CN112286217A - 基于径向基神经网络的自动驾驶仪及其解耦控制方法 - Google Patents
基于径向基神经网络的自动驾驶仪及其解耦控制方法 Download PDFInfo
- Publication number
- CN112286217A CN112286217A CN202011295688.2A CN202011295688A CN112286217A CN 112286217 A CN112286217 A CN 112286217A CN 202011295688 A CN202011295688 A CN 202011295688A CN 112286217 A CN112286217 A CN 112286217A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- rudder
- real time
- decoupling
- steering engine
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000004044 response Effects 0.000 description 16
- 230000008878 coupling Effects 0.000 description 13
- 238000010168 coupling process Methods 0.000 description 13
- 238000005859 coupling reaction Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (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
本发明公开了一种基于径向基(RBF)神经网络控制的自适应全解耦自动驾驶仪及控制方法，该***包括用以接收制导***实时传递出的需用过载信息的需用过载接收模块，用于实时获得飞行器的飞行参数的飞行器参数测量模块，和获得可用的舵指令的解耦控制模块，其中，根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令，再结合飞行器的飞行参数获得过渡的舵指令，再结合飞行器的飞行参数获得可用的舵指令，据此控制舵机打舵工作；其中，在利用解耦控制模块解耦计算时，涉及到的状态反馈矩阵和前馈补偿矩阵都通过径向基神经网络模型和当前飞行器的状况实时获得，从而进一步提高控制性能。
Description
技术领域
本发明涉及一种旋转飞行器的控制***及方法，具体涉及一种基于径向基神经网络控制的自适应全解耦自动驾驶仪及控制方法。
背景技术
旋转飞行器通过采用自旋的方式可以带来诸多益处，如有效降低飞行器结构设计偏差对飞行器弹道的影响、简化控制***设计、省略滚转控制机构等等。但该类飞行器在带来诸多益处的同时也存在一些弊端。由于飞行器自旋后会产生较大的滚转角速度，这使得飞行器产生了气动耦合、惯性耦合以及控制耦合等特性，使得俯仰通道和偏航通道间相互耦合交联，不利于对飞行器俯仰、偏航两通道进行精确控制。除此之外，舵机的滞后特性对旋转飞行器的控制有着较大的影响，因此在设计自驾仪的时候有必要考虑舵机环节对飞行器控制***的影响，而传统的设计方法往往默认舵机为一阶惯性环节，这种方法忽略了旋转飞行器的控制耦合特性，且舵机模型建立不够精确，这增加了所设计自驾仪的风险性，而如果将舵机认定为二阶惯性环节，旋转飞行器动力学模型为八阶***，模型较为复杂，且在解算过程中会涉及到求逆运算，八阶***求逆过于困难，飞行器的处理设备难以及时解算完成；这些问题为旋转飞行器控制***的精确稳定控制带来了较为严峻的挑战；
现有技术中，在实际控制旋转飞行器的过程中，都是忽略了上述耦合的影响和二阶惯性环节，所以飞行器的实际控制过程中存在一定的偏差，不过最终的制导控制效果还有待提高。
另外，现有的解耦自动驾驶仪的控制参数随旋转飞行器动力系数的变化而变化，因此一组或数组自动驾驶仪控制参数不足以满足实际应用需求。
为了解决上述问题，本发明人对现有的驾驶仪做了深入研究，以期待设计出一种能够解决上述问题的基于径向基神经网络控制的自适应全解耦自动驾驶仪及其解耦控制方法。
发明内容
为了克服上述问题，本发明人进行了锐意研究，设计出一种基于径向基神经网络控制的自适应全解耦自动驾驶仪及控制方法，该***包括用以接收制导***实时传递出的需用过载信息的需用过载接收模块，用于实时获得飞行器的飞行参数的飞行器参数测量模块，和获得可用的舵指令的解耦控制模块，其中，根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令，再结合飞行器的飞行参数获得过渡的舵指令，再结合飞行器的飞行参数获得可用的舵指令，据此控制舵机打舵工作，其中，在利用解耦控制模块解耦计算时，涉及到的状态反馈矩阵和前馈补偿矩阵都通过径向基神经网络模型和当前飞行器的状况实时获得，从而进一步提高控制性能，从而完成本发明。
具体来说，本发明的目的在于提供一种基于径向基神经网络控制的自适应全解耦自动驾驶仪，该***安装在旋转飞行器上，该***包括
需用过载接收模块1，其与旋转飞行器上的制导***相连，用以接收制导***实时传递出的需用过载信息，
飞行器参数测量模块2，其用于实时获得飞行器的飞行参数，
解耦控制模块3，其用于实时根据需用过载信息和飞行器的飞行参数获得可用的舵指令，和
径向基神经网络模型4，其用于实时解算获得解算可用的舵指令所需的状态反馈矩阵和前馈补偿矩阵。
其中，所述飞行器参数测量模块2包括舵机姿态传感器21、舵机角速率传感器22、加速度计23、惯性陀螺24和估测器25；
其中，所述舵机姿态传感器21用于实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息，
