CN112965382B - 一种基于神经网络观测器非线性全局滑模无模型控制方法 - Google Patents

一种基于神经网络观测器非线性全局滑模无模型控制方法 Download PDF

Info

Publication number
CN112965382B
CN112965382B CN202110178100.3A CN202110178100A CN112965382B CN 112965382 B CN112965382 B CN 112965382B CN 202110178100 A CN202110178100 A CN 202110178100A CN 112965382 B CN112965382 B CN 112965382B
Authority
CN
China
Prior art keywords
sliding mode
model
neural network
nonlinear
global sliding
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
Application number
CN202110178100.3A
Other languages
English (en)
Other versions
CN112965382A (zh
Inventor
张广明
吕筱东
高鹏
柏志青
扈凯
杨路
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN202110178100.3A priority Critical patent/CN112965382B/zh
Publication of CN112965382A publication Critical patent/CN112965382A/zh
Application granted granted Critical
Publication of CN112965382B publication Critical patent/CN112965382B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)

Abstract

本发明公开了一种基于神经网络观测器非线性全局滑模无模型控制方法，包括，根据能量守恒定律，建立高超声速飞行器气动热地面模拟***数学模型及无模型控制的超局部模型；利用三次b样条基函数构建径向三次b样条基自适应神经网络，对所述高超声速飞行器气动热地面模拟***未知扰动进行预测；基于非线性全局滑模面削弱趋近状态下的高频切换抖振；根据滑模可达性条件建立非线性等效控制率、非线性趋近率，得到非线性全局滑模控制率。本发明保证了***初始状态就处于滑动模态，***在响应全过程中减小了抖动和稳态误差，同时在滑模面上引入跟踪误差的一次项，加快了***在滑动模态上的线性反馈增益和收敛速度，改善了动态性能。

