基于复合学习的非最小相位飞行器神经网络控制方法

摘要

本发明涉及一种基于复合学习的非最小相位飞行器神经网络控制方法，首先将飞行器纵向通道模型分解为速度子系统和高度子系统，针对速度子系统采用PID控制，针对高度子系统采用反步法控制。对高度子系统，基于输出重定义使不稳定的内动态变为渐进稳定的内动态，对输出重定义后的系统内动态进行坐标转换，推导出用于控制器设计的俯仰角指令；针对系统存在的未知非线性动力学采用神经网络进行估计，设计建模误差信号并结合跟踪误差给出复合学习算法，提高神经网络对非线性动力学的逼近性能。本发明利用输出重定义实现内动态稳定，基于复合学习神经网络估计飞行器不确定动力学，可为非最小相位飞行器控制提供新的思路。

权利要求

1.一种基于复合学习的非最小相位飞行器神经网络控制方法，其特征在于步骤如下：步骤1：考虑具有非最小相位特性的飞行器纵向通道动力学模型：所述动力学模型由五个状态量X＝[V,h,γ,α,q]T和两个控制输入U＝[δe,Φ]T组成；其中，V表示速度，h表示高度，γ表示航迹倾角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，Φ表示节流阀开度；T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩；m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；

相关的力、力矩及参数定义如下：其中 表示动压，ρ表示空气密度，均表示气动参数，表示平均气动弦长，zT表示推力矩臂长，S表示气动参考面积；

步骤2：针对速度子系统(1)，定义速度跟踪误差为：式中，Vd表示速度指令；设计节流阀开度Φ为：式中，kpV>0，kiV>0和kdV>0为设计参数；

步骤3：针对高度子系统(2)-(5)，定义高度跟踪误差 设计航迹角指令γd为：其中，hd表示高度参考指令， 表示高度参考指令的一阶微分，kh>0和ki>0为设计参数；

根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分为：其中， 表示高度参考指令的二阶微分；

将姿态子系统的输出由航迹倾角γ重定义为俯仰角θ，其中θ＝α+γ；定义航迹角误差为 姿态子系统(3)-(5)进一步写为内动态子系统：和输入输出子系统：

其中，f1和f3是根据飞行器模型得到的未知平滑非线性函数，g12、g22、g13和g23是根据飞行器模型得到的已知项；

步骤4：定义坐标变换 设计η2为：其中，

定义航迹角误差的积分η1，由下式得到：设计俯仰角指令为：

θcmd＝-kθη1+γd  (14)式中，kθ∈(0,1]为设计参数；

定义俯仰角跟踪误差为：

设计俯仰角速度虚拟控制量为：式中，k1>0为设计参数，俯仰角速度误差动力学如下：式中， 表示未知非线性函数， 表示已知项；

用神经网络逼近未知非线性函数其中， 表示 的估计值， 表示神经网络最优权重向量的估计值，表示神经网络基函数向量，ε1表示神经网络逼近误差；

设计舵偏角如下：

式中，k2>0和 为设计参数， 为鲁棒项用于消除逼近误差带来的影响；

定义建模误差为：

其中 由下式得到：

式中，β1>0为设计参数；

设计 自适应律为：

式中，γ1>0，γz1>0和ξ1>0为设计参数；

设计 更新律为：

式中，ρ1>0和δ1>0为设计参数；

步骤5：根据得到的舵偏角δe和节流阀开度Φ，返回到飞行器动力学模型(1)-(5)，对高度和速度进行跟踪控制。

说明书

基于复合学习的非最小相位飞行器神经网络控制方法

技术领域

[0001] 本发明涉及一种飞行器控制方法，特别是涉及一种基于复合学习的非最小相位飞行器神经网络控制方法，属于飞行器控制领域。

背景技术

[0002] 面对军用和民用领域对飞行器技术提出的新需求，现代飞行器飞行包络不断扩大，飞行器创新的构型设计及复杂的飞行环境，导致飞行器动力学具有复杂非线性和强不确定性等特点，飞行器升降舵与气动力之间存在耦合，导致飞行器呈现出非最小相位特性。非最小相位特性使得动态逆设计无法直接应用，目前大多通过加入鸭翼操纵面补偿升降舵对升力的影响，使系统变为最小相位系统，但鸭翼的加入会使系统气动热加剧。《Adaptive restricted trajectory tracking for a non-minimum phase hypersonic vehicle model》(Lisa Fiorentini,Andrea Serrani,Automatica,2012,48(7):1248-1261)一文针对高超声速飞行器非最小相位模型，采用输出重定义方法对线性参数化模型进行自适应鲁棒控制器设计，但实际中线性参数化模型不易获取，不利于工程应用。

