[發明專利]基于高增益觀測器的高超聲速飛行器神經網絡復合學習控制方法

有效

• 申請號: 201710789207.5
• 申請日: 2017-09-05
• 公開（公告）號: CN107632518B
• 公開（公告）日: 2019-10-18
• 發明（設計）人: 許斌;程怡新;郭雨巖;張睿;史忠科;凡永華
• 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: G05B13/02
• 分類號: G05B13/02;G05B13/04
• 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高增益觀測器的高超聲速飛行器神經網絡復合學習控制方法，用于解決現有高超聲速飛行器控制方法實用性差的技術問題。技術方案是對姿態子系統嚴格反饋形式進行變換，得到輸出反饋形式，用高增益觀測器對于未知變量進行估計，為后續控制器設計提供基礎；考慮系統集總不確定性，僅需一個神經網絡進行逼近，控制器設計簡單，便于工程實現；引入系統建模誤差，構建神經網絡復合學習更新律，實現不確定情形下的高超聲速飛行器穩定控制，實用性好。

技術領域

本發明涉及一種高超聲速飛行器控制方法，特別涉及一種基于高增益觀測器的高超聲速飛行器神經網絡復合學習控制方法。

背景技術

高超聲速飛行器作為一種具有快速打擊能力的高精尖武器，引起了許多軍事大國的高度重視。由于自身采用發動機/機體的一體化設計，加之復雜的動力學模型和飛行環境，高超聲速飛行器具有強非線性和強不確定性等特性。這些特點使得高超聲速飛行器控制器設計面臨著巨大挑戰。因此，不確定性的處理對高超聲速飛行器安全飛行至關重要。

反步法作為一種典型控制方法被廣泛應用于高超聲速飛行器控制中。但傳統反步法設計存在固有缺陷。采用反步法設計控制器，需要針對虛擬控制量進行反復微分，這會造成以下問題：(1)反復微分會造成控制設計“復雜度爆炸”問題；(2)控制器設計過程較為復雜，不利于工程實現。當前動態面和指令濾波方法被用來解決“復雜度爆炸”問題，但仍需反復設計虛擬控制量，過程繁瑣。

《Neural network based dynamic surface control of hypersonic flightdynamics using small-gain theorem》(Bin Xu,Qi Zhang,Yongping Pan，《Neurocomputing》，2016年第173卷第3期)一文通過設計虛擬控制量(俯仰角、俯仰角速度)實現對航跡角和俯仰角的控制，最后利用舵偏角控制俯仰角速度；該動態面設計仍需逐步設計虛擬控制量并對每個通道的不確定性進行處理，設計過程繁瑣，不利于工程實現。

發明內容

為了克服現有高超聲速飛行器控制方法實用性差的不足，本發明提供一種基于高增益觀測器的高超聲速飛行器神經網絡復合學習控制方法。該方法對姿態子系統嚴格反饋形式進行變換，得到輸出反饋形式，用高增益觀測器對于未知變量進行估計，為后續控制器設計提供基礎；考慮系統集總不確定性，僅需一個神經網絡進行逼近，控制器設計簡單，便于工程實現；引入系統建模誤差，構建神經網絡復合學習更新律，實現不確定情形下的高超聲速飛行器穩定控制，實用性好。

本發明解決其技術問題所采用的技術方案：一種基于高增益觀測器的高超聲速飛行器神經網絡復合學習控制方法，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為：

該動力學模型由五個狀態變量X＝[V,h,α,γ,q]^T和兩個控制輸入U＝[δ_e,β]^T組成；其中，V表示速度，γ表示航跡傾角，h表示高度，α表示攻角，q表示俯仰角速度，δ_e是舵偏角，β為節流閥開度；T、D、L和M_yy分別代表推力、阻力、升力和俯仰轉動力矩；m、I_yy、μ和r代表質量、俯仰軸的轉動慣量、引力系數以及距地心的距離；

(b)定義高度跟蹤誤差其中h_d為高度參考指令；

設計航跡角指令γ_d為：