CN108663940B - 基于集总复合估计的飞行器神经网络学习控制方法 - Google Patents
基于集总复合估计的飞行器神经网络学习控制方法 Download PDFInfo
- Publication number
- CN108663940B CN108663940B CN201810950223.2A CN201810950223A CN108663940B CN 108663940 B CN108663940 B CN 108663940B CN 201810950223 A CN201810950223 A CN 201810950223A CN 108663940 B CN108663940 B CN 108663940B
- Authority
- CN
- China
- Prior art keywords
- indicate
- design
- follows
- neural network
- subsystem
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 230000013016 learning Effects 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 17
- 150000001875 compounds Chemical class 0.000 title claims abstract description 15
- 230000006870 function Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 239000000295 fuel oil Substances 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 230000008878 coupling Effects 0.000 abstract description 9
- 238000010168 coupling process Methods 0.000 abstract description 9
- 238000005859 coupling reaction Methods 0.000 abstract description 9
- 229920001971 elastomer Polymers 0.000 abstract description 3
- 239000000806 elastomer Substances 0.000 abstract description 3
- 238000013459 approach Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007786 learning performance Effects 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
- 239000002131 composite material Substances 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 210000005036 nerve Anatomy 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
-
- 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
-
- 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)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于集总复合估计的飞行器神经网络学习控制方法，首先将飞行器纵向通道模型解耦为速度子***和高度子***；针对速度子***采用动态逆控制，针对高度子***采用反步法控制；针对***存在的动力学不确定采用神经网络进行估计，针对弹性模态带来的耦合采用非线性观测器进行估计；基于在线数据构造两种估计的集总预测误差，并将该预测误差应用到神经网络和非线性观测器的更新律中；基于两种估计器信息给出高度和速度控制器以实现对高度与速度的跟踪，最后将控制方法应用到高超声速飞行器弹性体模型中。
Description
技术领域
本发明涉及一种飞行器控制方法，特别是涉及一种基于集总复合估计的飞行器神经网络学习控制方法，属于飞行控制领域。
背景技术
反步法控制被广泛应用于飞行器控制，但是在传统设计中存在“复杂度***”问题，因此动态面设计以及指令滤波设计被应用降低设计复杂度。而针对飞行器***存在的非线性，基于神经网络进行逼近学***行估计策略实现不确定学习性能评价进而用于权重更新。
《Composite Learning Control of MIMO Systems With Applications》(B Xu，YShou，《IEEE Transactions on Industrial Electronics》，2018年，第65卷第8期)一文针对多输入多输出的严格反馈***研究了反步法控制并基于在线数据设计预测误差进行神经网络自适应律更新，实现了***的快速稳定控制并应用于飞行器***。但是，该设计过程中并未考虑飞行器***存在弹性模态耦合的情形。当不确定***受弹性模态耦合影响时，耦合会破坏神经网络的学习性能，***无法对未知***动力学进行有效逼近，因而难以保证控制性能。
