一种高超声速飞行器的数据驱动学习控制方法技术

本发明专利技术属于高超声速飞行器控制技术领域，涉及一种高超声速飞行器的数据驱动学习控制方法。本发明专利技术的目的是为了提供基于数据驱动的学习控制方法实现非最小相位高超声速飞行器稳定跟踪控制。该方法包括构建非最小相位高超声速飞行器的纵向动力学模型；通过对输出重定义实现系统的零动态重构；基于深度Koopman算子理论，使用预先收集的数据集训练径向基神经网络的权重，对输出重定义动态方程进行精确建模。设计基于数据驱动的输出重定义优化学习控制器，实现对参考指令的稳定跟踪。该方法是一种高超声速飞行器的数据驱动学习控制方法及系统，且具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术属于高超声速飞行器控制，涉及一种高超声速飞行器的数据驱动学习控制方法。

技术介绍

1、由于高超声速飞行器多采用尾控式布局，传统建模无法忽略升降舵对升力的影响，动力学模型表现为非最小相位特性。非最小相位特性作为影响高超声速飞行器安全飞行的潜在风险，若控制器设计不当将会导致零动态发散，破坏系统的稳定性。对于非最小相位系统，不仅要考虑输出跟踪，还要考虑零动态的镇定。特别对于高超声速飞行器机动爬升初期，为了确保飞行安全和稳定控制，能够克服模型中存在的不稳定零动态至关重要。

2、专利“基于在线数据学习的高超声速飞行器神经网络控制方法”(专利，西北工业大学，cn 107479382 b，20191022)提出了一种基于在线数据学习的高超声速飞行器神经网络控制方法，能够解决现有高超声速飞行器控制方法稳定性差的技术问题。然而，该方法在设计过程中步骤相对繁琐，神经网络控制系统需要在极短的时间内完成复杂的计算，以保证控制命令的实时性不利于工程实现，影响飞行器的操作安全性和控制精度。此外，该方法忽略了高超声速飞行器非最小相位特性的影响，对于高超声速飞行器的本文档来自技高网...

【技术保护点】

1.一种高超声速飞行器的数据驱动学习控制方法，其特征在于，包括：构建非最小相位高超声速飞行器的纵向动力学模型；通过对输出重定义实现系统的零动态重构；基于深度Koopman算子理论，使用预先收集的数据集训练径向基神经网络的权重，对输出重定义动态方程进行精确建模；设计基于数据驱动的输出重定义优化学习控制器，实现对参考指令的稳定跟踪；具体如下：

【技术特征摘要】

1.一种高超声速飞行器的数据驱动学习控制方法，其特征在于，包括：构建非最小相位高超声速飞行器的纵向动力学模型；通过对输出重定义实现系统的零动态重构；基于深度koopman...

【专利技术属性】
技术研发人员：王冠，金泽宇，刘凯，王海清，李家鑫，董哲，秦佳楠，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：