高超聲速再入飛行器的特征建模及 自適應(yīng)遞推滑?？刂?/h1>

2018-09-07 10:45:00常亞菲姜甜甜

宇航學(xué)報(bào)訂閱 2018年8期 收藏

關(guān)鍵詞：參量超聲速時(shí)變

常亞菲，姜甜甜

(1. 北京控制工程研究所，北京 100190；2. 空間智能控制技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100094)

0 引 言

高超聲速再入飛行器具有飛行速度快、反應(yīng)時(shí)間短、機(jī)動(dòng)性能強(qiáng)、飛行范圍廣、負(fù)載能力強(qiáng)等諸多優(yōu)點(diǎn)，因而具有很高的軍事和民用價(jià)值，是目前全球航空航天領(lǐng)域一個(gè)極其重要的發(fā)展方向[1-2]。飛行控制技術(shù)作為高超聲速飛行器核心技術(shù)之一，是飛行任務(wù)成功的保障。美國(guó)高超聲速技術(shù)飛行器(HTV-2)的兩次飛行試驗(yàn)都以失敗告終，項(xiàng)目組總結(jié)失敗經(jīng)驗(yàn)認(rèn)為，將該類飛行器送入臨近空間等技術(shù)問題已基本解決，但如何完成姿態(tài)控制成為懸而未決的技術(shù)問題[2]，因此研究高超聲速再入飛行器的姿態(tài)控制方法具有重要的意義。然而，飛行器高超聲速、大機(jī)動(dòng)的飛行狀態(tài)使其具有較強(qiáng)的非線性。其次，高超聲速飛行器再入飛行環(huán)境復(fù)雜，飛行過程中的結(jié)構(gòu)參數(shù)、氣動(dòng)參數(shù)攝動(dòng)劇烈，未建模動(dòng)態(tài)特性多，加之缺乏足夠的飛行與地面試驗(yàn)，從而導(dǎo)致用于控制系統(tǒng)設(shè)計(jì)的高超聲速飛行器模型具有強(qiáng)烈的不確定性。此外，飛行器大機(jī)動(dòng)再入飛行時(shí)，飛行速度和高度發(fā)生劇烈變化，其氣動(dòng)特性、質(zhì)心和慣性矩等均隨之發(fā)生快速變化，因而高超聲速飛行器體現(xiàn)出顯著的快時(shí)變特征。上述特性使得高超聲速再入飛行器姿態(tài)控制設(shè)計(jì)面臨巨大的挑戰(zhàn)。

針對(duì)高超聲速飛行器存在強(qiáng)非線性的問題，文獻(xiàn)[3-4]和文獻(xiàn)[5-6]分別采用反饋線性化和反步方法進(jìn)行控制系統(tǒng)設(shè)計(jì)，這類方法均嚴(yán)格依賴于對(duì)象模型的基礎(chǔ)結(jié)構(gòu)。針對(duì)模型存在的不確定性問題，文獻(xiàn)[7-8]采用自適應(yīng)控制方法。這類方法需要飛行器氣動(dòng)模型的具體結(jié)構(gòu)已知，并且僅用來解決參數(shù)的不確定性問題。然而，由于缺乏足夠的飛行與地面試驗(yàn)，高超聲速氣流規(guī)律難以完全掌握，氣動(dòng)模型的結(jié)構(gòu)也存在較強(qiáng)的不確定性。此外，滑模變結(jié)構(gòu)控制[9]和自抗擾控制[10]方法也被用來解決對(duì)象的不確定性問題。需要指出的是，上述文獻(xiàn)采用的控制方法均基于模型的標(biāo)稱結(jié)構(gòu)。如前所述，飛行器再入飛行環(huán)境復(fù)雜，加之未建模動(dòng)態(tài)特性多，導(dǎo)致控制系統(tǒng)的基礎(chǔ)結(jié)構(gòu)失真。因此，本文致力于設(shè)計(jì)一種較少依賴于模型結(jié)構(gòu)和參數(shù)信息的飛行控制方法。

