CN113031449A - 面向气动未知的宽域飞行智能反步切换控制方法 - Google Patents

面向气动未知的宽域飞行智能反步切换控制方法 Download PDF

Info

Publication number
CN113031449A
CN113031449A CN202110335388.0A CN202110335388A CN113031449A CN 113031449 A CN113031449 A CN 113031449A CN 202110335388 A CN202110335388 A CN 202110335388A CN 113031449 A CN113031449 A CN 113031449A
Authority
CN
China
Prior art keywords
neural network
wide
switching
unknown
designing
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
Application number
CN202110335388.0A
Other languages
English (en)
Other versions
CN113031449B (zh
Inventor
许斌
程怡新
尤明
戴磊
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.)
Northwestern Polytechnical University
Shenyang Aircraft Design and Research Institute Aviation Industry of China AVIC
Original Assignee
Northwestern Polytechnical University
Shenyang Aircraft Design and Research Institute Aviation Industry of China AVIC
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 Northwestern Polytechnical University, Shenyang Aircraft Design and Research Institute Aviation Industry of China AVIC filed Critical Northwestern Polytechnical University
Priority to CN202110335388.0A priority Critical patent/CN113031449B/zh
Publication of CN113031449A publication Critical patent/CN113031449A/zh
Application granted granted Critical
Publication of CN113031449B publication Critical patent/CN113031449B/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
    • 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)
  • 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

本发明涉及一种面向气动未知的宽域飞行智能反步切换控制方法，用于解决现有宽域飞行切换控制方法实用性差的技术问题。技术方案是考虑存在气动参数不确定性的宽域飞行多模态切换***，基于反步法技术框架设计稳定模态的切换控制器；引入一阶滤波器处理虚拟控制量，解决复杂度***问题；使用神经网络智能***逼不确定，基于平行估计模型构造表征不确定估计性能好坏的预测误差，利用预测误差对神经网络权重更新律进行调节；基于惯性环节设计过渡模态控制器，保证多模态控制器的软切换；本发明结合飞行器宽域飞行多模态过程特点，通过设计面向气动未知的宽域飞行智能反步切换控制有效提升了不确定估计精度，实现控制的平滑切换，保证了飞行安全性。

