[发明专利]高超声速飞行器再入段神经网络复合学习控制方法

说明书

本发明公开了一种高超声速飞行器再入段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再入段姿态控制方法精度差的技术问题。技术方案是首先将高超声速飞行器再入段动力学描述为面向控制的姿态模型，再利用神经网络对系统不确定函数进行学习设计控制器，最后采用在线数据构造预测建模误差，并利用跟踪误差和预测误差形成复合误差进行神经网络权重更新，提升闭环控制过程神经网络学习性能改善跟踪性能。由于利用神经网络进行学习可提升系统的自适应能力，提高了控制精度；由于利用在线数据构造预测误差评价神经网络学习性能并结合系统跟踪误差，进行神经网络权重向量复合更新，提高闭环控制过程中神经网络学习准确性，提高了系统跟踪精度。

技术领域

本发明涉及一种高超声速飞行器再入段姿态控制方法，特别涉及一种高超声速飞行器再入段神经网络复合学习控制方法。

背景技术

高超声速飞行器由于其高速飞行能力，使得在紧急情况下实现“全球到达、全球作战”成为可能，因此受到国内外的广泛关注；NASA X-43A试飞成功证实了这项技术的可行性。高超声速飞行器再入过程中，攻角和倾侧角的变化范围大，系统存在强非线性；同时，气动系数、反推力器的控制效能都严重的依赖于飞行姿态，这使得系统中的参数和状态都存在着严重的非线性耦合。高超声速飞行器再入段的特性给控制设计带来了巨大的挑战，控制系统就必须具有强自适应学习能力。

由于再入段强非线性、快时变性以及强不确定性等特性，飞行器姿态控制非常复杂。常用的处理方案是采用鲁棒自适应设计。一种方案是将系统的非线性写为线性参数化形式，进而进行自适应设计，该过程需要对系统的结构具有清晰认知以获得参数化表达；另外一种方案是将考虑非线性函数的上下界，利用该信息设计鲁棒项以保证系统稳定，例如《Adaptive Dynamic Sliding Mode Control for Near Space Vehicles Under ActuatorFaults》(Jing Zhao,Bin Jiang,Peng Shi,Hongtao Liu，《Circuits Systems&SignalProcessing》，2013年，第32卷，页码：2281–2296)一文针对近空间飞行器研究了滑模控制器。由于设计过程中利用系统未知上界信息进行滑模设计，因此所得到的控制器具有很强的保守性，不利于高精度的高超声速飞行器再入段姿态控制。

发明内容

为了克服现有高超声速飞行器再入段姿态控制方法精度差的不足，本发明提供一种高超声速飞行器再入段神经网络复合学习控制方法。该方法首先将高超声速飞行器再入段动力学描述为面向控制的姿态模型，再利用神经网络对系统不确定函数进行学习设计控制器，最后采用在线数据构造预测建模误差，并利用跟踪误差和预测误差形成复合误差进行神经网络权重更新，提升闭环控制过程神经网络学习性能改善跟踪性能。由于利用神经网络进行学习可提升系统的自适应能力，降低鲁棒控制方法带来的保守性，提高了控制精度；由于利用在线数据构造预测误差评价神经网络学习性能并结合系统跟踪误差，进行神经网络权重向量复合更新，提高闭环控制过程中神经网络学习准确性与快速性，提高了系统的跟踪精度。

本发明解决其技术问题所采用的技术方案：一种高超声速飞行器再入段神经网络复合学习控制方法，其特点是包括以下步骤：

(a)建立高超声速飞行器再入段动力学模型：

该动力学模型包含状态变量X＝[v，ω]^T和控制输入U＝M_c，其中v＝[α β σ]^T为姿态角向量，α、β、σ分别表示攻角、侧滑角和倾斜角；ω＝[p q r]^T为姿态角速率向量，p、q、r分别表示滚动、俯仰和偏航角速率；M_c＝[M_x M_y M_z]^T表示系统的控制力矩；I表示惯量矩阵；