所述舵机角速率传感器22用于实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息，
所述加速度计23用于实时测量得到飞行器的加速度信息，
所述惯性陀螺24用于实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
所述估测器25用于根据所述加速度信息实时估算得到飞行器的攻角信息和侧滑角信息。
其中，解耦控制模块3包括控制解耦的舵指令解算子模块31、过渡的舵指令解算子模块32和可用的舵指令解算子模块33；
其中，所述控制解耦的舵指令解算子模块31用于实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
所述过渡的舵指令解算子模块32用于实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
所述可用的舵指令解算子模块33用于实时根据飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
其中，所述控制解耦的舵指令解算子模块31通过下式(一)实时获得控制解耦的舵指令，
u2＝-K2x2+L2v2 (一)
其中，u2表示控制解耦的舵指令，K2表示状态反馈矩阵，L2表示前馈补偿矩阵，x2表示舵机状态空间表达式的状态变量，v2表示需用过载。
其中，所述过渡的舵指令解算子模块32通过下式(二)实时获得过渡的舵指令，
y2＝C2∫(A2x2+B2u2)dt (二)
其中，y2表示过渡的舵指令，
A2、B2、C2都表示舵机***参数。
其中，所述可用的舵指令解算子模块33通过下式(三)实时获得可用的舵指令，
u1＝-K1x1+L1v1 (三)
其中，u1表示可用的舵指令，K1表示状态反馈矩阵，L1表示前馈补偿矩阵，x1表示飞行器状态空间表达式的状态变量，v1表示过渡的舵指令。
其中，所述解耦控制模块3与飞行器的舵机5相连，所述舵机5根据可用的舵指令打舵工作。
在旋转飞行器发射前，模拟的飞行器轨迹中选择一定数量的不同高度、不同速度的特征点作为样本，冲刷训练所述径向基神经网络模型4；
优选地，所述径向基神经网络模型4经过训练后，能够根据实时根据期望俯仰过载、期望偏航过载、旋转飞行器飞行速度和旋转飞行器飞行高度信息，输出状态反馈矩阵K1、状态反馈矩阵K2、前馈补偿矩阵L1和前馈补偿矩阵L2。
本发明还提供一种基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法，该方法包括如下步骤，
步骤1，通过过载接收模块1接收制导***传递出的需用过载信息；
步骤2，通过飞行器参数测量模块2获得飞行器的飞行参数；
步骤3，通过解耦控制模块3根据需用过载信息和飞行器的飞行参数获得可用的舵指令；
步骤4，实时重复步骤1-3，从而实时得到可用的舵指令。
其中，所述步骤2包括如下子步骤，
子步骤2-1，通过舵机姿态传感器21实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息，
子步骤2-2，通过舵机角速率传感器22实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息，
子步骤2-3，通过加速度计23实时测量得到飞行器的加速度信息，通过惯性陀螺24实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
子步骤2-4，通过估测器25根据所述三轴加速度信息实时估算得到飞行器的攻角和侧滑角。
其中，所述步骤3包括如下子步骤，
子步骤3-1，通过控制解耦的舵指令解算子模块31实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
子步骤3-2，通过过渡的舵指令解算子模块32实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
子步骤3-3，通过可用的舵指令解算子模块33实时根据飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
本发明所具有的有益效果包括：
(1)基于径向基神经网络控制的自适应全解耦自动驾驶仪及其解耦控制方法能够在接收到的需用过载基础上，结合旋转飞行器当前的飞行状况，考虑二阶舵机动力学及耦合情况，为舵机提供更为合理的舵机控制指令，从而加强旋转飞行器的控制效果，提高旋转飞行器的控制精度；
(2)基于径向基神经网络控制的自适应全解耦自动驾驶仪及其解耦控制方法中考虑二阶舵机动力，并且简化了计算过程，用模型变换的方式将八阶***变换为两个四阶***进行解算控制，节约计算时间，使其能够满足飞行器实时获得信息的要求；
(3)基于径向基神经网络控制的自适应全解耦自动驾驶仪及其解耦控制方法中通过神经网络控制实时获得自动驾驶仪控制参数，即前馈补偿矩阵和状态反馈矩阵，从而进一步提升解耦控制精度。
附图说明
图1示出根据本发明一种优选实施方式的基于径向基神经网络控制的自适应全解耦自动驾驶仪整体逻辑图；
图2示出仿真实验中俯仰方向需用过载及响应曲线；
图3示出仿真实验中偏航方向需用过载及响应曲线；
图4示出仿真实验中俯仰角速率变化曲线；
图5示出仿真实验中偏航角速率变化曲线。
附图标号说明：
1-需用过载接收模块
2-飞行器参数测量模块
3-解耦控制模块
21-舵机姿态传感器
22-舵机角速率传感器
23-加速度计
24-惯性陀螺
25-估测器
26-卫星信号接收模块
31-控制解耦的舵指令解算子模块
32-过渡的舵指令解算子模块
33-可用的舵指令解算子模块
4-径向基神经网络模型
5-舵机
