本发明专利技术公开了一种基于等价模型的高超声速飞行器离散神经网络自适应控制方法，用于解决现有的高超声速飞行器离散自适应控制难以工程实现的技术问题；该方法首先将高超声速飞行器的高度子系统模型转化为严格反馈形式，再通过欧拉法建立原有系统的离散严格反馈形式；考虑系统的因果关系，建立原系统的等价模型；等价模型充分利用未来输出，起到了预测功能；另外，通过模型分析，更多系统状态以及未来输出信息涉及其中，这为神经网络设计提供了必要的更加丰富的信息；采用标称系统，通过误差反馈并引入神经网络对系统未知进行估计，按照反步法策略设计控制器；结合计算机控制的特点，通过模型转换得到的控制器有效避免了非因果问题。
【技术实现步骤摘要】
本专利技术涉及一种高超声飞行器控制方法，特别是涉及一种，属于飞行器控制领域。
技术介绍
高超声速飞行器由于其突出的飞行能力，使得全球实时打击成为可能，因此受到国内外的广泛关注；NASA X-43A试飞成功证实了这项技术的可行性；受自身复杂动力学特性的影响以及机体发动机一体化设计，高超声速飞行器弹性机体、推进系统以及结构动态之间的耦合更强，模型的非线性度也更高；此外，受飞行高度、马赫数和飞行条件影响，飞行器对外界条件非常敏感。 针对高超声速飞行器的控制大都集中在连续域内；随着计算机技术的发展，未来高超声速飞行器的控制系统需要使用计算机完成，因此研究高超声速飞行器的离散自适应控制具有重要的意义；离散控制器的设计通常可采用两种方法1)根据连续控制对象设计控制器，然后将连续的控制器离散化；2)直接根据离散化的控制对象设计离散控制器；第I种方法需要较快的采样速率，对系统的硬件提出了很高的要求；基于离散化对象进行设计的控制器，便于对神经网络的权值收敛性进行分析，并且系统的性能不依赖于采样速率。《高超声速飞行器基于Back-stepping的离散控制器设计》(高道祥，孙增圻，杜天容，《控制与决策》，2009年第24卷第3期)一文采用第二种方法将高度子系统转化为一个四阶模型，通过设计虚拟控制量(航迹角，俯仰角以及俯仰角速度)分别实现对上一状态量的控制，最后利用舵偏角控制俯仰角速度；该方法仅利用当前时刻与下一时刻的信息，对于所需虚拟控制量的未来信息采用标称系统进行近似预估；由于系统动力学参数存在不确定性，系统状态的未来信息无从得知，无法按照相关的表达式获取虚拟控制量的未来信息，存在非因果问题，难以工程实现。
技术实现思路
为克服现有技术在高超声速飞行器离散自适应控制难以工程实现的不足，本专利技术提出了一种，该方法通过对已有的高超声速飞行器离散欧拉模型进行变换，得到等价模型，同时考虑系统的不确定性，采用神经网络进行逼近，控制器采用标称方法，便于工程实现。本专利技术解决其技术问题采用的技术方案是一种，通过以下步骤实现(a)高超声速飞行器纵向通道动力学模型为权利要求1.一种，通过以下步骤实现 (a)高超声速飞行器纵向通道动力学模型为 该模型由五个状态变量Xs = T和两个控制输入U。= τ组成；其中，V表示速度，Y表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；(b)定义X = τ，其中全文摘要本专利技术公开了一种，用于解决现有的高超声速飞行器离散自适应控制难以工程实现的技术问题；该方法首先将高超声速飞行器的高度子系统模型转化为严格反馈形式，再通过欧拉法建立原有系统的离散严格反馈形式；考虑系统的因果关系，建立原系统的等价模型；等价模型充分利用未来输出，起到了预测功能；另外，通过模型分析，更多系统状态以及未来输出信息涉及其中，这为神经网络设计提供了必要的更加丰富的信息；采用标称系统，通过误差反馈并引入神经网络对系统未知进行估计，按照反步法策略设计控制器；结合计算机控制的特点，通过模型转换得到的控制器有效避免了非因果问题。文档编号G05B13/04GK102866635SQ201210371480公开日2013年1月9日 申请日期2012年9月29日 优先权日2012年9月29日专利技术者许斌, 史忠科 申请人:西北工业大学本文档来自技高网...