Description

面向气动未知的宽域飞行智能反步切换控制方法
技术领域
本发明属于飞行控制领域，涉及一种飞行器控制方法，特别是涉及一种面向气动未知的宽域飞行智能反步切换控制方法。
背景技术
随着航空航天技术的快速发展，飞行器的包线越来越宽，使得飞行器从地面水平起飞并进行宽域飞行成为了可能。飞行器在宽域爬升过程中，速度不断增加至高超声速，将在远程快速运输、太空旅行、全球快速打击等方面发挥重要作用。
宽域飞行过程中，飞行器可能面临不同的动力模式、气动构型和飞行任务，导致存在多种飞行模态。多模态是飞行器宽域爬升过程的普遍特性，需要针对不同模态建立不同的模型并设计不同的控制器，因此飞行器宽域爬升过程是多模态飞行控制器的切换过程，设计多模态切换控制器保证模态间的顺利切换至关重要。宽域爬升飞行器自身具有强非线性特性，同时大包络飞行环境十分复杂，导致飞行器气动参数未知且存在强不确定性，严重影响飞行安全，需要在切换控制中考虑不确定性的影响。现有控制方法多采用神经网络或模糊逻辑等智能***逼近不确定性，这些控制方法只考虑了智能***的逼近作用，忽视了智能估计策略的本质，没有对不确定性估计效果进行有效评价，鲁棒性较差，不利于工程实现。因此研究面向不确定估计效果增强的先进切换控制方法对于宽域飞行切换***控制研究意义重大且有着迫切需求。
发明内容
要解决的技术问题
为了克服现有宽域飞行切换***控制方法实用性差的不足，本发明提供一种面向气动未知的宽域飞行智能反步切换控制方法。
技术方案
一种面向气动未知的宽域飞行智能反步切换控制方法，其特征在于步骤如下：
步骤1：考虑一类宽域爬升飞行器，将姿态子***写为如下多输入多输出切换***
Figure BDA0002997378450000021
其中，三通道姿态角X1＝[θ ψ φ]T和姿态角速度X2＝[ωx ωy ωz]T是状态变量，θ，ψ，φ，ωx，ωy和ωz分别是俯仰角、偏航角、滚转角、滚转角速度、偏航角速度和俯仰角速度；fi,σ(t),i＝1,2是未知平滑函数，gi,σ(t),i＝1,2是已知非零平滑函数；uσ(t)＝[δx,σ(t)δy,σ(t) δz,σ(t)]T是控制输入，δi,σ(t),i＝x,y,z分别是滚转舵偏、偏航舵偏和俯仰舵偏，y是***输出；函数σ(t):[0,∞)→M＝{1,2,…,m}是切换信号，m等于划分的稳定模态个数，且σ(t)＝k时表示第k个子***是激活的；
步骤2：针对非线性切换***(1)，基于反步法控制框架设计智能自适应切换控制器；
第1步：
定义跟踪误差
Figure BDA0002997378450000022
其中
Figure BDA0002997378450000023
是三通道姿态参考指令；
对于未知函数f1,k，用神经网络来逼近
Figure BDA0002997378450000024
其中，
Figure BDA0002997378450000025
是神经网络最优权重矩阵，θ1,k是神经网络基函数矩阵，ε1,k是神经网络残差矩阵；
则f1,k的估计值可写为
Figure BDA0002997378450000026
其中，
Figure BDA0002997378450000027
是神经网络最优权重矩阵估计值；
则X1的导数可写为
Figure BDA0002997378450000031
其中，
Figure BDA0002997378450000032
设计虚拟控制量
Figure BDA0002997378450000033
为
Figure BDA0002997378450000034
其中，β1,k是正的设计参数；
引入如下的一阶滤波器，可得新的状态变量
Figure BDA0002997378450000035
为
Figure BDA0002997378450000036
其中，
Figure BDA0002997378450000037
α2是正的时间常数；
设计滤波器补偿信号z1为
Figure BDA0002997378450000038
其中，z1(0)＝0，z2可从后面得到；
定义补偿跟踪误差v1为
v1＝e1-z1 (8)
构造预测误差z1NN为
Figure BDA0002997378450000039
其中，
Figure BDA00029973784500000310
可由如下的平行估计模型得到
Figure BDA00029973784500000311
其中，
Figure BDA00029973784500000312
λ1,k是正的设计参数；
设计神经网络权重更新律为
Figure BDA00029973784500000313
其中，γ1,k，γz1,k和δ1,k是正的设计参数；
第2步：
定义输出跟踪误差
Figure BDA00029973784500000314
对于未知函数f2,k，用神经网络来逼近
Figure BDA0002997378450000041
其中，
Figure BDA0002997378450000042
是神经网络最优权重矩阵，θ2,k是神经网络基函数矩阵，ε2,k是神经网络残差矩阵；
则f2,k的估计值可写为
Figure BDA0002997378450000043
其中，
Figure BDA0002997378450000044
