基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法技术

本发明专利技术公开了一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法，用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近，控制器设计简单，便于工程实现；考虑控制增益函数未知，引入其上下界信息，设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式，有效避免了采用神经网络对未来所需虚拟控制量的逼近；针对系统不确定性，设计鲁棒项，保证系统稳定性；构造建模误差设计神经网络复合学习更新律，提高神经网络学习速度。

Neural network complex learning control method for hypersonic vehicle based on robust design

The invention discloses a neural network compound learning control method for hypersonic vehicle based on robust design, which is used to solve the technical problems of existing hypersonic vehicle control methods with poor practicability. The technical scheme is the attitude subsystem in strict feedback form transformation, output feedback form, with a high gain observer for the new definition of variable estimation, provide the basis for subsequent controller design; controller system considering the lumped uncertainty approximation need only one neural network, the controller is simple and easy to implement in engineering control; the gain function is unknown, the upper and lower bounds on the design of robust information, to ensure the stability of the system. Because of the strict feedback form is converted to the output feedback form, avoid using neural network approximation to the virtual control of the future; the system uncertainties, robust design, ensure the stability of the system; structure modeling error design of neural network hybrid learning update law, improve the learning speed of the neural network.

【技术实现步骤摘要】
基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法
本专利技术涉及一种高超声速飞行器控制方法，特别涉及一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法。
技术介绍
高超声速飞行器作为一种具有快速打击能力的高精尖武器，引起了许多军事大国的高度重视。由于自身采用发动机/机体的一体化设计，加之复杂的动力学模型和飞行环境，高超声速飞行器具有强非线性和强不确定性等特性。这些特点使得高超声速飞行器控制器设计面临着巨大挑战。因此，不确定性的处理对高超声速飞行器安全飞行至关重要。反步法作为一种典型控制方法被广泛应用于高超声速飞行器控制中。但传统反步法设计存在固有缺陷。采用反步法设计控制器，需要针对虚拟控制量进行反复微分，这会造成以下问题：(1)反复微分会造成控制设计“复杂度爆炸”问题；(2)控制器设计过程较为复杂，不利于工程实现。当前动态面和指令滤波方法被用来解决“复杂度爆炸”问题，但仍需反复设计虚拟控制量，过程繁琐。《Neuralnetworkbaseddynamicsurfacecontrolofhypersonicflightdynamicsusingsmall-gaintheorem》(BinXu,QiZhang,YongpingPan，《Neurocomputing》，2016年第173卷第3期)一文通过设计虚拟控制量(俯仰角、俯仰角速度)实现对航迹角和俯仰角的控制，最后利用舵偏角控制俯仰角速度；该动态面设计仍需逐步设计虚拟控制量并对每个通道的不确定性进行处理，设计过程繁琐，不利于工程实现。
技术实现思路
为了克服现有高超声速飞行器控制方法实用性差的不足，本专利技术提供一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法。该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近，控制器设计简单，便于工程实现；考虑控制增益函数未知，引入其上下界信息，设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式，有效避免了采用神经网络对未来所需虚拟控制量的逼近；针对系统不确定性，充分利用控制增益函数上下界信息，设计鲁棒项，保证系统稳定性；构造建模误差设计神经网络复合学习更新律，提高神经网络学习速度，实用性好。本专利技术解决其技术问题所采用的技术方案：一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法，其特点是包括以下步骤：(a)建立高超声速飞行器纵向通道动力学模型为：所述的纵向通道动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；(b)定义高度跟踪误差其中hd为高度参考指令；设计航迹角指令γd为：其中，kh>0和ki>0由设计者给定，为高度参考指令的一阶导数；根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：其中，为高度参考指令的二阶导数；考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；(c)定义姿态Xa＝[x1,x2,x3]T，其中x1＝γ，x2＝θp，x3＝q，θp＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；姿态子系统(3)-(5)写成以下严格反馈形式：其中，fi,i＝1,2,3和gi,i＝1,2,3为根据(3)-(5)式得到的未知项，且已知量和gi分别为函数gi的上下界；(d)定义新的状态量Z＝[z1,z2,z3]T，其中其中a2，b2为fi，gi，i＝1,2复杂表达，为中间过程变量；将姿态子系统(8)转换为以下输出反馈形式：其中a3是X的未知函数，b3＝g1g2g3；(e)设计高增益观测器如下其中，ε>0，d1>0，d2>0；利用高增益观测器对状态量Z＝[z1,z2,z3]T进行估计，得到其估计值其中(f)针对姿态子系统，定义Yd如下所示：则向量E和滤波跟踪误差S的估计值如下：其中，Λ＝[λ2,2λ]T，λ>0；对于未知函数a3(X)，用神经网络来逼近其中，是神经网络最优权重向量的估计值，θa(X)为神经网络基函数向量；对于控制增益函数b3，满足其中和b3分别是b3的上界和下界，定义则b3可表示为b3＝bmΔb(15)其中，Δb是乘性不确定性且满足设计控制器其中，kA>0是控制增益参数；鲁棒项ur设计如下：定义建模误差zNN如下:其中由下式得到神经网络权值的更新律如下：其中，γa，γz，γka，δa是正参数；(g)定义速度跟踪误差ZV＝V-Vd,其中Vd为速度参考指令；设计速度控制器如下：β＝-kVZV-lVsgn(ZV)(21)其中，kV,lV是由设计者给定的正参数；(h)根据得到的舵偏角δe和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。本专利技术的有益效果是：该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近，控制器设计简单，便于工程实现；考虑控制增益函数未知，引入其上下界信息，设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式，有效避免了采用神经网络对未来所需虚拟控制量的逼近；针对系统不确定性，充分利用控制增益函数上下界信息，设计鲁棒项，保证系统稳定性；构造建模误差设计神经网络复合学习更新律，提高神经网络学习速度，实用性好。下面结合附图和具体实施方式对本专利技术作详细说明。附图说明图1是本专利技术基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法的流程图。具体实施方式参照图1。本专利技术基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法具体步骤如下：(a)建立高超声速飞行器纵向通道动力学模型：该纵向通道动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；相关的力矩及参数定义如下：CM(α)＝-0.035α2+0.036617α+5.3261×10-6，CM(δe)＝0.0292(δe-α)，其中，ρ表示空气密度，S表示气动参考面积，表示平均气动弦长，Cx,x＝L,D,T,M表示力和运动系数；(b)定义高度跟踪误差其中hd为高度参考指令，由设计者给定；设计航迹角指令γd为：其中，kh>0和ki>0由设计者给定，为高度参考指令的一阶导数；根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：其中，为高度参考指令的二阶导数；考虑到巡航段高超声速飞行器的航迹角变化较小，故可本文档来自技高网...