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的一种基于径向基神经网络控制的自适应全解耦自动驾驶仪，如图1中所示，该***安装在旋转飞行器上，所述旋转飞行器优选为高动态的旋转飞行器，即转速在10r/s以上的旋转飞行器；本申请中所述的耦合是指在对飞行器的俯仰方向和偏航方向分别控制时，其中一个方向的控制指令会对另外一个方向造成影响和干扰，尤其是在对飞行器的俯仰方向进行控制时，由于旋转的原因，其舵机打舵产生的作用力很有可能会在水平方向上有一定的分力，该分力就会导致飞行器在偏航方向上发生偏转。
该***包括需用过载接收模块1，飞行器参数测量模块2和解耦控制模块3；
其中，所述用过载接收模块1与旋转飞行器上的制导***相连，用以接收制导***实时传递出的需用过载信息，
所述制导***也安装在飞行器上，其能够根据飞行器上传感器件获得的飞行器自身信息及目标信息实时给出需用过载，一般情况下再根据该需用过载控制舵机打舵工作，但本申请提供的方案中，该需用过载不会直接传递给舵机，而是传递给所述需用过载接收模块1，经过处理后在将处理得到的可用的舵指令传递给舵机。从而使得舵机的打舵工作更有针对性，对于滚转飞行器的控制效果更好。
其中，所述制导***为本领域中已有的制导***，其中可以采用比例导引制导律、重力补偿制导律等等已有的制导律。
所述飞行器参数测量模块2用于实时获得飞行器的飞行参数，所述飞行参数包括俯仰舵偏角、偏航舵偏角、俯仰舵机角速率、偏航舵机角速率、加速度、速度、偏航角速率、俯仰角速率、攻角和侧滑角；所述飞行器参数测量模块2能够从其自身携带的存储芯片中实时调取与飞行参数有关的动力系数。
所述解耦控制模块3用于实时根据需用过载信息和飞行器的飞行参数获得可用的舵指令，并将该舵指令传递给舵机，由舵机按照该舵指令打舵工作。
在一个优选的实施方式中，所述需用过载信息包括期望俯仰过载和期望偏航过载；所述期望俯仰过载即为制导***解算出的，在俯仰方向需要提供的过载；所述期望偏航过载即为制导***解算出的，在偏航方向需要提供的过载。
所述控制解耦的舵指令、过渡的舵指令和可用的舵指令都是舵指令，区别主要在于精度、准确性不同，所述舵指令都包括俯仰方向舵指令和偏航方向舵指令；所述俯仰方向舵指令表示最终要传递给舵机的，由舵机在俯仰方向执行的指令；所述偏航方向舵指令表示最终要传递给舵机的，由舵机在偏航方向执行的指令。
在飞行器的制导***获得需用过载时，如果该需用过载直接传递给舵机，舵机必然根据其中的期望俯仰过载解算对应的俯仰方向舵指令，根据其中的期望偏航过载解算对应的偏航方向舵指令，在舵机执行过程中，舵机的滞后特性对旋转飞行器的控制有着较大的影响，而且传统的设计方法往往默认舵机为一阶惯性环节，这种方法忽略了旋转飞行器的控制耦合特性，从而导致最终打舵结果与期望值之间的偏差过大；需用过载在经过解耦控制模块解算以后，提前考虑计算了舵机滞后、耦合等干扰因素带来的影响，从而根据最终得到的可用的舵指令进行打舵工作，能够使得打舵结果与期望值更为接近，控制效果更好。
在一个优选的实施方式中，所述飞行器参数测量模块2包括舵机姿态传感器21、舵机角速率传感器22、加速度计23、惯性陀螺24和估测器25；
其中，其中，所述舵机姿态传感器21用于实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息；
所述舵机角速率传感器22用于实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息；
所述加速度计23用于实时测量得到飞行器的加速度信息，
所述惯性陀螺24用于实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
所述估测器25用于根据所述三轴加速度信息实时估算得到飞行器的攻角和侧滑角。
其中，所述加速度计23设置有多个，优选地，至少设置有3个，其中至少一个加速度计位于飞行器的质心上，其安装朝向为沿着飞行器轴线朝向飞行器行进方向，用以测量飞行器沿着轴线方向的加速度，即飞行器自身的加速度，该加速度经过积分后可以得到飞行器的速度信息；
另外还有两个加速度计都安装在飞行器的轴线上，并且与质心之间偏离一定距离，并且这两个加速度计的安装方向彼此垂直，这两个加速度计都与所述估测器25相连，加速度计能够实时测量其自身所在位置处的加速度值，经过积分后即可得到该点的速度，再乘以该点与质心之间的距离即可得到该点角速度，再积分即可得到角度；优选地，该估测器还与飞行器上的地磁传感器相连，所述地磁传感器能够实时获知飞行器的滚转角，从而通过这两个加速度计和滚转角信息能够分别得到飞行器的侧滑角和攻角。在所述估测器中存储有加速度计与质心之间的距离，在所述估测器中还能够进行积分计算，从而该估测器能够实时给出飞行器的侧滑角信息和攻角信息。
优选地，所述飞行器参数测量模块2还包括卫星信号接收模块26，其用于实时接收卫星信号，并解算出旋转飞行器的飞行速度和旋转飞行器的飞行高度。
在一个优选的实施方式中，解耦控制模块3包括控制解耦的舵指令解算子模块31、过渡的舵指令解算子模块32和可用的舵指令解算子模块33；
其中，所述控制解耦的舵指令解算子模块31用于实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
所述过渡的舵指令解算子模块32用于实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
所述可用的舵指令解算子模块33用于实时根据需飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
优选地，所述控制解耦的舵指令解算子模块31通过下式(一)实时获得控制解耦的舵指令，
u2＝-K2x2+L2v2 (一)
其中，u2表示控制解耦的舵指令，K2表示状态反馈矩阵，L2表示前馈补偿矩阵，x2表示舵机状态空间表达式的状态变量，v2表示需用过载；
优选地，
v2＝[vy vz]T
δy表示俯仰舵偏角，δz表示偏航舵偏角，
表示俯仰舵机角速率，表示
偏航舵机角速率；vy表示期望俯仰过载，vz表示期望偏航过载；