基于特征模型的自適應(yīng)控制方法是一類針對(duì)非線性和不確定性系統(tǒng)的有效控制方法。該方法由吳宏鑫等[11]提出，它的思想是首先建立對(duì)象的特征模型(即特征建模)，而后在特征模型框架下，進(jìn)行采樣控制律設(shè)計(jì)。所謂特征建模，即是結(jié)合對(duì)象的機(jī)理和控制目標(biāo)，用一個(gè)低階線性離散慢時(shí)變系統(tǒng)來近似一個(gè)帶不確定性的高階線性/非線性系統(tǒng)。這種建模方法將對(duì)象高階、非線性以及不確定性等信息壓縮到離散系統(tǒng)的慢時(shí)變系數(shù)(即特征參量)中，并通過在線估計(jì)的方法獲其取值。近年來，許多文獻(xiàn)[12-15]采用該方法針對(duì)高超聲速飛行器存在的不確定性問題進(jìn)行控制器設(shè)計(jì)，所得控制系統(tǒng)具有較好的魯棒性。與其他非線性姿態(tài)控制方法相比，采用基于特征模型的自適應(yīng)控制方法具有如下優(yōu)勢(shì)：1)特征模型一般由二階離散差分方程描述，相應(yīng)的基于特征模型的控制器結(jié)構(gòu)簡(jiǎn)單，便于工程實(shí)現(xiàn)。2)普通自適應(yīng)控制方法一般要求不確定性可參數(shù)線性化，僅用來解決參數(shù)不確定性問題，而基于特征模型的自適應(yīng)控制沒有此限制，因而一定程度上可解決結(jié)構(gòu)不確定性問題。此外，待估計(jì)的特征參量大致范圍可提前獲得，避免普通自適應(yīng)控制方法參數(shù)初值選擇的盲目性。3)基于特征模型的控制器具有輸出反饋的形式，避免了工程實(shí)際中因狀態(tài)無法獲取而導(dǎo)致的控制器實(shí)現(xiàn)問題。然而，文獻(xiàn)[12-15]僅考慮飛行器的非線性和不確定性問題。如前所述，再入過程中，尤其是再入末段，飛行器高度、速度發(fā)生劇烈變化，高超聲速飛行器的動(dòng)力學(xué)呈現(xiàn)顯著的時(shí)變特性，這將進(jìn)一步反應(yīng)在特征模型的特征參量中，導(dǎo)致其具有時(shí)變性。而特征參量的時(shí)變性將導(dǎo)致其辨識(shí)困難，辨識(shí)結(jié)果難以準(zhǔn)確反應(yīng)飛行器實(shí)際的動(dòng)力學(xué)變化，這將進(jìn)一步影響基于特征模型的自適應(yīng)控制系統(tǒng)的性能，甚至導(dǎo)致系統(tǒng)失穩(wěn)。因此，有必要將高超聲速飛行器的時(shí)變機(jī)理納入特征建模中，以期特征模型能夠準(zhǔn)確表征對(duì)象的動(dòng)力學(xué)，增強(qiáng)基于特征模型的自適應(yīng)控制器的可靠性。

基于上述分析，本文考慮一類以傾斜轉(zhuǎn)彎-180(BTT-180)控制方式飛行，具有非線性、不確定性和時(shí)變特性的高超聲速再入飛行器的姿態(tài)跟蹤控制問題。針對(duì)前述對(duì)象動(dòng)力學(xué)快時(shí)變而導(dǎo)致基于特征模型的自適應(yīng)控制系統(tǒng)性能受損的問題，本文從特征建模的角度出發(fā)，通過對(duì)飛行器快時(shí)變的機(jī)理分析，結(jié)合模糊神經(jīng)網(wǎng)絡(luò)，將快時(shí)變特征顯式地表征在高超聲速飛行器的特征模型中，使得新的特征變量具有時(shí)不變或慢時(shí)變特性。為進(jìn)一步提高飛行控制系統(tǒng)的魯棒性并簡(jiǎn)化控制器設(shè)計(jì)，在此特征模型的框架下，利用滑?？刂品椒ǖ聂敯粜院徒惦A特性，設(shè)計(jì)自適應(yīng)控制律。最后通過仿真校驗(yàn)所提出的控制方案的有效性。

1 預(yù)備知識(shí)

1.1 高超聲速飛行器模型

忽略飛行器的彈性振動(dòng)、風(fēng)干擾、地球自轉(zhuǎn)等因素，建立高超聲速飛行器全通道姿態(tài)動(dòng)力學(xué)模型

(1)

