一种高超声速飞行器滑模控制方法技术

本发明专利技术涉及一种高超声速飞行器滑模控制方法，其可包括以下步骤：S1.将高超声速飞行器的非线性动力学模型转化为状态相关的线性模型；S2.设计单隐藏层前馈网络的极限学习机自适应神经网络干扰观测器，以逼近系统受到的干扰和参数不确定性；以及S3.设计基于幂函数趋近律的滑模控制律，以抑制滑模控制的抖振现象。本方法易于实现，不会出现抖振现象，能够实现高超声速飞行器的输出参考信号的无静差跟踪。踪。踪。

【技术实现步骤摘要】
一种高超声速飞行器滑模控制方法


[0001]本专利技术涉及自动控制领域，具体地涉及一种高超声速飞行器滑模控制方法。

技术介绍

[0002]由于在民用和军用方面的许多潜在应用，吸气式高超声速飞行器(AHV)的研究受到广泛关注。在飞行过程中，HV的气动参数急剧变化，飞行环境不断变化，因此数学模型具有复杂性、参数不确定性和非线性的特点。此外，由于HV独特的气动结构，气动、推进系统和结构动力学之间的相互作用很强，使得HV对不确定性很敏感。因此，对于HV，控制系统的鲁棒性在控制器设计中非常重要。
[0003]作为一种非线性鲁棒控制方法，滑模控制可以充分补偿匹配不确定性，包括未建模动力学、参数不确定和外部扰动。近年来，各种滑模控制(SMC)策略被用于高超声速飞行器的控制中。这些方法可以在匹配干扰下获得高超声速飞行器的鲁棒控制。然而，HV的低阶SMC存在高频控制开关引起的抖振现象。虽然通过引入自适应律和通过高阶SMC来处理抖动从不同方面提高了鲁棒跟踪性能，但复杂度高，不易实现。因此，如何为HV设计一种不存在抖振的且易于实现的滑模控制器是一项具有实际应用价值的工作。
[0004]此外，HV所经历的扰动包括滑模控制无法处理的不匹配干扰。虽然有学者提出将反步法与滑模控制相结合来处理不匹配不确定性，但它需要对虚拟控制器的时间导数进行繁琐的分析计算。最近，为了处理不匹配干扰，基于非线性干扰观测器(NDO)的控制提供了一种很有前途的思路。基于动态反演控制，有学者提出了一种滑模扰动观测器来处理不匹配干扰和参数不确定性。此外，神经逼近已被证明是提高HV控制器的不确定性衰减能力的有力工具。虽然此方法获得了良好的控制性能，但仍然是反步法的思想，设计过程复杂。考虑到外部干扰和参数的不确定性，有学者提出了一种ANNDO来抑制干扰，该方法得到良好的跟踪性能，但神经网络输入加权和输出加权的自适应律推导过于复杂。

