CN117908385B - 基于参数辨识的飞行器滑模控制方法 - Google Patents
基于参数辨识的飞行器滑模控制方法 Download PDFInfo
- Publication number
- CN117908385B CN117908385B CN202410308884.0A CN202410308884A CN117908385B CN 117908385 B CN117908385 B CN 117908385B CN 202410308884 A CN202410308884 A CN 202410308884A CN 117908385 B CN117908385 B CN 117908385B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- parameter
- sliding mode
- derivative
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 9
- 229920001971 elastomer Polymers 0.000 claims description 7
- 239000000806 elastomer Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000272525 Anas platyrhynchos Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004044 response Effects 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
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参数辨识的飞行器滑模控制方法,涉及飞行器控制技术领域,包括:采用深度森林算法对飞行器动力学模型的参数样本进行训练拟合,构建离线参数策略库;所述离线参数策略库包括气动参数和推力参数;采用最小二乘支持向量回归算法对所述气动参数进行在线辨识修订;基于所述推力参数和修订后的气动参数构建误差动力学方程;基于误差动力学方程,采用自适应超螺旋滑模算法建立飞行器滑模控制器;基于所述飞行器滑模控制器对飞行器进行滑模控制。本发明能够提高飞行器参数建模精度、收敛速度与***鲁棒性,实现对飞行器的精准控制。
Description
技术领域
本发明涉及飞行器控制技术领域,特别涉及一种基于参数辨识的飞行器滑模控制方法。
背景技术
由于高速飞行器飞行环境跨大空域宽速域、气动与气动热环境变化剧烈,飞行器动力学模型复杂呈现强非线性,且模型参数呈现强不确定性。而高速飞行器的结构和任务需求越来越复杂,对控制***的精度要求越来越高。因此,如果可以准确估计飞行器模型参数,既可以增强***的鲁棒性与自适应性,又可以提升***的控制精度。
传统飞行器动力学模型的结构参数和气动参数均为地面测试仿真后得到的拟合结果,在控制***设计过程中均保持标称值不变。然而高速飞行器在飞行过程中受环境因素等诸多影响,模型参数呈现快时变性与强不确定性。此外,高速飞行器在飞行过程中受到复杂外部环境扰动,传统控制器在剧烈外部扰动与参数摄动影响下难以满足高速飞行器快响应、强鲁棒性的控制要求。
发明内容
基于此,本发明的目的是提供一种基于参数辨识的飞行器滑模控制方法,提高飞行器参数建模精度、收敛速度与***鲁棒性,实现对飞行器的精准控制。
为实现上述目的,本发明提供了一种基于参数辨识的飞行器滑模控制方法,包括:
采用深度森林算法对飞行器动力学模型的参数样本进行训练拟合,构建离线参数策略库;所述离线参数策略库包括气动参数和推力参数;
采用最小二乘支持向量回归算法对所述气动参数进行在线辨识修订;
基于所述推力参数和修订后的气动参数构建误差动力学方程;
基于误差动力学方程,采用自适应超螺旋滑模算法建立飞行器滑模控制器;
基于所述飞行器滑模控制器对飞行器进行滑模控制。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提出基于参数辨识的飞行器滑模控制方法,结合了离线参数策略库与最小二乘支持向量回归算法进行在线参数辨识,实现在线修订飞行器模型参数,提升了飞行器模型精度。此外,本发明还设计了自适应超螺旋滑模算法,避免了传统终端滑模的奇异问题并加快***收敛速度,避免了控制增益过小导致***发散与控制增益过大导致***剧烈抖振的问题,从而实现对飞行器的精准控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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他的附图。
