[发明专利]用于小型无人直升机姿态控制的非线性鲁棒控制方法

权利要求书

1.一种用于小型无人直升机姿态控制的非线性鲁棒控制方法，其特征是，以误差符号函数积分的鲁棒控制算法为基础，结合神经网络算法，用于小型无直升人机的姿态系统控制中。

2.如权利要求1所述的用于小型无人直升机姿态控制的非线性鲁棒控制方法，其特征是，具体步骤如下：

步骤1)确定小型无人直升机的坐标系定义；

小型无人直升机坐标系定义主要涉及两个坐标系，惯性坐标系{I}＝{O_I,x_I,y_I,z_I}和机体坐标系{B}＝{O_B,x_B,y_B,z_B}，其中O_i表示坐标系原点，x_i,y_i,z_i分别对应坐标系三个主轴方向的单位矢量，i＝I,B，各坐标系的定义均遵循右手定则，同时定义直升机姿态角在坐标系{I}下表示为η＝[φ,θ,ψ]^T,φ,θ,ψ分别对应滚转角、俯仰角和偏航角，目标轨迹姿态角在坐标系{I}下表示为η_d＝[φ_d,θ_d,ψ_d]^T,φ_d,θ_d,ψ_d分别对应目标滚转角、目标俯仰角和目标偏航角；

步骤2)确定小型无人直升机姿态动力学模型；

通过分析小型无人直升机作用原理，用拉格朗日方程来描述其姿态动力学模型为：

其中M(η)代表惯性矩阵，代表科氏力矩阵，G(η)为重力力矩向量，d代表未知扰动向量，S代表角速度变换矩阵，A,B代表旋翼动力学相关矩阵，D代表旋翼挥舞角动力学相关矩阵，δ(t)＝[δ_lat(t) δ_lon(t) δ_ped(t)]^T代表控制输入，δ_lat(t)代表横向周期变距，δ_lon(t)代表纵向周期变距，δ_ped(t)代表尾桨总距，角速度变换矩阵S表示为：

步骤3)定义姿态角跟踪误差并整理动力学误差模型；

定义系统姿态跟踪误差r₁(t)及其滤波误差r₂(t)和r₃(t)为：

r₁(t)＝η_d-η

其中λ＝[λ₁,λ₂,λ₃]^T和α＝[α₁,α₂,α₃]^T为正常数阵，引入辅助变量Ω＝S^-TAD＝Ω₀+Ω_△，Ω₀为Ω的最佳估计，Ω_△为Ω的剩余不确定部分，对r₃(t)求一阶时间导数，并将式(1)代入整理，得到滤波误差的开环动态方程为：

式(4)中，状态辅助函数N(x)，定义为：

步骤4)神经网络近似；

使用神经网络算法来估计系统不确定部分N(x)，表示为：

N(x)＝W^Tσ(V^Tx)+ε(x) (6)

其中，V和W代表神经网络隐含层和输出层理想权重，σ(·)代表激励函数，ε(x)为神经网络逼近误差，将式(6)代入式(4)中，得到：

设计神经网络来估计系统不确定函数N(x)，表示为：

其中，和表示对理想权重V和W的估计，估计误差和为：

选取激励函数σ(·)为正选双曲函数，定义中间变量z＝V^Tx，有双曲函数则激励函数输出向量σ(z)为：

N_n为节点个数，隐含层输出误差定义为：

将激励函数输出σ(V^Tx)进行泰勒展开，得到：

定义引入二阶项O²(z)，将式(12)变换为：

其中，二阶项O²(z)有界；

步骤5)控制律设计；

以误差符号函数积分的鲁棒控制算法RISE(Robust Integral of the Signum ofError)为基础，结合神经网络算法，设计一种连续的非线性鲁棒控制算法，通过神经网络补偿建模不确定性的影响，通过RISE算法来抑制外界扰动，同时补偿神经网络估计误差。

3.如权利要求1所述的用于小型无人直升机姿态控制的非线性鲁棒控制方法，其特征是，步骤5)进一步具体地，设计控制输入δ(t)为：

其中增益矩阵K_s＝diag{[K_s1,K_s2,K_s3]^T}，Γ(t)为变增益矩阵，I₃是单位矩阵，sgn(·)为标准符号函数，设计式(15)中和的更新律为：

其中，Λ和△为正定矩阵，k_ω为正常数，设计自适应变增益阵Γ(t)为：

Γ(t)＝Γ_△(t)+Γ₀ (17)

其中，Γ_△(t)为Γ(t)的时变部分，Γ₀为Γ(t)的正常数阵部分，设计Γ_△(t)及其关于时间的一阶导数为：

以上述控制律进行小型无人直升机的姿态控制。