技术实现思路

[0005]本专利技术旨在提供一种高超声速飞行器滑模控制方法，以解决上述问题。为此，本专利技术采用的具体技术方案如下：
[0006]一种高超声速飞行器滑模控制方法，其可包括以下步骤：
[0007]S1.将高超声速飞行器的非线性动力学模型转化为状态相关的线性模型；
[0008]S2.设计单隐藏层前馈网络的极限学习机自适应神经网络干扰观测器，以逼近系统受到的干扰和参数不确定性；以及
[0009]S3.设计基于幂函数趋近律的滑模控制律，以抑制滑模控制的抖振现象。
[0010]本专利技术采用上述技术方案，具有的有益效果是：本方法易于实现，不会出现抖振现象，能够实现高超声速飞行器的输出参考信号的无静差跟踪。
附图说明
[0011]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
[0012]图1是本专利技术的一种高超声速飞行器滑模控制方法的流程图；
[0013]图2是正参数不确定性下的输出曲线和迎角响应曲线图，其中，(a)、(b)(c)分别示出了高度跟踪曲线、速度跟踪曲线和迎角响应曲线；
[0014]图3是正参数不确定性下的控制信号的曲线图；其中，(a)和(b)分别示出了油门和升降舵的控制信号；
[0015]图4是负参数不确定性下的输出曲线和迎角响应曲线图，其中，(a)、(b)(c)分别示出了高度跟踪曲线、速度跟踪曲线和迎角响应曲线；
[0016]图5是负参数不确定性下的控制信号的曲线图；其中，(a)和(b)分别示出了油门和升降舵的控制信号；
[0017]图6是外部干扰下的输出曲线和迎角响应曲线图，其中，(a)、(b)(c)分别示出了高度跟踪曲线、速度跟踪曲线和迎角响应曲线；
[0018]图7是外部干扰下的控制信号的曲线图；其中，(a)和(b)分别示出了油门和升降舵的控制信号；
[0019]图8是实际干扰和干扰估计的曲线图，其中(a)
‑
(e)分别示出了速度回路、航迹角回路、高度回路、迎角回路和俯仰角速率回路。
具体实施方式
[0020]现结合附图和具体实施方式对本专利技术进一步说明。
[0021]如图1所示，一种高超声速飞行器滑模控制方法可包括以下步骤：
[0022]S1.将高超声速飞行器的非线性动力学模型转化为状态相关的线性模型。
[0023]考虑NASA兰利研究中心开发的高超声速飞行器的纵向动态模型
[0024][0025]其中，
[0026][0027]空气动力系数与飞行条件相关，本申请中考虑的为标称巡航条件V＝15060ft/s,h
＝110000ft,γ＝0rad,q＝0rad/s。参数不确定建模为标称值的加性干扰，其计算公式如下：
[0028][0029]其中，m0,I0,S0,μ0,ρ0,R0表示参数的标称值,Δm,ΔI,ΔS,Δρ,Δc
e
,ΔC
Mα
为相关的参数不确定性。
[0030]考虑外部干扰和参数不确定性，非线性模型可以写成
[0031][0032]式中，u＝[β,δ
e
]T
,x＝[V,γ,h,α,q]T
,y＝[V,h]T
,d＝[d1,d2,d3,d4,d5]T
表示外部干扰，Δf表示由物理和空气动力学参数扰动引起的不确定性。把外部干扰和参数不确定性当作一个整体的扰动，则非线性模型可以表示为
[0033][0034]其中，d
s
＝Δf+d表示整体扰动。系统可以转换为如下状态相关系数的状态空间模型
[0035][0036]其中，
[0037][0038]输入矩阵这里，是动压，在化简A(x)，B(x)时，假设sinγ≈γ且β＜1。做这样的假设是合理的，因为在平衡巡航条件下γ接近于0且油门开度β是小于1的。
[0039]S2.设计单隐藏层前馈网络的极限学习机自适应神经网络干扰观测器，以逼近系统受到的干扰和参数不确定性。
[0040]极限学习机是一种单隐层前馈网络，由于它的输入加权和隐含层的参数不需要调节，它的学习速度比传统的前馈神经网络快得多。单隐层前馈神经网络的输出为
[0041][0042]其中，β
i
是第i个隐含节点到输出的加权，g(x,ω
i
,b
i
)是第i个隐含节点的激活函数，ω
i
和b
i
是激活函数的参数。
[0043]激活函数有两种。对于加性隐含节点，一般用sigmoid函数作为激活函数
[0044][0045]其中，ω
i
和b
i
分别为第i个隐含结点的输入加权和偏置。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高超声速飞行器滑模控制方法，其特征在于，包括以下步骤：S1.将高超声速飞行器的非线性动力学模型转化为状态相关的线性模型；S2.设计单隐藏层前馈网络的极限学习机自适应神经网络干扰观测器，以逼近系统受到的干扰和参数不确定性；以及S3.设计基于幂函数趋近律的滑模控制律，以抑制滑模控制的抖振现象。2.如权利要求1所述的高超声速飞行器滑模控制方法，其特征在于，S1的具体过程如下：S11.考虑外部干扰和参数不确定性，将高超声速飞行器的非线性模型写成y＝Cx，其中，非线性模型为NASA兰利研究中心开发的高超声速飞行器的纵向动态模型，u＝[β,δ
e
]
T
，x＝[V,γ,h,α,q]
T
，y＝[V,h]
T
，d＝[d1,d2,d3,d4,d5]
T
表示外部干扰，Δf表示由物理和空气动力学参数扰动引起的不确定性；S12.外部干扰和参数不确定性当作一个整体的扰动，则非线性模型可以表示为y＝Cx，其中，d
s
＝Δf+d表示整体扰动；S13.将系统转换为如下状态相关系数的状态空间模型：y＝Cx，其中，输入矩阵这里，是动压，在化简A(x)，B(x)时，假设sinγ≈γ且β＜1。3.如权利要求2所述的高超声速飞行器滑模控制方法，其特征在于，S2的具体过程如
下：S21.为了估计系统的扰动，设计了以下基于极限学习机的自适应神经网络扰动观测器：其中，z是干扰观测器的状态，λ＞0是设计的增益系数；S22.使用基于极限学习机确定参数的前馈神经网络来近似扰动，扰动估计为：其中，e
d
＝x
‑
z是扰动观测误差，作为神经网络的输入，ω＝[ω1,ω2,
…
,ω
L
]
T
∈R
L
×
n
，L是隐藏层节点的数量，n是输入状态的维度；b＝[b1,b2,
…
,b
L
]∈R
L
×1是隐层节点参数；β∈R
n
×
L
表示输出层的权重；h∈R
L
×1表示隐藏层的输出；S23.ω＝[ω1,ω2,
…
,ω
L
]
T

【专利技术属性】
技术研发人员：高海燕，陈智超，林柯，
申请(专利权)人：厦门理工学院，
类型：发明
国别省市：