Description

一种基于神经网络观测器非线性全局滑模无模型控制方法
技术领域
本发明涉及航空航天自动化的技术领域，尤其涉及一种基于神经网络观测器非线性全局滑模无模型控制方法。
背景技术
石英灯加热器具有热惯性小，造价低廉，可以组合成不同形状的加热器对飞行器不同的位置进行加热的特点，因此被广泛的应用到地面结构热试验中。但现如今对结构热试验的研究大多是通过数值模拟，且对石英灯加热***控制算法的精度不是很理想。因为基于石英灯加热***模型难以建立，并且建立后的整个数学模型包含非线性项、高阶项，此外石英灯加热***除了***自身存在不确定项，还包括一些外部扰动。
无模型控制的超局部模型的优点在于，降低***的阶数，简化模型，对***不确定项和外部扰动可通过观测器来观测。因此考虑将无模型控制应用到石英灯加热器的数学模型中，设计一种满足加热器性能要求的无模型控制方法。其中，iPID控制方法是一种无模型控制方法，结构简单，易于调试，但是用于调参的仅比例项、积分项、微分项，对控制***的控制精度、收敛速度，并不能达到要求。另外，滑模控制作为现代控制理论的重要分支，因为其对不确定性和干扰不敏感，考虑结合滑模的无模型控制方法作用到***中。传统的滑模控制包括趋近模态和滑动模态，趋近模态会产生高频切换的抖振现象，滑动模态会因符号函数不连续性带来振荡和超调，直接影响了整个***鲁棒性能，对于整个滑模面的设计也是需要综合考量。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于神经网络观测器非线性全局滑模无模型控制方法，能够解决现有技术无法对高超声速飞行器气动热地面模拟***观测误差进行补偿的问题。
为解决上述技术问题，本发明提供如下技术方案：根据能量守恒定律，建立高超声速飞行器气动热地面模拟***数学模型及无模型控制的超局部模型；利用三次b样条基函数构建径向三次b样条基自适应神经网络，对所述高超声速飞行器气动热地面模拟***未知扰动进行预测；基于非线性全局滑模面削弱趋近状态下的高频切换抖振；根据滑模可达性条件建立非线性等效控制率、非线性趋近率，得到非线性全局滑模控制率。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：所述高超声速飞行器气动热地面模拟***包括，非接触辐射加热器、电功率调节装置和量热传感器；根据所述能量守恒定律建立输入输出能量守恒等式，得到当前温度T1和双向晶闸管的导通角α之间的数学关系，如下，
Figure BDA0002941359900000021
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：包括，当被控对象模型是单输入单输出***时，则将所述被控对象模型转变成所述无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n一般取1或者2，u表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和***内部非线性扰动，χ表示为非物理意义的可调参数。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：包括，根据所述无模型控制的超局部模型，将所述输入输出能量守恒等式两边除以Δt并进行移项，得到所述高超声速飞行器气动热地面模拟***的数学模型，如下，
Figure BDA0002941359900000031
其中，
Figure BDA0002941359900000032
为T1对时间Δt的导数，
Figure BDA0002941359900000033
α分别对应所述无模型控制的超局部模型中的y(n)、u；而sin2α给***带来的是周期性的震动，并没有对***整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作***的高阶输出扰动，因此
Figure BDA0002941359900000034
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G，G可以通过观测器来观测。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：定义神经网络中隐含层的所述三次b样条基函数，包括，
Figure BDA0002941359900000035
其中，||x-oi||为径向距离，oi为三次b样条基函数中心向量，x为输入向量，hi为b样条基函数的宽度，
Figure BDA0002941359900000036
i、j、m、n都为正整数。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：还包括，所述径向三次b样条基自适应神经网络如下，
Figure BDA0002941359900000037
其中，W*＝arg min(G(t))是G(t)为神经网络理想权值，W*T为W*的转置，
Figure BDA0002941359900000038
为阈值；
Figure BDA0002941359900000041
Figure BDA0002941359900000042
其中，
Figure BDA0002941359900000043
为扰动的观测值，
Figure BDA0002941359900000044
为观测器误差，
Figure BDA0002941359900000045
为当前观测状态下的权值，
Figure BDA0002941359900000046
为
Figure BDA0002941359900000047
的转置。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：包括，定义输出的跟踪误差表达式如下，
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；根据所述无模型控制的超局部模型，通过闭环控制得到无模型控制器，如下，
Figure BDA0002941359900000048
其中，
Figure BDA0002941359900000049
是G的估计值，
Figure BDA00029413599000000410
