一种基于递归神经网络的机动载荷控制器及其控制方法技术

本发明专利技术公开了一种基于递归神经网络的机动载荷控制器，所述的机动载荷控制器的神经网络由一个递归辨识神经网络和一个递归控制神经网络串联而成，各采用6个神经元构成网络；本发明专利技术还公开了一种基于递归神经网络的机动载荷控制器的控制方法；通过使用递归神经网络的方法，具有结构简单、工作性能稳定性好、鲁棒性高、自适应好的特点，能够对变马赫数飞行的飞机进行有效的自适应机动载荷减缓；本发明专利技术实现了宽马赫数范围内飞机基于递归神经网络的机动载荷控制器的设计，实现了飞机在复杂的飞行条件下机动载荷的自适应控制。

【技术实现步骤摘要】

本专利技术属于飞行器控制
，具体涉及一种基于递归神经网络的机动载荷控制器及其控制方法。
技术介绍
飞机在做机动动作时，会在翼根处产生较大的弯矩，从而影响飞机的寿命，带来安全隐患。通过使用机动载荷控制器可以使飞机机翼的气动力重新分布，达到减小翼根弯矩的目的。传统的机动载荷控制器，如PID无法实现变马赫数的自适应控制，当飞行条件改变时，控制器参数需要重新选取，无法做到实时在线的控制，在飞机实际飞行过程中无法起到有效的作用。因此设计一种机动载荷控制器，并且利用该控制器实现飞机机动载荷减缓的方法一直是本领域技术人员待解决的技术难题。
技术实现思路
本专利技术针对于现有技术中存在的问题，公开了一种基于递归神经网络的机动载荷控制器及其控制方法，通过递归神经网络进行系统辨识以及机动载荷减缓两个阶段，能够实现飞机变马赫数飞行时翼根弯矩的减缓，同时保证飞机的机动动作能够正常完成。本专利技术是这样实现的，本专利技术公开的一种基于递归神经网络的机动载荷控制器，所述的机动载荷控制器的神经网络由一个递归辨识神经网络和一个递归控制神经网络串联而成，各采用6个神经元构成网络。进一步，所述的神经网络的基本数学模型为：式中，vk为内部净激活，uj代表输入矢量，wkj代表突触的权重矩阵，为激活函数，yk代表输出矢量，p为包括偏置在内的神经网络输入总数。本专利技术还公开了一种基于递归神经网络的机动载荷控制器的控制方法，具体步骤如下：步骤1，将飞机的法向过载信号、迎角以及翼根弯矩信号作为输入，平尾与副翼的偏转作为输出；法向过载飞机法向过载及迎角可通过相应的传感器采集，翼根弯矩可通过在翼根处贴应变片的方式采集应变信号，实时计算出翼根弯矩。平尾与副翼的偏转通过作动器来实现。步骤2，通过调节递归辨识神经网络激活函数的参数和初始权重矩阵对系统辨识；递归辨识网络用于辨识系统的传感器信号。在n时刻，递归辨识网络预测出n+1时刻的信号作为控制网络的输入；递归辨识神经网络通过实时递归算法进行在线学习，辨识传感器采集的法向过载、迎角和翼根弯矩信号。步骤3，通过调节递归控制神经网络激活函数的参数和初始权重矩阵对法向过载、迎角的追踪和对翼根弯矩的抑制。递归控制神经网络同样采用实时递归算法进行在线学习，以递归辨识神经网络辨识输出的法向过载、迎角和翼根弯矩做为输入信号，实现对法向过载、迎角的实时追踪和对翼根弯矩的实时控制。进一步，所述的递归辨识神经网络和递归控制神经网络采用的激活函数为：神经网络静激活vj与输入ui之间满足：式中：wij为权重矩阵；vj为神经网络静激活，uj为神经网络输入向量。进一步，所述的步骤2具体为：2.1，递归辨识网络通过实时递归算法进行在线学习，计算误差梯度，递归辨识神经网络的误差函数为：式中，Eid为目标函数，nm是传感器总数，是实际传感器信号与辨识信号的误差。2.2，根据实际传感器信号与辨识信号的误差在递归辨识神经网络进行辨识的第n个时间步，表达式为：递归辨识神经网络神经元的输出为：式中，为神经元的输出，nid为神经网络输入总数。2.3，通过辨识过程使递归辨识网络的设计参数，即Eid达到最小，其具体过程为：式中，ηid为神经网络的学习率。进一步，所述的步骤3具体为：3.1，递归控制神经网络与递归辨识神经网络结构类似，递归控制神经网络神经元的输出表达式为：目标函数为：系统实际输出与期望输出之间的误差表达式为：目标函数的最小化，需对权重矩阵进行迭代：目标函数梯度可表示为：式中，nm是递归辨识网络的输出总数；ni是递归控制网络的输出总数，γ为调节控制器净激活的参数；eco为系统实际输出与期望输出之间的误差；ηco为递归控制网络的学习率。递归控制神经网络仍然使用实时递归算法进行在线学习。本专利技术相对于现有技术的有益效果在于：本专利技术基于递归神经网络的机动载荷控制器具有自适应性，能够实现进行变马赫数飞行的飞机的机动载荷减缓；通过使用递归神经网络的方法，具有结构简单、工作性能稳定性好、鲁棒性高、自适应好的特点，能够对变马赫数飞行的飞机进行有效的自适应机动载荷减缓；本专利技术实现了宽马赫数范围内飞机基于递归神经网络的机动载荷控制器的设计，实现了飞机在复杂的飞行条件下机动载荷的自适应控制。附图说明图1为本专利技术基于递归神经网络的机动载荷控制器结构示意图；图2为本专利技术实现飞机机动载荷减缓的示意图；图3为本专利技术的系统辨识阶段控制面偏转示意图；图4为本专利技术的机动载荷减缓阶段平尾偏转示意图；图5为本专利技术的系统辨识结果示意图；图6为本专利技术的载荷减缓结果示意图；图7为本专利技术的变马赫数载荷减缓示意图；图8为本专利技术的闭环控制面偏转示意图。具体实施方式本专利技术提供一种基于递归神经网络的机动载荷控制器及其控制方法，为使本专利技术的目的、技术方案及效果更加清楚，明确，以及参照附图并举实例对本专利技术进一步详细说明。应当指出此处所描述的具体实施仅用以解释本专利技术，并不用于限定本专利技术。图1为本专利技术基于递归神经网络的机动载荷控制器结构示意图。控制器一个递归辨识神经网络和一个递归控制神经网络连接而成，各采用6个神经元构成网络，神经网络的基本数学模型为：递归辨识网络用于辨识系统的传感器信号。在n时刻，递归辨识网络预测出n+1时刻的信号作为控制网络的输入。递归辨识网络通过实时递归算法进行在线学习。实时递归算法是一种梯度下降法，其主要算法是计算某个特定表达式在每一个时间步的误差梯度。递归辨识神经网络的误差函数为：实际传感器信号与辨识信号的误差在递归辨识神经网络进行辨识的第n个时间步的表达式为：递归辨识神经网络神经元的输出为：辨识过程的目标是通过每个时间步调整权重矩阵，从而使递归辨识网络的设计参数，即Eid达到最小，其具体过程为：递归控制神经网络与递归辨识神经网络结构类似，递归控制神经网络神经元的输出表达式为：目标函数为：系统实际输出与期望输出之间的误差表达式为：目标函数的最小化需对权重矩阵进行迭代：目标函数梯度可表示为：递归控制神经网络仍然使用实时递归算法进行在线学习，具体推导过程如下：式中，nco是递归控制网络输入总数，δtr是克罗内克符号，nhi是隐含输入的数目，即递归控制网络反馈的虚拟输出数目。图2为使用本专利技术基于递归神经网络的机动载荷控制器实现飞机机动载荷减缓的示意图，控制器的输入包括飞机法向过载、飞机的飞行迎角、翼根弯矩，输出包括平尾偏转角度、副翼偏转角度。使用本专利技术基于递归神经网络的机动载荷控制器实现飞机机动载荷减缓分为两个阶段：1、系统辨识；2、机动载荷减缓。具体的实施例如下：在马赫数为0.6下对控制器参数进行设计。系统辨识阶段历时10s，平尾与副翼初始输入如图3所示，递归辨识神经网络参数如下：神经网络学习率：ηid＝0.5激活函数为：递归辨识神经网络最优初始权重矩阵通过数值模拟获得。系统辨识结果如图5所示，可以看出递归辨识网络输出能够快速、准确地追踪系统的开环输出。机动载荷减缓阶段历时10s，开环输入只平尾做偏转，如图4所示。递归控制神经网络参数如下：神经网络学习率：ηco＝0.02激活函数为：递归控制神经网络最优初始权重矩阵通过数值模拟获得。系统控制结果如图6所示。从图中可以看出，在马赫数为0.6时，此基于递归神经网络的机动载荷控制器能够使翼根弯矩比不采用控制器降低26％，并且法向过载和迎角与不本文档来自技高网...