是神经网络最优权重矩阵估计值；
则X2的导数可写为
Figure BDA0002997378450000045
其中，
Figure BDA0002997378450000046
设计控制器uk为
Figure BDA0002997378450000047
其中，β2,k是正的设计参数；
设计滤波器补偿信号z2为
Figure BDA0002997378450000048
其中，z2(0)＝0；
定义补偿跟踪误差v2
v2＝e2-z2 (17)
构造预测误差z2NN为
Figure BDA0002997378450000049
其中，
Figure BDA00029973784500000410
可由如下的平行估计模型得到
Figure BDA00029973784500000411
其中，
Figure BDA00029973784500000412
λ2,k是正的设计参数；
设计神经网络权重更新律为
Figure BDA0002997378450000051
其中，γ2,k，γz2,k和δ2,k是正的设计参数；
步骤3：通过步骤2可得到飞行器宽域爬升过程中各稳定模态对应的控制器，为了实现模态之间的平滑过渡，在过渡模态设计基于惯性环节的软切换控制，则总切换控制策略如下
Figure BDA0002997378450000052
其中，uA(t)和uB(t)是稳定模态控制器uk中任意两个相邻模态对应的控制器，t0和t1分别是过渡模态的起始时刻和结束时刻，e是自然常数，a是正的惯性淡化系数；
步骤4：根据步骤3中得到的控制量U(t)，返回到***模型(1)，对***输出y进行跟踪控制。
一种计算机***，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现上述的方法。
有益效果
本发明提出的一种面向气动未知的宽域飞行智能反步切换控制方法。该方法考虑飞行器宽域爬升过程存在的不确定性，利用神经网络智能***逼近不确定性，基于反步法框架设计了稳定模态切换控制器；引入一阶滤波器解决复杂度***问题，构建平行估计模型实现神经网络估计效果的在线评价；进一步利用惯性环节设计了过渡模态控制器，综合稳定模态控制器和过渡模态控制器实现了软切换控制，提升了控制器鲁棒性，便于工程实现。具体有益效果如下：
(1)针对飞行器宽域飞行多模态过程，面向气动未知设计了切换控制器，有助于实现大包络飞行；
(2)基于平行估计模型构造了标准不确定估计效果的预测误差，基于该误差设计神经网络权重更新律，提高不确定性估计精度，便于工程应用；
(3)考虑飞行过程存在过渡模态，基于惯性环节设计过渡模态控制器，实现控制器的软切换，防止控制输入发生跳变，保证了安全性。
附图说明
图1为本发明实施流程图。
具体实施方式
现结合实施例、附图对本发明作进一步描述：
参照图1，本发明面向气动未知的宽域飞行智能反步切换控制方法具体步骤如下：
步骤1：考虑一类火箭基组合循环(Rocket based combined cycle，RBCC)空天飞行器，其宽域爬升过程可划分为引射模态、亚燃冲压模态、超燃冲压模态和火箭模态4个稳定模态。
将RBCC空天飞行器姿态子***写为如下多输入多输出切换***
Figure BDA0002997378450000061
其中，三通道姿态角X1＝[θ ψ φ]T和姿态角速度X2＝[ωx ωy ωz]T是状态变量，θ，ψ，φ，ωx，ωy和ωz分别是俯仰角、偏航角、滚转角、滚转角速度、偏航角速度和俯仰角速度；uσ(t)＝[δx,σ(t) δy,σ(t) δz,σ(t)]T是控制输入，δi,σ(t),i＝x,y,z分别是滚转舵偏、偏航舵偏和俯仰舵偏，y是***输出；σ(t)∈{1,2,3,4}为切换信号，依次对应引射模态、亚燃冲压模态、超燃冲压模态和火箭模态；
非线性函数如下所示：
f1,σ(t)＝0
Figure BDA0002997378450000071
Figure BDA0002997378450000072
Figure BDA0002997378450000073
其中，Ji,i＝x,y,z分别为x，y和z方向转动惯量；q为动压，S＝334.73m2为参考面积；Lb＝18.288m分别为侧向，Lc＝24.384m为纵向参考长度；α为攻角，β为侧滑角；
Figure BDA0002997378450000075
j＝α,β,δx,δy,δz,ωx,ωy,ωz为气动力系数，Δ项包括了参数、模型不确定性以及线性化误差；
步骤2：针对非线性切换***(1)，基于反步法控制框架设计智能自适应切换控制器；
第1步：
定义跟踪误差
Figure BDA0002997378450000074
其中
Figure BDA0002997378450000076
是三通道姿态参考指令；
对于未知函数f1,k，用神经网络来逼近
Figure BDA0002997378450000081
其中，
Figure BDA0002997378450000082
是神经网络最优权重矩阵，θ1,k是神经网络基函数矩阵，ε1,k是神经网络残差矩阵；
则f1,k的估计值可写为
Figure BDA0002997378450000083
其中，
Figure BDA0002997378450000084
是神经网络最优权重矩阵估计值；
则X1的导数可写为
