基于改进EKF状态观测器的飞行器自适应跟踪控制方法技术

本发明专利技术涉及一种基于改进EKF状态观测器的飞行器自适应跟踪控制方法，属于飞行控制方法领域，用于解决飞行器存在随机测量噪声以及模型不确定性下的飞行器跟踪控制问题。考虑系统状态含有随机测量噪声，基于飞行器动力学模型和测量信号构建系统状态方程和量测方程，利用改进的EKF滤波器实现系统估计值的快速收敛；基于状态估计值，针对系统模型不确定设计自适应律，并通过最小参数估计方法估计神经网络权值向量的最大范数，基于Nussbaum函数设计实际控制输入，最终实现速度和高度的跟踪。本发明专利技术在考虑系统含有测量噪声的情况下实现了状态估计的快速收敛，并同时保证了飞行器在模型不确定下实现速度和高度的跟踪控制，具有工程应用参考价值。用参考价值。用参考价值。

【技术实现步骤摘要】
基于改进EKF状态观测器的飞行器自适应跟踪控制方法


[0001]本专利技术涉及一种飞行控制方法，特别是涉及基于改进EKF状态观测器的飞行器自适应跟踪控制方法，属于飞行控制方法领域。

技术介绍

[0002]飞行控制系统设计是保证飞机安全飞行的重要基础。反步法常用于高阶飞行控制系统的设计，它通过设计中间虚拟控制量以递推的方式得到实际控制量，结构简单，但存在“复杂度爆炸”问题。为解决这个问题，动态面以及指令滤波被提出。此外，考虑实际系统存在模型不确定性，神经网络和模糊逻辑可以对任意非线性函数进行有效近似，因此常用于控制系统的设计。目前，大部分飞行控制方法都是基于系统状态可获得的假设条件，在实际工程中，由于传感器对环境变化敏感以及其固件自身磨损和老化，系统状态存在测量噪声。扩展卡尔曼滤波器(Extended Kalman Filter，EKF)可以基于已有测量信息实现系统真实状态估计，但收敛速度受到模型舍入误差和噪声大小的影响，较慢的收敛速度会降低系统控制性能。
[0003]《Unscented Kalman filter state estimation for manipulating unmanned aerial vehicles》(H.Bonyan Khamseh,S.Ghorbani,F.Janabi
‑
Sharifi，《Aerospace Science and Technology》，2019年)分别设计了EKF和UKF实现系统状态估计，并基于状态估计值设计性能指标最优控制器实现稳定跟踪，仿真结果表明采用UKF和EKF都可以实现状态有效估计，并保证系统稳定跟踪。但是，EKF和UKF状态观测器的收敛速度受到初值和模型误差的影响，当考虑模型不确定时，系统的鲁棒性降低，达不到期望的控制效果。

