基于切换机制的飞行器全局有限时间神经网络控制方法与流程

本发明涉及一种飞行器控制方法，特别是涉及一种基于切换机制的飞行器全局有限时间神经网络控制方法，属于飞行器控制领域。

背景技术

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。神经网络可对未知动力学和模型不确定性进行逼近，被广泛应用于飞行器控制，但目前大多数方法假设神经网络在整个区域内一直可进行有效逼近为前提进行控制器设计，这就使得闭环系统只能保证半全局稳定性，在实际应用中难以保证该前提。《globalneuraldynamicsurfacetrackingcontrolofstrict-feedbacksystemswithapplicationtohypersonicflightvehicle》(binxu,chenguangyang,yongpingpan，《ieeetransactionsonneuralnetworksandlearningsystems》,2015,26(10):2563-2575)一文针对高超声速飞行器纵向通道模型设计动态面控制，基于切换机制实现神经网络控制和鲁棒控制的切换，可保证闭环系统全局稳定性，但该设计仅基于跟踪误差进行神经网络权重更新，并且不能实现跟踪误差的快速有限时间收敛。

技术实现要素：

要解决的技术问题

针对目前飞行器神经网络控制方法较少考虑在控制过程中神经网络逼近是否一直有效的问题，本发明设计了一种基于切换机制的飞行器全局有限时间神经网络控制方法，该方法利用切换机制实现有效逼近域内神经网络控制和有效逼近域外鲁棒控制之间的切换，保证神经网络在有效逼近域内工作，实现闭环系统的全局稳定性，同时基于跟踪误差和建模误差对神经网络权重进行更新，提高神经网络的学习性能，在此基础上给出鲁棒设计方案，可实现系统跟踪误差的有限时间收敛。

技术方案

一种基于切换机制的飞行器全局有限时间神经网络控制方法，其特征在于步骤如下：

步骤1：考虑飞行器纵向通道动力学模型：

所述的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，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；

力、力矩以及各系数的表达式分别为：

t＝tφ(α)φ+t0(α)≈(β1φ+β2)α³+(β3φ+β4)α²+(β5φ+β6)α+(β7φ+β8)，

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，和β(·)均表示气动参数；

步骤2：定义高度跟踪误差为eh＝h-hd，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；

取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ，因为tsinα远远小于l，在控制器设计过程中近似忽略；姿态子系统(3)-(5)写为以下严格反馈形式：

其中，fi，i＝1,3是根据飞行器模型得到的未知平滑非线性函数，满足其中是已知函数；gi＝ωgiθgi，i＝1,3是根据飞行器模型得到的未知平滑非线性函数，ωgi未知，θgi已知，满足其中gi>0和是已知常数；

设计切换函数为：

其中，

其中，λi2>λi1>0，i＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界由设计者给定，b>0和τk>0为设计参数；

步骤3：定义航迹角跟踪误差为：

e1＝x1-γd(11)

