一种基于增量在线学习的飞行器智能控制方法技术

一种基于增量在线学习的飞行器智能控制方法，属于飞行器智能控制技术领域。方法如下：构建飞行器动力参数辨识神经网络，并获得可在线使用的飞行器动力参数辨识神经网络；设计参考模型、状态空间模型与模型参考自适应控制器；每间隔T时刻对参数辨识网络进行增量调整，获得飞行器参数辨识网络；获得飞行器实时动力参数，解算得到飞行器控制指令。本发明专利技术采用增量学习方法进行飞行器动力参数辨识神经网络的在线增量调整，实现了飞行器参数辨识网络能力在线提升；基于在线增量调整的飞行器参数辨识网络输出结果进行模型参考滑模自适应控制器设计，可有效提升飞行器对突发态势与强不确定性的适应能力，实现飞行器在线高精度控制。实现飞行器在线高精度控制。实现飞行器在线高精度控制。

【技术实现步骤摘要】
一种基于增量在线学习的飞行器智能控制方法


[0001]本专利技术涉及一种基于增量在线学习的飞行器智能控制方法，属于飞行器智能控制


技术介绍

[0002]飞行器飞行过程中面临着飞行环境复杂、任务类型多变、态势突变等强不确定条件下的控制问题，传统控制方法的控制律形式的推导及控制参数的设计均依赖较完善、较确定的模型信息，且设计多需基于某一固定飞行剖面，在飞行器由于任务决策、轨迹在线规划导致飞行状态相较于标称条件偏离较大时，传统控制方法适应能力差，难以满足控制要求。
[0003]传统智能控制方法执行不同任务时需要对智能控制器进行针对性的训练，此外每次训练将遗忘已获得知识，仅可获得适应当前任务的智能控制器，无法满足飞行器在线飞行时任务变更的控制需求，无法应对飞行过程中的突发状况。
[0004]因此，亟待开发一种可实现飞行器控制能力在线提升的新型控制方法。