Figure BDA0002997378450000085
其中，
Figure BDA0002997378450000086
设计虚拟控制量
Figure BDA0002997378450000087
为
Figure BDA0002997378450000088
其中，β1,k是正的设计参数；
引入如下的一阶滤波器，可得新的状态变量
Figure BDA0002997378450000089
为
Figure BDA00029973784500000810
其中，
Figure BDA00029973784500000811
α2是正的时间常数；
设计滤波器补偿信号z1为
Figure BDA00029973784500000812
其中，z1(0)＝0，z2可从后面得到；
定义补偿跟踪误差v1为
v1＝e1-z1 (8)
构造预测误差z1NN为
Figure BDA00029973784500000813
其中，
Figure BDA00029973784500000814
可由如下的平行估计模型得到
Figure BDA0002997378450000091
其中，
Figure BDA0002997378450000092
λ1,k是正的设计参数；
设计神经网络权重更新律为
Figure BDA0002997378450000093
其中，γ1,k，γz1,k和δ1,k是正的设计参数；
第2步：
定义输出跟踪误差
Figure BDA0002997378450000094
对于未知函数f2,k，用神经网络来逼近
Figure BDA0002997378450000095
其中，
Figure BDA0002997378450000096
是神经网络最优权重矩阵，θ2,k是神经网络基函数矩阵，ε2,k是神经网络残差矩阵；
则f2,k的估计值可写为
Figure BDA0002997378450000097
其中，
Figure BDA0002997378450000098
是神经网络最优权重矩阵估计值；
则X2的导数可写为
Figure BDA0002997378450000099
其中，
Figure BDA00029973784500000910
设计控制器uk为
Figure BDA00029973784500000911
其中，β2,k是正的设计参数；
设计滤波器补偿信号z2为
Figure BDA00029973784500000912
其中，z2(0)＝0；
定义补偿跟踪误差v2
v2＝e2-z2 (17)
构造预测误差z2NN为
Figure BDA0002997378450000101
其中，
Figure BDA0002997378450000102
可由如下的平行估计模型得到
Figure BDA0002997378450000103
其中，
Figure BDA0002997378450000104
λ2,k是正的设计参数；
设计神经网络权重更新律为
Figure BDA0002997378450000105
其中，γ2,k，γz2,k和δ2,k是正的设计参数；
步骤3：通过步骤2可以得到飞行器宽域爬升过程中各稳定模态对应的控制器，为了实现模态之间的平滑过渡，在过渡模态设计基于惯性环节的软切换控制，则总切换策略如下
Figure BDA0002997378450000106
其中，uA(t)和uB(t)是稳定模态控制器uk中任意两个相邻模态对应的控制器，t0和t1分别是过渡模态的起始时刻和结束时刻，e是自然常数，a是正的惯性淡化系数；
步骤4：根据步骤3中得到的控制量U(t)，返回到***模型(1)，对***输出y进行跟踪控制。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明公开的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种面向气动未知的宽域飞行智能反步切换控制方法，其特征在于步骤如下：
步骤1：考虑一类宽域爬升飞行器，将姿态子***写为如下多输入多输出切换***
Figure FDA0002997378440000011
其中，三通道姿态角X1＝[θ ψ φ]T和姿态角速度X2＝[ωx ωy ωz]T是状态变量，θ，ψ，φ，ωx，ωy和ωz分别是俯仰角、偏航角、滚转角、滚转角速度、偏航角速度和俯仰角速度；fi,σ(t),i＝1,2是未知平滑函数，gi,σ(t),i＝1,2是已知非零平滑函数；uσ(t)＝[δx,σ(t) δy,σ(t)δz,σ(t)]T是控制输入，δi,σ(t),i＝x,y,z分别是滚转舵偏、偏航舵偏和俯仰舵偏，y是***输出；函数σ(t):[0,∞)→M＝{1,2,…,m}是切换信号，m等于划分的稳定模态个数，且σ(t)＝k时表示第k个子***是激活的；
步骤2：针对非线性切换***(1)，基于反步法控制框架设计智能自适应切换控制器；
第1步：
定义跟踪误差
Figure FDA0002997378440000012
其中
Figure FDA0002997378440000013
是三通道姿态参考指令；
对于未知函数f1,k，用神经网络来逼近
Figure FDA0002997378440000014
其中，
