[发明专利]一种基于径向基神经网络的固体火箭发动机推力控制方法

权利要求书

1.一种基于径向基神经网络的固体火箭发动机推力控制方法，其特征在于，包括如下步骤：

步骤1.确定控制对象，执行机构采用燃气调节系统和气动伺服系统，选用固体火箭发动机作为动力装置；

步骤2.建立固体火箭发动机被控对象数学模型，并选取特定工作点火箭模型参数与对应值为发动机名义模型；

步骤3.根据预期控制性能要求，确立参考模型和实际模型：采用比例积分型控制器进行设计，将该控制器作用下的闭环系统作为基于RBF神经网络的固体火箭发动机推力控制的参考模型，定义受参数摄动的名义模型为发动机实际模型；

步骤4.设计用于固体火箭发动机推力自适应控制的RBF神经网络控制器，选择神经网络的学习指标；

步骤5.利用遗传算法优化RBF神经网络控制器参数：根据参考模型输出值与实际模型输出值的误差变化情况，来调整控制器权值以逼近参考模型性能；

所述步骤4中设计RBF神经网络控制器方法为：

动态RBF神经网络拓扑结构，网络分三层：输入层，隐含层，输出层，确定网络为n-m-1型连接方式，即输入层神经元个数为n，隐含层神经元个数为m，输出层神经元个数为1；

在初始化时随机赋值网络的权值，网络的输入向量为：X_i＝[x₁ x₂…x_n]^T；其中，i代表网络的迭代次数；

径向基函数选取h_j＝exp(-||x_i-c_j||²/2b²)；其中，c_j0表示第j个神经元隐含层高斯基函数高度，||x-c_j||表示x到c_j，c_j0的径向距离，b0表示隐含层神经元的高斯基函数宽度；

隐含层输出定义为H＝[h₁ h₂…h_j…h_m]^T；其中，h_j为隐含层第j个神经元的输出；

RBF网络权值定义为w_i＝[w₁ w₂…w_m]^T；

定义参考模型和实际模型输出的误差为e_c(t)＝y_m(t)-y(t)；其中，y_m(t)，y(t)分别表示参考模型输出和实际模型输出；

网络学习误差指标为

网络的输入输出映射关系是u(t)＝w₁h₁+w₂h₂+…+w_mh_m；

所述步骤5的具体的优化方法为：

S01.进行种群初始化，对神经网络控制器参数进行实体编码，每个个体均为一串实数，分别为RBF神经网络隐含层权值，高斯基函数宽度b，学习速率η和动量因子α；

S02.选择跟踪误差作为自适应度函数，即

S03.采用轮盘赌法作为选择策略，每个个体被选中概率为其中，F_i为包含在F(t)中的一个值，f_i为个体自适应度的倒数，p_i为个体被选中概率,k为常数，取1；

S04.利用实数交叉作为交叉策略，概率选为20％；

S05.选取第i和第j个基因进行变异，函数表达式为：

其中，a_ij为基因，a_max和a_min作为基因的上界和下界；r为0—1间的随机数；f(g)＝r₂(1-g/G_max)，r₂为一个随机数，g为当前迭代次数，G_max为最大进化次数；

S06.计算适应度F(t)，判断是否满足最小误差要求或最大迭代次数，“是”则停止搜索；“不是”则继续进行更新。