滤波器参数α3>0。
定义e3=x3-x3c并设计实际控制输入:
其中为神经网络最优权重向量的估计值,为基函数向量,控制增益k3>0。
定义构造预测建模误差并设计神经网络自适应更新律为
其中λ3>0,kω3>0;
(e)根据得到的舵偏角δe和燃料当量比Φ,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:该方法首先将高超声速飞行器纵向通道模型分解为速度子***和高度子***,再利用神经网络对高超声速飞行器***存在的不确定性进行逼近,通过构造预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的***学习能力。由于针对两个子***分别给出基于神经网络学习的控制器,可在线动态对不确定进行估计学习,实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差,通过设计神经网络的复合更新学习算法,提升了神经网络学习准确性与快速性,进而提高了控制***的自适应能力且稳定性好。
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是本发明基于预测建模的高超声速飞行器神经网络学习控制方法的流程图。
具体实施方式
参照图1。本发明基于预测建模的高超声速飞行器神经网络学习控制方法具体步骤如下:
(a)建立高超声速飞行器的动力学模型:
该高超声速飞行器的动力学模型包含五个状态变量X=[V,h,α,γ,q]T和两个控制输入U=[δe,Φ]T。其中V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比;g,m,Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量;T,D,L,Myy分别表示推力、升力、阻力、俯仰力矩;相关的力矩及参数定义如下:
CL=0.6203α,
CD=0.6450α2+0.0043378α+0.003772,
CM(α)=-0.035α2+0.036617α+5.3261×10-6,
CM(δe)=0.0292(δe-α)
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;
(b)按照功能解耦得到速度子***和高度子***;定义速度子***(1)写为:
其中
因为γ非常小,取sinγ≈γ;考虑到Tsinα远小于L,在控制器设计过程中近似忽略;
针对高度子***,高度跟踪误差定义为航迹角期望指令为:
其中参考指令hd和由设计者给出;考虑航迹角变化小,取
定义x1=γ,x2=θp,x3=q,θp=α+γ;姿态子***(3)-(5)变换为:
其中:
(c)针对速度子***,定义速度跟踪误差为ev=V-Vd,根据公式(6)设计控制器:
其中为最优神经网络权重的估计值,为RBF基函数向量,Vd为速度参考信号,为速度参考信号的导数,控制增益kv=2。
取τd=0.1s,定义
构造预测建模误差设计神经网络自适应更新律为
其中λv=3,kωv=4;
(d)针对姿态子***,定义航迹角跟踪误差为e1=x1-x1d,其中x1d=γd为航迹角期望指令;设计虚拟控制量
其中为最优神经网络权重的估计值,为基函数向量,控制增益k1=2。
设计一阶滤波器:
其中滤波器参数α2=0.05。
定义e2=x2-x2c,y2=x2c-x2d,
构造预测建模误差并设计神经网络自适应更新律为
其中λ1=3,kw1=4;
设计虚拟控制量:
其中控制增益k2=5。
设计一阶滤波器:
其中滤波器参数α3=0.05。
定义e3=x3-x3c。设计实际控制输入:
其中为最优神经网络权重的估计值,为基函数向量,控制增益k3=3。
定义构造预测建模误差并设计神经网络自适应更新律为
其中λ3=2,kw3=4;
(e)根据得到的舵偏δe和燃油当量比Φ,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。
本发明未详细说明部分属于领域技术人员公知常识。
Claims (1)
1.一种基于预测建模的高超声速飞行器神经网络学习控制方法,其特征在于包括以下步骤:
(a)建立高超声速飞行器的动力学模型:
<mrow>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>T</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&alpha;</mi>
<mo>-</mo>
<mi>D</mi>
</mrow>
<mi>m</mi>
</mfrac>
<mo>-</mo>
<mi>g</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&gamma;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>h</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>V</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&gamma;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>L</mi>
<mo>+</mo>
<mi>T</mi>
<mi> </mi>
<mi>s</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&alpha;</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>V</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mfrac>
<mrow>
<mi>g</mi>
<mi> </mi>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mi>&gamma;</mi>
</mrow>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>&alpha;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>q</mi>
<mo>-</mo>
<mover>
<mi>&gamma;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mover>
<mi>q</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mfrac>
<msub>
<mi>M</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
<msub>
<mi>I</mi>
<mrow>
<mi>y</mi>
<mi>y</mi>
</mrow>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
该高超声速飞行器的动力学模型包含五个状态变量X=[V,h,α,γ,q]T和两个控制输入U=[δe,Φ]T;其中,V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δe表示舵偏角、Φ表示燃料当量比;g,m,Iyy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量;T,D,L,Myy分别表示推力、升力、阻力、俯仰力矩;
(b)按照功能解耦得到速度子***和高度子***;定义速度子***(1)写为:
<mrow>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>f</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>v</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mi>v</mi>
