基于神经网络的高超声速飞行器自适应补偿控制方法技术

技术编号:18621040 阅读:31 留言:0更新日期:2018-08-08 00:09
本发明专利技术公开了一种基于神经网络的高超声速飞行器自适应补偿控制方法,包括以下步骤:建立高超声速飞行器的纵向动力学模型,并将其分解为姿态子系统和速度子系统;建立高超声速飞行器的升降舵故障模型;构建平滑函数来估计非线性输入饱和,并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中的非线性函数;通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。本发明专利技术提供了一种考虑了升降舵故障以及输入饱和的径向基神经网络自适应补偿控制方法,解决了高超声速飞行器飞行过程中各类升降舵故障以及执行器饱和对飞行器的影响,保证了系统的容错能力和鲁棒性。

Adaptive compensation control method for hypersonic vehicle based on Neural Network

The invention discloses an adaptive compensation control method for hypersonic vehicle based on neural network, including the following steps: establishing the longitudinal dynamic model of hypersonic vehicle and decomposing it into the attitude subsystem and the velocity subsystem, establishing the elevator fault model of hypersonic vehicle and constructing the smooth function. The nonlinear input saturation is estimated, and the radial basis function neural network is introduced to estimate the nonlinear function in the longitudinal dynamic model of hypersonic vehicle, and the adaptive compensation controller for hypersonic vehicle and the corresponding adaptive parameter updating law are designed by the backstepping method. The invention provides a radial basis neural network adaptive compensation control method which considers the fault of the elevator and the input saturation. It solves the fault of all kinds of elevators in the flight process of hypersonic vehicle and the influence of actuator saturation to the aircraft, so as to ensure the fault tolerance and robustness of the system.