发明内容
要解决的技术问题
为解决飞行器***具有未知动态和弹性模态耦合的问题，本发明提出了一种基于集总复合估计的飞行器神经网络学习控制方法，该方法将飞行器纵向通道模型解耦为速度子***和高度子***；针对速度子***采用动态逆控制，针对高度子***采用反步法控制；利用神经网络估计***存在的动力学不确定，利用非线性观测器估计弹性模态带来的耦合；基于在线数据构造两种估计的集总预测误差以设计神经网络和非线性观测器的更新律；基于两种估计器信息给出高度和速度控制器实现对高度和速度的跟踪。
技术方案
一种基于集总复合估计的飞行器神经网络学习控制方法，其特征在于步骤如下：
步骤1：采用飞行器动力学模型：
该动力学模型包含五个状态变量X＝[V,h,α,γ,q]T，四个弹性状态变量和两个控制输入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表示燃油当量比；g，m，Iyy分别表示由重力引起的加速度、飞行器的质量以及俯仰轴的转动惯量，T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩，ηi表示第i阶弹性模态，ζi表示第i阶弹性模态的阻尼，wi表示自然振动频率，表示相互耦合参数，Ni表示广义力；
步骤2：将飞行器动力学模型解耦得到速度子***和高度子***：
定义θp＝α+γ，速度子***(1)写为：
其中表示由式(1)得到的未知光滑函数，gv表示由式(1)得到的已知函数；
针对高度子***，定义高度跟踪误差为航迹角期望指令γd为
其中kh>0，kI>0，hd表示高度参考信号，表示高度参考信号的导数；
定义x1＝γ，x2＝θp，x3＝q，定义姿态子***(3)-(6)变换为：
其中表示由式(3)-(6)得到的未知光滑函数，表示由式(3)-(6)得到的已知函数，d表示由式(5)-(6)中的弹性模态组成的扰动；
步骤3：针对速度子***，定义速度跟踪误差为ev＝V-Vd，设计控制器Φ为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Vd表示速度参考信号，表示速度参考信号的导数，Lfv>0和kv>0为设计参数；
设计补偿信号zv为：
定义补偿后跟踪误差为νv＝ev-zv，设计集总预测误差为其中τd>0为在线数据采集区间；
设计神经网络复合学习自适应更新律为：
其中λv>0，kωv>0和δfv>0为设计参数；
步骤4：针对姿态子***，定义航迹角跟踪误差为其中表示航迹角期望指令；
第1步：设计虚拟控制量为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Lf1>0和k1>0为设计参数，表示高度参考信号的二阶导数，
设计一阶滤波器为：
其中τ2>0为滤波器参数；
设计补偿信号z1为：
其中z2在下一步设计中给出；
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ1>0，kω1>0和δf1>0为设计参数；
第2步：设计虚拟控制量为：
其中k2>0为设计参数；
设计一阶滤波器为：
其中τ3>0为滤波器参数；
设计补偿信号z2为：
定义补偿后跟踪误差为v2＝e2-z2；
第3步：设计实际控制输入u为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示复合扰动的估计值，Lf3>0和k3>0为设计参数；
设计补偿信号z3为：
定义补偿后跟踪误差为v3＝e3-z3，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ3>0，kω3>0和δf3>0为设计参数
设计扰动观测器为：
其中L3>0为扰动观测器参数；
步骤5：根据得到的舵偏角δe和燃油当量比Φ，返回到飞行器的动力学模型(1)-(6)，对高度和速度进行跟踪控制。
有益效果
本发明提出的一种基于集总复合估计的飞行器神经网络学习控制方法，与现有技术相比有益效果为：
(1)本发明考虑飞行器弹性模态带来的耦合影响，采用神经网络与扰动观测器两种估计器对***的模型不确定以及耦合不确定进行估计。
(2)本发明给出了基于集总估计构造集总预测误差，实现神经网络与扰动观测的更新律设计，两种估计协同交换信息完成集总估计，提高集总估计的精度。
(3)本发明给出基于两种估计信息结合的飞行器控制器设计，突破单一神经网络处理模型不确定以及扰动观测处理耦合影响的设计，实现集总不确定前馈设计，可提高***的跟踪性能。
附图说明
图1是本发明基于集总复合估计的飞行器神经网络学习控制方法的流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明解决其技术问题采用的技术方案是：一种基于集总复合估计的飞行器神经网络学习控制方法，通过以下步骤实现：
(a)采用飞行器动力学模型：
该动力学模型包含五个状态变量X＝[V,h,α,γ,q]T，四个弹性状态变量和两个控制输入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表示燃油当量比；g，m，Iyy分别表示由重力引起的加速度、飞行器的质量以及俯仰轴的转动惯量，T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩，ηi表示第i阶弹性模态，ζi表示第i阶弹性模态的阻尼，wi表示自然振动频率，表示相互耦合参数，Ni表示广义力。
