[发明专利]基于切换机制的飞行器全局有限时间神经网络控制方法

权利要求书

1.一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＝[δ_e,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，δ_e表示舵偏角，Φ表示节流阀开度；T、D、L和M_yy分别表示推力、阻力、升力和俯仰转动力矩；m、I_yy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＝T_Φ(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，z_T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e_h＝h-h_d，设计航迹角指令γ_d为：

其中，h_d表示高度参考指令，表示高度参考指令的一阶微分，k_h>0和k_i>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忽略；姿态子系统(3)-(5)写为以下严格反馈形式：

其中，f_i，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；g_i＝ω_giθ_gi，i＝1,3是根据飞行器模型得到的未知平滑非线性函数，ω_gi未知，θ_gi已知，满足其中和是已知常数；

设计切换函数为：

其中，

其中，λ_i2>λ_i1>0，i＝1,2,3表示神经网络有效逼近未知非线性函数f_i的紧子集边界由设计者给定，b>0和τ_k>0为设计参数；

步骤3：定义航迹角跟踪误差为：

e₁＝x₁-γ_d (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，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，γ_z1>0和为设计参数；

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，γ_z3>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，V_d为速度指令；设计节流阀开度Φ为：

式中，k_pV>0，k_iV>0和k_dV>0为设计参数；

步骤5：根据得到的舵偏角δ_e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。