【技术保护点】
一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法，其特征在于包括以下步骤：(a)建立高超声速飞行器纵向通道动力学模型为：

【技术特征摘要】
1.一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法，其特征在于包括以下步骤：(a)建立高超声速飞行器纵向通道动力学模型为：所述的纵向通道动力学模型由五个状态变量X＝[V,h,α,γ,q]T和两个控制输入U＝[δe,β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；(b)定义高度跟踪误差其中hd为高度参考指令；设计航迹角指令γd为：其中，kh>0和ki>0由设计者给定，为高度参考指令的一阶导数；根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：其中，为高度参考指令的二阶导数；考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；(c)定义姿态Xa＝[x1,x2,x3]T，其中x1＝γ，x2＝θp，x3＝q，θp＝α+γ；因为Tsinα远小于L，在控制器设计过程中近似忽略；姿态子系统(3)-(5)写成以下严格反馈形式：其中，fi,i＝1,2,3和gi,i＝1,2,3为根据(3)-(5)式得到的未知项，且已知量和gi分别为函数gi的上下界；(d)定义新的状态量Z＝[z1,z2,z3]T，其中其中a2，b2为fi，gi，i＝1,2复杂表达，为中间过程变量；将姿态子系统(8)转换为以下输出反馈形式：

【专利技术属性】
技术研发人员：许斌，程怡新，郭雨岩，张睿，
申请(专利权)人：西北工业大学，西北工业大学深圳研究院，
类型：发明
国别省市：陕西,61