式中:α,β,γ為攻角、側(cè)滑角和傾側(cè)角；p,q,r為滾轉(zhuǎn)角速度、俯仰角速度和偏航角速度；

(2)

式中：μ,m,V為彈道傾角、飛行器質(zhì)量和速度；Jx,Jy,Jz為繞機(jī)體系各軸的轉(zhuǎn)動(dòng)慣量；氣動(dòng)力X,Y,Z和氣動(dòng)力矩L,M,N的表達(dá)式如下

(3)

1.2 非線性系統(tǒng)的特征模型

考慮如下非線性系統(tǒng)

(4)

其中，狀態(tài)x1,x2∈R，輸入u∈R，輸出y∈R，函數(shù)f(x1,x2)滿足局部Lipschitz條件。該系統(tǒng)的特征模型可用如下差分方程描述[16]

y(k+1)=f1(k)y(k)+f2(k)y(k-1)+

g0(k)u(k)

(5)

其中，{f1(k),f2(k),g0(k)}是模型的時(shí)變特征參量，其取值與系統(tǒng)(4)的結(jié)構(gòu)和參數(shù)有關(guān)，并且在一個(gè)可預(yù)估的緊集內(nèi)。

1.3 模糊神經(jīng)網(wǎng)絡(luò)的擬合特性

考慮如圖1所示的一類模糊神經(jīng)網(wǎng)絡(luò)，其中，第一層為輸入層；第二層為隸屬度函數(shù)層，每個(gè)節(jié)點(diǎn)代表輸入語言變量的隸屬度函數(shù)值；第三層為模糊規(guī)則層；第四層為輸出層。

(6)

2 高超聲速再入飛行器姿態(tài)控制器設(shè)計(jì)與分析

本節(jié)針對(duì)高超聲速飛行器全通道模型, 提出一種基于神經(jīng)網(wǎng)絡(luò)特征模型的自適應(yīng)滑模姿態(tài)控制方案，以實(shí)現(xiàn)其在干擾不確定性以及飛行環(huán)境大范圍變化情況下的姿態(tài)精確跟蹤。控制方案包含兩部分：基于模糊神經(jīng)網(wǎng)絡(luò)的特征建模以及該特征模型框架下的自適應(yīng)控制律設(shè)計(jì)，其具體設(shè)計(jì)內(nèi)容如下。

2.1 高超聲速再入飛行器的特征建模

本節(jié)首先結(jié)合高超聲速再入飛行器的動(dòng)力學(xué)特征，建立形如第1.2節(jié)式(5)形式的特征模型，稱之為傳統(tǒng)特征建模。而后，在此特征模型基礎(chǔ)上，引入神經(jīng)網(wǎng)絡(luò)表征模型的快變動(dòng)態(tài)，獲得基于神經(jīng)網(wǎng)絡(luò)的特征模型。

2.1.1傳統(tǒng)特征建模

考慮到飛行器以BTT-180控制方式飛行，這種方式下對(duì)側(cè)滑角有嚴(yán)格限制，要求近似為0°[18]，此時(shí)通道間耦合相對(duì)較弱。因此，本部分建立三通道解耦的特征模型。

首先，對(duì)α、β和γ進(jìn)行二次求導(dǎo)，可得

(7)

式中:

將式(3)中的氣動(dòng)參數(shù)近似如下

然后代入式(7)中得到

(8)

式中:

根據(jù)式(1)中角速率的動(dòng)力學(xué)方程可得

(9)

將式(9)代入式(8)有

(10a)

(10b)

(10c)

式中:

(11)

定義采樣周期T，分別在kT時(shí)刻對(duì)α((k+1)T)和α((k-1)T)進(jìn)行二階泰勒展開,可得

(12)

(13)

(14)

然后將式(12)和式(13)相減，并代入式(14)可得

(15)

式中:

現(xiàn)通過將Δα分別壓縮至α(k),α(k-1),δe(k)的系數(shù)中，可獲得形如式(5)的攻角通道特征模型如下

a(k+1)=f0α(k)a(k)+f1α(k)a(k-1)+

g0α(k)δe(k)

(16)

同理可得側(cè)滑角和滾轉(zhuǎn)角通道特征模型

(17)

