CN109188910A - 一种刚性飞行器的自适应神经网络容错跟踪控制方法 - Google Patents
一种刚性飞行器的自适应神经网络容错跟踪控制方法 Download PDFInfo
- Publication number
- CN109188910A CN109188910A CN201811137008.7A CN201811137008A CN109188910A CN 109188910 A CN109188910 A CN 109188910A CN 201811137008 A CN201811137008 A CN 201811137008A CN 109188910 A CN109188910 A CN 109188910A
- Authority
- CN
- China
- Prior art keywords
- follows
- rigid aircraft
- set time
- sgn
- sat
- 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
一种刚性飞行器的自适应神经网络容错跟踪控制方法,针对具有集中不确定性的刚性飞行器姿态跟踪问题,设计了固定时间滑模面,保证了状态的固定时间收敛;引入神经网络逼近总不确定的函数,设计了自适应固定时间控制器。本发明在外界干扰,转动惯量不确定,执行器饱和和故障的因素下,实现飞行器***的姿态跟踪误差和角速度误差固定时间一致最终有界的控制。
Description
技术领域
本发明涉及一种刚性飞行器的自适应神经网络容错跟踪控制方法,特别是存在外部干扰,转动惯量矩阵不确定,执行器饱和和故障的刚性飞行器姿态跟踪方法。
背景技术
刚性飞行器姿态控制***在刚性飞行器的健康,可靠的运动中扮演着重要的角色。在复杂的航天环境中,刚性飞行器姿态控制***会受到各种外部干扰以及刚性飞行器在长期不断任务时存在的老化和失效等故障等影响。为了有效维持***的性能,需要使其对外部干扰以及执行器故障具有较强的鲁棒性;另外,刚性飞行器还存在转动惯量矩阵不确定,因此控制饱和也是飞行器经常出现的问题。综上所述,刚性飞行器在执行任务时,需要一种在短时间内使***稳定收敛,高精度的容错控制方法。
滑模控制在解决***不确定性和外部扰动方面被认为是一个有效的鲁棒控制方法。滑模控制方法具有算法简单、响应速度快、对外界噪声干扰和参数摄动鲁棒性强等优点。终端滑模控制是一种可以实现有限时间稳定性的传统滑模控制的改进方案。然而,现存的有限时间技术估计收敛时间需要知道***的初始信息,这对于设计者是很难知道的。近年来,固定时间技术得到了广泛的应用,固定时间控制方法与现存的有限时间控制方法相比,具有无需知道***的初始信息,也能保守估计***的收敛时间的优越性。
神经网络是线性参数化近似方法的中一种,可以被任意的其他近似方法取代,比如RBF神经网络,模糊逻辑***等等。利用神经网络逼近不确定的性质,有效的结合固定时间滑模控制技术,减少外部干扰及***参数不确定性对***控制性能的影响,实现刚性飞行器姿态的固定时间控制。
发明内容
为了克服现有的刚性飞行器姿态控制***存在的未知非线性问题,本发明提供一种刚性飞行器的自适应神经网络容错跟踪控制方法,并且在***存在外部干扰,转动惯量不确定,执行器饱和和故障的情况下,实现***状态的固定时间一致最终有界的控制方法。
为了解决上述技术问题提出的技术方案如下:
一种刚性飞行器的自适应神经网络容错跟踪控制方法,包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化***状态以及控制参数,过程如下:
1.1刚性飞行器***的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.2刚性飞行器***的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u=[u1,u2,u3]T∈R3和d∈R3是控制力矩和外部扰动; D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足 0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|}, umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u), g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵, M=diag(m1,m2,m3)∈R3×3为3×3对称对角矩阵;Dsat(u)重新表示为: Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.3刚性飞行器***期望的运动学方程为:
其中qdv=[qd1,qd2,qd3]T和qd4分别为期望的单位四元数的矢量部分和标量部分且满足Ωd∈R3为期望的角速度;分别为qdv,qd4的导数,为qdv的转置;表示为:
1.4由四元数描述的刚性飞行器相对姿态运动:
Ωe=Ω-CΩd (12)
其中ev=[e1,e2,e3]T和e4分别为姿态跟踪误差的矢量部分和标量部分;Ωe=[Ωe1,Ωe2,Ωe3]T∈R3为角速度误差;为相应的方向余弦矩阵并且满足||C||=1和 为C的导数;
根据式(1)-(12),刚性飞行器姿态跟踪误差动力学和运动学方程为:
其中和分别为ev和e4的导数;为ev的转置;和分别为Ωd和Ωe的导数;(Ωe+CΩd)×与Ω×等价;和分别表示为:
1.5转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(15)重新写成:
进一步得到:
1.6对式(13)进行微分,得到:
其中为ev的二阶导数;