</msub>
<mi>&Phi;</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中fv是由式(1)得到的未知光滑函数,gv是由式(1)得到的已知函数;
针对高度子***,高度跟踪误差定义为航迹角期望指令为:
<mrow>
<msub>
<mi>&gamma;</mi>
<mi>d</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>h</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>I</mi>
</msub>
<mo>&Integral;</mo>
<mrow>
<mo>(</mo>
<mi>h</mi>
<mo>-</mo>
<msub>
<mi>h</mi>
<mi>d</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
<mo>+</mo>
<msub>
<mover>
<mi>h</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
<mi>V</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中kh>0,kI>0,hd为高度参考信号,为高度参考信号的变化率;考虑巡航段航迹角变化很小,取
定义x1=γ,x2=θp,x3=q,θp=α+γ;姿态子***(3)-(5)变换为:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>2</mn>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>g</mi>
<mn>3</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中fi,i=1,2,3是由式(3)-(5)得到的未知光滑函数,gi,(i=1,2,3)是由式(3)-(5)得到的已知函数;
(c)针对速度子***,定义速度跟踪误差为ev=V-Vd,根据公式(6)设计控制器:
<mrow>
<mi>&Phi;</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mi>v</mi>
<mi>T</mi>
</msubsup>
<msub>
<mi>&theta;</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>v</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>v</mi>
</msub>
<msub>
<mi>e</mi>
<mi>v</mi>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>V</mi>
<mo>&CenterDot;</mo>
</mover>
<mi>d</mi>
</msub>
</mrow>
<msub>
<mi>g</mi>
<mi>v</mi>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为神经网络最优权重向量的估计值,为RBF基函数向量,Vd为速度参考信号,为速度参考信号的导数,控制增益kv>0;
定义其中τd>0为积分区间;构造预测建模误差并设计神经网络自适应更新律为
<mrow>
<msub>
<mover>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mi>v</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mi>v</mi>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>&theta;</mi>
<mi>v</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mi>v</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mi>v</mi>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&omega;</mi>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mi>e</mi>
<mi>v</mi>
</mrow>
</msub>
<msub>
<mi>&zeta;</mi>
<mi>v</mi>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
其中λv>0,kωv>0;
(d)针对姿态子***,定义航迹角跟踪误差为e1=x1-x1d,其中x1d=γd为航迹角期望指令;设计虚拟控制量
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mn>1</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>1</mn>
</msub>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>1</mn>
<mi>d</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为神经网络最优权重向量的估计值,为基函数向量,控制增益k1>0;
设计一阶滤波器:
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>2</mn>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>2</mn>
<mi>c</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>2</mn>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
其中滤波器参数α2>0;
定义e2=x2-x2c,y2=x2c-x2d; 构造预测建模误差并设计神经网络自适应更新律为
<mrow>
<msub>
<mover>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>&theta;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&omega;</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mi>e</mi>
<mn>1</mn>
</mrow>
</msub>
<msub>
<mi>&zeta;</mi>
<mn>1</mn>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
其中λ1>0,kω1>0;
设计虚拟控制量:
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>2</mn>
</msub>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>-</mo>
<msub>
<mi>g</mi>
<mn>1</mn>
</msub>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>2</mn>
<mi>c</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>14</mn>