发明内容

[0003] 要解决的技术问题

[0004] 针对非最小相位飞行器控制问题，本发明设计了一种基于复合学习的非最小相位飞行器神经网络控制方法。该方法基于输出重定义方法使不稳定的内动态变为渐进稳定的内动态，对输出重定义后的系统内动态进行坐标转换，推导出俯仰角指令。针对输入输出子系统，基于反步法框架采用神经网络估计系统未知非线性动力学，设计建模误差信号并结合跟踪误差信号给出复合学习算法，提高神经网络对非线性动力学的逼近性能，最后将控制输入反馈到系统的动力学模型中，实现输出的有效跟踪。

[0005] 技术方案

[0006] 一种基于复合学习的非最小相位飞行器神经网络控制方法，其特征在于步骤如下：

[0007] 步骤1：考虑具有非最小相位特性的飞行器纵向通道动力学模型：

[0008]

[0009] 所述动力学模型由五个状态量X＝[V,h,γ,α,q]T和两个控制输入U＝[δe,Φ]T组成；其中，V表示速度，h表示高度，γ表示航迹倾角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，Φ表示节流阀开度；T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩；m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度；

[0010] 相关的力、力矩及参数定义如下：其中 表示动压，ρ表示空气密度，
均表示气动参数，表示平均气动弦长，zT表示推力矩臂长，S表示气动参
考面积；

[0011] 步骤2：针对速度子系统(1)，定义速度跟踪误差为：

[0012]

[0013] 式中，Vd表示速度指令；设计节流阀开度Φ为：

[0014]

[0015] 式中，kpV>0，kiV>0和kdV>0为设计参数；

[0016] 步骤3：针对高度子系统(2)-(5)，定义高度跟踪误差 设计航迹角指令γd为：

[0017]

[0018] 其中，hd表示高度参考指令， 表示高度参考指令的一阶微分，kh>0和ki>0为设计参数；

[0019] 根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分为：

[0020]

[0021] 其中， 表示高度参考指令的二阶微分；

[0022] 将姿态子系统的输出由航迹角γ重定义为俯仰角θ，其中θ＝α+γ；定义航迹角误差为 姿态子系统(3)-(5)进一步写为内动态子系统：

[0023]

[0024] 和输入输出子系统：

[0025]

[0026] 其中，f1和f3是根据飞行器模型得到的未知平滑非线性函数，g12、g22、g13和g23是根据飞行器模型得到的已知项；

[0027] 步骤4：定义坐标变换 设计η2为：

[0028]

[0029] 其中，

[0030] 定义航迹角误差的积分η1，由下式得到：

[0031]

[0032] 设计俯仰角指令为：

[0033] θcmd＝-kθη1+γd  (14)

[0034] 式中，kθ∈(0,1]为设计参数；

[0035] 定义俯仰角跟踪误差为：

[0036]

[0037] 设计俯仰角速度虚拟控制量为：

[0038]

[0039] 式中，k1>0为设计参数，

[0040] 俯仰角速度误差动力学如下：

[0041]

[0042] 式中， 表示未知非线性函数，表示已知项；

[0043] 用神经网络逼近未知非线性函数

[0044]

[0045] 其中， 表示 的估计值， 表示神经网络最优权重向量的估计值，表示神经网络基函数向量，ε1表示神经网络逼近误差；

[0046] 设计舵偏角如下：

[0047]

[0048] 式中，k2>0和 为设计参数， 为鲁棒项用于消除逼近误差带来的影响；

[0049] 定义建模误差为：

[0050]

[0051] 其中 由下式得到：

[0052]

[0053] 式中，β1>0为设计参数；

[0054] 设计 自适应律为：

[0055]

[0056] 式中，γ1>0，γz1>0和ξ1>0为设计参数；

[0057] 设计 更新律为：

[0058]