优选地，所述过渡的舵指令解算子模块32通过下式(二)实时获得过渡的舵指令，
y2＝C2∫(A2x2+B2u2)dt (二)
其中，y2表示过渡的舵指令，
A2、B2、C2都表示舵机***参数，
d3、d11、d12、d21、d22都表示舵机模型的动力系数，其基于飞行器自身参数和飞行器自身转速可实时获得。
优选地，所述可用的舵指令解算子模块33通过下式(三)实时获得可用的舵指令，
u1＝-K1x1+L1v1 (三)
其中，u1表示可用的舵指令，K1表示状态反馈矩阵，L1表示前馈补偿矩阵，x1表示飞行器状态空间表达式的状态变量，v1与y2一样，都表示过渡的舵指令；
α表示攻角，β表示侧滑角，
表示俯仰角速率，
表示偏航角速率。
在一个优选的实施方式中，所述舵机模型的动力系数通过下式获得：
其中，
表示转速，该参数是实时探测得到的，μs表示舵机阻尼比，Ts表示舵机指令延迟，ks表示舵机增益，μs、Ts和ks都是在出厂时预装在飞行器中的参量。
在一个优选的实施方式中，所述解耦控制模块3与飞行器的舵机5相连，所述舵机5根据可用的舵指令打舵工作；
所述舵机5根据可用的舵指令打舵工作得到的实际过载可通过下式(四)获知：
y1＝C1∫(A1x1+B1u1)dt (四)
其中，y1＝[ay az]T，表示实际响应过载，ay表示俯仰方向响应过载，az表示偏航方向响应过载，A1、B1、C1都表示飞行器***参数，
a25、a24、a27、a22、a28和a34都表示旋转飞行器的动力系数，所述旋转飞行器的动力系数是预装在飞行器中的已知数据，一般在飞行器出厂前通过风洞实验等方式计算获得的，在飞行器飞行过程中可以随时调取该数据。
在一个优选的实施方式中，所述径向基神经网络模型4是预装在飞行器上的，在旋转飞行器发射前，在模拟的飞行器轨迹中选择一定数量的不同高度、不同速度的特征点作为采样点，通过样本冲刷训练获得所述径向基神经网络模型4；
其中，所述采样点中特征点的高度各不相同，而且各个特征点上飞行器的飞行速度也是各不相同的；
优选地选择12组特征点，对12组特征点进行排列组合可得144组特征点，将每一组特征点代入到解耦控制模块3的解算式(一)、(二)、(三)中进行状态反馈矩阵K1、K2和前馈补偿矩阵L1、L2的计算，将一组计算结果及对应的特征点作为一个样本，通过该144组样本进行冲刷训练获得所述径向基神经网络模型。
优选地，所述径向基神经网络模型4经过训练后，能够根据实时根据期望俯仰过载、期望偏航过载、旋转飞行器飞行速度和旋转飞行器飞行高度信息，输出状态反馈矩阵K1、状态反馈矩阵K2、前馈补偿矩阵L1和前馈补偿矩阵L2。
所述12组不同高度下不同速度的特征点的具体信息举例如下：
高度为200m、500m、1000m、2000m、3000m、4000m、5000m、6000m、7000m、8000m、9000m、10000m；对应速度为685m/s、880m/s、1080m/s、950m/s、700m/s、585m/s、294m/s、395m/s、486m/s、535m/s、640m/s、720m/s。
由于旋转飞行器的轴对称性，所设计的控制参数也具有对称特性，且前馈补偿矩阵L2的控制参数仅与期望自然频率相关，因此所需训练的控制参数可简化为状态反馈矩阵K1的第一行控制参数K11、K12、K13、K14，状态反馈矩阵K2的第一行控制参数K21、K22、K23、K24以及前馈补偿矩阵L1的第一行控制参数L11、L12，则在训练径向基神经网络模型之前需要计算144组上述控制参数。
下述表1、表2和表3分别给出了状态反馈矩阵K1、K2和前馈补偿矩阵L1在高度H为8000m时不同速度所对应的控制参数，下述表4、表5和表6分别给出了状态反馈矩阵K1、K2和前馈补偿矩阵L1在速度V为535m/s时不同高度所对应的控制参数。
表1
表2
表3
表4
表5
表6
本发明还提供一种基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法，该方法是通过上文所述基于径向基神经网络控制的自适应全解耦自动驾驶仪实现的，
该方法包括如下步骤，
步骤1，通过过载接收模块1接收制导***传递出的需用过载信息；
步骤2，通过飞行器参数测量模块2获得飞行器的飞行参数；
步骤3，通过解耦控制模块3根据需用过载信息和飞行器的飞行参数获得可用的舵指令；
步骤4，实时重复步骤1-3，从而实时得到可用的舵指令。
优选地，所述步骤2包括如下子步骤，
子步骤2-1，通过舵机姿态传感器21实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息，
子步骤2-2，通过舵机角速率传感器22实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息，
子步骤2-3，通过加速度计23实时测量得到飞行器的加速度信息，通过惯性陀螺24实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
子步骤2-4，通过估测器25根据所述三轴加速度信息实时估算得到飞行器的攻角和侧滑角。
优选地，所述步骤3包括如下子步骤，
子步骤3-1，通过控制解耦的舵指令解算子模块31实时根据需用过载信息和飞行器的飞行参数获得攻角收敛误差和侧滑角收敛误差；
子步骤3-2，通过控制解耦的舵指令解算子模块31实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
子步骤3-2，通过过渡的舵指令解算子模块32实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
子步骤3-3，通过可用的舵指令解算子模块33实时根据飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