<mo>)</mo>
</mrow>
</mrow>
其中控制增益k2>0;
设计一阶滤波器:
<mrow>
<msub>
<mi>&alpha;</mi>
<mn>3</mn>
</msub>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>3</mn>
<mi>c</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>c</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>d</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>c</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mn>3</mn>
<mi>d</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>15</mn>
<mo>)</mo>
</mrow>
</mrow>
其中滤波器参数α3>0;
定义e3=x3-x3c并设计实际控制输入:
<mrow>
<msub>
<mi>&delta;</mi>
<mi>e</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msubsup>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mn>3</mn>
<mi>T</mi>
</msubsup>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>k</mi>
<mn>3</mn>
</msub>
<msub>
<mi>e</mi>
<mn>3</mn>
</msub>
<mo>-</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mo>+</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mrow>
<mn>3</mn>
<mi>c</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>g</mi>
<mn>3</mn>
</msub>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中为神经网络最优权重向量的估计值,为基函数向量,控制增益k3>0;
定义构造预测建模误差并设计神经网络自适应更新律为
<mrow>
<msub>
<mover>
<mover>
<mi>&omega;</mi>
<mo>^</mo>
</mover>
<mo>&CenterDot;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mn>3</mn>
</msub>
<mo>&lsqb;</mo>
<msub>
<mi>&theta;</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mn>3</mn>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>e</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>k</mi>
<mrow>
<mi>&omega;</mi>
<mn>3</mn>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mi>e</mi>
<mn>3</mn>
</mrow>
</msub>
<msub>
<mi>&zeta;</mi>
<mn>3</mn>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>17</mn>
<mo>)</mo>
</mrow>
</mrow>
其中λ3>0,kω3>0;
(e)根据得到的舵偏角δe和燃料当量比Φ,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 |
---|---|---|---|
CN201710789199.4A CN107526296B (zh) | 2017-09-05 | 2017-09-05 | 基于预测建模的高超声速飞行器神经网络学习控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710789199.4A CN107526296B (zh) | 2017-09-05 | 2017-09-05 | 基于预测建模的高超声速飞行器神经网络学习控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107526296A true CN107526296A (zh) | 2017-12-29 |
CN107526296B CN107526296B (zh) | 2019-10-18 |
Family
ID=60683416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710789199.4A Active CN107526296B (zh) | 2017-09-05 | 2017-09-05 | 基于预测建模的高超声速飞行器神经网络学习控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107526296B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111506099A (zh) * | 2020-05-28 | 2020-08-07 | 西北工业大学 | 一种无人机高度智能控制***及方法 |
CN111596686A (zh) * | 2020-05-13 | 2020-08-28 | 中国人民解放军海军工程大学 | 高超声速飞行器纵向***的预设性能控制方法 |
CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN112506209A (zh) * | 2020-11-23 | 2021-03-16 | 中国运载火箭技术研究院 | 一种基于自适应预测周期的再入飞行器预测控制方法 |
CN114489095A (zh) * | 2021-12-11 | 2022-05-13 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
Citations (10)
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 |
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 |
-
2017
- 2017-09-05 CN CN201710789199.4A patent/CN107526296B/zh active Active
Patent Citations (10)
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. |
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 |
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 |
---|
BIN XU: "《Neural Control for Longitudinal Dynamics of Hypersonic Aircraft》", 《2013 INTERNATIONAL CONFERENCE ON UNMANNED AIRCRAFT SYSTEMS (ICUAS)》 * |
