[发明专利]基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

权利要求书

1.一种基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法，其特征在于包括以下步骤：

(a)建立高超声速飞行器纵向通道动力学模型为：

所述的纵向通道动力学模型由五个状态变量X＝[V,h,α,γ,q]^T和两个控制输入U＝[δ_e,β]^T组成；其中，V表示速度，γ表示航迹倾角，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为节流阀开度；T、D、L和M_yy分别代表推力、阻力、升力和俯仰转动力矩；m、I_yy、μ和r代表质量、俯仰轴的转动惯量、引力系数以及距地心的距离；

(b)定义高度跟踪误差其中h_d为高度参考指令；

设计航迹角指令γ_d为：

其中，k_h＞0和k_i＞0由设计者给定，为高度参考指令的一阶导数；

根据时标分离，将速度看作慢动态，设计航迹角指令的一阶导数为：

其中，为高度参考指令的二阶导数；

考虑到巡航段高超声速飞行器的航迹角变化较小，故将航迹角指令的二、三阶导数视为零；

(c)定义姿态X_a＝[x₁,x₂,x₃]^T，其中x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；因为Tsinα远小于L，在控制器设计过程中忽略；

姿态子系统(3)-(5)写成以下严格反馈形式：

其中，f₁，f₂，f₃，g₁，g₃为根据(3)-(5)式得到的未知项，g₂＝1，且已知量和g_i分别为函数g_i的上下界；

(d)定义新的状态量Z＝[z₁,z₂,z₃]^T，其中其中a₂，b₂是通过对f₁+g₁x₂求导得到的中间过程变量，是关于f₁，f₂，g₁，g₂的函数；

将姿态子系统(8)转换为以下输出反馈形式：

其中a₃是X的未知函数，b₃＝g₁g₂g₃；

(e)设计高增益观测器如下

其中，ε＞0，d₁＞0，d₂＞0；

利用高增益观测器对状态量Z＝[z₁,z₂,z₃]^T进行估计，得到其估计值其中

(f)针对姿态子系统，定义Y_d如下所示：

则向量E和滤波跟踪误差S的估计值如下：

其中，Λ＝[λ²,2λ]^T，λ＞0；

对于未知函数a₃(X)，用神经网络来逼近

其中，是神经网络最优权重向量的估计值，θ_a(X)为神经网络基函数向量；

对于控制增益函数b₃，满足其中和b₃分别是b₃的上界和下界，定义则b₃可表示为

b₃＝b_mΔb (15)

其中，Δb是乘性不确定性且满足

设计控制器

其中，k_A＞0是控制增益参数；鲁棒项u_r设计如下：

定义建模误差z_NN如下:

其中由下式得到

神经网络权值的更新律如下：

其中，γ_a，γ_z，δ_a是正参数；

(g)定义速度跟踪误差Z_V＝V-V_d,其中V_d为速度参考指令；

设计速度控制器如下：

β＝-k_VZ_V-l_Vsgn(Z_V) (21)

其中，k_V,l_V是由设计者给定的正参数；

(h)根据得到的舵偏角δ_e和节流阀开度β，返回到高超声速飞行器的动力学模型(1)-(5)，对高度和速度进行跟踪控制。