基于复合学习的非最小相位飞行器神经网络控制方法技术

本发明专利技术涉及一种基于复合学习的非最小相位飞行器神经网络控制方法，首先将飞行器纵向通道模型分解为速度子系统和高度子系统，针对速度子系统采用PID控制，针对高度子系统采用反步法控制。对高度子系统，基于输出重定义使不稳定的内动态变为渐进稳定的内动态，对输出重定义后的系统内动态进行坐标转换，推导出用于控制器设计的俯仰角指令；针对系统存在的未知非线性动力学采用神经网络进行估计，设计建模误差信号并结合跟踪误差给出复合学习算法，提高神经网络对非线性动力学的逼近性能。本发明专利技术利用输出重定义实现内动态稳定，基于复合学习神经网络估计飞行器不确定动力学，可为非最小相位飞行器控制提供新的思路。

Neural network control method for non minimum phase aircraft based on compound learning

The invention relates to a neural network control method for non-minimum phase aircraft based on compound learning. Firstly, the longitudinal channel model of aircraft is decomposed into speed subsystem and height subsystem, and PID control is adopted for speed subsystem and backstepping control for height subsystem. For high subsystem, based on output redefinition, the unstable internal dynamics is transformed into asymptotically stable internal dynamics. The coordinate transformation of the output redefined internal dynamics is carried out, and the pitch angle instructions for controller design are derived. The neural network is used to estimate the unknown nonlinear dynamics of the system, and the design and construction are carried out. Combining the modulus error signal with the tracking error, a compound learning algorithm is proposed to improve the approximation performance of the neural network to the nonlinear dynamics. The invention realizes internal dynamic stability by output redefinition, estimates uncertain dynamics of aircraft based on compound learning neural network, and provides a new idea for control of non-minimum phase aircraft.

【技术实现步骤摘要】
基于复合学习的非最小相位飞行器神经网络控制方法
本专利技术涉及一种飞行器控制方法，特别是涉及一种基于复合学习的非最小相位飞行器神经网络控制方法，属于飞行器控制领域。
技术介绍
面对军用和民用领域对飞行器技术提出的新需求，现代飞行器飞行包络不断扩大，飞行器创新的构型设计及复杂的飞行环境，导致飞行器动力学具有复杂非线性和强不确定性等特点，飞行器升降舵与气动力之间存在耦合，导致飞行器呈现出非最小相位特性。非最小相位特性使得动态逆设计无法直接应用，目前大多通过加入鸭翼操纵面补偿升降舵对升力的影响，使系统变为最小相位系统，但鸭翼的加入会使系统气动热加剧。《Adaptiverestrictedtrajectorytrackingforanon-minimumphasehypersonicvehiclemodel》(LisaFiorentini,AndreaSerrani,Automatica,2012,48(7):1248-1261)一文针对高超声速飞行器非最小相位模型，采用输出重定义方法对线性参数化模型进行自适应鲁棒控制器设计，但实际中线性参数化模型不易获取，不利于工程应用。
技术实现思路
要解决本文档来自技高网...

【技术保护点】
1.一种基于复合学习的非最小相位飞行器神经网络控制方法，其特征在于步骤如下：步骤1：考虑具有非最小相位特性的飞行器纵向通道动力学模型：

【技术特征摘要】
1.一种基于复合学习的非最小相位飞行器神经网络控制方法，其特征在于步骤如下：步骤1：考虑具有非最小相位特性的飞行器纵向通道动力学模型：所述动力学模型由五个状态量X＝[V,h,γ,α,q]T和两个控制输入U＝[δe,Φ]T组成；其中，V表示速度，h表示高度，γ表示航迹倾角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，Φ表示节流阀开度；T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩；m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；相关的力、力矩及参数定义如下：其中表示动压，ρ表示空气密度，均表示气动参数，表示平均气动弦长，zT表示推力矩臂长，S表示气动参考面积；步骤2：针对速度子系统(1)，定义速度跟踪误差为：式中，Vd表示速度指令；设计节流阀开度Φ为：式中，kpV>0，kiV>0和kdV>0为设计参数；步骤3：针对高度子系统(2)-(5)，定义高度跟踪误差设计航迹角指令γd为：其中，hd表示高度参考指令，表示高度参考指令的一阶微分，kh>0和ki>0为设计参数；根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分为：其中，表示高度参考指令的二阶微分；将姿态子系统的输出由航迹角γ重定义为俯仰角θ，其中θ...

【专利技术属性】
技术研发人员：许斌，王霞，杨林，肖勇，张君，蔡华，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61