(b)将飞行器动力学模型解耦得到速度子***(1)和高度子***(2)-(6)。
定义θp＝α+γ，速度子***(1)写为：
其中表示由式(1)得到的未知光滑函数，gv表示由式(1)得到的已知函数。
针对高度子***，定义高度跟踪误差为航迹角期望指令γd为
其中kh>0，kI>0，hd表示高度参考信号，表示高度参考信号的导数。
定义x1＝γ，x2＝θp，x3＝q，定义姿态子***(3)-(6)变换为：
其中表示由式(3)-(6)得到的未知光滑函数，表示由式(3)-(6)得到的已知函数，d表示由式(5)-(6)中的弹性模态组成的扰动。
(c)针对速度子***，定义速度跟踪误差为ev＝V-Vd，设计控制器Φ为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Vd表示速度参考信号，表示速度参考信号的导数，Lfv>0和kv>0为设计参数。
设计补偿信号zv为：
定义补偿后跟踪误差为νv＝ev-zv，设计集总预测误差为其中τd>0为在线数据采集区间。
设计神经网络复合学习自适应更新律为：
其中λv>0，kωv>0和δfv>0为设计参数。
(d)针对姿态子***，定义航迹角跟踪误差为其中表示航迹角期望指令。
第1步：设计虚拟控制量为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Lf1>0和k1>0为设计参数，表示高度参考信号的二阶导数，
设计一阶滤波器为：
其中τ2>0为滤波器参数。
设计补偿信号z1为：
其中z2在下一步设计中给出。
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ1>0，kω1>0和δf1>0为设计参数。
第2步：设计虚拟控制量为：
其中k2>0为设计参数。
设计一阶滤波器为：
其中τ3>0为滤波器参数。
设计补偿信号z2为：
定义补偿后跟踪误差为v2＝e2-z2。
第3步：设计实际控制输入u为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示复合扰动的估计值，Lf3>0和k3>0为设计参数
设计补偿信号z3为：
定义补偿后跟踪误差为v3＝e3-z3，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ3>0，kω3>0和δf3>0为设计参数
设计扰动观测器为：
其中L3>0为扰动观测器参数。
(e)根据得到的舵偏角δe和燃油当量比Φ，返回到飞行器的动力学模型(1)-(6)，对高度和速度进行跟踪控制。
实施例：
参照图1，本发明基于集总复合估计的飞行器神经网络学习控制方法应用于高超声速飞行器中，通过以下步骤实现：
(a)采用高超声速飞行器弹性体动力学模型：
该动力学模型包含五个状态变量X＝[V,h,α,γ,q]T，四个弹性状态变量和两个控制输入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表示燃油当量比；g，m，Iyy分别表示由重力引起的加速度、飞行器的质量以及俯仰轴的转动惯量，T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩，ηi表示第i阶弹性模态，ζi表示第i阶弹性模态的阻尼，wi表示自然振动频率，表示相互耦合参数，Ni表示广义力。
力、力矩以及各系数的表达式分别为：
T＝TΦ(α)Φ+T0(α)≈(β1Φ+β2)α3+(β3Φ+β4)α2+(β5Φ+β6)α+(β7Φ+β8)，
其中表示动压，ρ表示空气密度，Ci(j)，i＝D,L,M,T,N1,N2，j＝α,β,q,δe表示j对i的系数，表示平均气动弦长，S表示气动参考面积。
(b)将高超声速飞行器弹性体动力学模型解耦得到速度子***(1)和高度子***(2)-(6)。
定义θp＝α+γ，速度子***(1)写为：
其中
针对高度子***，高度跟踪误差定义为航迹角期望指令γd为
其中，kh＝0.5，kI＝0.05，hd表示高度参考信号，表示高度参考信号的导数。
定义x1＝γ，x2＝θp，x3＝q，定义姿态子***(3)-(6)变换为：
其中
(c)针对速度子***，定义速度跟踪误差为ev＝V-Vd，设计控制器Φ为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Vd表示速度参考信号，表示速度参考信号的导数，kv＝3，Lfv＝3。
设计补偿信号zv为：
定义补偿后跟踪误差为νv＝ev-zv，设计集总预测误差为其中τd＝0.05s为在线数据采集区间。
设计神经网络复合学习自适应更新律为：
其中λv＝1.5，kωv＝30，δfv＝0.001。
(d)针对高度子***，并定义航迹角跟踪误差为其中表示航迹角期望指令。
第1步：设计虚拟控制量为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，k1＝0.8，表示高度参考信号的二阶导数，
设计一阶滤波器为：
其中τ2＝0.05为滤波器参数。
设计补偿信号z1为：
其中z2在下一步设计中给出。
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ1＝3.5，kw1＝30，δf1＝0.001。
第2步：设计虚拟控制量为：
其中k2＝1.8。
设计一阶滤波器为：