在执行步骤1以前，向飞行器中灌装所述径向基神经网络模型，通过该径向基神经网络模型根据飞行器的速度和高度信息实时解算出状态反馈矩阵K1、K2和前馈补偿矩阵L1、L2。
实验例：
通过计算机直接模拟旋转飞行器的制导***和舵机***，所述制导***能够实时给出制导指令，也就是需用过载，具体包括期望俯仰过载和期望偏航过载，期望俯仰过载呈正弦交变状态，幅值为10m/s2，频率为1rad/s，偏航过载指令为零，该需用过载随时间变化的轨迹如图2、图3中的实线所示；舵机***根据制导指令或者需用过载控制舵机打舵工作，并且直接给出根据该需用过载控制舵机工作后实际能够为旋转飞行器提供的过载情况；
在实验例中，截取计算机中制导***给出的需用过载，并不直接将该需用过载传递给舵机***，将该需用过载分别传递给本申请提供的基于径向基神经网络控制的自适应全解耦自动驾驶仪(RBF)和采用增益调度法的解耦自动驾驶仪(Gain-Schedule)；
需用过载在传递给RBF后，通过本申请提供的基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法得到可用的舵指令，再将该可用的舵指令传递给舵机***，据此控制舵机工作，得到舵机工作后实际能够为旋转飞行器提供的过载情况；
其中，通过需用过载接收模块接收需用过载信息，通过计算机实时给出模拟的飞行器的飞行参数，包括俯仰舵偏角、偏航舵偏角、俯仰舵机角速率、偏航舵机角速率攻角、侧滑角、速度、俯仰角和偏航角；并且给出旋转飞行器的动力系数如下：
舵机参数表如下：
通过下式(一)、(二)、(三)解算得到俯仰方向舵机响应指令和偏航方向舵机响应指令；
u2＝-K2x2+L2v2 (一)
y2＝C2∫(A2x2+B2u2)dt (二)
u1＝-K1x1+L1v1 (三)
v2＝[vy vz]T，vy表示期望俯仰过载，vz表示期望偏航过载，
α表示攻角，β表示侧滑角，
表示俯仰角速率，
表示偏航角速率，δy表示俯仰舵偏角，δz表示偏航舵偏角，
表示俯仰舵机角速率，
表示偏航舵机角速率；u1表示可用的舵指令，包括俯仰方向舵机响应指令和偏航方向舵机响应指令；
L1、L2、K1、K2通过向基神经网络模型实时解算得到；
在将舵机响应指令传递会计算机中舵机***后，仿真得到舵机工作后实际能够为旋转飞行器提供的过载情况如图2、图3、图4和图5中的虚线“RBF”所示。
在对比例中，需用过载在传递给Gain-Schedule后，该Gain-Schedule***对该需用过载做出响应，得到舵机控制指令，并据此控制舵机，最终得到舵机提供的过载情况，如图2、图3、图4和图5中的点划线“Gain-Schedule”所示。
其中，图2为俯仰过载响应变化曲线，图3为偏航过载响应变化曲线，图4为俯仰角速率变化曲线，图5为偏航角速率变化曲线。由图2和图3可看出，传统增益调度法的俯仰过载响应具有明显的稳态误差，且偏航通道同样存在有呈正弦形式波动的过载响应，可见该***解耦不完全，仍存在耦合效应；而采用基于径向基神经网络控制的自适应全解耦自动驾驶仪的俯仰过载响应与过载指令基本吻合，偏航通道几乎无耦合响应，能够准确跟踪需用过载，实现了对旋转飞行器惯性耦合、气动耦合以及控制耦合的完全解耦。由图4和图5可看出，传统增益调度法的俯仰角速率较小，偏航角速率存在较大震荡，从而导致俯仰过载存在稳态误差，偏航通道存在耦合效应。相比之下，所述基于径向基神经网络控制的自适应全解耦自动驾驶仪在针对正弦信号输入的情况下，控制性能、解耦性能均优于增益调度法。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。
Claims (10)
1.一种基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，该驾驶仪安装在旋转飞行器上，该驾驶仪包括：
需用过载接收模块(1)，其与旋转飞行器上的制导***相连，用以接收制导***实时传递出的需用过载信息，
飞行器参数测量模块(2)，其用于实时获得飞行器的飞行参数，
解耦控制模块(3)，其用于实时根据需用过载信息和飞行器的飞行参数获得可用的舵指令；和
径向基神经网络模型(4)，其用于实时解算获得解算可用的舵指令所需的状态反馈矩阵和前馈补偿矩阵。
2.根据权利要求1所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
所述飞行器参数测量模块(2)包括舵机姿态传感器(21)、舵机角速率传感器(22)、加速度计(23)、惯性陀螺(24)和估测器(25)；
其中，所述舵机姿态传感器(21)用于实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息，
所述舵机角速率传感器(22)用于实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息，
所述加速度计(23)用于实时测量得到飞行器的加速度信息，
所述惯性陀螺(24)用于实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
所述估测器(25)用于根据所述加速度信息实时估算得到飞行器的攻角信息和侧滑角信息。
3.根据权利要求1所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
解耦控制模块(3)包括控制解耦的舵指令解算子模块(31)、过渡的舵指令解算子模块(32)和可用的舵指令解算子模块(33)；
其中，所述控制解耦的舵指令解算子模块(31)用于实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
所述过渡的舵指令解算子模块(32)用于实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
所述可用的舵指令解算子模块(33)用于实时根据飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