【技术保护点】
一种基于等价模型的高超声速飞行器离散神经网络自适应控制方法，通过以下步骤实现：(a)高超声速飞行器纵向通道动力学模型为：V·=Tcosα-Dm-μsinγr2---(1)h·=Vsinγ---(2)γ·=L+TsinαmV-μ-V2rcosγVr2---(3)α·=q-γ·---(4)q·=MyyIyy---(5)该模型由五个状态变量Xs＝[V，h，α，γ，q]T和两个控制输入Uc＝[δe，β]T组成；其中，V表示速度，γ表示航迹倾角，h表示高度，α表示攻角，q表示俯仰角速度，δe是舵偏角，β为节流阀开度；T、D、L和Myy分别代表推力、阻力、升力和俯仰转动力矩；m、Iyy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；(b)定义X＝[x1，x2，x3，x4]T，其中x1＝h，x2＝γ，x3＝θ，x4＝q，θ＝α+γ；因为γ非常小，取sinγ≈γ；考虑到Tsinα远小于L，在控制器设计过程中近似忽略；高度子系统(2)？(5)写成以下严格反馈形式：x·1=Vsinx2≈Vx2=f1(x1)+g1(x1)x2x·2=f2(x1,x2)+g2(x1,x2)x3x·3=f3(x1,x2,x3)+g3(x1,x2,x3)x4x·4=f4(x1,x2,x3,x4)+g4(x1,x2,x3,x4)uAuA＝δe速度子系统(1)写为如下形式：V·=fV+gVuVuV＝β其中fi，gi，i＝1，2，3，4，V是根据(1)？(5)得到的未知项，分为标称值fiN，giN与不确定性Δfi，Δgi；(c)考虑采样时间Ts非常小，通过欧拉近似法得到高度子系统离散模型：xi(k+1)＝xi(k)+Ts[fi(k)+gi(k)xi+1(k)](6)x4(k+1)＝x4(k)+Ts[f4(k)+g4k)uA(k)]其中i＝1，2，3；通过欧拉近似法建立速度子系统的离散模型：V(k+1)＝V(k)+Ts[fV(k)+gV(k)uV(k)]进一步建立系统(6)的等价模型x1(k+4)＝x1(k+3)+Ts[f1(k+3)+g1(k+3)x2(k+3)]x2(k+3)＝x2(k+2)+Ts[f2(k+2)+g2(k+2)x3(k+2)]？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(7)x3(k+2)＝x3(k+1)+Ts[f3(k+1)+g3(k+1)x4(k+1)]x4(k+1)＝x4(k)+Ts[f4(k)+g4(k)uA(k)]通过以下定义，得到式(7)的简化形式(8)：FiC(X(k))=xi(k+4-i)+Tsfi(k+4-i),GiC(X(k))=Tsgi(k+4-i)相应的标称值记为：FiNC(X(k)),GiNC(X(k)),i=1,2,3,4;xi(k+5-i)=FiC(X(k))+GiC(X(k))xi+1(k+4-i)？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(8)x4(k+1)=F4C(X(k))+G4C(X(k))uA(k),i=1,2,3(d)在动力学参数未知情况下，采用神经网络对系统不确定部分进行估计，按照标称值设计控制器；定义误差z1(k)＝x1(k)？x1d(k)，设计虚拟控制量x2d(k+3)=x1d(k+4)+G1z1(k)-F1NC(X(k))-ω^1T(k)S1(θ1(k))G1NC(X(k))这里θ1(k)＝[XT(k)，x1d(k+4)]T，x1d(k+4)为高度参考指令在k+4时刻的值，0＜C1＜1为误差比例系数，为神经网络权重向量的估计值，S1(·)神经网络基函数向量；神经网络权重自适应更新律为：ω^1(k+1)=ω^1(k1)-λ1z1(k+1)S1(θ1(k1))-δ1ω^1(k1)其中λ1＞0，0＜δ1＜1，k1＝k？3；定义z2(k)＝x2(k)？x2d(k)，设计虚拟控制量x3d(k+2)=x2d(k+3)+C2z2(k)-F...
【技术特征摘要】
【专利技术属性】
技术研发人员：许斌，史忠科，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。