[发明专利]基于神经网络的高超声速飞行器自适应补偿控制方法

说明书

本发明公开了一种基于神经网络的高超声速飞行器自适应补偿控制方法，包括以下步骤：建立高超声速飞行器的纵向动力学模型，并将其分解为姿态子系统和速度子系统；建立高超声速飞行器的升降舵故障模型；构建平滑函数来估计非线性输入饱和，并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中的非线性函数；通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。本发明提供了一种考虑了升降舵故障以及输入饱和的径向基神经网络自适应补偿控制方法，解决了高超声速飞行器飞行过程中各类升降舵故障以及执行器饱和对飞行器的影响，保证了系统的容错能力和鲁棒性。

技术领域

本发明属于飞行器控制技术领域，具体来说，涉及一种基于神经网络的高超声速飞行器自适应补偿控制方法。

背景技术

近几年来，高超声速飞行器作为一种通往临近空间的可靠且经济的运输工具，吸引了极大的商业和军事关注。然而由于其特殊的构造，独特的飞行条件，导致高超声速飞行器对空气动力学参数极其敏感，以及其动力学特征的高度非线性，所有的这些因素使得高超声速飞行器的控制设计具有很大难度。

运用径向基神经网络自适应补偿控制可以很好的解决系统中存在未知非线性环节这一问题，能保证系统在满足稳定性要求的同时达到相应的控制要求。目前为止，包括鲁棒控制，滑模控制以及线性二次控制等控制方法都已经被运用于高超声速飞行器纵向模型的控制设计，相比较于这些提到的控制方法，自适应反步控制提供了一种解决未知非线性模型的有效方法。一方面，在飞行器控制中，执行器饱和可能会导致控制效果恶化甚至完全失控，具有输入饱和特性系统的控制问题近些年来受到了极大的关注，通过构建辅助系统，系统输入饱和问题可以得到解决。但是当系统具有未知的时延环节时，辅助系统模型难以建立，并且给闭环系统稳定性分析造成很大难度，运用自适应补偿控制可以很好的解决系统中存在未知增益环节这一问题。另一方面，由于频繁的运作以及严酷的工作环境飞行器升降舵可能会受到故障的影响，这些故障对于飞行器而言时毁灭性的，而在现今的控制研究中故障模型的建立往往被假设为每一个升降舵只会发生一次故障，而且故障的模式(控制效果完全失效)以及参数不会发生改变。显然这是一种极端的情况，实际的飞行器升降舵故障所包含的类型是复杂的。本专利中所提出的升降舵故障模型可以很好的涵盖各种类型的故障，对故障的数目没有限制要求，更具实际性。

发明内容

本发明解决的技术问题是：由于高超声速飞行器飞行过程中可能受到各方面扰动因素的影响，从而导致升降舵出现各类故障，以及高超声速飞行器在飞行过程中可能存在执行器输入饱和现象，本发明提供了一种考虑了升降舵故障以及输入饱和的径向基神经网络自适应补偿控制方法，解决了高超声速飞行器飞行过程中各类升降舵故障以及执行器饱和对飞行器的影响，保证了系统的容错能力和鲁棒性。

为实现上述技术目的，本发明的技术方案如下：

一种基于神经网络的高超声速飞行器自适应补偿控制方法，包括以下步骤：

S1：建立高超声速飞行器的纵向动力学模型，并将其分解为姿态子系统和速度子系统；

S2：建立高超声速飞行器的升降舵故障模型；

S3：构建平滑函数来估计非线性输入饱和，并引入径向基函数神经网络来估计高超声速飞行器的纵向动力学模型中非线性函数F_i(i＝1,2,3)；

S4：通过反步法设计高超声速飞行器的自适应补偿控制器及相应的自适应参数更新律。

进一步地，S1中，所述纵向动力学模型为：