4.根据权利要求3所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
所述控制解耦的舵指令解算子模块(31)通过下式(一)实时获得控制解耦的舵指令，
u2＝-K2x2+L2v2 (一)
其中，u2表示控制解耦的舵指令，K2表示状态反馈矩阵，L2表示前馈补偿矩阵，x2表示舵机状态空间表达式的状态变量，v2表示需用过载。
5.根据权利要求3所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
所述过渡的舵指令解算子模块(32)通过下式(二)实时获得过渡的舵指令，
y2＝C2∫(A2x2+B2u2)dt (二)
其中，y2表示过渡的舵指令，
A2、B2、C2都表示舵机***参数。
6.根据权利要求3所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
所述可用的舵指令解算子模块(33)通过下式(三)实时获得可用的舵指令，
u1＝-K1x1+L1v1 (三)
其中，优选地，u1表示可用的舵指令，K1表示状态反馈矩阵，L1表示前馈补偿矩阵，x1表示飞行器状态空间表达式的状态变量，v1表示过渡的舵指令；
优选地，所述解耦控制模块(3)与飞行器的舵机(4)相连，所述舵机(4)根据可用的舵指令打舵工作。
7.根据权利要求1所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪，其特征在于，
在旋转飞行器发射前，在模拟的飞行器轨迹中选择一定数量的不同高度、不同速度的特征点作为采样点，通过样本冲刷训练获得所述径向基神经网络模型(4)；
优选地，所述径向基神经网络模型(4)经过训练后，能够根据实时根据期望俯仰过载、期望偏航过载、旋转飞行器飞行速度和旋转飞行器飞行高度信息，输出状态反馈矩阵K1、状态反馈矩阵K2、前馈补偿矩阵L1和前馈补偿矩阵L2。
8.一种基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法，其特征在于，
该方法包括如下步骤，
步骤1，通过过载接收模块(1)接收制导***传递出的需用过载信息；
步骤2，通过飞行器参数测量模块(2)获得飞行器的飞行参数；
步骤3，通过解耦控制模块(3)根据需用过载信息和飞行器的飞行参数获得可用的舵指令；
步骤4，实时重复步骤1-3，从而实时得到可用的舵指令。
9.根据权利要求8所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法，其特征在于，
所述步骤2包括如下子步骤，
子步骤2-1，通过舵机姿态传感器(21)实时测量得到飞行器的俯仰舵偏角信息和偏航舵偏角信息，
子步骤2-2，通过舵机角速率传感器(22)实时测量得到飞行器的俯仰舵机角速率信息和偏航舵机角速率信息，
子步骤2-3，通过加速度计(23)实时测量得到飞行器的加速度信息，通过惯性陀螺(24)实时测量得到飞行器的偏航角速率信息和俯仰角速率信息，
子步骤2-4，通过估测器(25)根据所述三轴加速度信息实时估算得到飞行器的攻角和侧滑角。
10.根据权利要求8所述的基于径向基神经网络控制的自适应全解耦自动驾驶仪的解耦控制方法，其特征在于，
所述步骤3包括如下子步骤，
子步骤3-1，通过控制解耦的舵指令解算子模块(31)实时根据需用过载信息和飞行器的飞行参数获得控制解耦的舵指令；
子步骤3-2，通过过渡的舵指令解算子模块(32)实时根据飞行器的飞行参数和控制解耦的舵指令获得过渡的舵指令；
子步骤3-3，通过可用的舵指令解算子模块(33)实时根据飞行器的飞行参数和过渡的舵指令获得可用的舵指令。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295688.2A CN112286217A (zh) | 2020-11-18 | 2020-11-18 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
| PCT/CN2021/119503 WO2022105408A1 (zh) | 2020-11-18 | 2021-09-22 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
| JP2023529987A JP2023550744A (ja) | 2020-11-18 | 2021-09-22 | ラジアルベースニューラルネットワークに基づくオートパイロット及びそのデカップリング制御方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011295688.2A CN112286217A (zh) | 2020-11-18 | 2020-11-18 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112286217A true CN112286217A (zh) | 2021-01-29 |
Family
ID=74398615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011295688.2A Pending CN112286217A (zh) | 2020-11-18 | 2020-11-18 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP2023550744A (zh) |
| CN (1) | CN112286217A (zh) |
| WO (1) | WO2022105408A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064443A (zh) * | 2021-03-08 | 2021-07-02 | 北京理工大学 | 增益在线调整方法及使用其的阻尼回路控制方法 |