设计俯仰角虚拟控制量为：

式中，表示g1的估计值，表示的估计值，表示根据(9)设计的切换函数，k1>0，l1>0和0<υ1<1为设计参数；设计自适应神经网络控制和鲁棒控制为：

式中，表示f1的估计值，表示神经网络最优权重向量的估计值，θf1表示神经网络基函数向量，为设计参数；

设计一阶滤波器为：

式中，表示通过滤波器(15)后获得的信号，为滤波后得到的信号的微分信号，α2>0为设计参数；

定义建模误差为：

其中由下式得到：

式中，b1>0为设计参数；

设计自适应律为：

式中，γ1>0，γz1>0和δf1>0为设计参数；

设计自适应律为：

式中，γ1>0和为设计参数；

定义俯仰角跟踪误差为：

设计俯仰角速率虚拟控制量为：

式中，k2>0，l2>0和0<υ2<1为设计参数；

设计一阶滤波器为：

式中，表示通过滤波器(22)后获得的信号，为滤波后得到的信号的微分信号，α3>0为设计参数；

定义俯仰角速率跟踪误差为：

设计舵偏角如下：

式中，表示g3的估计值，表示的估计值，表示根据(9)设计的切换函数，k3>0，l3>0和0<υ3<1为设计参数；设计自适应神经网络控制和鲁棒控制为：

式中，表示f3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，为设计参数；

定义建模误差为：

其中由下式得到：

式中，b3>0为设计参数；

设计自适应律为：

式中，γ3>0，γz3>0和为设计参数；

设计自适应律为：

式中，γ3>0和为设计参数；

步骤4：定义速度跟踪误差为：

式中，vd为速度指令；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。

有益效果

本发明提出的一种基于切换机制的飞行器全局有限时间神经网络控制方法，与现有技术相比有益效果为：

(1)本发明基于切换机制实现有效逼近域内神经网络控制与有效逼近域外鲁棒控制之间的切换，使神经网络始终在有效逼近域内工作，可保证闭环系统全局稳定性。

(2)本发明所提出的切换机制充分考虑神经网络输入信息，可实现切换函数在0～1的平滑切换，减少控制能量的消耗。

(3)本发明给出基于跟踪误差和建模误差相结合的复合学习方法，可有效提高逼近域内神经网络的学习性能。

(4)本发明给出鲁棒设计方案，可实现系统跟踪误差的有限时间收敛。

附图说明

图1是本发明基于切换机制的飞行器全局有限时间神经网络控制方法的流程图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明解决其技术问题采用的技术方案是：一种基于切换机制的飞行器全局有限时间神经网络控制方法，通过以下步骤实现：

(a)考虑飞行器纵向通道动力学模型：

所述的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，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。

(b)定义高度跟踪误差为eh＝h-hd，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。

取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ，因为tsinα远远小于l，在控制器设计过程中近似忽略。姿态子系统(3)-(5)写为以下严格反馈形式：

其中，fi，i＝1,3是根据飞行器模型得到的未知平滑非线性函数，满足其中是已知函数；gi＝ωgiθgi，i＝1,3是根据飞行器模型得到的未知平滑非线性函数，ωgi未知，θgi已知，满足其中gi>0和是已知常数。

设计切换函数为：

其中，

其中，λi2>λi1>0，i＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界由设计者给定，b>0和τk>0为设计参数。

(c)定义航迹角跟踪误差为：

e1＝x1-γd(11)