图1为本发明提供的基于参数辨识的飞行器滑模控制方法的流程示意图。
图2为离线参数策略库对推力参数的预测结果曲线图。
图3为离线参数策略库对推力参数的预测结果曲线图。
图4为离线参数策略库对推力参数的预测结果曲线图。
图5为离线参数策略库对推力参数的预测结果曲线图。
图6为离线参数策略库对推力参数的预测结果曲线图。
图7为离线参数策略库对推力参数的预测结果曲线图。
图8为离线参数策略库对推力参数的预测结果曲线图。
图9为离线参数策略库对推力参数的预测结果曲线图。
图10为离线参数策略库对阻力参数的预测结果曲线图。
图11为离线参数策略库对阻力参数的预测结果曲线图。
图12为离线参数策略库对阻力参数的预测结果曲线图。
图13为离线参数策略库对升力参数的预测结果曲线图。
图14为离线参数策略库对升力参数的预测结果曲线图。
图15为离线参数策略库对俯仰力矩参数的预测结果曲线图。
图16为离线参数策略库对俯仰力矩参数的预测结果曲线图。
图17为离线参数策略库对俯仰力矩参数的预测结果曲线图。
图18为离线参数策略库对俯仰力矩参数的预测结果曲线图。
图19为采用最小二乘支持向量回归对和/>在线辨识结果示意图。
图20为采用最小二乘支持向量回归对和/>在线辨识结果示意图。
图21为采用最小二乘支持向量回归对和/>在线辨识结果示意图。
图22为采用最小二乘支持向量回归对和/>在线辨识结果示意图。
图23为飞行器滑模控制器速度跟踪曲线图。
图24为飞行器滑模控制器攻角跟踪曲线图。
图25为飞行器滑模控制器俯仰角速度跟踪曲线图。
图26为飞行器滑模控制器执行机构、/>跟踪曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例提供的基于参数辨识的飞行器滑模控制方法,包括:
S1:采用深度森林算法对飞行器动力学模型的参数样本进行训练拟合,构建离线参数策略库;所述离线参数策略库包括气动参数和推力参数。
S2:采用最小二乘支持向量回归算法对所述气动参数进行在线辨识修订。
S3:基于所述推力参数和修订后的气动参数构建误差动力学方程。
S4:基于误差动力学方程,采用自适应超螺旋滑模算法建立飞行器滑模控制器。
S5:基于所述飞行器滑模控制器对飞行器进行滑模控制。
进一步地,步骤S1具体包括:
飞行器动力学模型为:
(1)
各个力和力矩经由曲线拟合近似可得:
(2)
式中,为速度/>的导数,/>为高度/>的导数,/>为飞行路径角/>的导数,/>为攻角的导数,/>为俯仰角速度/>的导数;/>、/>、/>分别为质量、重力加速度和弹体y轴的转动惯量;/>、/>、/>、/>分别为推力、阻力、升力与俯仰力矩;/>为动压,/>为大气密度;/>、、/>、/>为推力系数导数,/>、/>、/>为阻力系数导数,/>、/>为升力系数导数,、/>、/>为俯仰力矩系数导数;/>、/>分别为、鸭翼偏转角和燃油当量比;/>为力矩系数;/>为推力拟合参数;/>、/>、/>分别为参考面积、平均气动弦长和推力矩耦合系数;/>为参考高度处的密度;/>为参考高度;/>为大气常数。
使用深度森林对飞行器动力学模型中的气动参数与推力参数样本进行训练拟合。
基于地面试验得到的飞行器动力学模型的参数,建立飞行器参数插值表;然后对插值表进行扩充加密,得到飞行器参数样本数据集。进一步,基于深度森林算法学习拟合飞行器动力学模型的参数样本数据集,建立离线参数策略库。使用深度森林建立离线参数策略库的基本步骤如下:
Step1:将扩充加密后插值表中的数据样本拉伸展平成一维序列,作为深度森林的原始输入集。其中,以70%数据作为训练集,30%的数据作为测试集。
Step2:设定深度森林中多粒度扫描部分固定滑动窗口步长为1,随机森林和完全随机森林基决策树的数目为50;级联森林部分随机森林和完全随机森林基决策树的数目为200。
Step3:在训练集上训练深度森林模型,并对测试集样本进行预测,评估离线参数策略库的准确性与泛化性能。
进一步地,步骤S2具体包括:基于所述推力参数和所述气动参数构建辨识模型;基于所述辨识模型确定辨识变量;所述辨识变量包括为攻角、马赫数、舵偏角和气动参数;基于所述辨识变量,采用最小二乘支持向量回归算法对所述气动参数在线辨识修订。
在线辨识量测方程为:
(3)
式中,、/>、/>为弹体三轴过载信号,/>、/>、/>为弹体三轴(即x轴、y轴和z轴)角速度,均可直接测量;弹体x轴、y轴和z轴的转动惯量/>为常数;攻角/>无法直接测量得到,通过速度在弹体坐标系下的分量得到,设其在弹体坐标系下的分量为,则攻角由如下形式给出:
(4)
(弹体y轴角速度/>的导数)由角速度差分的形式给出:
(5)
其中,为当前采样时刻,/>为采样时间间隔。
根据力和力矩的曲线近似拟合表达式(2),考虑面向控制***的飞行器模型,简化后待辨识参数为:
气动参数:、/>、/>、/>、/>、/>、/>、/>、/>;
推力参数:、/>、/>、/>、/>、/>、/>、/>。
结合式(2)、(3)可得力系数与俯仰力矩系数的辨识模型为:
(6)
式中,为推力,/>、/>与/>分别为升力系数、阻力系数与俯仰力矩系数,S为面积。
最小二乘支持向量回归算法:
记为输入数据,其中,l表示数据维度,d为数据分量维度;/>为输出数据;/>为单位向量。定义函数/>为:
(7)
其中,为输入数据的特征,/>为待定权值向量,/>是偏移项。
定义如下满足结构风险最小化原则的目标函数:
(8)
其中,是松弛变量向量,/>为待选择的惩罚因子,/>为单位向量。最小二乘支持向量回归即为求解式(8)中的最优化问题。针对该目标函数和约束条件,可定义如下Lagrange函数:
(9)
其中,是非负的Lagrange乘子向量。应用Karush-Kuhn-Tucker条件,对式(9)中/>分别求导,并令其等于零可得:
(10)
将和/>分别代入回归函数和等式中,可得:
(11)
(12)
其中,,称为核函数,/>、/>分别为输入数据第i个分量/>和第j个分量/>对应的特征分量,/>是对称非负定矩阵,避免了高维特征函数向量/>的复杂运算。记/>,则/>为正定对称阵,并且(12)可转化为:
(13)
通过求解(13)的矩阵方程组,可以得到:
(14)
其中,、/>为算法设计的中间参数,根据上述最小二乘支持向量回归算法步骤,计算/>与/>的取值,得到/>的表达式,通过选取不同的核函数,即可完成参数回归预测。
然后基于上述最小二乘支持向量回归算法给出对飞行器气动参数进行在线辨识的方法:
基于辨识模型,由实时量测飞行状态数据得到如下实时训练样本(即辨识变量):
(15)
其中,、/>、/>分别为攻角、马赫数、偏转角(即攻角控制指令),/>、/>、/>为式(6)中给出的升力系数、阻力系数、俯仰力矩系数,/>为当前采样点时刻,/>为采样点数目。
基于最小二乘支持向量回归算法,采用RBF核函数进行气动参数建模,完成气动参数建模。然后应用Delta法,即有限差分法,进行气动参数在线辨识。具体实施步骤为:
选择输入层一个变量,在保持其他变量不变的情况下,对其增加一个微小扰动,从而将引起输出量的变化。此时模型输出变化量与输入端变化量的比值即为该变量相对应的气动参数导数信息。为保证修订准确性,在每个样本数据点均进行上述操作,待辨识参数即为所有样本数据点处得到的数据平均值。例如阻力系数导数可由下式得到:
(16)
其中,与/>分别是/>与/>的归一化值,/>为第/>个采样时刻的攻角,i=1,2,...n,/>是扰动/>的归一化值,/>为/>在此例中的代指。归一化方法为:
(17)
式中,为待归一化参数,/>为归一化后的参数;/>与/>分别代表归一化范围的最大值与最小值,范围为/>;/>与/>分别为待归一化参数的最大值与最小值。
进一步地,步骤S3具体包括:
针对飞行器动力学模型(1)中的速度与攻角子***,建立如下误差动力学方程:
(18)
(19)
式中,为速度误差/>的导数,/>为速度指令/>的导数/>为攻角误差/>的导数,为攻角指令/>的导数;/>、/>、/>为速度动力学方程、攻角动力学方程、俯仰角速度动力学方程中由外扰动与参数摄动引起的集总扰动;/>、/>为速度误差动力学函数;/>为攻角误差动力学函数;/>、/>为俯仰角速度误差动力学函数;/>为弹体y轴的转动惯量。
(20)
其中,气动参数与推力参数均为基于参数策略库的最小二乘支持向量回归在线辨识修订后得到的实时飞行器参数。
进一步地,步骤S4具体包括:
自适应超螺旋算法包括非奇异快速终端滑模面与改进的自适应超螺旋趋近律。非奇异快速终端滑模面表达式如下:
(21)
式中,,/>为误差,/>为速度误差,/>为攻角误差,待设计参数,/>。
设计的自适应超螺旋趋近律表达式如下:
(22)
式中,,/>,/>为正待设计参数,且/>,/>满足如下自适应律:
(23)
其中,,/>,/>,/>,/>,/>均为正参数,且/>。
根据上述自适应超螺旋滑模算法,对式(21)求导,并令其与自适应超螺旋趋近律(22)相等,即可求得控制量表达式,建立基于参数辨识的飞行器滑模控制器,得到控制律为:
(24)