[0059] 式中，ρ1>0和δ1>0为设计参数；

[0060] 步骤5：根据得到的舵偏角δe和节流阀开度Φ，返回到飞行器动力学模型(1)-(5)，对高度和速度进行跟踪控制。

[0061] 有益效果

[0062] 本发明提出的一种基于复合学习的非最小相位飞行器神经网络控制方法，与现有技术相比有益效果为：

[0063] (1)本发明可直接针对非最小相位飞行器进行控制设计，不需要额外增加鸭翼操纵面，可避免气动热问题。

[0064] (2)本发明基于输出重定义方法，使不稳定的内动态变为渐进稳定的内动态，对输出重定义后的系统内动态进行坐标转换，推导出控制器设计所需要的俯仰角指令。

[0065] (3)本发明给出了基于跟踪误差和建模误差相结合的复合学习方法，可提高神经网络对未知非线性动力学的逼近性能，进而提高系统的跟踪性能。

附图说明

[0066] 图1是本发明基于复合学习的非最小相位飞行器神经网络控制方法的流程图。

具体实施方式

[0067] 现结合实施例、附图对本发明作进一步描述：

[0068] 本发明解决其技术问题采用的技术方案是：一种基于复合学习的非最小相位飞行器神经网络控制方法，通过以下步骤实现：

[0069] (a)考虑具有非最小相位特性的飞行器纵向通道动力学模型：

[0070]

[0071] 所述运动学模型由五个状态量X＝[V,h,γ,α,q]T和两个控制输入U＝[δe,Φ]T组成；其中，V表示速度，h表示高度，γ表示航迹倾角，α表示攻角，q表示俯仰角速度，δe表示舵偏角，Φ表示节流阀开度；T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩；m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度。

[0072] (b)将动力学进行功能解耦为速度子系统(1)和高度子系统(2)-(5)。针对速度子系统，定义速度跟踪误差为：

[0073]

[0074] 式中，Vd表示速度指令。设计节流阀开度Φ为：

[0075]

[0076] 式中，kpV>0，kiV>0和kdV>0为设计参数。

[0077] (c)针对高度子系统，定义高度跟踪误差 设计航迹角指令γd为：

[0078]

[0079] 其中，hd表示高度参考指令， 表示高度参考指令的一阶微分，kh>0和ki>0为设计参数。

[0080] 根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分为：

[0081]

[0082] 其中， 表示高度参考指令的二阶微分。

[0083] 将姿态子系统的输出由航迹角γ重定义为俯仰角θ，其中θ＝α+γ。定义航迹角误差为 姿态子系统(3)-(5)进一步写为内动态子系统：

[0084]

[0085] 和输入输出子系统：

[0086]

[0087] 其中，f1和f3是根据飞行器模型得到的未知平滑非线性函数，g12、g22、g13和g23是根据飞行器模型得到的已知项。

[0088] (d)定义坐标变换 设计η2为：

[0089]

[0090] 其中，

[0091] 定义航迹角误差的积分η1，由下式得到：

[0092]

[0093] 设计俯仰角指令为：

[0094] θcmd＝-kθη1+γd  (14)

[0095] 式中，kθ∈(0,1]为设计参数。

[0096] 定义俯仰角跟踪误差为：

[0097]

[0098] 设计俯仰角速度虚拟控制量为：

[0099]

[0100] 式中，k1>0为设计参数，

[0101] 俯仰角速度误差动力学如下：

[0102]

[0103] 式中， 表示未知非线性函数，表示已知项。

[0104] 用神经网络逼近未知非线性函数

[0105]

[0106] 其中， 表示 的估计值， 表示神经网络最优权重向量的估计值， 表示神经网络基函数向量，ε1表示神经网络逼近误差。

[0107] 设计舵偏角如下：

[0108]

[0109] 式中，k2>0和 为设计参数， 为鲁棒项用于消除逼近误差带来的影响。

[0110] 定义建模误差为：

[0111]

[0112] 其中 由下式得到：

[0113]

[0114] 式中，β1>0为设计参数。

[0115] 设计 自适应律为：

[0116]

[0117] 式中，γ1>0，γz1>0和ξ1>0为设计参数。

[0118] 设计 更新律为：

[0119]

