[發明專利]基于復合智能學習的變體飛行器控制方法

有效

• 申請號: 202010570246.8
• 申請日: 2020-06-21
• 公開（公告）號: CN111665857B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 許斌;王霞
• 申請（專利權）人: 西北工業大學
• 主分類號: G05D1/08
• 分類號: G05D1/08;G05D1/10
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 劉新瓊

本發明涉及一種基于復合智能學習的變體飛行器控制方法，該方法將變體飛行器縱向通道模型解耦為速度子系統和高度子系統，針對速度子系統采用動態逆控制，針對高度子系統采用反步法控制。利用神經網絡對未知非線性函數進行估計，設計平行估計模型對神經網絡逼近性能進行評價，進一步基于評價信息建立預測誤差，并結合跟蹤誤差設計自適應權重更新律。所提出的復合學習策略能有效提高未知動力學的估計精度，保證系統的控制性能。

技術領域

本發明涉及一種飛行器控制方法，特別是涉及一種基于復合智能學習的變體飛行器控制方法，屬于飛行器控制領域。

背景技術

變體飛行器可以通過改變自身氣動外形來適應不同的飛行環境、剖面和任務，確保整個飛行過程的最優性能，故變體飛行器具有更大的飛行包線和更好的環境適應能力，但強不確定性和復雜多變的氣動特點給變體飛行器控制帶來了巨大挑戰。《AdaptiveNeural Control Based on High Order Integral Chained Differentiator forMorphing Aircraft》(Zhonghua Wu，Jingchao Lu，Jahanzeb Rajput，Jingping Shi，andWen Ma，《Mathematical Problems in Engineering》，2015，Article ID 787931)一文針對變體飛行器縱向通道模型設計了自適應控制策略，該方法基于模型變換將姿態子系統轉換為輸出反饋形式，利用神經網絡逼近集總不確定，保證了閉環系統的穩定性。該設計僅基于跟蹤誤差設計神經網絡權重更新律，無法對未知動力學進行有效逼近，進而不能實現系統的精確跟蹤。

發明內容

要解決的技術問題

針對變體飛行器動力學存在的模型不確定問題，本發明設計了一種基于復合智能學習的變體飛行器控制方法。

技術方案

一種基于復合智能學習的變體飛行器控制方法，其特征在于步驟如下：

步驟1：考慮變后掠翼飛行器縱向動力學模型

其中，F_Ix、F_Ikz、F_Iz和M_Iy表示變形過程引起的慣性力矩，其表達式為

該動力學模型包含五個狀態變量X＝[V，h，γ，α，q]^T和兩個控制輸入U＝[δ_e，T]^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表示俯仰角速度，δ_e表示舵偏角，T表示推力；D、L和M_A分別表示阻力、升力和俯仰轉動力矩；m、I_y和g分別表示質量、俯仰軸的轉動慣量和重力引起的加速度；θ＝α+γ表示俯仰角，S_x表示靜力矩，z_T表示推力矩臂長；

步驟2：將變體飛行器動力學模型解耦得到速度子系統(1)和高度子系統(2)-(5)；

速度子系統(1)寫為

式中，f_v表示由式(1)得到的未知非線性函數，g_v表示由式(1)得到的已知函數；

針對高度子系統，定義高度跟蹤誤差為發計航跡角期望指令γ_d為