是y*的一阶微分，δ(e)为iPI闭环反馈控制率，δ(e)＝Kpe(t)+Ki∫e(t)dt；为了削弱观测扰动，在所述无模型控制器上添加辅助控制器uaux，如下，
Figure BDA00029413599000000411
其中，uaux是依据非线性全局滑模控制，即非线性全局滑模面。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：所述非线性全局滑模面包括，
Figure BDA00029413599000000412
其中，
Figure BDA00029413599000000413
Figure BDA00029413599000000414
k为反馈增益，e(0)为初始误差，
Figure BDA00029413599000000415
所述滑模面s的一阶微分为：
Figure BDA00029413599000000416
其中
Figure BDA0002941359900000051
为e(t)的一阶微分。
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：获取所述滑模面s的一阶微分与所述非线性全局滑模面的数学关系，包括，
Figure BDA0002941359900000052
根据
Figure BDA0002941359900000053
得到等效控制率，如下，
Figure BDA0002941359900000054
根据滑模可达性
Figure BDA0002941359900000055
得到趋近率，如下，
Figure BDA0002941359900000056
其中，
Figure BDA0002941359900000057
g0为观测误差上界，κ为可调增益，
Figure BDA0002941359900000058
作为本发明所述的基于神经网络观测器非线性全局滑模无模型控制方法的一种优选方案，其中：还包括，联立融合所述辅助控制器、所述等效控制器和所述趋近率，得到所述高超声速飞行器气动热地面模拟***的神经网络观测器非线性全局滑模无模型控制器u(t)，
Figure BDA0002941359900000059
其中，uaux＝ueq+ucor。
本发明的有益效果：本发明针对高超声速飞行器气动热地面模拟***中存在***不确定项和外部扰动的问题，引入了无模型控制的超局部模型线性化方法对其进行降阶线性化，其次，径向三次b样条基自适应神经网络具有无限逼近任意函数的性质，设计径向三次b样条基自适应神经网络观测器，将所有的未知扰动通过径向三次b样条基自适应神经网络观测器进行实时跟踪观测，设计非线性全局滑模控制方法克服了滑模面在趋近过程中的抖振现象，保证了***初始状态就处于滑动模态，***在响应全过程中减小了抖动和稳态误差，同时在滑模面上引入跟踪误差的一次项，加快了***在滑动模态上的线性反馈增益和收敛速度，改善了动态性能。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速飞行器气动热地面模拟***工作流程示意图；
图2(a)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹三维结构示意图；
图2(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹二维尺寸示意图；
图3(a)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹攻角0°巡航的气动热有限元仿真示意图；
图3(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹攻角5°巡航的气动热有限元仿真示意图；
图3(c)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹攻角10°巡航的气动热有限元仿真示意图；
图4为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的高超声速导弹攻角0°巡航壁面平均温度采样图(a)和数据拟合图(b)、高超声速导弹攻角5°巡航壁面平均温度采样图(c)和数据拟合图(d)、高超声速导弹攻角10°巡航壁面平均温度采样图(e)和数据拟合图(f)；
图5为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的控制原理框架示意图；
图6(a)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图6(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图6(c)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图6(d)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图6(e)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图6(f)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标(1)、高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图7(a)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图7(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图；
图7(c)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图7(d)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图；
图7(e)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图7(f)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图；