其中,为飞行器滑模控制器的控制指令,控制指令包括速度控制指令/>与偏转角/>(即攻角控制指令),对应速度子***(10)与攻角子***(11),G用于表征/>和/>;/>用于表征/>和/>。
以下通过MATLAB仿真来说明上述基于参数辨识的飞行器滑模控制器的具体实施过程。
首先在飞行器动力学模型各个力和力矩标称参数的基础上加入模型参数摄动与结构参数摄动(25)。其中,表示飞行器动力学模型参数实际值,/>为其标称值;/>为实际结构参数,/>为其标称值。
(25)
飞行器速度指令与攻角指令/>为:
(26)
式中,、/>分别为速度与攻角阶跃信号幅值;/>、/>分别为二阶滤波器角频率与阻尼比;/>为拉普拉斯变化的符号。其取值为/>,/>,,/>。
飞行器标称结构参数为:,/>,。
初始飞行状态表2所示,滑模控制器参数的设定如表2所示。
表1 飞行器初始状态
表2 滑模控制器参数设计
基于深度森林的离线参数策略库对预测集的测试结果如图2至图18所示。分析预测集的均方误差(MSE)与决定系数()的结果可以发现,MSE最大不超过0.1536,/>最小不低于0.98,预测结果与实际值基本吻合。因此,训练好的参数策略库在未知飞行状态的情况下仍具有较好的预测精度,模型泛化能力很强,对相邻飞行状态有很好的外推性能,为高速飞行器飞行参数数据挖掘提供参考。
最小二乘支持向量回归算法的惩罚因子为1.0,核函数选择RBF径向基函数。数据采样间隔为0.01秒,为获得准确的飞行器参数信息,需要累积一定的样本数目,当数据积累到100个后开始进行在线参数辨识。后续建模采用窗口滑动的形式,每间隔0.5秒选取最新的100个样本进行在线参数辨识。飞行器气动参数在线辨识的结果如图19至图22所示。仿真结果表明,基于最小二乘支持向量回归算法的高速飞行器在线参数辨识结果具有较高精度,与仿真真实值的平均相对误差均在以内,实时性较好。
基于参数辨识的滑模控制器控制仿真结果如图23至26所示。仿真过程中,飞行器所受外部扰动为:。图23至24分别展示速度与攻角的跟踪效果。其中,速度跟踪精度达到/>,攻角跟踪精度达到/>,表明飞行器跟踪误差有界,具有较好的鲁棒性。图25展示俯仰角速度变化曲线。图26给出了/>与/>的变化曲线,表明本控制器的执行机构均在合理范围内变化。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上,本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于参数辨识的飞行器滑模控制方法,其特征在于,包括:
采用深度森林算法对飞行器动力学模型的参数样本进行训练拟合,构建离线参数策略库;所述离线参数策略库包括气动参数和推力参数;具体包括:基于地面试验得到的飞行器动力学模型的参数,建立飞行器参数插值表;对所述飞行器参数插值表进行扩充加密,得到飞行器动力学模型的参数样本数据集;基于深度森林算法学习拟合飞行器动力学模型的参数样本数据集,构建离线参数策略库;
采用最小二乘支持向量回归算法对所述气动参数进行在线辨识修订;
基于所述推力参数和修订后的气动参数构建误差动力学方程;
基于误差动力学方程,采用自适应超螺旋滑模算法建立飞行器滑模控制器;
基于所述飞行器滑模控制器对飞行器进行滑模控制;
其中,所述自适应超螺旋滑模算法包括非奇异快速终端滑模面和改进的自适应超螺旋趋近律;
所述非奇异快速终端滑模面的表达式如下:
;
;
其中,为滑模面,/>为误差/>的导数,/>、/>、/>、/>均为待设计参数,/>为速度误差,为攻角误差;
所述改进的自适应超螺旋趋近律的表达式如下:
;
其中,为滑模面/>的导数;/>、/>、/>为正待设计参数;
所述飞行器滑模控制器的表达式为:
;
其中,为飞行器滑模控制器的控制指令,控制指令包括速度控制指令/>与偏转角/>,所述偏转角/>为攻角控制指令;G用于表征/>或/>;/>用于表征/>或/>。
2.根据权利要求1所述的基于参数辨识的飞行器滑模控制方法,其特征在于,所述飞行器动力学模型的表达式为:
;
;
其中,为速度/>的导数,/>为高度/>的导数,/>为飞行路径角/>的导数,/>为攻角/>的导数,/>为俯仰角速度/>的导数;/>、/>、/>分别为质量、重力加速度和弹体y轴的转动惯量;、/>、/>、/>分别为推力、阻力、升力与俯仰力矩;/>为动压,/>为大气密度;/>、/>、/>、/>为推力系数导数,/>、/>、/>为阻力系数导数,/>、/>为升力系数导数,/>、、/>为俯仰力矩系数导数;/>、/>分别为偏转角和燃油当量比;/>为力矩系数;为推力拟合参数;/>、/>、/>分别为参考面积、平均气动弦长和推力矩耦合系数;/>为参考高度处的密度;/>为参考高度;/>为大气常数。