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器***,设计所需的滑模面,过程如下:
选择固定时间滑模面S=[S1,S2,S3]T∈R3为:
其中,λ1和λ2为正常数; r1=a1/b1,a1,b1为正常数,满足a1>b1,i=1,2,3;sgn(e1),sgn(e2),sgn(e3)均为符号函数;Sau=[Sau1,Sau2,Sau3]T,表示为:
其中r2=a2/b2,a2,b2为正奇数,满足a2<b2;0<r2<1,ε为一个很小的正常数;
步骤3,设计神经网络固定时间控制器,过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (23)
其中G=[G1,G2,G3]T为不确定集合;为输入矢量,Φi(Xi)∈R4为神经网络基函数,Wi *∈R4为理想的权值矢量,定义为:
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;为Wi *取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵, 为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵; K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r3<1,r4>1; sgn(S1),sgn(S2),sgn(S3)为符号函数;||Wi *||为Wi *的二范数;
3.3设计更新律为:
其中γi>0,pi>0,i=1,2,3,为的导数,Φ(Xi)选择为以下的sigmoid 函数:
其中l1,l2,l3和l4为近似参数,Φ(Xi)满足0<Φ(Xi)<Φ0,并且为二者中的最大值;
步骤4,固定时间稳定性证明,过程如下:
4.1证明刚性飞行器***所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
其中ST是S的转置;是的转置;
对式(28)进行微分,得到:
其中 为两者中的最小值; 为的二范数;
因此,刚性飞行器***所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(30)进行微分,得到:
其中min{k11,k12,k13}, min{k21,k22,k23}均为三者中的最小值;υ2为一个大于零的上界值;
基于以上分析,刚性飞行器***的姿态跟踪误差和角速度误差在固定时间一致最终有界。
本发明在外界干扰,转动惯量不确定,执行器饱和和故障的因素下,运用自适应神经网络跟踪控制方法,实现***稳定跟踪,保证***状态实现固定时间一致最终有界。本发明的技术构思为:针对含外部干扰,转动惯量不确定,执行器饱和和故障的刚性飞行器***,利用滑模控制方法,再结合神经网络,设计了自适应神经网络控制器。固定时间滑模面的设计保证了***状态的固定时间收敛。本发明在***存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现***姿态跟踪误差和角速度误差的固定时间一致最终有界的控制方法。
本发明的有益效果为:在***存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现***姿态跟踪误差和角速度误差的固定时间一致最终有界,并且收敛时间与***的初始状态无关。
附图说明
图1为本发明的刚性飞行器姿态跟踪误差示意图;
图2为本发明的刚性飞行器角速度误差示意图;
图3为本发明的刚性飞行器滑模面示意图;
图4为本发明的刚性飞行器控制力矩示意图;
图5为本发明的刚性飞行器参数估计示意图;
图6为本发明的控制流程示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1-图6,一种刚性飞行器的自适应神经网络容错跟踪控制方法,所述控制方法包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化***状态以及控制参数,过程如下:
1.7刚性飞行器***的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.8刚性飞行器***的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u=[u1,u2,u3]T∈R3和d∈R3是控制力矩和外部扰动; D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足 0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|}, umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u), g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵, M=diag(m1,m2,m3)∈R3×3为3×3对称对角矩阵;Dsat(u)重新表示为: Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.9刚性飞行器***期望的运动学方程为:
其中qdv=[qd1,qd2,qd3]T和qd4分别为期望的单位四元数的矢量部分和标量部分且满足Ωd∈R3为期望的角速度;分别为qdv,qd4的导数,为qdv的转置;表示为:
1.10由四元数描述的刚性飞行器相对姿态运动:
Ωe=Ω-CΩd (12)
其中ev=[e1,e2,e3]T和e4分别为姿态跟踪误差的矢量部分和标量部分;Ωe=[Ωe1,Ωe2,Ωe3]T∈R3为角速度误差;为相应的方向余弦矩阵并且满足||C||=1和 为C的导数;
根据式(1)-(12),刚性飞行器姿态跟踪误差动力学和运动学方程为:
其中和分别为ev和e4的导数;为ev的转置;和分别为Ωd和Ωe的导数;(Ωe+CΩd)×与Ω×等价;和分别表示为:
1.11转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(15)重新写成:
进一步得到:
1.12对式(13)进行微分,得到:
其中为ev的二阶导数;
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器***,设计所需的滑模面,过程如下:
选择固定时间滑模面S=[S1,S2,S3]T∈R3为:
其中,λ1和λ2为正常数; r1=a1/b1,a1,b1为正常数,满足a1>b1,i=1,2,3;sgn(e1),sgn(e2),sgn(e3)均为符号函数;Sau=[Sau1,Sau2,Sau3]T,表示为:
其中r2=a2/b2,a2,b2为正奇数,满足a2<b2;ε为一个很小的正常数;
步骤3,设计神经网络固定时间控制器,过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (23)
其中G=[G1,G2,G3]T为不确定集合;为输入矢量,Φi(Xi)∈R4为神经网络基函数,Wi *∈R4为理想的权值矢量,定义为:
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;为Wi *取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵, 为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵; K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r3<1,r4>1; sgn(S1),sgn(S2),sgn(S3)为符号函数;||Wi *||为Wi *的二范数;
3.3设计更新律为:
其中γi>0,pi>0,i=1,2,3,为的导数,Φ(Xi)选择为以下的sigmoid 函数:
其中l1,l2,l3和l4为近似参数,Φ(Xi)满足0<Φ(Xi)<Φ0,并且 为二者中的最大值;
步骤4,固定时间稳定性证明,过程如下:
4.1证明刚性飞行器***所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
其中ST是S的转置;是的转置;
对式(28)进行微分,得到:
其中 为两者中的最小值; 为的二范数;
因此,刚性飞行器***所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(30)进行微分,得到:
其中min{k11,k12,k13}, min{k21,k22,k23}均为三者中的最小值;υ2为一个大于零的上界值;
基于以上分析,刚性飞行器***的姿态跟踪误差和角速度误差在固定时间一致最终有界。
为验证所提方法的有效性,本方法针对飞行器***进行仿真验证。***初始化参数设置如下:
***的初始值:q(0)=[0.3,-0.2,-0.3,0.8832]T,Ω(0)=[1,0,-1]T弧度/秒; qd(0)=[0,0,0,1]T;期望角速度弧度/秒;转动惯性矩阵的标称部分J0=[40,1.2,0.9;1.2,17,1.4;0.9,1.4,15]千克*平方米,惯性矩阵的不确定部ΔJ=diag[sin(0.1t),2sin(0.2t),3sin(0.3t)];外部扰动 d(t)=[0.2sin(0.1t),0.3sin(0.2t),0.5sin(0.2t)]T牛*米;滑模面的参数如下:λ1=0.5,λ2=0.5,控制器的参数如下:K1=K2=K3= 0.5I3;更新律参数如下:γi=1,pi=0.1,i=1,2,3, sigmoid函数的参数选择如下:l1=4,l2=8,l3=10,l4=-0.5。最大的控制力矩umi=10牛*米,执行器效率值选择为:
刚性飞行器的姿态跟踪误差和角速度误差的响应示意图分别如图1和图2所示,可以看出跟踪姿态误差和角速度误差都能在3.8秒左右收敛到平衡点的一个零域内;刚性飞行器的滑模面响应示意图如图3所示,可以看出滑模面能在3.2秒左右收敛到平衡点的一个零域内;刚性飞行器的控制力矩如图4所示,可以看出控制力矩限幅在10牛*米内;参数估计响应示意图分别如图5 所示。
因此,本发明设计的固定时间滑模面有效的解决了奇异值问题;在***存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现***姿态跟踪误差和角速度误差的固定时间一致最终有界,并且收敛时间与***的初始状态无关。
以上阐述的是本发明给出的一个实施例表现出的优良优化效果,显然本发明不只是限于上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。
Claims (1)
1.一种刚性飞行器的自适应神经网络容错跟踪控制方法,其特征在于:所述方法包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化***状态以及控制参数,过程如下:
1.1刚性飞行器***的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.2刚性飞行器***的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u=[u1,u2,u3]T∈R3和d∈R3是控制力矩和外部扰动;D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|},umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u),g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵,M=diag(m1,m2,m3)∈R3 ×3为3×3对称对角矩阵;Dsat(u)重新表示为:Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.3刚性飞行器***期望的运动学方程为:
其中qdv=[qd1,qd2,qd3]T和qd4分别为期望的单位四元数的矢量部分和标量部分且满足Ωd∈R3为期望的角速度;分别为qdv,qd4的导数,为qdv的转置;表示为:
1.4由四元数描述的刚性飞行器相对姿态运动:
Ωe=Ω-CΩd (12)
其中ev=[e1,e2,e3]T和e4分别为姿态跟踪误差的矢量部分和标量部分;Ωe=[Ωe1,Ωe2,Ωe3]T∈R3为角速度误差;为相应的方向余弦矩阵并且满足||C||=1和 为C的导数;
根据式(1)-(12),刚性飞行器姿态跟踪误差动力学和运动学方程为:
其中和分别为ev和e4的导数;为ev的转置;和分别为Ωd和Ωe的导数;(Ωe+CΩd)×与Ω×等价;和分别表示为:
1.5转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(15)重新写成:
进一步得到:
1.6对式(13)进行微分,得到:
其中为ev的二阶导数;
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器***,设计所需的滑模面,过程如下:
选择固定时间滑模面S=[S1,S2,S3]T∈R3为:
其中,λ1和λ2为正常数;r1=a1/b1,a1,b1为正常数,满足a1>b1,i=1,2,3;sgn(e1),sgn(e2),sgn(e3)均为符号函数;Sau=[Sau1,Sau2,Sau3]T,表示为:
其中r2=a2/b2,a2,b2为正奇数,满足a2<b2;0<r2<1,ε为一个很小的正常数;
步骤3,设计神经网络固定时间控制器,过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (23)
其中G=[G1,G2,G3]T为不确定集合;为输入矢量,Φi(Xi)∈R4为神经网络基函数,Wi *∈R4为理想的权值矢量,定义为:
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;为Wi*取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵, 为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵;K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r3<1,r4>1; sgn(S1),sgn(S2),sgn(S3)为符号函数;||Wi *||为Wi *的二范数;
3.3设计更新律为:
其中γi>0,pi>0,i=1,2,3,为的导数,Φ(Xi)选择为以下的sigmoid函数:
其中l1,l2,l3和l4为近似参数,Φ(Xi)满足0<Φ(Xi)<Φ0,并且 为二者中的最大值;
步骤4,固定时间稳定性证明,过程如下:
4.1证明刚性飞行器***所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
其中ST是S的转置;是的转置;
对式(28)进行微分,得到:
其中 为两者中的最小值; 为的二范数;
因此,刚性飞行器***所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(30)进行微分,得到:
其中min{k11,k12,k13},min{k21,k22,k23}均为三者中的最小值;υ2为一个大于零的上界值;
基于以上分析,刚性飞行器***的姿态跟踪误差和角速度误差在固定时间一致最终有界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137008.7A CN109188910B (zh) | 2018-09-28 | 2018-09-28 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811137008.7A CN109188910B (zh) | 2018-09-28 | 2018-09-28 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109188910A true CN109188910A (zh) | 2019-01-11 |
CN109188910B CN109188910B (zh) | 2021-08-03 |
Family
ID=64907648
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811137008.7A Active CN109188910B (zh) | 2018-09-28 | 2018-09-28 | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109188910B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244747A (zh) * | 2019-08-02 | 2019-09-17 | 大连海事大学 | 一种基于执行器故障和饱和的异构车队容错控制方法 |
