[发明专利]基于预测建模的高超声速飞行器神经网络学习控制方法

摘要

本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法，用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统，再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近，通过构造预测建模误差进行神经网络权重更新，提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器，可在线动态对不确定进行估计学习，实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差，提升了神经网络学习准确性与快速性，进而提高了控制系统的自适应能力且稳定性好。

主权项

1.一种基于预测建模的高超声速飞行器神经网络学习控制方法，其特征在于包括以下步骤：(a)建立高超声速飞行器的动力学模型：该高超声速飞行器的动力学模型包含五个状态变量X＝[V,h,α,γ,q]^T和两个控制输入U＝[δ_e,Φ]^T；其中，V表示速度、h表示高度、γ表示航迹角、α表示攻角、q表示俯仰角速率、δ_e表示舵偏角、Φ表示燃料当量比；g，m，I_yy分别代表由重力引起的加速度、飞行器的质量以及俯仰轴的惯性转动惯量；T，D，L，M_yy分别表示推力、升力、阻力、俯仰力矩；(b)按照功能解耦得到速度子系统和高度子系统；定义速度子系统(1)写为：其中f_v是由式(1)得到的未知光滑函数，g_v是由式(1)得到的已知函数；针对高度子系统，高度跟踪误差定义为航迹角期望指令为：其中k_h＞0，k_I＞0，h_d为高度参考信号，为高度参考信号的变化率；考虑巡航段航迹角变化很小，取定义x₁＝γ，x₂＝θ_p，x₃＝q，θ_p＝α+γ；姿态子系统(3)－(5)变换为：其中，f₁、f₃是由式(3)－(5)得到的未知光滑函数，g₁、g₃是由式(3)－(5)得到的已知函数；(c)针对速度子系统，定义速度跟踪误差为e_v＝V‑V_d，根据公式(6)设计控制器：其中为神经网络最优权重向量的估计值，为RBF基函数向量，V_d为速度参考信号，为速度参考信号的导数，控制增益k_v＞0；定义其中τ_d＞0为积分区间；构造预测建模误差并设计神经网络自适应更新律为其中λ_v＞0，k_ωv＞0；(d)针对姿态子系统，定义航迹角跟踪误差为e₁＝x₁‑x_1d，其中x_1d＝γ_d为航迹角期望指令；设计虚拟控制量其为神经网络最优权重向量的估计值，为基函数向量，控制增益k₁＞0；设计一阶滤波器：其中滤波器参数α₂＞0；定义e₂＝‑x_2c，y₂＝x_2c‑x_2d；构造预测建模误差并设计神经网络自适应更新律为其中λ₁＞0，k_ω1＞0；设计虚拟控制量：其中控制增益k₂＞0；设计一阶滤波器：其中滤波器参数α₃＞0；定义e₃＝x₃‑x_3c并设计实际控制输入：其中为神经网络最优权重向量的估计值，为基函数向量，控制增益k₃＞0；定义构造预测建模误差并设计神经网络自适应更新律为其中λ₃＞0，k_ω3＞0；(e)根据得到的舵偏角δ_e和燃料当量比Φ，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。