设计俯仰角虚拟控制量为：

式中，表示g>的估计值，表示的估计值，表示根据(9)设计的切换函数，k1>0，l1>0和0<υ1<1为设计参数。设计自适应神经网络控制和鲁棒控制为：

式中，表示f1的估计值，表示神经网络最优权重向量的估计值，θf1表示神经网络基函数向量，为设计参数。

设计一阶滤波器为：

式中，表示通过滤波器(15)后获得的信号，为滤波后得到的信号的微分信号，α2>0为设计参数。

定义建模误差为：

其中由下式得到：

式中，b1>0为设计参数。

设计自适应律为：

式中，γ1>0，γz1>0和δf1>0为设计参数。

设计自适应律为：

式中，γ1>0和为设计参数。

定义俯仰角跟踪误差为：

设计俯仰角速率虚拟控制量为：

式中，k2>0，l2>0和0<υ2<1为设计参数。

设计一阶滤波器为：

式中，表示通过滤波器(22)后获得的信号，为滤波后得到的信号的微分信号，α3>0为设计参数。

定义俯仰角速率跟踪误差为：

设计舵偏角如下：

式中，表示g3的估计值，表示的估计值，表示根据(9)设计的切换函数，k3>0，l3>0和0<υ3<1为设计参数。设计自适应神经网络控制和鲁棒控制为：

式中，表示f3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，为设计参数。

定义建模误差为：

其中由下式得到：

式中，b3>0为设计参数。

设计自适应律为：

式中，γ3>0，γz3>0和为设计参数。

设计自适应律为：

式中，γ3>0和为设计参数。

(d)定义速度跟踪误差为：

式中，vd为速度指令。设计节流阀开度φ为：

式中，kpv>0，kiv>0和kdv>0为设计参数。

(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。

参照图1，本发明基于切换机制的飞行器全局有限时间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：

(a)建立高超声速飞行器纵向通道动力学模型：

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。

力、力矩以及各系数的表达式分别为：

t＝tφ(α)φ+t0(α)≈(β1φ+β2)α³+(β3φ+β4)α²+(β5φ+β6)α+(β7φ+β8)，

β1＝-3.7693e5，β2＝-3.7225e4，β3＝2.6814e4，β4＝-1.7277e4，

β5＝3.5542e4，β6＝-2.4216e3，β7＝6.3785e3，β8＝-1.0090e2，

zt＝8.36，

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，。

(b)定义高度跟踪误差eh＝h-hd，设计航迹角指令γd为：

式中，hd表示高度参考指令，表示高度参考指令的一阶微分，kh＝0.5和ki＝0.1。

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。

取x1＝γ，x2＝θ，x3＝q，其中θ＝α+γ，因为tsinα远远小于l，在控制器设计过程中近似忽略。姿态子系统(3)-(5)写成以下严格反馈形式：

式中，其中和未知，和已知。

(c)设计切换函数为：

其中

式中，λi2>λi1>0，i＝1,2,3表示神经网络有效逼近未知非线性函数fi的紧子集边界，b＝2和τk＝1。

定义航迹角跟踪误差为：

e1＝x1-γd(11)

设计俯仰角虚拟控制量为：

式中，k1＝2，l1＝3和υ1＝0.3，表示g1的估计值，表示的估计值，表示根据(9)设计的切换函数，紧子集边界为λ11＝0.55，λ12＝1。设计自适应神经网络控制和鲁棒控制为：

式中，表示f1的估计值，表示神经网络最优权重向量的估计值，θf1表示神经网络基函数向量，

设计一阶滤波器为：

式中，表示通过滤波器(15)后获得的信号，为滤波后得到的信号的微分信号，α2＝0.005。

定义建模误差为：

其中由下式得到：

式中，b1＝5。

设计自适应律为：

式中，γ1＝1，γz1＝1和δf1＝0.001。

设计自适应律为：

式中，γ1＝2和

定义俯仰角跟踪误差为：

设计俯仰角速率虚拟控制量为：

式中，k2＝3，l2＝3和υ2＝0.3。

设计一阶滤波器为：

式中，表示通过滤波器(22)后获得的信号，为滤波后得到的信号的微分信号，α3＝0.005。

定义俯仰角速率跟踪误差为：

设计舵偏角如下：

式中，k3＝3，l3＝4和υ3＝0.3，表示g3的估计值，表示的估计值，表示根据(9)设计的切换函数，紧子集边界为λ31＝0.55，λ32＝1。设计自适应神经网络控制和鲁棒控制为：

式中，表示f3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，

定义建模误差为：

其中由下式得到：

式中，b3＝5。

设计自适应律为：

式中，γ3＝1，γz3＝1和

设计自适应律为：

式中，γ3＝10^-8和

(d)定义速度跟踪误差为：

式中，vd为速度指令。设计节流阀开度φ为：

式中，kpv＝5，kiv＝0.001和kdv＝0.001。

(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。

本发明首先将飞行器纵向模型解耦为高度子系统和速度子系统，针对高度子系统采用反步法控制，针对速度子系统采用pid控制。对高度子系统，引入切换机制实现有效逼近域内神经网络控制和逼近域外鲁棒控制之间的切换，同时基于跟踪误差和建模误差对神经网络权重进行更新，提高神经网络的学习性能，在此基础上给出鲁棒设计方案，可实现系统跟踪误差的有限时间收敛。本发明保证飞行器神经网络控制始终在有效逼近域内工作，实现闭环系统全局稳定性，保证实际工程应用的性能要求。