技术实现思路

[0005]为解决
技术介绍
中存在的问题，本专利技术提供一种基于增量在线学习的飞行器智能控制方法。
[0006]实现上述目的，本专利技术采取下述技术方案：一种基于增量在线学习的飞行器智能控制方法，所述方法包括如下步骤：
[0007]S1：设计线下训练；
[0008]S2：调整线上增量。
[0009]与现有技术相比，本专利技术的有益效果是：
[0010]本专利技术采用基于弹性权重合并的增量学习方法进行飞行器动力参数辨识神经网络的在线增量调整，实现了飞行器参数辨识网络能力在线提升；基于在线增量调整的飞行器参数辨识网络输出结果进行模型参考滑模自适应控制器设计，可有效提升飞行器对突发态势与强不确定性的适应能力，实现飞行器在线高精度控制，克服了现有控制方法适应性不足，可实现飞行器在线飞行控制能力的提升，增强飞行器控制系统的适应性与智能化程度。
附图说明
[0011]图1是本专利技术的流程图；
[0012]图2是本专利技术的模型参考自适应控制器框图。
具体实施方式
[0013]下面将结合本专利技术实施例中的附图，对本专利技术中的技术方案进行清楚、完整地描
述，显然，所描述的实施例仅是专利技术的一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]一种基于增量在线学习的飞行器智能控制方法，所述方法包括如下步骤：
[0015]S1：设计线下训练；
[0016]S101：收集飞行器历史飞行数据集，构建飞行器动力参数辨识神经网络，并利用训练样本进行训练，获得可在线使用的飞行器动力参数辨识神经网络；
[0017]S10101：收集飞行器历史飞行数据集，分别构建飞行器俯仰通道、偏航通道以及滚转通道的动力参数辨识样本库；
[0018]S10102：建立全连接神经网络，采用梯度下降方法利用样本库进行飞行器俯仰通道、偏航通道以及滚转通道的动力参数辨识网络训练，即获得可在线使用的飞行器动力参数辨识神经网络。
[0019]以俯仰通道为例，网络输入为飞行器位置矢量、速度矢量、飞行高度、马赫数以及攻角，输出为俯仰通道动力系数。
[0020]S1010201：激活函数：为避免使用梯度下降算法对神经网络进行优化时出现梯度消失现象，本专利技术采用线性整流函数f(x)＝max(0,x)作为隐藏层的激活函数，以提高神经网络的优化效率；
[0021]S1010202：损失函数：选择均方误差(MSE)作为损失函数：
[0022][0023]式(1)中：
[0024]表示模型预测值；
[0025]表示模型实际值；
[0026]N表示样本数；
[0027]S1010203：优化函数：选择学习率可自适应变化的Adam算法进行神经网络的训练优化。
[0028]S102：基于飞行器特性设计参考模型滑模控制器，设计参考模型、状态空间模型与模型参考自适应控制器。
[0029]S10201：设计参考模型：
[0030]对飞行器而言，其动态特性符合传统的二阶振荡系统特性，则可设计制导指令俯仰角与输出俯仰角之间的关系满足下式：
[0031][0032]式(2)中：
[0033]为时间常数；
[0034]为阻尼比；
[0035]s为微分算子；
[0036]相应地，其时域模型为：
[0037][0038]选取参考模型状态为参考控制输入为u
my
，则俯仰通道参考模型方程为：
[0039][0040]式(4)中：
[0041]θ
m
为弹道倾角；
[0042]ω
zm
为俯仰角速率；
[0043]同理，可以求出偏航通道参考模型方程为：
[0044][0045]式(5)中：
[0046]σ
m
为弹道偏角；
[0047]ω
ym
为偏航角速率；
[0048]ψ
m
为偏航角；
[0049]ξ
ψ
为偏航通道参考模型的期望阻尼系数；
[0050]T
ψ
为偏航通道参考模型的期望时间常数；
[0051]参考控制输入为u
mz
＝ψ
c
，ψ
c
为偏航通道制导指令；
[0052]同理，根据前述思路设计滚转通道的参考模型，则具有二阶振荡特性的滚转通道期望动力学响应模型如下：
[0053][0054]式(6)中：
[0055]γ
m
是滚转角参考模型的输出信号；
[0056]ξ
x
为滚转通道的期望阻尼系数；
[0057]T
x
为滚转通道的期望时间常数；
[0058]γ
c
为滚转角制导指令；
[0059]s为微分算子；
[0060]选取状态变量为X
xm
＝[γ
m
ω
xm
]T
，控制输入为u
mx
＝γ
c
，则滚转通道有
[0061][0062]式(7)中：
[0063]ω
xm
为滚转角速率；
[0064]将俯仰通道、偏航通道以及滚转通道参考模型统一写成状态方程为
[0065][0066]式(8)中：
[0067]X
m
为状态向量；
[0068]A
m
为状态矩阵；
[0069]B
m
为控制矩阵；
[0070]u
m
为控制向量；
[0071]S10202：设计状态空间模型
[0072]通过小扰动线性化方法可得飞行器俯仰通道、偏航通道以及滚转通道状态空间模型，其中俯仰通道状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于增量在线学习的飞行器智能控制方法，其特征在于：所述方法包括如下步骤：S1：设计线下训练；S2：调整线上增量。2.根据权利要求1所述的一种基于增量在线学习的飞行器智能控制方法，其特征在于：所述S1包括如下步骤：S101：构建飞行器动力参数辨识神经网络，并获得可在线使用的飞行器动力参数辨识神经网络；S102：设计参考模型、状态空间模型与模型参考自适应控制器。3.根据权利要求2所述的一种基于增量在线学习的飞行器智能控制方法，其特征在于：所述S101包括如下步骤：S10101：收集飞行器历史飞行数据集，分别构建飞行器俯仰通道、偏航通道以及滚转通道的动力参数辨识样本库；S10102：建立全连接神经网络，采用梯度下降方法利用样本库进行飞行器俯仰通道、偏航通道以及滚转通道的动力参数辨识网络训练，即获得可在线使用的飞行器动力参数辨识神经网络。4.根据权利要求3所述的一种基于增量在线学习的飞行器智能控制方法，其特征在于：所述S10102包括如下步骤：S1010201：激活函数：为避免使用梯度下降算法对神经网络进行优化时出现梯度消失现象，本发明采用线性整流函数f(x)＝max(0,x)作为隐藏层的激活函数，以提高神经网络的优化效率；S1010202：损失函数：选择均方误差(MSE)作为损失函数：式(1)中：表示模型预测值；表示模型实际值；N表示样本数；S1010203：优化函数：选择学习率可自适应变化的Adam算法进行神经网络的训练优化。5.根据权利要求2或4所述的一种基于增量在线学习的飞行器智能控制方法，其特征在于：所述S102包括如下步骤：S10201：设计参考模型：设计制导指令俯仰角与输出俯仰角之间的关系满足下式：式(2)中：为时间常数；
为阻尼比；s为微分算子；相应地，其时域模型为：选取参考模型状态为参考控制输入为u
my
，则俯仰通道参考模型方程为：式(4)中：θ
m
为弹道倾角；ω
zm
为俯仰角速率；同理，可以求出偏航通道参考模型方程为：式(5)中：σ
m
为弹道偏角；ω
ym
为偏航角速率；ψ
m
为偏航角；ξ
ψ
为偏航通道参考模型的期望阻尼系数；T
ψ
为偏航通道参考模型的期望时间常数；参考控制输入为u
mz
＝ψ
c
，ψ
c
为偏航通道制导指令；同理，滚转通道期望动力学响应模型如下：式(6)中：γ
m
是滚转角参考模型的输出信号；ξ
x
为滚转通道的期望阻尼系数；T
x
为滚转通道的期望时间常数；γ
c
为滚转角制导指令；s为微分算子；选取状态变量为X
xm
＝[γ
m ω
xm
]
T
，控制输入为u
mx
＝γ
c
，则滚转通道有
式(7)中：ω
xm
为滚转角速率；将俯仰通道、偏航通道以及滚转通道参考模型统一写成状态方程为式(8)中：X
m
为状态向量；A
m
为状态矩阵；B
m
为控制矩阵；u
m
为控制向量；S10202：设计状态空间模型通过小扰动线性化方法可得飞行器俯仰通道、偏航通道以及滚转通道状态空间模型，其中俯仰通道状态空间模型为：式(9)中：θ为飞行器弹道倾角；为飞行器俯仰角；ω
z
为飞行器俯仰角速率；为飞行器俯仰舵偏角；F
y
为俯仰方向外界干扰量及未建模动态；为飞行器动力系数；同理可得：偏航通道状态空间模型为：式(10)中：σ为飞行器弹道偏...

【专利技术属性】
技术研发人员：韦常柱，浦甲伦，刘哲，朱光楠，徐磊，
申请(专利权)人：哈尔滨逐宇航天科技有限责任公司，
类型：发明
国别省市：