【技术保护点】
一种基于递归神经网络的机动载荷控制器，其特征在于，所述的机动载荷控制器的神经网络由一个递归辨识神经网络和一个递归控制神经网络串联而成。

【技术特征摘要】
1.一种基于递归神经网络的机动载荷控制器，其特征在于，所述的机动载荷控制器的神经网络由一个递归辨识神经网络和一个递归控制神经网络串联而成。2.根据权利要求1所述的基于递归神经网络的机动载荷控制器，其特征在于，所述的递归辨识神经网络与递归控制神经网络的基本数学模型为：vk=Σj=1pwkjuj]]>式中，vk为内部净激活，uj代表输入矢量，wkj代表突触的权重矩阵，为激活函数，yk代表输出矢量，p为包括偏置在内的神经网络输入总数。3.一种基于递归神经网络的机动载荷控制器的控制方法，其特征在于，具体步骤如下：步骤1，将飞机的法向过载信号、迎角以及翼根弯矩信号作为输入，平尾与副翼的偏转作为输出；步骤2，通过调节递归辨识神经网络激活函数的参数和初始权重矩阵对系统辨识；步骤3，通过调节递归控制神经网络激活函数的参数和初始权重矩阵对法向过载、迎角的追踪和对翼根弯矩的抑制。4.根据权利要求3所述的一种基于递归神经网络的机动载荷控制器的控制方法，其特征在于，所述的递归辨识神经网络和递归控制神经网络采用的激活函数为：神经网络静激活vj与输入ui之间满足：vj(n)=Σi=1pwij(n)·ui(n)]]>式中：wij为权重矩阵，vj为神经网络静激活，uj为神经网络输入向量。5.根据权利要求3或4所述的一种基于递归神经网络的机动载荷控制器的控制方法，其特征在于，所述的步骤2具体为：2.1，递归辨识网络通过实时递归算法进行在线学习，计算误差梯度，递归辨识神经网络的误差函数为：Eid(n)=12Σj=1nm[ejid(n)]2]]>式中，Eid为目标函数，nm是传感器总数，是实际传感器信号与辨识信号的误差；2.2，根据实际传感器信号与辨识信号的误差在递归辨识神经网络进行辨识的第n个时间步，表达式为：ejid(n)=yj(n)-y^j(n)]]>递归辨识神经网络神经...

【专利技术属性】
技术研发人员：黄锐，李鸿坤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32