式(17)中特征參量表達(dá)式如下

(18)

當(dāng)采樣周期確定、飛行器包線已知時(shí)，可估算式(18)中特征參量的取值范圍

fom∈[fommin,fommax],o=0,1

(19)

g0m∈[g0mmin,g0mmax]

(20)

式中:fommax≥fommin>0，f1mmin≤f1mmax<0，g0mmin≤g0mmax<0，取值由采樣周期和飛行狀態(tài)范圍決定。

2.1.2基于神經(jīng)網(wǎng)絡(luò)的特征建模

基于特征模型的控制器設(shè)計(jì)，一般要求模型的特征參量具有慢時(shí)變特性，并通過在線估計(jì)獲其取值。然而，如引言中所述，飛行器高度、速度變化引起動(dòng)壓變化，進(jìn)一步導(dǎo)致舵效變化，并直接反應(yīng)在特征參量g0m中。因此，g0m具有顯著的時(shí)變特性。一方面，式(16)～式(17)所示結(jié)構(gòu)的特征模型未能顯式地表征系統(tǒng)的快變動(dòng)態(tài)；另一方面，若直接采用該特征模型估計(jì)特征參數(shù)并設(shè)計(jì)控制器，模型參數(shù)的時(shí)變特性將加劇其估計(jì)難度，導(dǎo)致較大的估計(jì)偏差，進(jìn)而影響控制性能。因此，本文在模型(16)～(17)的基礎(chǔ)上進(jìn)一步對(duì)控制增益g0m進(jìn)行特征建模，以顯式地表征控制增益的快變動(dòng)態(tài)。

以攻角通道為例，本文基于模糊神經(jīng)網(wǎng)絡(luò)，利用其擬合特性對(duì)g0α建模，以近似g0α的快變動(dòng)態(tài)。注意到g0α表達(dá)式與飛行狀態(tài)相關(guān)，并且高速和速度變化是導(dǎo)致g0α快速變化的主要原因。因此選取高度、速度和氣流角作為網(wǎng)絡(luò)輸入xα=[α,h,V]。隸屬度函數(shù)選取如下帶偏置的高斯函數(shù)

(21)

(22)

式中:|ζg0(xα)|<ζ，ζ是一給定的任意小的數(shù)。

為了減小參數(shù)估計(jì)的負(fù)擔(dān)，選取如下單估計(jì)參數(shù)結(jié)構(gòu)來替代上述神經(jīng)網(wǎng)絡(luò)

(23)

(24)

其中a的選取需使該集合非空。令

(25)

進(jìn)一步，對(duì)特征模型慢時(shí)變特征參量f0α(k)和f1α(k)作如下處理。

令

(26)

綜上可得考慮快變特征的高超聲速再入飛行器的攻角通道特征模型如下

(27)

其中，ξα(k)=εfoα(k)α(k)+εf1α(k)α(k-1)+εg0α(k)δe(k)為建模誤差項(xiàng)。實(shí)際中，飛行包線是預(yù)設(shè)的，因此飛行狀態(tài)的界是已知的，相應(yīng)地可以獲得ξα(k)的界。

同理可得如下側(cè)滑角和傾側(cè)角通道的特征模型：

(28)

(29)

2.2 基于特征模型的自適應(yīng)滑?？刂坡稍O(shè)計(jì)及性能分析

本部分仍以攻角通道為例，開展基于特征模型的控制器設(shè)計(jì)。

2.2.1自適應(yīng)滑?？刂坡稍O(shè)計(jì)

定義跟蹤誤差e(k)=α(k)-αc(k)，滑模面

s(k)=e(k)-kse(k-1)

(30)

其中，0

結(jié)合式(27)可得

(31)

對(duì)式(31)進(jìn)行差分有

δe(k-1)+ξα(k)-ξα(k-1)

(32)

選擇如下控制信號(hào)關(guān)系式

(33)

結(jié)合式(32)和式(33)可得

s(k+1)-s(k)=-kps(k)+eo(k+1)-eo(k)

(34)

式中:

(35)

注3. 所設(shè)計(jì)的遞推形式的滑?？刂坡?，可使得當(dāng)估計(jì)誤差eo(k)一致收斂時(shí)，滑模面參數(shù)趨近于0，從而減弱了eo(k)的存在對(duì)控制精度的影響。

