[發明專利]基于LS?SVM的高超聲速飛行器自適應時變預設性能控制方法

有效

• 申請號: 201611180864.1
• 申請日: 2016-12-19
• 公開（公告）號: CN106773691B
• 公開（公告）日: 2018-03-30
• 發明（設計）人: 代洪華;魏才盛;馬川;汪雪川
• 申請（專利權）人: 西北工業大學
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 西安通大專利代理有限責任公司61200
• 代理人: 齊書田

技術領域

本發明涉及飛行器自適應控制技術，具體涉及一種基于LS-SVM的高超聲速飛行器自適應時變預設性能控制方法。

背景技術

對包含未知非線性動力性的高超聲速飛行器的自適應控制，現有的控制方法基本采用如下兩個步驟進行相關控制系統設計^[1],[2]：

A.借助于神經網絡對任意非線性良好的逼近特性，首先對高超聲速飛行器未知非線性動力學模型進行估計；

B.基于辨識的非線性動力性模型，采用退步控制^[3]、滑模控制^[4]等設計相應的自適應控制方法，實現對高超聲速飛行器的自適應控制。

現有的控制方法雖然能夠實現對高超聲速飛行器的自適應魯棒控制，但是基于神經網絡的自適應控制方法存在以下兩個問題：

首先，基于神經網絡的未知非線性模型逼近算法存在訓練參數多、計算復雜度高、容易陷入局部最優等缺點，因此對于快動態高超聲速飛行器，在線實施可行性較低。因此需要低復雜度的未知非線性模型在線逼近算法。

其次，現有的控制方法只關注在設計的控制器下，高超聲速飛行器控制系統是穩定的，并不關注相應控制系統的瞬態和穩態性能，從而導致高超聲速飛行器控制系統雖然是穩定的，但是容易出現大超調、穩態誤差大等穩態。因此為了實現對高超聲速飛行器的高精度控制和保性能控制，需要新的控制技術來實現飛行器全程預設性能控制。

對于低復雜度的未知非線性模型辨識/逼近算法，基于統計學理論的最小二乘支持向量機(Least Square Support Vector Machine-LS-SVM)機器學習理論由Suykens和Vandewalle提出^[5]，該理論具有小樣本高可信度、全局最優、訓練參數少等優點^[6]，因此適于快動態高超聲速飛行器在線快速辨識未知非線性動力學模型。

對于實現對高超聲速飛行器全飛行過程的保性能控制，為了克服Bechlioulis和Rovithakis⁰提出的固定參數預設性能函數對未知初始狀態/偏差和控制精度上的保守性，需要提出一種新的預設性能函數，從而在保證高超聲速飛行器控制系統穩定性前提下，最大程度上提升系統的瞬態和穩態性能。

參考文獻如下：

[1]Xu B,Shi Z K.An overview on flight dynamics and control approaches for hypersonic vehicles[J].Science China Information Sciences,2015,58(7):1-19.

[2]Xu B.Robust adaptive neural control of flexible hypersonic flight vehicle with dead-zone input nonlinearity[J].Nonlinear Dynamics,2015,80(3):1509-1520.

[3]Chen M,Tao G,Jiang B.Dynamic surface control using neural networks for a class of uncertain nonlinear systems with input saturation[J].IEEE transactions on neural networks and learning systems,2015,26(9):2086-2097.

[4]Xu H,Mirmirani M D,Ioannou P A.Adaptive sliding mode control design for a hypersonic flight vehicle[J].Journal of guidance,control,and dynamics,2004,27(5):829-838.

[5]Suykens J A K,Vandewalle J.Least squares support vector machine classifiers[J].Neural processing letters,1999,9(3):293-300.