图8(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角0°巡航对应的外扰下(图8a)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图8(c)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角0°巡航对应的外扰下(图8a)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图8(e)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角5°巡航对应的外扰下(图8d)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图8(f)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角5°巡航对应的外扰下(图8d)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图8(h)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角10°巡航对应的外扰下(图8g)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的输出温度曲线图；
图8(i)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标(1)，在高超声速导弹攻角10°巡航对应的外扰下(图8g)，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(2)、基于神经网络观测器线性全局滑模无模型控制方法(3)、传统PID方法(4)下的局部放大图；
图9(a)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角0°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图9(b)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角0°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角0°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图；
图9(c)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角5°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图9(d)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角5°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角5°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图；
图9(e)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角10°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的跟踪误差曲线图；
图9(f)为本发明一个实施例所述的基于神经网络观测器非线性全局滑模无模型控制方法的以高超声速导弹攻角10°巡航壁面平均温度数据拟合图为跟踪目标，在高超声速导弹攻角10°巡航对应的外扰下，高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下的局部放大图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图5，为本发明的第一个实施例，提供了一种基于神经网络观测器非线性全局滑模无模型控制方法，本发明方法基于高超声速飞行器气动热地面模拟***无模型控制的超局部模型，结合iPID、径向三次b样条基自适应神经网络、非线性全局滑模面、非线性等效控制率、非线性趋近率，设计控制器u(t)实现目标跟踪；参照图5，为本发明高超声速飞行器气动热地面模拟***基于神经网络观测器非线性全局滑模无模型控制框图，具体包括：
S1：根据能量守恒定律，建立高超声速飞行器气动热地面模拟***数学模型及无模型控制的超局部模型。其中需要说明的是，高超声速飞行器气动热地面模拟***包括：
非接触辐射加热器、电功率调节装置和量热传感器；
根据能量守恒定律建立输入输出能量守恒等式，得到当前温度T1和双向晶闸管的导通角α之间的数学关系，如下，
Figure BDA0002941359900000121
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数；
当被控对象模型是单输入单输出***时，则将被控对象模型转变成无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n一般取1或者2，u表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和***内部非线性扰动，χ表示为非物理意义的可调参数；
根据无模型控制的超局部模型，将输入输出能量守恒等式两边除以Δt并进行移项，得到高超声速飞行器气动热地面模拟***的数学模型，如下，
Figure BDA0002941359900000131
其中，
Figure BDA0002941359900000132
为T1对时间Δt的导数，
Figure BDA0002941359900000133
α分别对应无模型控制的超局部模型中的y(n)、u；而sin2α给***带来的是周期性的震动，并没有对***整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作***的高阶输出扰动，因此
Figure BDA0002941359900000134
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G，G可以通过观测器来观测。
