[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

本發明公開了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，用于解決現有高超聲速飛行器控制方法穩定性差的技術問題。技術方案是首先將高超聲速飛行器縱向通道模型分解為速度子系統和高度子系統，再利用神經網絡對高超聲速飛行器系統存在的不確定性進行逼近，通過構造預測建模誤差進行神經網絡權重更新，提升神經網絡閉環控制過程的系統學習能力。由于針對兩個子系統分別給出基于神經網絡學習的控制器，可在線動態對不確定進行估計學習，實現不確定情形下的高超聲速飛行器動力學控制。由于將神經網絡逼近不確定學習好壞表述為預測建模誤差，提升了神經網絡學習準確性與快速性，進而提高了控制系統的自適應能力且穩定性好。

技術領域

本發明涉及一種高超聲速飛行器控制方法，特別涉及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。

背景技術

高超聲速飛行器由于其高速飛行能力，使得在緊急情況下實現“全球到達、全球作戰”成為可能，因此受到國內外的廣泛關注；NASA X-43A試飛成功證實了這項技術的可行性；由于飛行高度和飛行馬赫數跨度范圍大，飛行環境非常復雜，在飛行過程中飛行器熱特性和氣動特性變化劇烈，并且在控制過程中存在著各種噪聲，要適應大范圍的飛行環境和高機動性要求，控制系統就必須具有高可靠性和強適應性。

由于氣動特性變化和未建模動態等因素的影響，系統不確定變化會非常復雜，研究自適應學習對于高超聲速飛行器的飛行控制起到至關重要的作用。智能控制將控制理論的方法和人工智能技術結合，不需要考慮模型非線性的結構信息，通過從外界環境所獲得的信息不斷逼近系統的不確定性以實現動態學習；其中，神經網絡控制采用神經網絡逼近系統非線性函數以實現控制保證系統穩定并改善控制性能。

《Neural Network Based Dynamic Surface Control of Hypersonic FlightDynamics Using Small-gain Theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年，第173卷)一文針對高超聲速飛行器的縱向動力學研究了智能自適應控制。整個方案按照動態面設計，在每一步設計一個虛擬控制量；在設計過程中，采用神經網絡對模型的不確定性進行逼近學習進而為控制器設計提供反饋。由于該方法利用跟蹤誤差設計神經網絡自適應更新律，只保證Lyapunov穩定忽略神經網絡逼近不確定性的好快，不能確保神經網絡有效完成逼近不確定性實現反饋設計的初衷，難以實現系統的快速穩定控制。

發明內容

為了克服現有高超聲速飛行器控制方法穩定性差的不足，本發明提供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。該方法首先將高超聲速飛行器縱向通道模型分解為速度子系統和高度子系統，再利用神經網絡對高超聲速飛行器系統存在的不確定性進行逼近，通過構造預測建模誤差進行神經網絡權重更新，提升神經網絡閉環控制過程的系統學習能力。由于針對兩個子系統分別給出基于神經網絡學習的控制器，可在線動態對不確定進行估計學習，實現不確定情形下的高超聲速飛行器動力學控制。由于將神經網絡逼近不確定學習好壞表述為預測建模誤差，通過設計神經網絡的復合更新學習算法，可提升神經網絡學習準確性與快速性，進而提高控制系統的自適應能力且穩定性好。

本發明解決其技術問題所采用的技術方案：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，其特點是包括以下步驟：

(a)建立高超聲速飛行器的動力學模型：