[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

说明书

本发明公开了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，用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近，控制器设计简单，便于工程实现；考虑控制增益函数未知，引入其上下界信息，设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式，有效避免了采用神经网络对未来所需虚拟控制量的逼近；针对系统不确定性，设计鲁棒项，保证系统稳定性；构造建模误差设计神经网络复合学习更新律，提高神经网络学习速度。

技术领域

本发明涉及一种高超声速飞行器控制方法，特别涉及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。

背景技术

高超声速飞行器作为一种具有快速打击能力的高精尖武器，引起了许多军事大国的高度重视。由于自身采用发动机/机体的一体化设计，加之复杂的动力学模型和飞行环境，高超声速飞行器具有强非线性和强不确定性等特性。这些特点使得高超声速飞行器控制器设计面临着巨大挑战。因此，不确定性的处理对高超声速飞行器安全飞行至关重要。

反步法作为一种典型控制方法被广泛应用于高超声速飞行器控制中。但传统反步法设计存在固有缺陷。采用反步法设计控制器，需要针对虚拟控制量进行反复微分，这会造成以下问题：(1)反复微分会造成控制设计“复杂度爆炸”问题；(2)控制器设计过程较为复杂，不利于工程实现。当前动态面和指令滤波方法被用来解决“复杂度爆炸”问题，但仍需反复设计虚拟控制量，过程繁琐。

《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)一文通过设计虚拟控制量(俯仰角、俯仰角速度)实现对航迹角和俯仰角的控制，最后利用舵偏角控制俯仰角速度；该动态面设计仍需逐步设计虚拟控制量并对每个通道的不确定性进行处理，设计过程繁琐，不利于工程实现。

发明内容

为了克服现有高超声速飞行器控制方法实用性差的不足，本发明提供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。该方法对姿态子系统严格反馈形式进行变换，得到输出反馈形式，用高增益观测器对于新定义变量进行估计，为后续控制器设计提供基础；控制器考虑系统的集总不确定性，仅需一个神经网络进行逼近，控制器设计简单，便于工程实现；考虑控制增益函数未知，引入其上下界信息，设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式，有效避免了采用神经网络对未来所需虚拟控制量的逼近；针对系统不确定性，充分利用控制增益函数上下界信息，设计鲁棒项，保证系统稳定性；构造建模误差设计神经网络复合学习更新律，提高神经网络学习速度，实用性好。

本发明解决其技术问题所采用的技术方案：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，其特点是包括以下步骤：

(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；