3.根据权利要求2所述的基于参数辨识的飞行器滑模控制方法,其特征在于,采用最小二乘支持向量回归算法对所述气动参数进行在线辨识修订,具体包括:
基于所述推力参数和所述气动参数构建辨识模型;
基于所述辨识模型确定辨识变量;所述辨识变量包括为攻角、马赫数、舵偏角和气动参数;
基于所述辨识变量,采用最小二乘支持向量回归算法对所述气动参数在线辨识修订。
4.根据权利要求3所述的基于参数辨识的飞行器滑模控制方法,其特征在于,所述辨识模型的表达式为:
;
其中,为推力,/>、/>、/>分别为升力系数、阻力系数和俯仰力矩系数,/>、/>、/>为弹体x轴、y轴和z轴的过载信号,/>、/>、/>、/>、/>、/>、/>、/>为推力参数;/>为弹体y轴角速度/>的导数,S为面积,/>为偏转角。
5.根据权利要求4所述的基于参数辨识的飞行器滑模控制方法,其特征在于,所述误差动力学方程的表达式为:
;
;
;
其中,为速度误差/>的导数,/>为速度指令/>的导数,/>为攻角误差/>的导数,/>为攻角指令/>的导数;/>、/>、/>为速度动力学方程、攻角动力学方程、俯仰角速度动力学方程中由外扰动与参数摄动引起的集总扰动;/>、/>为速度误差动力学函数;/>为攻角误差动力学函数;/>、/>为俯仰角速度误差动力学函数;/>为弹体y轴的转动惯量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410308884.0A CN117908385B (zh) | 2024-03-19 | 2024-03-19 | 基于参数辨识的飞行器滑模控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410308884.0A CN117908385B (zh) | 2024-03-19 | 2024-03-19 | 基于参数辨识的飞行器滑模控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117908385A CN117908385A (zh) | 2024-04-19 |
CN117908385B true CN117908385B (zh) | 2024-05-24 |
Family
ID=90695062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410308884.0A Active CN117908385B (zh) | 2024-03-19 | 2024-03-19 | 基于参数辨识的飞行器滑模控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117908385B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950898A (zh) * | 2015-06-10 | 2015-09-30 | 北京理工大学 | 一种再入飞行器全阶非奇异终端滑模姿态控制方法 |
CN109557814A (zh) * | 2018-12-04 | 2019-04-02 | 四川航天***工程研究所 | 一种有限时间积分滑模末制导律 |
CA3094757A1 (en) * | 2019-09-30 | 2021-03-30 | Bombardier Inc. | Aircraft control systems and methods using sliding mode control and feedback linearization |
CN113673611A (zh) * | 2021-08-25 | 2021-11-19 | 北京航空航天大学 | 基于深度森林的飞行器故障诊断方法和*** |
CN115981146A (zh) * | 2022-11-22 | 2023-04-18 | 上海航天控制技术研究所 | 一种抗饱和的参数自调节的超螺旋滑模控制方法及*** |
CN116167159A (zh) * | 2022-12-27 | 2023-05-26 | 中国航天空气动力技术研究院 | 基于支持向量机的飞行器纵向模型物理参数集员辨识方法 |
CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
CN117289598A (zh) * | 2023-08-01 | 2023-12-26 | 北京理工大学重庆创新中心 | 一种飞行器的反步滑模控制方法及*** |