S2：利用三次b样条基函数构建径向三次b样条基自适应神经网络，对高超声速飞行器气动热地面模拟***未知扰动进行预测。本步骤需要说明的是，定义神经网络中隐含层的三次b样条基函数，包括：
Figure BDA0002941359900000135
其中，||x-oi||为径向距离，oi为三次b样条基函数中心向量，x为输入向量，hi为b样条基函数的宽度，
Figure BDA0002941359900000141
i、j、m、n都为正整数；
径向三次b样条基自适应神经网络如下，
Figure BDA0002941359900000142
其中，W*＝arg min(G(t))是G(t)为神经网络理想权值，W*T为W*的转置，
Figure BDA0002941359900000143
为阈值；
Figure BDA0002941359900000144
Figure BDA0002941359900000145
其中，
Figure BDA0002941359900000146
为扰动的观测值，
Figure BDA0002941359900000147
为观测器误差，
Figure BDA0002941359900000148
为当前观测状态下的权值，
Figure BDA0002941359900000149
为
Figure BDA00029413599000001410
的转置；
定义输出的跟踪误差表达式如下，
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；
根据无模型控制的超局部模型，通过闭环控制得到无模型控制器，如下，
Figure BDA00029413599000001411
其中，
Figure BDA00029413599000001412
是G的估计值，
Figure BDA00029413599000001413
是y*的一阶微分，δ(e)为iPI闭环反馈控制率，δ(e)＝Kpe(t)+Ki∫e(t)dt；
为了削弱观测扰动，在无模型控制器上添加辅助控制器uaux，如下，
Figure BDA00029413599000001414
其中，uaux是依据非线性全局滑模控制，即非线性全局滑模面。
S3：基于非线性全局滑模面削弱趋近状态下的高频切换抖振。其中还需要说明的是，非线性全局滑模面包括：
Figure BDA00029413599000001415
其中，
Figure BDA0002941359900000151
Figure BDA0002941359900000152
k为反馈增益，e(0)为初始误差，
Figure BDA0002941359900000153
滑模面s的一阶微分为：
Figure BDA0002941359900000154
其中
Figure BDA0002941359900000155
为e(t)的一阶微分。
S4：根据滑模可达性条件建立非线性等效控制率、非线性趋近率，得到非线性全局滑模控制率。本步骤还需要说明的是，获取滑模面s的一阶微分与非线性全局滑模面的数学关系，包括：
Figure BDA0002941359900000156
根据
Figure BDA0002941359900000157
得到等效控制率，如下，
Figure BDA0002941359900000158
根据滑模可达性
Figure BDA0002941359900000159
得到趋近率，如下，
Figure BDA00029413599000001510
其中，
Figure BDA00029413599000001511
g0为观测误差上界，κ为可调增益，
Figure BDA00029413599000001512
联立融合辅助控制器、等效控制器和趋近率，得到高超声速飞行器气动热地面模拟***的神经网络观测器非线性全局滑模无模型控制器u(t)，
Figure BDA0002941359900000161
其中，uaux＝ueq+ucor。
进一步的，建立Lyapunov稳定性判据表达式，验证基于神经网络观测器非线性全局滑模无模型控制方法的收敛性，包括：
Figure BDA0002941359900000162
其中，
Figure BDA0002941359900000163
为权值估计误差，
Figure BDA0002941359900000164
为神经网络调参增益；
Figure BDA0002941359900000165
Figure BDA0002941359900000171
其中，
Figure BDA0002941359900000172
满足
Figure BDA0002941359900000173
参照图1，高超声速飞行器气动热地面模拟***工作流程主要包括以下步骤：
(1)高超声速飞行器气动热数据采集：对高超声速导弹部分，通过给定飞行环境和壁面材料型号对其进行有限元数值模拟；采集每一时刻导弹壁面的平均温度，对采样数据进行线性拟合，作为整个高超声速飞行器气动热地面模拟***的期望输出值，即目标值，为了和实际控制器输出值进行对比。
(2)高超声速飞行器气动热地面模拟控制***：设计控制器对石英灯加热***进行控制；将目标值加载到控制板中，通过控制板改变双向晶闸管的导通角α进而改变输出电压U，不同的输出电压U值对应不同的石英灯加热***电功率P，通过传感器获得石英灯加热器输出的实际温度T1，与目标值对比得到跟踪误差e，再通过闭环反馈给控制器进行调节双向晶闸管的导通角α，最终达到跟踪控制。
(3)地面模拟试验反馈：石英灯加热器对试件进行加热试验，再通过对试件的性能进行检测，分析材料的可行性，选定材料，若不可以就更换材料再次经过第一步操作，从而优化热防护***设计。
参照图2，是有限元仿真所绘制的高超声速导弹，导弹的具体参数为：总长7600mm，弹体长4270mm，弹体直径1168.4mm，制导部分夹角7°，导引头半径30mm，夹角12.84°，飞行环境为高度32km，速度为6.0马赫数，攻角0°、5°、10°巡航。
参照图4(b)，为高超声速导弹攻角0°巡航壁面平均温度数据拟合图，拟合曲线如下，
y*＝1.848*10-5t8-0.001497t7+0.04917t6-0.8402t5+7.977t4-41.34t3+93.82t2+151t+287.4
参照图4(d)，为高超声速导弹攻角5°巡航壁面平均温度数据拟合图，拟合曲线如下，