(36)

結(jié)合式(27)和式(35)可知

設(shè)計(jì)如下更新律

(37)

其中，0<ρ<1是與學(xué)習(xí)率相關(guān)的常數(shù)，D(k)是一個(gè)死區(qū)函數(shù)，定義如下

(38)

其中，b是一個(gè)可調(diào)參數(shù)，∏(·)是一個(gè)投影算子，其將輸出投影至范圍(19)和(24)內(nèi)。

綜上，結(jié)合滑模面(30)和參數(shù)更新律(37)，可獲得式(33)中的控制信號(hào)

2.2.2性能分析

首先對(duì)估計(jì)誤差eo(k)進(jìn)行分析，其性質(zhì)可用如下定理描述。

定理1. 考慮自適應(yīng)更新律(37)，如果b滿足b>|ξα(k)|，那么估計(jì)誤差eo(k)有界，且滿足

(39)

證. 選取Lyapunov函數(shù)：

(40)

根據(jù)投影原理，聯(lián)合式(37)可得

(41)

聯(lián)合式(35)可知

2ρD(k)ξα(k-1)-2ρD(k)eo(k)

(42)

通過分析式(42)的性質(zhì)來證明eo(k)的有界性。

選取滿足eo2(ti)≥b2/(1-ρ),ti+1>ti≥1的時(shí)間序列，記作{ti(i>0)}?N。根據(jù)Young不等式[20]有

2ρD(k)ξα(ti-1)≤ρ|D(ti)||eo(ti)|+

(43)

將式(43)代入式(42)，并結(jié)合式(38)，0<ρ<1，可進(jìn)一步推導(dǎo),得

ΔV(ti)=V(ti)-V(ti-1)≤ρ2D2(ti)·

(44)

此外，對(duì)于任意時(shí)刻k?N-{ti(i>0)}，可知eo(k)≤b2/(1-ρ)成立。那么由式(37)和式(38)可得

ΔV(k)=0, ?k?N-{ti(i>0)}

(45)

根據(jù)式(44)和式(45)，通過選取b>|ξα(k)|，并且對(duì)ΔV(k)從1到tT求和可得

V(1)-V(tT)≤V(1)

(46)

(47)

當(dāng)集合{ti}元素?cái)?shù)量有限時(shí)，式(47)仍成立。

證畢。

現(xiàn)分析s(k)的性質(zhì)。根據(jù)式(47)可知?ε>0，?ts∈N，當(dāng)k>ts時(shí),有

(48)

令E(k)=|eo(k+1)|+|eo(k)|，則有

(49)

由式(34)可得

|s(k+1)|≤(1-kp)|s(k)|+E(k)≤

(1-kp)k-ts|s(ts)|+(1-kp)k-ts-1|E(ts+1)|+

(1-kp)k-ts-2|E(ts+2)|+…+|E(k)|≤

(1-kp)k-ts|s(ts)|+κ[1-(1-kp)k-ts]/kp

(50)

由0

(51)

同理，由滑模面表達(dá)式(30)和式(51)可得系統(tǒng)軌跡在滑模面鄰域內(nèi)的運(yùn)動(dòng)性質(zhì)如下

(52)

式中:κ0=κ/kp+ε0，ε0為任意小的數(shù)。

注4. 由式(18)、式(49)和式(52)可知，可通過選取較小的采樣周期T、較大的控制參數(shù)kp、較小的滑模面參數(shù)ks以及較小的參數(shù)更新律ρ來減小跟蹤誤差。

注5. 側(cè)滑角和傾側(cè)角通道的控制器設(shè)計(jì)可按同樣方法，在此不再贅述。

3 仿真校驗(yàn)

本節(jié)將結(jié)合控制目標(biāo)，對(duì)所提出的高超聲速飛行器自適應(yīng)滑?？刂品桨高M(jìn)行仿真校驗(yàn)。控制目標(biāo)是使高超聲速飛行器在存在干擾不確定性以及飛行環(huán)境大范圍快速變化時(shí)，氣流角α,β,γ仍可準(zhǔn)確跟蹤相應(yīng)的指令αc,βc,γc。