| WO2022105408A1 (zh) * | 2020-11-18 | 2022-05-27 | 北京理工大学 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
| CN114779826A (zh) * | 2022-06-20 | 2022-07-22 | 中国人民解放军国防科技大学 | 一种适用于非零滚转角的轴对称飞行器侧向控制方法 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116126033B (zh) * | 2023-04-19 | 2023-07-21 | 北京理工大学 | 一种图像复合飞行器制导控制方法 |
| CN116661495B (zh) * | 2023-05-30 | 2024-02-20 | 北京理工大学 | 一种飞行器近射程减速控制方法 |
| CN116700306B (zh) * | 2023-06-02 | 2024-02-27 | 北京理工大学 | 一种用于捷联导引飞行器的一体化制导控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
| CN108363305A (zh) * | 2018-03-14 | 2018-08-03 | 中国人民解放军国防科技大学 | 基于主动干扰补偿的战术导弹鲁棒过载自驾仪设计方法 |
| US20180239365A1 (en) * | 2015-08-13 | 2018-08-23 | The Board Of Regents For Oklahoma State University | Modular autopilot design and development featuring bayesian non-parametric adaptive control |
| EP3486740A1 (en) * | 2017-11-21 | 2019-05-22 | Honeywell International Inc. | Systems and methods for providing predicted mode change data for decoupled vertical navigation (vnav) and lateral navigation (lnav) autopilot operations |
| CN110081883A (zh) * | 2019-04-29 | 2019-08-02 | 北京理工大学 | 适用于高速滚转飞行器的低成本组合导航***及方法 |
| CN111324142A (zh) * | 2020-01-07 | 2020-06-23 | 湖北航天技术研究院总体设计所 | 一种导弹驾驶仪扰动补偿控制方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054612A (zh) * | 2016-06-29 | 2016-10-26 | 河南科技大学 | 一种btt导弹飞行轨迹自动控制方法 |
| FR3062730B1 (fr) * | 2017-02-08 | 2019-03-15 | Airbus Helicopters | Systeme et procede de pilotage automatique d'un aeronef, et aeronef |
| CN107491081B (zh) * | 2017-07-12 | 2020-10-27 | 西北工业大学 | 一种抗干扰四旋翼无人机姿态控制方法 |
| CN110895418B (zh) * | 2019-12-30 | 2020-12-01 | 北京理工大学 | 补偿舵机动力学滞后的低速旋转飞行器控制方法及*** |
| CN112286217A (zh) * | 2020-11-18 | 2021-01-29 | 北京理工大学 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
-
2020
- 2020-11-18 CN CN202011295688.2A patent/CN112286217A/zh active Pending
-
2021
- 2021-09-22 JP JP2023529987A patent/JP2023550744A/ja active Pending
- 2021-09-22 WO PCT/CN2021/119503 patent/WO2022105408A1/zh active Application Filing
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104049640A (zh) * | 2014-06-27 | 2014-09-17 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
| US20180239365A1 (en) * | 2015-08-13 | 2018-08-23 | The Board Of Regents For Oklahoma State University | Modular autopilot design and development featuring bayesian non-parametric adaptive control |