其中τ3＝0.05为滤波器参数。
设计补偿信号z2为：
定义补偿后跟踪误差为v2＝e2-z2。
第3步：设计实际控制输入u为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示复合扰动的估计值，k3＝2.8，Lf3＝3。
设计补偿信号z3为：
定义补偿后跟踪误差为v3＝e3-z3，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ3＝1.5，kω3＝30，δf3＝0.001。
设计扰动观测器为：
其中L3＝10为扰动观测器参数。
(e)根据得到的舵偏角δe和燃油当量比Φ，返回到高超声速飞行器的弹性体动力学模型(1)-(6)，对高度和速度进行跟踪控制。
本发明首先将飞行器纵向通道模型解耦为速度子***和高度子***；针对速度子***采用动态逆控制，针对高度子***采用反步法控制；针对***存在的动力学不确定采用神经网络进行估计，针对弹性模态带来的耦合采用非线性观测器进行估计；基于在线数据构造两种估计的集总预测误差，并将该预测误差应用到神经网络和非线性观测器的更新律中；基于两种估计器信息给出高度和速度控制器以实现对高度与速度的跟踪，最后将控制方法应用到高超声速飞行器弹性体模型中。本发明充分利用在线数据进行神经网络学习以及非线性观测器设计，实现飞行器动力学不确定以及模态耦合影响有效估计，为飞行器控制提供了新的技术途径。
Claims (1)
1.一种基于集总复合估计的飞行器神经网络学习控制方法，其特征在于步骤如下：
步骤1：采用飞行器动力学模型：
该动力学模型包含五个状态变量X＝[V,h,α,γ,q]T，四个弹性状态变量和两个控制输入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表示燃油当量比；g，m，Iyy分别表示由重力引起的加速度、飞行器的质量以及俯仰轴的转动惯量，T，D，L，Myy分别表示推力、升力、阻力、俯仰力矩，ηi表示第i阶弹性模态，ζi表示第i阶弹性模态的阻尼，wi表示自然振动频率，表示相互耦合参数，Ni表示广义力；
步骤2：将飞行器动力学模型解耦得到速度子***和高度子***：
定义θp＝α+γ，速度子***(1)写为：
其中表示由式(1)得到的未知光滑函数，gv表示由式(1)得到的已知函数；
针对高度子***，定义高度跟踪误差为航迹角期望指令γd为
其中kh>0，kI>0，hd表示高度参考信号，表示高度参考信号的导数；
定义x1＝γ，x2＝θp，x3＝q，定义姿态子***(3)-(6)变换为：
其中表示由式(3)-(6)得到的未知光滑函数，表示由式(3)-(6)得到的已知函数，d表示由式(5)-(6)中的弹性模态组成的扰动；
步骤3：针对速度子***，定义速度跟踪误差为ev＝V-Vd，设计控制器Φ为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Vd表示速度参考信号，表示速度参考信号的导数，Lfv>0和kv>0为设计参数；
设计补偿信号zv为：
定义补偿后跟踪误差为νv＝ev-zv，设计集总预测误差为其中τd>0为在线数据采集区间；
设计神经网络复合学习自适应更新律为：
其中λv>0，kωv>0和δfv>0为设计参数；
步骤4：针对姿态子***，定义航迹角跟踪误差为其中表示航迹角期望指令；
第1步：设计虚拟控制量为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，Lf1>0和k1>0为设计参数， 表示高度参考信号的二阶导数，
设计一阶滤波器为：
其中τ2>0为滤波器参数；
设计补偿信号z1为：
其中z2在下一步设计中给出；
定义补偿后跟踪误差为v1＝e1-z1，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ1>0，kω1>0和δf1>0为设计参数；
第2步：设计虚拟控制量为：
其中k2>0为设计参数；
设计一阶滤波器为：
其中τ3>0为滤波器参数；
设计补偿信号z2为：
定义补偿后跟踪误差为v2＝e2-z2；
第3步：设计实际控制输入u为：
其中表示神经网络最优权重的估计值，表示神经网络基函数向量，表示复合扰动的估计值，Lf3>0和k3>0为设计参数；
设计补偿信号为：
定义补偿后跟踪误差为v3＝e3-z3，设计集总预测误差为其中
设计神经网络复合学习自适应更新律为：
其中λ3>0，kω3>0和δf3>0为设计参数
设计扰动观测器为：
其中L3>0为扰动观测器参数；
步骤5：根据得到的舵偏角δe和燃油当量比Φ，返回到飞行器的动力学模型(1)-(6)，对高度和速度进行跟踪控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810950223.2A CN108663940B (zh) | 2018-08-20 | 2018-08-20 | 基于集总复合估计的飞行器神经网络学习控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810950223.2A CN108663940B (zh) | 2018-08-20 | 2018-08-20 | 基于集总复合估计的飞行器神经网络学习控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108663940A CN108663940A (zh) | 2018-10-16 |