y*＝4.245*10-6t8-0.0003529t7+0.01254t6-0.2542t5+3.268t4-26.24t3+102.8t2+62.74t+287.5
参照图4(f)，为高超声速导弹攻角10°巡航壁面平均温度数据拟合图，拟合曲线如下，
y*＝-1.448*10-7t8+1.835*10-5t7-0.0005538t6-0.003846t5+0.4455t4-7.239t3+30.19t2+194.6t+289.1
参照图5，是高超声速飞行器气动热地面模拟***基于神经网络观测器非线性全局滑模无模型控制框图是对图1的第二步高超声速飞行器气动热地面模拟控制***的进一步的说明，过程如下：首先误差e通过PID控制器的比例、积分、微分环节；并伴随径向三次b样条基自适应神经网络观测器对所有的未知扰动G进行实时跟踪观测；其次通过非线性全局滑模面、非线性等效控制率、非线性趋近率，实现对***观测误差的补偿，最终构成控制器u(t)。
优选的，本实施例还需要说明的是，与现有技术相比，本发明公开了一种基于神经网络观测器非线性全局滑模无模型控制方法，旨在通过采用基于神经网络观测器非线性全局滑模无模型控制方法实现对目标跟踪，用三次b样条基函数设计径向三次b样条基自适应神经网络实现对***未知扰动的估计，再通过非线性全局滑模无模型控制算法消除观测误差和削弱趋近状态下的高频切换抖振现象，从而保证高超声速飞行器气动热地面模拟***的动态控制性能；其中，基于高超声速飞行器气动热地面模拟***无模型控制的超局部模型，实现对***进行降阶线性化处理；结合iPID、径向三次b样条基自适应神经网络，实现对***扰动的实时观测估计；利用非线性全局滑模面、非线性等效控制率、非线性趋近率，实现对***观测误差的补偿，从而达到控制精度。
实施例2
参照图6～图9，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于神经网络观测器非线性全局滑模无模型控制方法的测试对比，包括：
本实施例中以高超声速导弹攻角0°、5°、10°巡航壁面平均温度数据拟合图为跟踪目标，采用高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下分别对高超声速飞行器气动热地面模拟***的输出温度和跟踪误差进行实时测量对比。
测试环境：将高超声速飞行器气动热地面模拟***运行在仿真平台模拟跟踪期望目标曲线(图4b、4d、4f)，分别利用高超声速飞行器气动热地面模拟***在基于神经网络观测器非线性全局滑模无模型控制方法(1)、基于神经网络观测器线性全局滑模无模型控制方法(2)、传统PID方法(3)下进行测试并获得测试结果数据；三者都将在开启自动化测试设备并运用MATLB软件编程实现对比方法的仿真测试，根据试验结果得到仿真数据，每种方法各测试12组数据，每组数据采样15s，计算获得每组数据输入温度和跟踪误差，与仿真模拟输入的期望目标温度进行对比计算误差。
参照图8和图9，其中，外扰动为时变电阻R：
R＝3.08×(1+0.0045y*)
根据对应的不同攻角巡航输出的y*。
基于神经网络观测器线性全局滑模无模型控制方法(2)：
Figure BDA0002941359900000191
具体实施例各项参数设置如下所示：
表1：高超声速飞行器气动热地面模拟***参数表。
Figure BDA0002941359900000192
Figure BDA0002941359900000201
表2：基于神经网络观测器非线性全局滑模无模型控制方法数据表。
Figure BDA0002941359900000202
表3：基于神经网络观测器线性全局滑模无模型控制方法参数表。
Figure BDA0002941359900000203
表4：PID控制方法参数表。
Figure BDA0002941359900000204
其中，h8＝[1 2 5 8 1 3 6 2]，
Figure BDA0002941359900000205
参照图6a、6c、6e，可以看出，三种方法都可以有效地跟踪高超声速导弹不同攻角巡航的壁面平均温度数据拟合曲线，曲线(2)的贴合度最好，在时间0～0.2s时，曲线(3)和曲线(4)与目标曲线存在一定的差距。
参照图7，可以看出，曲线(3)具有较大的超调量，且存在最大的稳态误差，曲线(2)存在的一定的稳态误差，且后期抖振现象较为明显，曲线(1)稳态误差最小，前期超调量较小，抖振现象小于曲线(2)。
参照图8，可以看出，在对应的外扰下，三种方法都可以有效地跟踪高超声速导弹不同攻角巡航的壁面平均温度数据拟合曲线，曲线(2)的贴合度最好，在时间0～0.2s时，曲线(3)和曲线(4)与目标曲线存在一定的差距。
参照图9，可以看出，在对应的外扰下，曲线(3)存在较大的超调量，且存在一定的稳态误差，快速性也较差，直到5s才达到稳定状态，曲线(2)存在稳态误差，且伴随有较大的抖振现象，曲线(1)的快速性较好，且稳态误差最小，控制精度最高。
基于上述分析，本发明的控制方法从稳态误差、快速性、超调量、控制精度4个方面均优于其它2种方法，得益于本发明一种基于神经网络观测器非线性全局滑模无模型控制方法，结合iPID、径向三次b样条基自适应神经网络，实现对***扰动的实时观测估计，利用非线性全局滑模面、非线性等效控制率、非线性趋近率，实现对***观测误差的补偿，从而达到控制精度。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种基于神经网络观测器非线性全局滑模无模型控制方法，其特征在于：包括，
根据能量守恒定律，建立高超声速飞行器气动热地面模拟***数学模型及无模型控制的超局部模型；
包括，
当被控对象模型是单输入单输出***时，则将所述被控对象模型转变成所述无模型控制的超局部模型，如下，
y(n)＝G+χu(t)
其中，y(n)表示为输出量y对时间t的n阶导数，n取1或者2，u(t)表示为输入量，G表示为所有未知扰动的集合，既包含了外界扰动和***内部非线性扰动，χ表示为非物理意义的可调参数；
包括，
根据所述无模型控制的超局部模型，将输入输出能量守恒等式两边除以Δt并进行移项，得到所述高超声速飞行器气动热地面模拟***的数学模型，如下，
Figure FDA0003306595350000011
其中，
Figure FDA0003306595350000014