CN111522241A (zh) * | 2020-05-08 | 2020-08-11 | 哈尔滨工业大学 | 一种基于固定时间观测器的主动容错控制方法及装置 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN113961010A (zh) * | 2021-08-26 | 2022-01-21 | 中国科学院合肥物质科学研究院 | 基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7013208B2 (en) * | 2001-12-17 | 2006-03-14 | Hydro-Air, Inc. | Sliding integral proportional (SIP) controller for aircraft skid control |
CN103760906A (zh) * | 2014-01-29 | 2014-04-30 | 天津大学 | 神经网络与非线性连续无人直升机姿态控制方法 |
CN104527994A (zh) * | 2015-01-21 | 2015-04-22 | 哈尔滨工业大学 | 异面交叉快变轨道固定时间稳定姿态指向跟踪控制方法 |
CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
CN107703952A (zh) * | 2017-08-29 | 2018-02-16 | 浙江工业大学 | 一种刚性飞行器的非奇异固定时间自适应姿态控制方法 |
CN108469730A (zh) * | 2018-01-29 | 2018-08-31 | 浙江工业大学 | 一种基于均值耦合的多电机固定时间自适应滑模控制方法 |
CN108549224A (zh) * | 2018-04-12 | 2018-09-18 | 浙江工业大学 | 基于增强型双幂次趋近律和终端滑模面的刚性航天飞行器有限时间自适应容错控制方法 |
-
2018
- 2018-09-28 CN CN201811137008.7A patent/CN109188910B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7013208B2 (en) * | 2001-12-17 | 2006-03-14 | Hydro-Air, Inc. | Sliding integral proportional (SIP) controller for aircraft skid control |
CN103760906A (zh) * | 2014-01-29 | 2014-04-30 | 天津大学 | 神经网络与非线性连续无人直升机姿态控制方法 |
CN104527994A (zh) * | 2015-01-21 | 2015-04-22 | 哈尔滨工业大学 | 异面交叉快变轨道固定时间稳定姿态指向跟踪控制方法 |
CN107703952A (zh) * | 2017-08-29 | 2018-02-16 | 浙江工业大学 | 一种刚性飞行器的非奇异固定时间自适应姿态控制方法 |
CN107495962A (zh) * | 2017-09-18 | 2017-12-22 | 北京大学 | 一种单导联脑电的睡眠自动分期方法 |
CN108469730A (zh) * | 2018-01-29 | 2018-08-31 | 浙江工业大学 | 一种基于均值耦合的多电机固定时间自适应滑模控制方法 |
CN108549224A (zh) * | 2018-04-12 | 2018-09-18 | 浙江工业大学 | 基于增强型双幂次趋近律和终端滑模面的刚性航天飞行器有限时间自适应容错控制方法 |
Non-Patent Citations (9)
Title |
---|
BOYAN JIANG 等: "A Fixed-time attitude control for rigid spacecraft with actuator saturation and faults", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
C. TON 等: "Continuous Fixed-Time Sliding Mode Control for Spacecraft with Flexible Appendages", 《IFAC PAPERSONLINE》 * |
MEILING TAO 等: "Adaptive fixed‐time fault‐tolerant control for rigid spacecraft using a double power reaching law", 《WILEY》 * |
QIANG CHEN 等: "Adaptive Nonsingular Fixed-Time Attitude Stabilization of Uncertain Spacecraft", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》 * |
SHUSHUAI LI 等: "Adaptive RBFNNs integral sliding mode control for a quadrotor aircraft", 《NEUROCOMPUTING》 * |
沈林武 等: "基于快速终端滑模面的两旋翼飞行器有限时间姿态控制", 《计算机测量与控制》 * |
王伯平 等: "固定时间收敛的再入飞行器全局滑模跟踪制导律", 《宇航学报》 * |
钱宁 等: "Buck型变换器非奇异固定时间滑模控制", 《计算机测量与控制》 * |
高苗苗 等: "基于神经网络的多机械臂固定时间同步控制", 《计算机测量与控制》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110244747A (zh) * | 2019-08-02 | 2019-09-17 | 大连海事大学 | 一种基于执行器故障和饱和的异构车队容错控制方法 |