| CN108663940B true CN108663940B (zh) | 2019-09-24 |
Family
ID=63789018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810950223.2A Active CN108663940B (zh) | 2018-08-20 | 2018-08-20 | 基于集总复合估计的飞行器神经网络学习控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108663940B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486381B (zh) * | 2019-07-22 | 2020-11-27 | 苏州百狮腾电气有限公司 | 一种磁悬浮轴承的远程控制*** |
| CN110456643A (zh) * | 2019-07-24 | 2019-11-15 | 西北工业大学 | 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 |
| CN110320807B (zh) * | 2019-07-24 | 2022-05-17 | 西北工业大学 | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 |
| CN110908278B (zh) * | 2019-11-12 | 2021-05-25 | 北京航空航天大学 | 一种折叠翼飞行器的动力学建模与稳定控制方法 |
| CN111776250B (zh) * | 2020-06-02 | 2022-07-26 | 南京航空航天大学 | 基于干涉神经网络的航天器组合体误差补偿控制方法 |
| 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 |
| 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 |
| CN113156991B (zh) * | 2021-02-05 | 2023-02-17 | 北京林业大学 | 一种基于小型多旋翼飞行器的飞行评估***及方法 |
| CN113126495B (zh) * | 2021-04-14 | 2022-08-05 | 西北工业大学 | 基于地效干扰补偿的低空飞行鲁棒智能控制方法 |
| CN113220022B (zh) * | 2021-05-06 | 2022-08-09 | 西北工业大学 | 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6332105B1 (en) * | 1999-05-21 | 2001-12-18 | Georgia Tech Research Corporation | Neural network based automatic limit prediction and avoidance system and 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. |
| 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 |
| CN106094860A (zh) * | 2016-08-29 | 2016-11-09 | 广西师范大学 | 四旋翼飞行器及其控制方法 |
| CN106647781A (zh) * | 2016-10-26 | 2017-05-10 | 广西师范大学 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
| CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
| CN107450584A (zh) * | 2017-08-29 | 2017-12-08 | 浙江工业大学 | 一种基于固定时间滑模的飞行器自适应姿态控制方法 |
| CN107450324A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
| CN107479383A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 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 |
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 |
-
2018
- 2018-08-20 CN CN201810950223.2A patent/CN108663940B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6332105B1 (en) * | 1999-05-21 | 2001-12-18 | Georgia Tech Research Corporation | Neural network based automatic limit prediction and avoidance system and 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. |