以攻角通道為例，模糊神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如下：選取高度、速度和攻角作為網(wǎng)絡(luò)輸入，每個(gè)輸入設(shè)置3個(gè)隸屬度函數(shù)，則根據(jù)文中圖1所示模糊神經(jīng)網(wǎng)絡(luò)，相應(yīng)的隸屬度函數(shù)層節(jié)點(diǎn)數(shù)為9，規(guī)則層節(jié)點(diǎn)數(shù)為27。通過閉環(huán)控制回路在線獲取神經(jīng)網(wǎng)絡(luò)的建模數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲得最終用于控制器的神經(jīng)網(wǎng)絡(luò)初值。初始網(wǎng)絡(luò)參數(shù)選擇具體如下：首先，根據(jù)文中特征參量的表達(dá)式(17)以及初始飛行器狀態(tài)，估算初始時(shí)刻特征參量的取值；然后，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入初值和結(jié)構(gòu)，選擇網(wǎng)絡(luò)權(quán)值使得基于模糊神經(jīng)網(wǎng)絡(luò)的特征參量等于特征參量的預(yù)估初值；最后，采用文中參數(shù)更新律(36)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并將模型估計(jì)誤差均值作為是否繼續(xù)下次訓(xùn)練的判斷標(biāo)準(zhǔn)，而后將訓(xùn)練所得值作為最終控制系統(tǒng)中神經(jīng)網(wǎng)絡(luò)的初值。選取采樣周期T=0.01，其他控制參數(shù)如表1所示。

表1 控制參數(shù)Table 1 Control parameters

3.1 控制方案對(duì)飛行器不確定問題有效性的驗(yàn)證

本節(jié)考慮階躍指令的跟蹤情況。攻角和傾側(cè)角的階躍指令幅值均為10°。由于飛行器在BTT模式下飛行，因此側(cè)滑角指令設(shè)為0°。此外，為驗(yàn)證所提出控制方案的魯棒性，在飛行器中加入如表2所示的干擾和不確定項(xiàng)，其中，ΔSt表示初始狀態(tài)α,β和γ的不確定性，不確定項(xiàng)ΔC和干擾Cd分別被加到轉(zhuǎn)動(dòng)慣量、質(zhì)量、大氣密度以及氣動(dòng)系數(shù)上。

表2 干擾和不確定項(xiàng)Table 2 Disturbances and uncertainties

由圖2氣流角響應(yīng)曲線可知，可知控制器實(shí)現(xiàn)了干擾不確定環(huán)境下對(duì)指令的穩(wěn)定準(zhǔn)確跟蹤。圖3為估計(jì)誤差曲線，驗(yàn)證所設(shè)計(jì)的參數(shù)更新律下估計(jì)誤差的收斂性。仿真結(jié)果表明，所提出的自適應(yīng)控制方案滿足控制精度和系統(tǒng)的魯棒性要求，有效解決了高超聲速飛行器在干擾不確定環(huán)境下的控制問題。

3.2 控制方案對(duì)飛行器時(shí)變問題的有效性校驗(yàn)

本節(jié)飛行器進(jìn)行BTT-180°機(jī)動(dòng)，其間攻角指令在3 s內(nèi)由10°減至2°，而后又在3 s內(nèi)增加10°，同時(shí)傾側(cè)角在6s內(nèi)翻轉(zhuǎn)180°，側(cè)滑角指令維持在0°。在此期間，飛行高度和速度發(fā)生大范圍變化，飛行環(huán)境的快速變化導(dǎo)致飛行器時(shí)變特征顯著，尤其體現(xiàn)在舵面控制增益上，其變化如圖4所示。

為校驗(yàn)本文提出的基于神經(jīng)網(wǎng)絡(luò)特征模型自適應(yīng)滑模控制方法對(duì)快時(shí)變對(duì)象控制的有效性，本部分開展對(duì)比仿真。對(duì)比控制方案中，采用傳統(tǒng)的特征模型，控制器其他部分與本方案相同。

在所提出的控制方案作用下飛行器的姿態(tài)響應(yīng)如圖5所示，圖6為基于神經(jīng)網(wǎng)絡(luò)的特征模型控制增益估計(jì)曲線。由圖5可知，在所提出的控制方案下，飛行器實(shí)現(xiàn)整個(gè)機(jī)動(dòng)飛行過程中，對(duì)角度參考指令的快速穩(wěn)定跟蹤。對(duì)比圖6與圖4可知，基于神經(jīng)網(wǎng)絡(luò)的特征模型可有效反映對(duì)象的時(shí)變特征。