技术实现思路

[0004]要解决的技术问题
[0005]为了避免现有技术的不足之处，本专利技术提出一种基于改进EKF状态观测器的飞行器自适应跟踪控制方法，以解决飞行器状态存在随机噪声以及模型不确定性时的跟踪控制问题。
[0006]技术方案
[0007]一种基于改进EKF状态观测器的飞行器自适应跟踪控制方法，其特征在于步骤如下：
[0008]步骤1：考虑飞行器纵向动力学模型为
[0009][0010][0011][0012][0013][0014]其中，状态变量[V,h,γ,α,q]T
分别表示速度、高度、航迹角、迎角和俯仰角速度；D、L和M
A
分别表示阻力、升力和俯仰力矩；m、I
y
和g分别表示飞行器质量、y轴的转动惯量和重力加速度；T表示发动机推力；(1)
‑
(5)中相关气动力和力矩的定义如下
[0015][0016]其中，ρ
h
表示空气密度；S表示机翼面积；表示平均气动弦长；表示动压；C
L
，C
D
和C
M
分别表示总的气动升力系数、阻力系数和俯仰力矩系数；分别表示总的气动升力系数、阻力系数和俯仰力矩系数；表示气动导数；l
i
,i＝1,
…
,8表示推力系数；z
T
表示推力力臂；输入变量[Φ,δ
e
]T
分别表示燃料当量比和升降舵偏角；
[0017]考虑测量噪声，系统测量信号为
[0018][0019]其中，n
i
,i＝1,
…
,5表示测量噪声，h
m
,γ
m
,α
m
,q
m
,V
m
表示测量信号；
[0020]步骤2：选择X＝[V h γ α q]T
为状态量，根据动力学模型(1)
‑
(5)建立系统状态方程：
[0021][0022]其中，w(t)＝[d
V
(t) d
h
(t) d
γ
(t) d
α
(t) d
q
(t)]T
表示过程噪声；f0(X,u,t)∈R5表示(1)
‑
(5)的标称模型；u＝[Φ,δ
e
]T
表示输入；
[0023]选择y
m
＝[V
m h
m γ
m α
m q
m
]T
为量测量，根据(6)建立量测方程
[0024]y
m
＝CX+v(t)
ꢀꢀꢀ
(8)
[0025]其中，C＝I5表示量测阵；v(t)＝[n
1 n
2 n
3 n
4 n5]T
∈R5×1表示量测噪声；
[0026]信号w(t)和v(t)被建模为高斯白噪声，并满足
[0027][0028]其中，Q
f
∈R5×5≥0表示噪声协方差矩阵，R
f
∈R5×1>0表示量测噪声协方差矩阵，
[0029]根据方程(7)
‑
(9)构建连续扩展卡尔曼滤波器
[0030][0031]其中，表示状态估计值；K
f
＝P
f
C
T
R
‑1∈R5×5表示滤波增益矩阵；表示状态估计协方差，κ≥0表示待设计参数；为f0在处的一阶偏导数；
[0032]步骤3：根据动力学模型(1)，速度子系统转换成以下形式
[0033][0034]其中，
[0035]定义x1＝h，x2＝γ，x3＝θ
p
，x4＝q，飞行器高度子系统(2)
‑
(5)转换成以下形式
[0036][0037]其中，i＝1,2,3，其中，i＝1,2,3，G3(t)＝g3B2(t)，(t)，
[0038]定义速度跟踪误差其中，V
d
表示速度指令；设计控制器为
[0039][0040]其中，k
V
>0是控制增益参数，λ
V
>0是待设计的参数；是Nussbaum函数；是θ
V
的估计值，θ
V
在下一步设计中给出；在下一步设计中给出；W
V
表示神经网络权值，P
V
表示基函数向量，ε
V
表示神经网络近似误差；
[0041]基于高度子系统(12)，利用反步法设计控制器；定义估计误差设计自适应律为
[0042][0043][0044]其中，σ
V
>0，μ
V
>0，a
V
>0是待设计参数；
[0045]定义高度跟踪误差其中，x
d
＝h<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进EKF状态观测器的飞行器自适应跟踪控制方法，其特征在于步骤如下：步骤1：考虑飞行器纵向动力学模型为步骤1：考虑飞行器纵向动力学模型为步骤1：考虑飞行器纵向动力学模型为步骤1：考虑飞行器纵向动力学模型为步骤1：考虑飞行器纵向动力学模型为其中，状态变量[V,h,γ,α,q]
T
分别表示速度、高度、航迹角、迎角和俯仰角速度；D、L和M
A
分别表示阻力、升力和俯仰力矩；m、I
y
和g分别表示飞行器质量、y轴的转动惯量和重力加速度；T表示发动机推力；(1)
‑
(5)中相关气动力和力矩的定义如下其中，ρ
h
表示空气密度；S表示机翼面积；表示平均气动弦长；表示动压；C
L
，C
D
和C
M
分别表示总的气动升力系数、阻力系数和俯仰力矩系数；别表示总的气动升力系数、阻力系数和俯仰力矩系数；表示气动导数；l
i
,i＝1,
…
,8表示推力系数；z
T
表示推力力臂；输入变量[Φ,δ
e
]
T
分别表示燃料当量比和升降舵偏角；考虑测量噪声，系统测量信号为其中，n
i
,i＝1,
…
,5表示测量噪声，h
m
,γ
m
,α
m
,q
m
,V
m
表示测量信号；步骤2：选择X＝[V h γ α q]
T
为状态量，根据动力学模型(1)
‑
(5)建立系统状态方程：其中，w(t)＝[d
V
(t) d
h
(t) d
γ
(t) d
α
(t) d
q
(t)]
T
表示过程噪声；f0(X,u,t)∈R5表示(1)
‑
(5)的标称模型；u＝[Φ,δ
e
]
T
表示输入；选择y
m
＝[V
m h
m γ
m α
m q
m
]
T
为量测量，根据(6)建立量测方程y
m
＝CX+v(t)
ꢀꢀꢀ
(8)其中，C＝I5表示量测阵；v(t)＝[n
1 n
2 n
3 n
4 n5]
T
∈R5×1表示量测噪声；信号w(t)和v(t)被建模为高斯白噪声，并满足
其中，Q
f
∈R5×5≥0表示噪声协方差矩阵，R
f
∈R5×1&gt;0表示量测噪声协方差矩阵，根据方程(7)
‑
(9)构建连续扩展卡尔曼滤波器其中，表示状态估计值；K
f
＝P
f
C
T
R
‑1∈R5×5表示滤波增益矩阵；表示状态估计协方差，κ≥0表示待设计参数；为f0在处的一阶偏导数；步骤3：根据动力学模型(1)，速度子系统转换成以下形式...

【专利技术属性】
技术研发人员：许斌，梁帅，孙绍山，陶呈纲，
申请(专利权)人：中国航空工业集团公司成都飞机设计研究所，
类型：发明
国别省市：