| 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 |
| CN106094860A (zh) * | 2016-08-29 | 2016-11-09 | 广西师范大学 | 四旋翼飞行器及其控制方法 |
| CN106647781A (zh) * | 2016-10-26 | 2017-05-10 | 广西师范大学 | 基于重复控制补偿神经模糊pid四旋翼飞行器的控制方法 |
| CN107368091A (zh) * | 2017-08-02 | 2017-11-21 | 华南理工大学 | 一种基于有限时间神经动力学的多旋翼无人飞行器的稳定飞行控制方法 |
| CN107450584A (zh) * | 2017-08-29 | 2017-12-08 | 浙江工业大学 | 一种基于固定时间滑模的飞行器自适应姿态控制方法 |
| CN107450324A (zh) * | 2017-09-05 | 2017-12-08 | 西北工业大学 | 考虑攻角约束的高超声速飞行器自适应容错控制方法 |
| CN107479383A (zh) * | 2017-09-05 | 2017-12-15 | 西北工业大学 | 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 |
Non-Patent Citations (5)
| Title |
|---|
| 《Adaptive Dynamic Surface Control for a Hypersonic Aircraft Using Neural Networks》;Jongho Shin;《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》;20171010;第53卷(第5期);全文 * |
| 《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 |
|---|---|
| CN108663940A (zh) | 2018-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108663940B (zh) | 基于集总复合估计的飞行器神经网络学习控制方法 | |
| CN109426146B (zh) | 高超声速飞行器的高阶非奇异Terminal滑模控制方法 | |
| CN108445766B (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 | |
| CN107479384B (zh) | 高超声速飞行器神经网络复合学习非反步控制方法 | |
| CN104589349B (zh) | 一种混合悬浮微重力环境下带有单关节机械臂的组合体自主控制方法 | |
| CN107390531B (zh) | 参数学习有限时间收敛的高超声速飞行器控制方法 | |
| CN111665857A (zh) | 基于复合智能学习的变体飞行器控制方法 | |
| 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 | |
| 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 | |
| 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 | |
| CN111650830A (zh) | 一种基于迭代学习的四旋翼飞行器鲁棒跟踪控制方法 | |
| CN110109361A (zh) | 一种高超声速飞行器快速平滑自适应滑模控制方法 | |
| CN111240344B (zh) | 基于强化学习技术的自主水下机器人无模型控制方法 | |
| CN110320794A (zh) | 基于干扰观测的弹性飞行器奇异摄动复合学习控制方法 | |
| CN113268084B (zh) | 一种无人机编队智能容错控制方法 | |
| CN112379595B (zh) | 非线性严格反馈切换***复合干扰学习控制方法 | |
| CN112327926B (zh) | 一种无人机编队的自适应滑模控制方法 | |
| CN112631316B (zh) | 变负载四旋翼无人机的有限时间控制方法 | |
| 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 | |
| CN108873923B (zh) | 应急指挥控制固定翼无人机舰面紧急起飞控制方法 | |
| CN110320807A (zh) | 基于奇异摄动分解的弹性飞行器数据筛选自适应控制方法 | |
| CN113377121A (zh) | 一种基于深度强化学习的飞行器智能抗扰动控制方法 | |
| CN113741188A (zh) | 执行器故障下固定翼无人机反步自适应容错控制方法 | |
| CN107817818B (zh) | 一种模型不确定飞艇航迹跟踪有限时间控制方法 | |
| 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 |
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 |