| EP3486740A1 (en) * | 2017-11-21 | 2019-05-22 | Honeywell International Inc. | Systems and methods for providing predicted mode change data for decoupled vertical navigation (vnav) and lateral navigation (lnav) autopilot operations |
| CN108363305A (zh) * | 2018-03-14 | 2018-08-03 | 中国人民解放军国防科技大学 | 基于主动干扰补偿的战术导弹鲁棒过载自驾仪设计方法 |
| CN110081883A (zh) * | 2019-04-29 | 2019-08-02 | 北京理工大学 | 适用于高速滚转飞行器的低成本组合导航***及方法 |
| CN111324142A (zh) * | 2020-01-07 | 2020-06-23 | 湖北航天技术研究院总体设计所 | 一种导弹驾驶仪扰动补偿控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| "滚转导弹解耦过载驾驶仪及其 BP 自适应调度法", 固体火箭技术, vol. 40, no. 06, pages 786 - 788 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022105408A1 (zh) * | 2020-11-18 | 2022-05-27 | 北京理工大学 | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 |
| CN113064443A (zh) * | 2021-03-08 | 2021-07-02 | 北京理工大学 | 增益在线调整方法及使用其的阻尼回路控制方法 |
| CN114779826A (zh) * | 2022-06-20 | 2022-07-22 | 中国人民解放军国防科技大学 | 一种适用于非零滚转角的轴对称飞行器侧向控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023550744A (ja) | 2023-12-05 |
| WO2022105408A1 (zh) | 2022-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112286217A (zh) | 基于径向基神经网络的自动驾驶仪及其解耦控制方法 | |
| Derafa et al. | Dynamic modelling and experimental identification of four rotors helicopter parameters | |
| CN108873929B (zh) | 一种固定翼飞机自主着舰方法及*** | |
| US20180290719A1 (en) | Motion control device and motion control method for ship | |
| US5259569A (en) | Roll damper for thrust vector controlled missile | |
| CN114608794B (zh) | 一种模型风洞虚拟飞行试验气动力系数测量方法 | |
| US8209069B1 (en) | Aircraft sensor anticipator system | |
| CN110895418B (zh) | 补偿舵机动力学滞后的低速旋转飞行器控制方法及*** | |
| US3946968A (en) | Apparatus and method for aerodynamic cross-coupling reduction | |
| CN102425980A (zh) | 利用加速度计实现过载驾驶仪的控制方法 | |
| CN112433532B (zh) | 考虑二阶舵机动力学的解耦自驾仪及其解耦控制方法 | |
| CN111638643B (zh) | 一种位移模式无拖曳控制动力学协调条件确定方法 | |
| CN113419431B (zh) | 一种基于事件触发的平流层飞艇轨迹跟踪控制方法及*** | |
| CN113359856B (zh) | 一种无人机指定航向目标点导引方法及*** | |
| CN112433473B (zh) | 考虑旋转飞行器耦合问题的鲁棒解耦控制***及控制方法 | |
| CN112445235A (zh) | 一种应用于高动态飞行器的滚转稳定控制方法及*** | |
| CN111538350B (zh) | 一种采用三段柔化切换实现无人机的高度全自动飞行的方法 | |
| CN115993769A (zh) | 一种用于高动态飞行器的一体化制导控制方法 | |
| US3540678A (en) | Method of and apparatus for controlling the transverse acceleration and roll damping of steerable aerodynamic bodies | |
| CN114779826B (zh) | 一种适用于非零滚转角的轴对称飞行器侧向控制方法 | |
| CN112197768B (zh) | 一种测量侧向过载的飞行器反演干扰观测转弯控制方法 | |
| CN116700306B (zh) | 一种用于捷联导引飞行器的一体化制导控制方法 | |
| CN116400723B (zh) | 一种运载火箭减载控制方法、计算设备及存储介质 | |
| JPS63259471A (ja) | 飛行速度の測定装置 | |
| CN111290418B (zh) | 一种小微飞行器无稳定回路精确微分导引方法 |
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 |