【技术实现步骤摘要】
基于神经网络的高超声速飞行器自适应补偿控制方法
本专利技术属于飞行器控制
,具体来说,涉及一种基于神经网络的高超声速飞行器自适应补偿控制方法。
技术介绍
近几年来,高超声速飞行器作为一种通往临近空间的可靠且经济的运输工具,吸引了极大的商业和军事关注。然而由于其特殊的构造,独特的飞行条件,导致高超声速飞行器对空气动力学参数极其敏感,以及其动力学特征的高度非线性,所有的这些因素使得高超声速飞行器的控制设计具有很大难度。运用径向基神经网络自适应补偿控制可以很好的解决系统中存在未知非线性环节这一问题,能保证系统在满足稳定性要求的同时达到相应的控制要求。目前为止,包括鲁棒控制,滑模控制以及线性二次控制等控制方法都已经被运用于高超声速飞行器纵向模型的控制设计,相比较于这些提到的控制方法,自适应反步控制提供了一种解决未知非线性模型的有效方法。一方面,在飞行器控制中,执行器饱和可能会导致控制效果恶化甚至完全失控,具有输入饱和特性系统的控制问题近些年来受到了极大的关注,通过构建辅助系统,系统输入饱和问题可以得到解决。但是当系统具有未知的时延环节时,辅助系统模型难以建立,并且给闭环系统稳定性分析造成很大难度,运用自适应补偿控制可以很好的解决系统中存在未知增益环节这一问题。另一方面,由于频繁的运作以及严酷的工作环境飞行器升降舵可能会受到故障的影响,这些故障对于飞行器而言时毁灭性的,而在现今的控制研究中故障模型的建立往往被假设为每一个升降舵只会发生一次故障,而且故障的模式(控制效果完全失效)以及参数不会发生改变。显然这是一种极端的情况,实际的飞行器升降舵故障所包含的类型是复杂的。本专利中所提出的升降舵故障模型可以很好的涵盖各种类型的故障,对故障的数目没有限制要求,更具实际性。
技术实现思路
本专利技术解决的技术问题是:由于高超声速飞行器飞行过程中可能受到各方面扰动因素的影响,从而导致升降舵出现各类故障,以及高超声速飞行器在飞行过程中可能存在执行器输入饱和现象,本专利技术提供了一种考虑了升降舵故障以及输入饱和的径向基神经网络自适应补偿控制方法,解决了高超声速飞行器飞行过程中各类升降舵故障以及执行器饱和对飞行器的影响,保证了系统的容错能力和鲁棒性。为实现上述技术目的,本专利技术的技术方案如下:一种基于神经网络的高超声速飞行器自适应补偿控制方法,包括以下步骤:S1:建立高超声速飞行器的纵向动力学模型,并将其分解为姿态子系统和速度子系统;S2:建立高超声速飞行器的升降舵故障模型;S3:构建平滑函数来估计非线性输入饱和,并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中非线性函数Fi(i=1,2,3);S4:通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。进一步地,S1中,所述纵向动力学模型为:其中,V,h,γ,α和q分别为速度,高度,航迹倾斜角,攻角和俯仰率;m,Re,μ和Iyy分别为飞行器质量,地球半径,万有引力常数和惯性力矩;T,D,L和Myy分别表示推力,阻力,升力和俯仰力矩。进一步地,S1中,所述姿态子系统的模型为:y=x1其中,状态变量x1=γ,x2=θp,x3=q,θp为高超声速飞行器的俯仰角;f1(x1,V),f3(x1,x2,x3,V)和g3(V)为通过径向基函数处理的非线性函数,f2和g2为已知常数;uj=δej,j∈N表示第j个升降舵,N为非负整数集合,δej为第j个升降舵的偏转角;dj表示第j个偏转角的增益,sat(uj)为表示第j个升降舵的偏转角的饱和非线性函数。所述速度子系统的模型为:其中,fV(x1,x2,x3h,V)和gV(x1,x2,x3,h,V)是通过径向基函数处理的非线性函数;uV=β,β为燃料当量比,sat(uV)为表示燃料当量比的饱和非线性函数。进一步地,S2中,所述升降舵故障模型为:其中,h∈N表示第h个故障,kj,h,和都是根据升降舵具体故障以及发生时间所确定的常数,其中0≤kj,h≤1,表示第j个升降舵发生第h个故障时第j个升降舵的健康指数,和分别表示第j个升降舵发生第h个故障的起始时间和结束时间,且是分段连续的有界函数,用来表示第j个升降舵发生第h个故障时中的加性故障部分,vj(t)表示升降舵偏转角的控制信号。优选地,S3中,所述平滑函数是基于升降舵的偏转角输入饱和时构建的;所述平滑函数的形式如下:sat(uj)=ψ(uj)+ψd(uj)其中,ψd(uj)是一个有界函数;和分别代表uj的上界和下界;ψ(uj)=ψauj,即sat(uj)=ψauj+ψd(uj),ψa为连续有界的非线性函数。优选地,S3中,所述平滑函数是基于燃料当量比输入饱和时构建的;所述平滑函数的形式如下:sat(uV)=ψaVuV+ψdV(uV)其中,ψdV(uV)是一个有界函数;和分别代表uV的上界和下界;ψaV(uV)=ψauV,即sat(uV)=ψaVuV+ψdV(uV),ψaV为连续有界的非线性函数。进一步地,S3中,所述引入径向基函数神经网络来估计系统中非线性函数Fi(i=1,2,3)的具体形式如下:其中,θi∈RN是径向基函数中的N个节点的最优权重向量,RN为N维实数空间,φi(ξi)=[φi1(ξi),…,φiN(ξi)]T∈RN是径向基函数中的基函数向量;Δ(ξi)表示近似误差,δi为一常数,其中οij和bi分别为径向基函数的中心和宽度;定义一个常数是的估计值,为估计误差,gm是常数,且0<gm≤min[inf{g1(V)},g2,inf{g3(V)},inf{gV(x1,x2,x3,h,V)}]。进一步地,S4中,所述通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律的具体形式如下:定义误差变量s1、s2、s3:s1=x1-γrs2=x2-x2ds3=x3-x3d其中,γr为航迹倾斜角γ的控制信号,定义hr为高度h的参考信号,选取以保证当γ追踪其控制信号γr时,h追踪其参考信号hr;x2d为姿态子系统第一状态方程的虚拟控制信号,x3d为姿态子系统第二状态方程的虚拟控制信号;所述姿态子系统的虚拟控制器设计如下:x2d对应的自适应参数更新律为:x3d对应的自适应参数更新律为:所述姿态子系统的实际控制器设计如下:vj对应的自适应参数更新律为:定义Vr为速度V的参考信号,为V的追踪误差,所述速度子系统的控制器为:uV对应的自适应参数更新律为:其中,ε(t)=[d1(ψa1u1+ψd1),d2(ψa2u2+ψd2),…,dn(ψanun+ψdn)]T,和分别为ζ和p的估计值,和分别为ζV和pV的估计值,ξ1=(x1,γr,h,V)T,ξV=(x1,x2,x3,h,V)T,∈,ci,λi和μi均为正常数。本专利技术的有益效果:(1)与现有的飞行器设计过程中建立的故障模型相比,本专利技术中所建立的故障模型更适用于高超声速飞行器升降舵故障的一般情况,可以很好的涵盖各种类型的故障,更加符合实际。(2)与传统的高超声速飞行器的自适应控制方法相比,本专利技术通过建立平滑函数,解决了执行器的输入饱和问题,有利于反步法在自适应设计过程中得以直接使用。(3)本专利技术通过引入径向基函数神经网络,解决了自适应补偿控制系统设计中的未知的非线性函数所带来的不便,并且通过定义关于神经网络最优权重本文档来自技高网
...