在對(duì)比方案控制下，飛行器姿態(tài)響應(yīng)結(jié)果如圖7所示，特征模型控制增益估計(jì)曲線如圖8所示。將圖8與圖4對(duì)比可知，該特征模型的控制增益沒能反映出飛行器控制增益的變化，控制增益誤差逐步增大，進(jìn)而導(dǎo)致估計(jì)參數(shù)發(fā)散、控制失穩(wěn)。

總結(jié)上述仿真結(jié)果可知，所提出的基于神經(jīng)網(wǎng)絡(luò)特征模型的自適應(yīng)滑?？刂品椒▽?shí)現(xiàn)了干擾、不確定和快時(shí)變環(huán)境下高超聲速飛行器姿態(tài)的穩(wěn)定精確跟蹤。

4 結(jié) 論

本文主要研究高超聲速再入飛行器的魯棒自適應(yīng)姿態(tài)控制方法。首先，針對(duì)對(duì)象非線性、不確定性等問題，采用特征建模的方法，將其壓縮至特征參量中。進(jìn)一步，針對(duì)飛行器動(dòng)力學(xué)時(shí)變引起特征參量快變，進(jìn)而導(dǎo)致其自適應(yīng)律設(shè)計(jì)困難的問題，本文在現(xiàn)有特征模型基礎(chǔ)上引入神經(jīng)網(wǎng)絡(luò)，使得新特征模型中的特征參量具有時(shí)不變特性。然后，基于此神經(jīng)網(wǎng)絡(luò)特征模型，設(shè)計(jì)遞推形式的自適應(yīng)滑?？刂坡?，在一定程度上減小了估計(jì)誤差對(duì)控制精度的影響。仿真表明，所提出的控制方案具有較好的魯棒性以及對(duì)飛行器動(dòng)力學(xué)變化的適應(yīng)能力。

猜你喜歡

參量超聲速時(shí)變

高超聲速出版工程

軍民兩用技術(shù)與產(chǎn)品(2022年2期)2022-06-01 06:29:48

高超聲速飛行器

鳳凰動(dòng)漫(軍事大王)(2022年1期)2022-04-19 11:35:10

超聲速旅行

小哥白尼(趣味科學(xué))(2018年5期)2018-06-21 06:24:32

基于時(shí)變Copula的股票市場(chǎng)相關(guān)性分析

智富時(shí)代(2017年4期)2017-04-27 17:08:47

煙氣輪機(jī)復(fù)合故障時(shí)變退化特征提取

廣東石油化工學(xué)院學(xué)報(bào)(2016年6期)2016-05-17 05:17:43

基于MEP法的在役橋梁時(shí)變可靠度研究

中國(guó)鐵道科學(xué)(2015年4期)2015-06-21 06:46:08

環(huán)形光的形成與參量的依賴關(guān)系

物理實(shí)驗(yàn)(2015年9期)2015-02-28 17:36:51

含雙參量的p-拉普拉斯邊值問題的多重解

數(shù)學(xué)年刊A輯(中文版)(2014年4期)2014-10-30 01:50:32

高超聲速大博弈

太空探索(2014年5期)2014-07-12 09:53:28

鎖定放大技術(shù)在參量接收陣中的應(yīng)用

聲學(xué)技術(shù)(2014年2期)2014-06-21 06:59:14

宇航學(xué)報(bào)2018年8期

宇航學(xué)報(bào)的其它文章

火星探測(cè)器表面材料催化特性數(shù)值模擬研究

場(chǎng)協(xié)同原理在高超聲速化學(xué)非平衡流動(dòng)中的推廣

超視距雷達(dá)探測(cè)高超聲速飛行器可行性分析

高斯混合模型優(yōu)化的四元數(shù)約束CKF姿態(tài)估計(jì)

簡(jiǎn)化七階CQKF及其在SINS大失 準(zhǔn)角初始對(duì)準(zhǔn)中的應(yīng)用

BLKF方法抑制MEMS慣性傳感器隨機(jī)噪聲