JIANMIN WANG: "《RBF Neural Network based Adaptive Sliding Mode Control forHypersonic Flight Vehicles》", 《PROCEEDINGS OF 2016 IEEE CHINESE GUIDANCE, NAVIGATION AND CONTROL CONFERENCE》 * |
李砚浓: "《基于RBF 神经网络自适应PID四旋翼飞行器控制》", 《控制工程》 * |
王丽: "《基于混合神经网络的鲁棒自适应飞行控制器的设计》", 《电光与控制》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110488852B (zh) * | 2019-08-28 | 2020-12-01 | 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 |
CN111596686A (zh) * | 2020-05-13 | 2020-08-28 | 中国人民解放军海军工程大学 | 高超声速飞行器纵向***的预设性能控制方法 |
CN111506099A (zh) * | 2020-05-28 | 2020-08-07 | 西北工业大学 | 一种无人机高度智能控制***及方法 |
CN111506099B (zh) * | 2020-05-28 | 2023-03-14 | 西北工业大学 | 一种无人机高度智能控制***及方法 |
CN111665857A (zh) * | 2020-06-21 | 2020-09-15 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN111665857B (zh) * | 2020-06-21 | 2022-09-13 | 西北工业大学 | 基于复合智能学习的变体飞行器控制方法 |
CN112506209A (zh) * | 2020-11-23 | 2021-03-16 | 中国运载火箭技术研究院 | 一种基于自适应预测周期的再入飞行器预测控制方法 |
CN112506209B (zh) * | 2020-11-23 | 2023-04-14 | 中国运载火箭技术研究院 | 一种基于自适应预测周期的再入飞行器预测控制方法 |
CN114489095A (zh) * | 2021-12-11 | 2022-05-13 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
CN114489095B (zh) * | 2021-12-11 | 2023-12-26 | 西北工业大学 | 一种应用于变体飞行器的类脑脉冲神经网络控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107526296B (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107526296A (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 | |
Zhen et al. | Preview control and particle filtering for automatic carrier landing | |
Ramirez-Rodriguez et al. | Robust backstepping control based on integral sliding modes for tracking of quadrotors | |
CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
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 | |
Huang et al. | Double-loop sliding mode controller with a novel switching term for the trajectory tracking of work-class ROVs | |
CN107562068B (zh) | 一种四旋翼飞行器姿态的动态面输出调节控制方法 | |
CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
CN107479382A (zh) | 基于在线数据学习的高超声速飞行器神经网络控制方法 | |
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 | |
CN110456643A (zh) | 基于奇异摄动的弹性飞行器历史数据学习自适应控制方法 | |
Bao et al. | Design of a fixed-wing UAV controller based on adaptive backstepping sliding mode control method | |
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 | |
CN109062234B (zh) | 一种非最小相位飞行器复合学习滑模控制方法 | |
CN107957686B (zh) | 基于预见控制的无人直升机自动着舰控制*** | |
CN114089749A (zh) | 无人艇运动控制抗扰控制器及方法 | |
Gao et al. | Offset-free trajectory tracking control for hypersonic vehicle under external disturbance and parametric uncertainty | |
Kahale et al. | Autonomous path tracking of a kinematic airship in presence of unknown gust | |
Yuan et al. | Automatic carrier landing control with external disturbance and input constraint | |
Qi et al. | Three-dimensional formation control based on filter backstepping method for multiple underactuated underwater vehicles | |
Movahhed et al. | Output tracking of a 6-DOF flying wing UAV in longitudinal motion using LQR optimized sliding mode control with integral action | |
Salim et al. | A robust of fuzzy logic and proportional derivative control system for monitoring underwater vehicles | |
CN114003052B (zh) | 一种基于动态补偿***的固定翼无人机纵向运动鲁棒自适应控制方法 | |
CN114153144B (zh) | 一种输入受限和输入扰动的弹性高超声速飞行器控制方法 | |
Cunis et al. | Piece-wise Identification and Analysis of the Aerodynamic Coefficients, Trim Conditions, and Safe Sets of the Generic Transport Model |
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 |