[發明專利]基于預測建模的高超聲速飛行器神經網絡學習控制方法

有效

• 申請號: 201710789199.4
• 申請日: 2017-09-05
• 公開（公告）號: CN107526296B
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 許斌;壽瑩鑫
• 申請（專利權）人: 西北工業大學;西北工業大學深圳研究院
• 主分類號: G05B13/04
• 分類號: G05B13/04;G05D1/10
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

1.一種基于預測建模的高超聲速飛行器神經網絡學習控制方法，其特征在于包括以下步驟：

(a)建立高超聲速飛行器的動力學模型：

該高超聲速飛行器的動力學模型包含五個狀態變量X＝[V,h,α,γ,q]^T和兩個控制輸入U＝[δ_e,Φ]^T；其中，V表示速度、h表示高度、γ表示航跡角、α表示攻角、q表示俯仰角速率、δ_e表示舵偏角、Φ表示燃料當量比；g，m，I_yy分別代表由重力引起的加速度、飛行器的質量以及俯仰軸的慣性轉動慣量；T，D，L，M_yy分別表示推力、升力、阻力、俯仰力矩；

(b)按照功能解耦得到速度子系統和高度子系統；定義速度子系統(1)寫為：

其中f_v是由式(1)得到的未知光滑函數，g_v是由式(1)得到的已知函數；

針對高度子系統，高度跟蹤誤差定義為航跡角期望指令為：

其中k_h＞0，k_I＞0，h_d為高度參考信號，為高度參考信號的變化率；考慮巡航段航跡角變化很小，取

定義x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；姿態子系統(3)－(5)變換為：

其中，f₁、f₃是由式(3)－(5)得到的未知光滑函數，g₁、g₃是由式(3)－(5)得到的已知函數；

(c)針對速度子系統，定義速度跟蹤誤差為e_v＝V-V_d，根據公式(6)設計控制器：

其中為神經網絡最優權重向量的估計值，為RBF基函數向量，V_d為速度參考信號，為速度參考信號的導數，控制增益k_v＞0；

定義其中τ_d＞0為積分區間；構造預測建模誤差并設計神經網絡自適應更新律為

其中λ_v＞0，k_ωv＞0；

(d)針對姿態子系統，定義航跡角跟蹤誤差為e₁＝x₁-x_1d，其中x_1d＝γ_d為航跡角期望指令；設計虛擬控制量

其為神經網絡最優權重向量的估計值，為基函數向量，控制增益k₁＞0；

設計一階濾波器：

其中濾波器參數α₂＞0；

定義e₂＝-x_2c，y₂＝x_2c-x_2d；構造預測建模誤差并設計神經網絡自適應更新律為

其中λ₁＞0，k_ω1＞0；

設計虛擬控制量：

其中控制增益k₂＞0；

設計一階濾波器：

其中濾波器參數α₃＞0；

定義e₃＝x₃-x_3c并設計實際控制輸入：

其中為神經網絡最優權重向量的估計值，為基函數向量，控制增益k₃＞0；

定義構造預測建模誤差并設計神經網絡自適應更新律為

其中λ₃＞0，k_ω3＞0；

(e)根據得到的舵偏角δ_e和燃料當量比Φ，返回到高超聲速飛行器的動力學模型(1)－(5)，對高度和速度進行跟蹤控制。