为T1对时间Δt的导数，
Figure FDA0003306595350000012
α分别对应所述无模型控制的超局部模型中的y(n)、u；而sin2α给***带来的是周期性的震动，并没有对***整体的收敛产生影响，含有sin2α的项可以看作输入扰动，AεσFT1 4可以看作***的高阶输出扰动，因此
Figure FDA0003306595350000013
可以看作既包含输入扰动又包含输出扰动的全部扰动之和，对应于超局部模型的G，G可以通过观测器来观测；
利用三次b样条基函数构建径向三次b样条基自适应神经网络，对所述高超声速飞行器气动热地面模拟***未知扰动进行预测；
定义神经网络中隐含层的所述三次b样条基函数，包括，
Figure FDA0003306595350000021
其中，||x-oi||为径向距离，oi为三次b样条基函数中心向量，x为输入向量，hi为b样条基函数的宽度，
Figure FDA0003306595350000023
i、j、m、n都为正整数，e为跟踪误差，
Figure FDA0003306595350000024
为跟踪误差的一阶导数；
还包括，
所述径向三次b样条基自适应神经网络如下，
Figure FDA0003306595350000025
其中，W*＝argmin(G(t))是G(t)为神经网络理想权值，W*T为W*的转置，
Figure FDA0003306595350000026
为阈值；
Figure FDA0003306595350000027
Figure FDA0003306595350000028
其中，
Figure FDA0003306595350000029
为扰动的观测值，
Figure FDA00033065953500000210
为观测器误差，
Figure FDA00033065953500000211
为当前观测状态下的权值，
Figure FDA00033065953500000212
为
Figure FDA00033065953500000213
的转置；
包括，
定义输出的跟踪误差表达式如下，
e(t)＝y*-y
其中，e为跟踪误差，y*为输出目标；
根据所述无模型控制的超局部模型，通过闭环控制得到无模型控制器，如下，
Figure FDA00033065953500000214
其中，
Figure FDA0003306595350000031
是G的估计值，
Figure FDA0003306595350000032
是y*的一阶微分，δ(e)为iPI闭环反馈控制率，δ(e)＝Kpe(t)+Ki∫e(t)dt，χ表示为非物理意义的可调参数；
为了削弱观测扰动，在所述无模型控制器上添加辅助控制器uaux，如下，
Figure FDA0003306595350000033
其中，uaux是依据非线性全局滑模控制，即非线性全局滑模面；
基于非线性全局滑模面削弱趋近状态下的高频切换抖振；
根据滑模可达性条件建立非线性等效控制率、非线性趋近率，得到非线性全局滑模控制率；
所述非线性全局滑模面包括，
Figure FDA0003306595350000034
其中，
Figure FDA0003306595350000035
k为反馈增益，e(0)为初始误差，
Figure FDA0003306595350000036
所述滑模面s的一阶微分为：
Figure FDA0003306595350000037
其中
Figure FDA0003306595350000038
为e(t)的一阶微分；
获取所述滑模面s的一阶微分与所述非线性全局滑模面的数学关系，包括，
Figure FDA0003306595350000039
根据
Figure FDA00033065953500000310
得到等效控制率，如下，
Figure FDA00033065953500000311
根据滑模可达性
Figure FDA0003306595350000041
得到趋近率，如下，
Figure FDA0003306595350000042
其中，
Figure FDA0003306595350000043
g0为观测误差上界，χ表示为非物理意义的可调参数，κ为可调增益，
Figure FDA0003306595350000044
还包括，
联立融合所述辅助控制器、等效控制器和所述趋近率，得到所述高超声速飞行器气动热地面模拟***的神经网络观测器非线性全局滑模无模型控制器u(t)，
Figure FDA0003306595350000045
其中，uaux＝ueq+ucor，uaux表示辅助控制器，ueq表示等效控制器，ucor表示趋近率。
2.根据权利要求1所述的基于神经网络观测器非线性全局滑模无模型控制方法，其特征在于：所述高超声速飞行器气动热地面模拟***包括，非接触辐射加热器、电功率调节装置和量热传感器；
根据所述能量守恒定律建立输入输出能量守恒等式，得到当前温度T1和双向晶闸管的导通角α之间的数学关系，如下，
Figure FDA0003306595350000046
其中，等式左边UI为输入电压即电源两端电压，R为非接触辐射加热器的电阻之和，α为双向晶闸管的导通角，等式右边分别为用于非接触辐射加热器自身消耗的内能、对流换热过程中损失的热能、热传导过程中损失的热能、热辐射效应输出的热能，c、m、T1、T0、A、ε、Δt分别为非接触辐射加热器的比热容、质量、当前温度、初始温度、表面积、黑度系数、工作时间，β、λ、σ、F分别为对流换热系数、导热系数、斯蒂芬-玻尔兹曼常数、角系数。
CN202110178100.3A 2021-02-08 2021-02-08 一种基于神经网络观测器非线性全局滑模无模型控制方法 Active CN112965382B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110178100.3A CN112965382B (zh) 2021-02-08 2021-02-08 一种基于神经网络观测器非线性全局滑模无模型控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110178100.3A CN112965382B (zh) 2021-02-08 2021-02-08 一种基于神经网络观测器非线性全局滑模无模型控制方法