Figure FDA0002997378440000015
是神经网络最优权重矩阵，θ1,k是神经网络基函数矩阵，ε1,k是神经网络残差矩阵；
则f1,k的估计值可写为
Figure FDA0002997378440000016
其中，
Figure FDA0002997378440000017
是神经网络最优权重矩阵估计值；
则X1的导数可写为
Figure FDA0002997378440000021
其中，
Figure FDA0002997378440000022
设计虚拟控制量
Figure DEST_PATH_BDA0002997378450000033
为
Figure FDA0002997378440000024
其中，β1,k是正的设计参数；
引入如下的一阶滤波器，可得新的状态变量
Figure DEST_PATH_BDA0002997378450000035
为
Figure FDA0002997378440000026
其中，
Figure FDA0002997378440000027
α2是正的时间常数；
设计滤波器补偿信号z1为
Figure FDA0002997378440000028
其中，z1(0)＝0，z2可从后面得到；
定义补偿跟踪误差v1为
v1＝e1-z1 (8)
构造预测误差z1NN为
Figure FDA0002997378440000029
其中，
Figure FDA00029973784400000210
可由如下的平行估计模型得到
Figure FDA00029973784400000211
其中，
Figure FDA00029973784400000212
λ1,k是正的设计参数；
设计神经网络权重更新律为
Figure FDA00029973784400000213
其中，γ1,k，γz1,k和δ1,k是正的设计参数；
第2步：
定义输出跟踪误差
Figure FDA00029973784400000214
对于未知函数f2,k，用神经网络来逼近
Figure FDA0002997378440000031
其中，
Figure FDA0002997378440000032
是神经网络最优权重矩阵，θ2,k是神经网络基函数矩阵，ε2,k是神经网络残差矩阵；
则f2,k的估计值可写为
Figure FDA0002997378440000033
其中，
Figure FDA0002997378440000034
是神经网络最优权重矩阵估计值；
则X2的导数可写为
Figure FDA0002997378440000035
其中，
Figure FDA0002997378440000036
设计控制器uk为
Figure FDA0002997378440000037
其中，β2,k是正的设计参数；
设计滤波器补偿信号z2为
Figure FDA0002997378440000038
其中，z2(0)＝0；
定义补偿跟踪误差v2
v2＝e2-z2 (17)
构造预测误差z2NN为
Figure FDA0002997378440000039
其中，
Figure FDA00029973784400000310
可由如下的平行估计模型得到
Figure FDA00029973784400000311
其中，
Figure FDA00029973784400000312
λ2,k是正的设计参数；
设计神经网络权重更新律为
Figure FDA0002997378440000041
其中，γ2,k，γz2,k和δ2,k是正的设计参数；
步骤3：通过步骤2可得到飞行器宽域爬升过程中各稳定模态对应的控制器，为了实现模态之间的平滑过渡，在过渡模态设计基于惯性环节的软切换控制，则总切换控制策略如下
Figure FDA0002997378440000042
其中，uA(t)和uB(t)是稳定模态控制器uk中任意两个相邻模态对应的控制器，t0和t1分别是过渡模态的起始时刻和结束时刻，e是自然常数，a是正的惯性淡化系数；
步骤4：根据步骤3中得到的控制量U(t)，返回到***模型(1)，对***输出y进行跟踪控制。
2.一种计算机***，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
3.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
4.一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
CN202110335388.0A 2021-03-29 2021-03-29 面向气动未知的宽域飞行智能反步切换控制方法 Active CN113031449B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110335388.0A CN113031449B (zh) 2021-03-29 2021-03-29 面向气动未知的宽域飞行智能反步切换控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110335388.0A CN113031449B (zh) 2021-03-29 2021-03-29 面向气动未知的宽域飞行智能反步切换控制方法