【技术保护点】
1.一种基于神经网络的高超声速飞行器自适应补偿控制方法,其特征在于,包括以下步骤:S1:建立高超声速飞行器的纵向动力学模型,并将其分解为姿态子系统和速度子系统;S2:建立高超声速飞行器的升降舵故障模型;S3:构建平滑函数来估计非线性输入饱和,并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中的非线性函数Fi(i=1,2,3);S4:通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。

【技术特征摘要】
1.一种基于神经网络的高超声速飞行器自适应补偿控制方法,其特征在于,包括以下步骤:S1:建立高超声速飞行器的纵向动力学模型,并将其分解为姿态子系统和速度子系统;S2:建立高超声速飞行器的升降舵故障模型;S3:构建平滑函数来估计非线性输入饱和,并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中的非线性函数Fi(i=1,2,3);S4:通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。2.如权利要求1所述的方法,其特征在于,S1中,所述纵向动力学模型为:其中,V,h,γ,α和q分别为速度,高度,航迹倾斜角,攻角和俯仰率;m,Re,μ和Iyy分别为飞行器质量,地球半径,万有引力常数和惯性力矩;T,D,L和Myy分别表示推力,阻力,升力和俯仰力矩。3.如权利要求2所述的方法,其特征在于,S1中,所述姿态子系统的模型为:y=x1其中,状态变量x1=γ,x2=θp,x3=q,θp为高超声速飞行器的俯仰角;f1(x1,V),f3(x1,x2,x3,V)和g3(V)为通过径向基函数处理的非线性函数,f2和g2为已知常数;uj=δej,j∈N表示第j个升降舵,N为非负整数集合,δej为第j个升降舵的偏转角;dj表示第j个偏转角的增益,sat(uj)为表示第j个升降舵的偏转角的饱和非线性函数;所述速度子系统的模型为:其中,fV(x1,x2,x3h,V)和gV(x1,x2,x3,h,V)是通过径向基函数处理的非线性函数;uV=β,β为燃料当量比,sat(uV)为表示燃料当量比的饱和非线性函数。4.如权利要求3所述的方法,其特征在于,S2中,所述升降舵故障模型为:其中,h∈N表示第h个故障,kj,h,和都是根据升降舵具体故障以及发生时间所确定的常数,其中0≤kj,h≤1,表示第j个升降舵发生第h个故障时第j个升降舵的健康指数,和分别表示第j个升降舵发生第h个故障的起始时间和结束时间,且是分段连续的有界函数,用来表示第j个升降舵发生第h个故障时中的加性故障部分,vj(t)表示升降舵偏转角的控制信号。5.如权利要求4所述的方法,其特征在于,S3中,所述平滑函数是基于升降舵的偏转角输入饱和时构建的。6.如权利要求4所述的方法,其特征在于,S3中,所述平滑函数是基于燃料当量比输入饱和时构建的。7.如权利要求5所述的方法,其特征在于,所述平滑函数的形式如下:sat(uj)=ψ(uj)+ψd(uj)...

【专利技术属性】
技术研发人员:胡庆雷李梓明郭雷王陈亮
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1