CN111522241A (zh) * | 2020-05-08 | 2020-08-11 | 哈尔滨工业大学 | 一种基于固定时间观测器的主动容错控制方法及装置 |
CN111948944A (zh) * | 2020-08-07 | 2020-11-17 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN111948944B (zh) * | 2020-08-07 | 2022-04-15 | 南京航空航天大学 | 一种基于自适应神经网络的四旋翼编队容错控制方法 |
CN113961010A (zh) * | 2021-08-26 | 2022-01-21 | 中国科学院合肥物质科学研究院 | 基于抗饱和有限时间自适应神经网络容错技术的四旋翼植保无人机跟踪控制方法 |
CN113961010B (zh) * | 2021-08-26 | 2023-07-18 | 中国科学院合肥物质科学研究院 | 四旋翼植保无人机跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109188910B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488603A (zh) | 一种考虑执行器受限问题的刚性飞行器自适应神经网络跟踪控制方法 | |
CN109188910A (zh) | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 | |
CN109164823A (zh) | 一种考虑执行器受限问题的刚体飞行器非奇异固定时间姿态跟踪控制方法 | |
Qin et al. | Neural network-based adaptive consensus control for a class of nonaffine nonlinear multiagent systems with actuator faults | |
Zhang et al. | Fault-tolerant adaptive finite-time attitude synchronization and tracking control for multi-spacecraft formation | |
CN109062240A (zh) | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 | |
Tang et al. | Robust adaptive neural tracking control for a class of perturbed uncertain nonlinear systems with state constraints | |
CN109240321A (zh) | 一种刚性飞行器的非奇异固定时间神经网络控制方法 | |
CN110501911A (zh) | 一种考虑执行器受限问题的刚性飞行器自适应固定时间姿态跟踪控制方法 | |
CN108828955A (zh) | 基于有限时间扩张状态观测器的精准航迹跟踪控制方法 | |
CN105138006B (zh) | 一种时滞非线性多智能体***的协同追踪控制方法 | |
CN110471438A (zh) | 一种刚性飞行器的固定时间自适应姿态跟踪控制方法 | |
CN108508749A (zh) | 一种用于抓捕非合作目标的空间机械臂***抗干扰迭代学习控制方法 | |
CN108958043A (zh) | 一种刚性飞行器的固定时间自适应姿态容错控制方法 | |
CN106681343B (zh) | 一种航天器姿态跟踪低复杂度预设性能控制方法 | |
CN110488854A (zh) | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 | |
CN109634291B (zh) | 一种基于改进型障碍李雅普诺夫函数的刚性飞行器姿态约束跟踪控制方法 | |
CN109375639A (zh) | 一种基于非对称改进型障碍李雅普诺夫函数的刚性飞行器姿态约束跟踪控制方法 | |
CN105182745A (zh) | 一种带有死区补偿的机械臂伺服***神经网络全阶滑模控制方法 | |
CN110488855A (zh) | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 | |
CN110497415A (zh) | 一种基于干扰观测器的多机械臂***的一致控制方法 | |
CN110162067A (zh) | 一种无人机非奇异自适应非光滑姿态跟踪控制方法 | |
Chang et al. | LSTM‐based output‐constrained adaptive fault‐tolerant control for fixed‐wing UAV with high dynamic disturbances and actuator faults | |
Kang et al. | Finite-memory-structured online training algorithm for system identification of unmanned aerial vehicles with neural networks | |
Enjiao et al. | Finite-time control of formation system for multiple flight vehicles subject to actuator saturation |
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 |