Publications (2)

Publication Number Publication Date
CN113031449A true CN113031449A (zh) 2021-06-25
CN113031449B CN113031449B (zh) 2022-08-09

Family

ID=76452730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110335388.0A Active CN113031449B (zh) 2021-03-29 2021-03-29 面向气动未知的宽域飞行智能反步切换控制方法

Country Status (1)

Country Link
CN (1) CN113031449B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868754A (zh) * 2021-08-20 2021-12-31 南京航空航天大学 复合式直升机操纵分配与最优过渡路线设计方法
CN114415707A (zh) * 2022-01-14 2022-04-29 西北工业大学 基于姿态解耦的宽域飞行自抗扰控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997208A (zh) * 2017-05-10 2017-08-01 南京航空航天大学 一种面向不确定条件下的高超声速飞行器的控制方法
CN107479384A (zh) * 2017-09-05 2017-12-15 西北工业大学 高超声速飞行器神经网络复合学习非反步控制方法
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
CN112114522A (zh) * 2020-09-22 2020-12-22 哈尔滨工业大学 一种基于切换自适应算法的四旋翼飞行器故障容错控制方法
CN112327627A (zh) * 2020-11-14 2021-02-05 西北工业大学 基于复合学习的非线性切换***自适应滑模控制方法
CN112379595A (zh) * 2020-11-14 2021-02-19 西北工业大学 非线性严格反馈切换***复合干扰学习控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106997208A (zh) * 2017-05-10 2017-08-01 南京航空航天大学 一种面向不确定条件下的高超声速飞行器的控制方法
CN107479384A (zh) * 2017-09-05 2017-12-15 西北工业大学 高超声速飞行器神经网络复合学习非反步控制方法
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
CN112114522A (zh) * 2020-09-22 2020-12-22 哈尔滨工业大学 一种基于切换自适应算法的四旋翼飞行器故障容错控制方法
CN112327627A (zh) * 2020-11-14 2021-02-05 西北工业大学 基于复合学习的非线性切换***自适应滑模控制方法
CN112379595A (zh) * 2020-11-14 2021-02-19 西北工业大学 非线性严格反馈切换***复合干扰学习控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄书童等: "近空间可变翼飞行器小翼切换滑模反步控制", 《飞行力学》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113868754A (zh) * 2021-08-20 2021-12-31 南京航空航天大学 复合式直升机操纵分配与最优过渡路线设计方法
CN113868754B (zh) * 2021-08-20 2023-05-23 南京航空航天大学 复合式直升机操纵分配与最优过渡路线设计方法
CN114415707A (zh) * 2022-01-14 2022-04-29 西北工业大学 基于姿态解耦的宽域飞行自抗扰控制方法
CN114415707B (zh) * 2022-01-14 2023-09-12 西北工业大学 基于姿态解耦的宽域飞行自抗扰控制方法

Also Published As

Publication number Publication date
CN113031449B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN106842912B (zh) 高超声速机动飞行抗舵面饱和鲁棒控制方法
An et al. Sliding mode disturbance observer-enhanced adaptive control for the air-breathing hypersonic flight vehicle
CN113031449B (zh) 面向气动未知的宽域飞行智能反步切换控制方法
Wu et al. Quantized fixed-time fault-tolerant attitude control for hypersonic reentry vehicles
CN102880052A (zh) 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
CN110347170A9 (zh) 可重复使用运载器再入段鲁棒容错制导控制***及工作方法
CN107203138B (zh) 一种输入输出饱和的飞行器鲁棒控制方法
Wu et al. Super twisting disturbance observer-based fixed-time sliding mode backstepping control for air-breathing hypersonic vehicle
CN113093539B (zh) 基于多模态划分的宽域飞行鲁棒自适应切换控制方法
CN112947505B (zh) 一种基于强化学习算法与未知干扰观测器的多auv编队分布式控制方法
An et al. Differentiator based full-envelope adaptive control of air-breathing hypersonic vehicles
CN105116914A (zh) 一种平流层飞艇解析模型预测路径跟踪控制方法
CN111198570A (zh) 一种基于固定时间微分器预测的抗时延高精度自抗扰姿态控制方法
Corban et al. Reusable launch vehicle adaptive guidance and control using neural networks
Wang et al. Intelligent control of air-breathing hypersonic vehicles subject to path and angle-of-attack constraints
Liu et al. Antisaturation fixed-time attitude tracking control based low-computation learning for uncertain quadrotor UAVs with external disturbances
CN115857530A (zh) 基于td3多经验池强化学习的飞行器免解耦姿态控制方法
Melkou et al. Fixed-wing UAV attitude and altitude control via adaptive second-order sliding mode
Cao et al. Robust multiple model predictive control for ascent trajectory tracking of aerospace vehicles
Chao et al. Adaptive fault-tolerant control for the ascent phase of hypersonic vehicle with time-varying full state constraints
Cheng et al. Fuzzy-reconstruction-based robust tracking control of an air-breathing hypersonic vehicle
Jia et al. Collision avoidance in target encirclement and tracking of unmanned aerial vehicles under a dynamic event-triggered formation control
Ligang et al. Switching disturbance rejection attitude control of near space vehicles with variable structure
CN116360258A (zh) 基于固定时间收敛的高超声速变形飞行器抗干扰控制方法
Yuhang et al. Robust controller design for compound control missile with fixed bounded convergence time

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