CN117471952A (zh) * | 2023-10-16 | 2024-01-30 | 北京航空航天大学 | 一种飞行器反步超螺旋滑模制导控制一体化方法 |
CN117492478A (zh) * | 2023-11-10 | 2024-02-02 | 哈尔滨工业大学 | 一种再入滑翔飞行器最优超螺旋滑模控制方法 |
-
2024
- 2024-03-19 CN CN202410308884.0A patent/CN117908385B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950898A (zh) * | 2015-06-10 | 2015-09-30 | 北京理工大学 | 一种再入飞行器全阶非奇异终端滑模姿态控制方法 |
CN109557814A (zh) * | 2018-12-04 | 2019-04-02 | 四川航天***工程研究所 | 一种有限时间积分滑模末制导律 |
CA3094757A1 (en) * | 2019-09-30 | 2021-03-30 | Bombardier Inc. | Aircraft control systems and methods using sliding mode control and feedback linearization |
CN113673611A (zh) * | 2021-08-25 | 2021-11-19 | 北京航空航天大学 | 基于深度森林的飞行器故障诊断方法和*** |
CN115981146A (zh) * | 2022-11-22 | 2023-04-18 | 上海航天控制技术研究所 | 一种抗饱和的参数自调节的超螺旋滑模控制方法及*** |
CN116167159A (zh) * | 2022-12-27 | 2023-05-26 | 中国航天空气动力技术研究院 | 基于支持向量机的飞行器纵向模型物理参数集员辨识方法 |
CN116382071A (zh) * | 2023-02-08 | 2023-07-04 | 大连理工大学 | 深度学习网络修正补偿的气动参数智能辨识方法 |
CN117289598A (zh) * | 2023-08-01 | 2023-12-26 | 北京理工大学重庆创新中心 | 一种飞行器的反步滑模控制方法及*** |
CN117471952A (zh) * | 2023-10-16 | 2024-01-30 | 北京航空航天大学 | 一种飞行器反步超螺旋滑模制导控制一体化方法 |
CN117492478A (zh) * | 2023-11-10 | 2024-02-02 | 哈尔滨工业大学 | 一种再入滑翔飞行器最优超螺旋滑模控制方法 |
Non-Patent Citations (5)
Title |
---|
Adaptive Super-Twisting sliding mode trajectory tracking control of underactuated unmanned surface vehicles based on prescribed performance;Quan Zhang,等;IEEE;20221231;2027-2032 * |
基于改进滑模观测器的四旋翼无人机轨迹控制;杨洋,等;电光与控制;20240312;1-9 * |
基于超螺旋滑模的欠驱动船舶航迹跟踪控制;刘彦呈;许晨;赵友涛;刘厶源;梁晓玲;;信息与控制;20201015(05);70-76 * |
考虑进气约束的高超声速飞行器建模与抗饱和控制;丁一波,等;第十二届全国多体动力学与控制暨第七届全国航天动力学与控制和第十五届全国分析力学联合学术会议;20211231;1 * |
飞行器气动参数智能在线辨识技术研究;浦甲伦;韩业鹏;张亮;;宇航总体技术;20181115(06);5-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN117908385A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Robust nonlinear flight control of a high-performance aircraft | |
Cobb et al. | Iterative learning-based path optimization for repetitive path planning, with application to 3-d crosswind flight of airborne wind energy systems | |