[0120] 式中，ρ1>0和δ1>0为设计参数。

[0121] (e)根据得到的舵偏角δe和节流阀开度Φ，返回到飞行器动力学模型(1)-(5)，对高度和速度进行跟踪控制。

[0122] 实施例：

[0123] 参照图1，本发明基于复合学习的非最小相位飞行器神经网络控制方法应用于高超声速飞行器，通过以下步骤实现：

[0124] (a)建立非最小相位高超声速飞行器纵向通道动力学模型：

[0125]

[0126] 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，δe表示舵偏角，Φ表示节流阀开度；T、D、L和Myy分别表示推力、阻力、升力和俯仰转动力矩；m、Iyy和g分别表示质量、俯仰轴的转动惯量和重力引起的加速度。

[0127] 相关的力、力矩及参数定义如下：

[0128]

[0129]

[0130] 其中 表示动压，ρ表示空气密度， 表示平均气动弦长，zT表示推力矩臂长，S表示气动参考面积。

[0131] (b)将动力学进行功能解耦为速度子系统(1)和高度子系统(2)-(5)。针对速度子系统，定义速度跟踪误差为：

[0132]

[0133] 式中，Vd表示速度指令。设计节流阀开度Φ为：

[0134]

[0135] 式中，kpV＝5，kiV＝0.001和kdV＝0.001。

[0136] (c)针对高度子系统，定义高度跟踪误差 设计航迹角指令γd为：

[0137]

[0138] 式中，hd为高度参考指令， 为高度参考指令的一阶微分，kh＝0.5和ki＝0.1。

[0139] 根据时标分离，将速度看作慢动态，设计航迹角指令的一阶微分为：

[0140]

[0141] 其中， 为高度参考指令的二阶微分。

[0142] 将姿态子系统的输出航迹角γ重定义为俯仰角θ，其中θ＝α+γ。定义航迹角误差为 将姿态子系统(3)-(5)进一步写为内动态子系统：

[0143]

[0144] 和输入输出子系统：

[0145]

[0146] 其中，

[0147] (d)定义坐标变换 设计η2为：

[0148]

[0149] 其中，

[0150] 定义航迹角误差的积分η1，由下式得到：

[0151]

[0152] 设计俯仰角指令为：

[0153] θcmd＝-kθη1+γd  (14)

[0154] 式中，kθ＝0.9。

[0155] 定义俯仰角跟踪误差为：

[0156]

[0157] 设计俯仰角速度虚拟控制量为：

[0158]

[0159] 式中，k1＝2，

[0160] 俯仰角速度误差动力学如下：

[0161]

[0162] 式中， 表示未知非线性函数，表示已知项。

[0163] 用神经网络逼近未知函数

[0164]

[0165] 其中， 表示 的估计值， 表示神经网络最优权重向量的估计值， 表示神经网络基函数向量，ε1表示神经网络逼近误差。

[0166] 设计舵偏角如下：

[0167]

[0168] 式中，k2＝0.8和 为鲁棒项用于消除逼近误差带来的影响。

[0169] 定义建模误差为：

[0170]

[0171] 其中 由下式得到：

[0172]

[0173] 式中，β1＝2。

[0174] 设计 自适应律为：

[0175]

[0176] 式中，γ1＝5，γz1＝1和ξ1＝0.001。

[0177] 设计 更新律为：

[0178]

[0179] 式中，ρ1＝0.01和δ1＝0.001。

[0180] (e)根据得到的舵偏角δe和节流阀开度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。

[0181] 该方法首先将飞行器纵向通道模型分解为速度子系统和高度子系统，针对速度子系统采用PID控制，针对高度子系统采用反步法控制。对高度子系统，基于输出重定义使不稳定的内动态变为渐进稳定的内动态，对输出重定义后的系统内动态进行坐标转换，推导出用于控制器设计的俯仰角指令；针对系统存在的未知非线性动力学采用神经网络进行估计，设计建模误差信号并结合跟踪误差给出复合学习算法，提高神经网络对非线性动力学的逼近性能。本发明利用输出重定义实现内动态稳定，基于复合学习神经网络估计飞行器不确定动力学，可为非最小相位飞行器控制提供新的思路。