高超声速飞行器分数阶RBF网络控制器优化方法及系统技术方案

本发明专利技术提供了一种高超声速飞行器分数阶RBF网络控制器优化方法及系统，通过根据高超声速飞行器的建模信息构建纵向通道动力学模型，并根据纵向通道动力学模型构建分数阶RBF网络控制器，以及将依此构建的高超声速飞行器飞行仿真环境与预先构建的智能体进行交互训练，得到控制器参数整定智能体后，将获取的高超声速飞行器的实时飞行状态输入控制器参数整定智能体进行参数整定优化，得到最优控制器参数，并将最优控制器参数输入分数阶RBF网络控制器生成飞行控制指令，以及根据飞行控制指令对高超声速飞行器进行飞行控制的方法，提高控制器的控制精度的同时，还能有效降低控制器参数整定优化的难度，实现高超声速飞行器的快速稳定控制。速稳定控制。速稳定控制。

【技术实现步骤摘要】
高超声速飞行器分数阶RBF网络控制器优化方法及系统


[0001]本专利技术涉及高超声速飞行器控制
，特别是涉及一种基于深度强化学习的高超声速飞行器分数阶RBF网络控制器优化方法及系统。

技术介绍

[0002]高超声速飞行器飞行过程中马赫数和攻角变化范围大，且易受到外界干扰，传统的控制方法往往难以获得令人满意的控制性能。同时，高超声速飞行器一般采用固定参数的控制器作为控制策略，在外界干扰较大，飞行环境快速变化的情况下，控制器的性能表现往往不尽人意，甚至会影响系统失稳，造成灾难。然而，高超声速飞行器的控制器往往较为复杂，控制器参数众多，参数整定十分棘手，特别是最优参数值的确定则更为困难。
[0003]因此，亟需提供一种能够适应复杂环境变化的高超声速飞行器的控制器优化方法，以提升控制器的控制精度，进而提升高超声速飞行器飞行过程的稳态性和可靠性。

技术实现思路

[0004]本专利技术的目的是提供一种高超声速飞行器分数阶RBF网络控制器优化方法，通过采用深度强化学习优化技术对基于分数阶微积分理论设计的分数阶RBF神经网络控制本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高超声速飞行器分数阶RBF网络控制器优化方法，其特征在于，所述方法包括以下步骤：根据高超声速飞行器的建模信息，构建所述高超声速飞行器的纵向通道动力学模型；所述建模信息包括飞行器构型；所述纵向通道动力学模型包括速度子系统和高度子系统；根据所述纵向通道动力学模型，构建分数阶RBF网络控制器，并根据所述分数阶RBF网络控制器和所述纵向通道动力学模型，构建高超声速飞行器飞行仿真环境；将预先构建的智能体与所述高超声速飞行器飞行仿真环境进行交互训练，得到控制器参数整定智能体；获取所述高超声速飞行器的实时飞行状态，并将所述实时飞行状态输入所述控制器参数整定智能体进行参数整定优化，得到最优控制器参数；将所述最优控制器参数输入所述分数阶RBF网络控制器，生成对应的飞行控制指令，并根据所述飞行控制指令，对所述高超声速飞行器进行飞行控制。2.如权利要求1所述的高超声速飞行器分数阶RBF网络控制器优化方法，其特征在于，所述飞行器构型为对称型；所述纵向通道动力学模型表示为：其中，V和分别表示高超声速飞行器的飞行速度和对应的一阶导数；h和分别表示高超声速飞行器的飞行高度和对应的一阶导数；γ和分别表示高超声速飞行器的航迹倾角和对应的一阶导数；α和分别表示高超声速飞行器的攻角和对应的一阶导数；Q和分别表示高超声速飞行器的航迹倾角俯仰角速度和对应的一阶导数；η
i
、和分别表示高超声速飞行器的弹性状态、以及对应的一阶导数和二阶导数；m、I
yy
和M
yy
分别表示高超声速飞行器的质量、转动惯量和俯仰力矩；T、D和L分别表示推力、气动阻力和升力；ζ
i
、ω
i
和N
i
分别表示第i个阻尼比、自然频率和广义弹性力；g表示重力加速度。3.如权利要求1所述的高超声速飞行器分数阶RBF网络控制器优化方法，其特征在于，所述分数阶RBF网络控制器包括速度子系统控制器和高度子系统控制器；所述根据所述纵向通道动力学模型，构建分数阶RBF网络控制器的步骤包括：根据分数阶微积分理论，预先构建分数阶RBF神经网络；所述分数阶RBF神经网络的权重采用分数阶梯度下降方法进行更新；通过所述分数阶RBF神经网络分别对速度跟踪非线性函数、倾角跟踪非线性函数、攻角跟踪非线性函数和俯仰角速度跟踪非线性函数进行近似逼近，得到对应的速度跟踪近似非线性函数、倾角跟踪近似非线性函数、攻角跟踪近似非线性函数和俯仰角速度跟踪近似非
线性函数；根据所述速度跟踪近似非线性函数，得到速度子系统控制器的控制模型；所述速度子系统控制器的控制模型表示为：式中，z
V
＝e
V
‑
χ
V
x
V
＝V其中，φ
c
表示油门开度或进气量；和Δ表示常数；e
V
和z
V
分别表示速度误差和对应的跟踪误差；V表示飞行器飞行速度；sig(
·
)表示符号函数；V
d
和分别表示参考指令速度和对应的一阶倒数；表示速度跟踪近似非线性函数；根据所述倾角跟踪近似非线性函数、所述攻角跟踪近似非线性函数和所述俯仰角速度跟踪近似非线性函数，得到高度子系统控制器的控制模型；所述高度子系统控制器的控制模型表示为：式中，z
Q
＝e
Q
‑
χ
Q
χ
Q
＝[V,h,γ,α,Q]其中，γ
c
表示航迹倾角控制量；和表示常数；h
d
和分别表示参考飞行高度和对应的一阶倒数；V表示飞行速度；e
h
表示高度跟踪误差；α
c
表示攻角控制量；和表示常数；γ
d
和分别表示参考航迹倾角和对应的一阶倒数；e
γ
表示航迹倾角跟踪误差；表示倾角跟踪近似非线性函数；Q
c
表示俯仰角速度控制量；和表示常数；e
α
表示攻角跟踪误差；α
d
和分别表示参考攻角和对应的一阶倒数；表示攻角跟踪近似非线性函数；δ
e
表示升降舵偏角；表示升降舵偏角；和Δ表示常数；e
Q
和z
Q
分别表示俯仰角速度误差和对应的跟踪误差；Q
d
和分别表示参考俯仰角速度和对应的一阶倒数；表示俯仰角速度跟踪近似非线性函数；sig(
·
)表示符号函数。4.如权利要求3所述的高超声速飞行器分数阶RBF网络控制器优化方法，其特征在于，
所述分数阶RBF神经网络的权重更新表示为：其中，E表示网络逼近误差指标；和分别表示第i个权重的第t
‑
1次、第t次和第t+1次迭代的更新值；τ表示网络逼近误差指标E对第t次迭代的第i个权重求导的分数阶阶次；β表示学习速率；α表示动量因子；n表示权重个数。5.如权利要求1所述的高超声速飞行器分数阶RBF网络控制器优化方法，其特征在于，所述根据所述分数阶RBF网络控制器和所述纵向通道动力学模型，构建高超声速飞行器飞行仿真环境的步...

【专利技术属性】
技术研发人员：张邦楚，饶水涛，朱威禹，白卓，胡森，谢毅夫，
申请(专利权)人：中山大学，
类型：发明
国别省市：