[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

摘要

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。

主权项

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。