Publications (2)

Publication Number Publication Date
CN112965382A CN112965382A (zh) 2021-06-15
CN112965382B true CN112965382B (zh) 2021-12-17

Family

ID=76284520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110178100.3A Active CN112965382B (zh) 2021-02-08 2021-02-08 一种基于神经网络观测器非线性全局滑模无模型控制方法

Country Status (1)

Country Link
CN (1) CN112965382B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113495486B (zh) * 2021-08-06 2023-11-24 南京工业大学 一种结构热试验基于扩展状态观测器的模型预测控制方法
CN114123820A (zh) * 2021-11-30 2022-03-01 上海电力大学 基于BP神经网络和分数阶PI的Vienna整流器控制方法
CN114371623B (zh) * 2022-01-10 2022-12-23 南京工业大学 一种结构热试验神经网络观测器分数阶全局滑模控制方法
CN116721134B (zh) * 2023-08-10 2023-10-10 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种无特征目标的跟踪***及其方法
CN117291230B (zh) * 2023-11-23 2024-03-08 湘江实验室 一种状态闭合的Hammerstein非线性***混合辨识方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106406102B (zh) * 2016-12-20 2019-06-11 哈尔滨工业大学 一种含干扰观测器的高超声速飞行器跟踪控制方法
CN109343549A (zh) * 2018-10-09 2019-02-15 北京航空航天大学 一种飞行器姿态控制方法、***、介质及设备
CN110601628A (zh) * 2019-08-30 2019-12-20 北方工业大学 一种基于扩张状态观测器的无模型预测电流控制方法
CN111459051B (zh) * 2020-04-23 2023-05-12 河北工业大学 一种带扰动观测器的离散终端滑模无模型控制方法
CN111865169B (zh) * 2020-07-21 2022-02-11 南京航空航天大学 一种超声电机伺服***的无模型积分滑模控制方法

Also Published As

Publication number Publication date
CN112965382A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112965382B (zh) 一种基于神经网络观测器非线性全局滑模无模型控制方法
CN112987569B (zh) 一种扰动上界自适应分数阶全局终端滑模无模型控制方法
CN112987566B (zh) 一种气动热的超螺旋非线性分数阶滑模无模型控制方法
CN109883660B (zh) 一种热模拟试验控制方法
CN112965384B (zh) 一种自适应神经网络全局非奇异快速终端滑模无模型方法
CN108803336B (zh) 一种航空发动机自适应lqg/ltr控制器设计方法
CN112965364B (zh) 一种高超声速飞行器气动热地面模拟***建模及iPID方法
CN113625564B (zh) 一种结构热试验基于***模型的滑模控制方法
CN112859617B (zh) 一种iPI无模型自适应全局非奇异快速终端滑模控制方法
CN113495486B (zh) 一种结构热试验基于扩展状态观测器的模型预测控制方法
Zhou Model reduction for nonlinear dynamical systems with parametric uncertainties
CN115236975B (zh) 一种导弹气动热地面有限元分析及ipd非线性滑模控制方法
CN114706295A (zh) 用于空天飞机强度测试的热试验中快时变热载荷控制方法
CN113900373B (zh) 一种结构热试验的全局非奇异快速终端滑模控制方法
González et al. Loop-Separation Control for Very Flexible Aircraft
CN114371623B (zh) 一种结构热试验神经网络观测器分数阶全局滑模控制方法
Videcoq et al. Parametric investigation of Linear Quadratic Gaussian and Model Predictive Control approaches for thermal regulation of a high precision geometric measurement machine
Rauh et al. Verification and experimental validation of flatness-based control for distributed heating systems
CN113065201A (zh) 一种考虑滑移修正的辐射平衡温度计算方法
Pu et al. Vertical manoeuvring and rotor speed robust control for mini-helicopter
Gao et al. Research on a dual-closed-loop temperature control method and system based on dual sensors for infrared object simulation
Grigorie et al. Design and experimental validation of a combined PI and Bi-positional laws controller for delaying the transition from laminar flow to turbulent flow over a morphing wing
Bai et al. Model Predictive Control of Aerodynamic Heat Simulation Heating System with Discrete-time Linear Extended State Observer
Dickeson et al. Impact of plume modeling on the design and control for a class of air-breathing hypersonic vehicles
Lv et al. Global Nonsingular Fast Terminal Sliding Mode Control of Aerodynamic Heat Simulation Heating System Based on Linear Extended State Observer

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