Houtzager et al. | Recursive predictor-based subspace identification with application to the real-time closed-loop tracking of flutter | |
CN105607473B (zh) | 小型无人直升机的姿态误差快速收敛自适应控制方法 | |
CN109976378B (zh) | 风扰下无人机栖落机动的轨迹控制方法 | |
CN106896722B (zh) | 采用状态反馈与神经网络的高超飞行器复合控制方法 | |
CN111367182A (zh) | 考虑输入受限的高超声速飞行器抗干扰反步控制方法 | |
Huang et al. | Nonlinear reduced-order models for transonic aeroelastic and aeroservoelastic problems | |
CN109164708B (zh) | 一种高超声速飞行器神经网络自适应容错控制方法 | |
Ahmad et al. | Dynamic modelling and open-loop control of a twin rotor multi-input multi-output system | |
CN108846246A (zh) | 一种基于预测控制的高超声速飞行器机翼颤振减损方法及减损控制器 | |
CN117826617B (zh) | 基于智能网络模型的飞行器预设性能滑模控制方法及装置 | |
Abouheaf et al. | Online model‐free reinforcement learning for the automatic control of a flexible wing aircraft | |
CN114722502B (zh) | 基于模拟退火的加权Kriging襟翼不对称的可靠性分析方法 | |
Kumar et al. | Identification of helicopter dynamics using recurrent neural networks and flight data | |
Cavaliere et al. | Method to account for estimator-induced previewed information losses-application to synthesis of lidar-based gust load alleviation functions | |
CN117908385B (zh) | 基于参数辨识的飞行器滑模控制方法 | |
Bao et al. | Data-driven based model-free adaptive optimal control method for hypersonic morphing vehicle | |
Millidere et al. | Kalman based neural network model analysis with resampling methods for longitudinal aerodynamic coefficient estimation | |
CN116360255A (zh) | 一种非线性参数化高超声速飞行器的自适应调节控制方法 | |
CN108594653B (zh) | 大包线飞行控制律设计的性能极限分析*** | |
CN115796021A (zh) | 一种基于神经网络的变体飞行器自适应pid控制参数整定方法 | |
Barzgaran et al. | Real-time Model Predictive Control for Gust Load Alleviation on an Aeroelastic Wind Tunnel Test Article | |
Ghosh Roy et al. | Longitudinal aircraft parameter estimation using neuro-fuzzy and genetic algorithm based method | |
Verma et al. | Estimation of longitudinal aerodynamic parameters using recurrent neural network |
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 |