[发明专利]一种固定时自适应神经网络无人机航迹角控制方法

摘要

本发明涉及一种固定时自适应神经网络无人机航迹角控制方法，包括：建立无人机纵向系统航迹角动态数学模型，建立带有未知非线性死区的执行器模型；确定理想输出值和输出限制；设计固定时自适应神经网络控制器、自适应参数更新律和固定时微分器，使系统输出能够在固定时间内跟踪上参考输出轨迹，同时保证所有状态变量有界；对控制系统进行稳定性分析，根据稳定性分析结果确定控制器参数。本发明所提出的方法充分考虑了实际系统中存在的死区、系统不确定、输出限制等限制因素，适用于非严格反馈系统这样一种更为普遍的非线性系统，因而能够更好地应用于实际系统中，保证在固定时间内无人机航迹角跟踪上理想轨迹。

主权项

1.一种固定时自适应神经网络无人机航迹角控制方法，其特征在于步骤如下：步骤1：建立无人机纵向系统航迹角动态数学模型：式中，γ表示航迹角，α表示攻角，q_B表示俯仰角速度，V_t表示空速，F_T表示发动机推力，δ_e表示升降舵偏角，M和I_y表示质量和惯量，L(α,q_B)和表示气动升力和俯仰力矩，且有如下表达式：式中，S为参考翼面，ρ表示空气密度，表示平均弦长，C_L和C_m表示升力和俯仰力矩系数，可以写为：其中，为由俯仰角速度对升力和俯仰力矩贡献的气动系数；为由攻角对升力和俯仰力矩贡献的气动系数；为由升降舵偏角对俯仰力矩贡献的气动系数；为零攻角和俯仰角速度下的升力系数；将升降舵偏角δ_e＝u作为执行器输出，具有如下表达式：式中，v表示待设计的执行器输入，m_r和m_l表示死区输入斜率，b_r和b_l表示死区右断点和左断点；这里假设存在正常数使得令x₁＝γ，x₂＝α，x₃＝q_B，则系统(1)可以表示为：式中y为系统输出，g₁(x₁)＝1，由于实际系统中存在不确定参数，因此f_i(x)和是未知函数，其中i＝1,2,3；这里假设的符号是已知的，如果的符号为正，可以找到常数使得如果的符号为负，可以找到常数使得假设非线性函数f_i(x)满足Lipschitz条件，即存在任意的实数X₁,X₂∈R^l使得|f_i(X₂)‑f_i(X₁)|≤L_i||X₂‑X₁||满足，其中L_i为Lipschitz常数；步骤2：确定理想输出值y_d＝(10+2sin(0.5πt))°，输出限制为|y|≤k_d，假设理想输出y_d及其导数均有界，即可以找到正常数B₀，B₁使得|y_d|≤B₀，步骤3：设计固定时自适应神经网络控制器、自适应参数更新律和固定时微分器，使系统输出能够在固定时间内跟踪上参考输出轨迹，同时保证所有状态变量有界，具体如下：设计实际控制输入为：式中式中，χ₃是正常数，辅助变量定义为：式中λ₃，θ₃是正常数，r为隐层神经元数，m,n,p,q为满足m>n，p<q的正奇数，E₃具有如下形式：自适应参数的动态为：Λ₃为正常数，ζ₂₂为如下固定时微分器的状态：式中μ_i＝iμ‑(i‑1)，μ∈(1,1+ι)，ι为充分小的正数，微分器增益L,M>0，k₁，k₂，σ₁，σ₂选择使得下述矩阵为Hurwitz矩阵：误差e₃＝x₃‑α₂，虚拟控制α₂的表达式为：式中，χ₂为正常数，辅助变量定义为：式中，k_c＝k_d‑B₀，λ₂,θ₂为正常数，E₂为正常数，满足：式中，ψ为正数，自适应参数的动态为：式中，Λ₂为正常数，ζ₂₁为如下固定时微分器的状态：ζ₁₁为固定时微分器；误差e₂＝x₂‑α₁，虚拟控制α₁定义为式中，辅助变量定义为：λ₁和θ₁为正常数，B₁和E₁定义为式中ψ为正常数；自适应参数的动态为：式中，Λ₁为正常数；步骤4：采用步骤3确定的控制参数对无人机实施控制，使航迹角能够在固定时间内跟踪上参考航迹角。