[发明专利]基于固定时间自适应神经网络的直升机系统控制方法

说明书

本说明书实施例提供了一种基于固定时间自适应神经网络的直升机系统控制方法，其中，方法包括：根据拉格朗日力学模型，建立在实际工程应用中直升机系统的动力学模型；定义跟踪误差变量，设计辅助控制变量；采用径向基函数神经网络估计直升机非线性系统中的不确定项；设计直升机系统的控制器和自适应律，并通过对李亚普诺夫函数的建立和分析，证明了系统是最终一致有界的。不仅为系统提供了更快的收敛速度，在固定的时间内保持直升机系统的跟踪效果和闭环稳定性，而且实现了系统沉降时间与系统的初始条件无关，取得更好的性能。

技术领域

本文件涉及直升机控制技术领域，尤其涉及一种基于固定时间自适应神经网络的直升机系统控制方法。

背景技术

随着人工智能技术的快速发展，无人直升机的性能逐渐提高。直升机作为一种典型的无人机，具有重量轻、体积小、起飞环境要求低的优点，已广泛应用于交通监督、环境探测、搜救等领域。到目前为止，人们对直升机系统的控制进行了大量的研究，并提出了许多技术，如PID控制、最优跟踪控制、线性二次调节器(LQR)控制、滑模控制。然而，直升机系统是一个非线性系统，存在模型参数不确定性和轴间交叉耦合，这些方法忽略了系统的非线性和不确定性，可能在实际应用中导致系统不稳定性。同时，在实际应用中，考虑由控制器参数导出沉降时间函数的固定时间控制，可以不受系统初始条件的影响，解决收敛时间随系统初始条件的增大而无限值增长的问题，同时提供了较快的收敛速度。因此，研究一种针对直升机系统的固定时间自适应神经网络控制方法，来解决系统的非线性和不确定性，实现系统误差跟踪在固定时间内收敛，提升直升机系统的鲁棒性是十分重要的。

发明内容

本发明提供了一种基于固定时间自适应神经网络的直升机系统控制方法，旨在解决上述问题。

本发明提供一种基于固定时间自适应神经网络的直升机系统控制方法，包括：

S1、根据拉格朗日力学模型，建立在实际工程应用中直升机系统的动力学模型；

S2、定义跟踪误差变量，设计辅助控制变量；

S3、采用径向基函数神经网络估计直升机系统中的不确定项；

S4、设计直升机系统的控制器和自适应律；

S5、建立李雅普诺夫函数；

S6、通过分析李雅普诺夫函数，证明直升机系统的稳定性；

S7、通过Matlab平台进行仿真，分析仿真结果。

通过本发明实施例利用神经网络对直升机系统的未知动态模型进行估计，设计了新的控制器和自适应律，并通过对李亚普诺夫函数的建立和分析，证明了系统是最终一致有界的。不仅为系统提供了更快的收敛速度，在固定的时间内保持直升机系统的跟踪效果和闭环稳定性，而且实现了系统沉降时间与系统的初始条件无关，取得更好的性能。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的基于固定时间自适应神经网络的直升机系统控制方法的流程图；

图2为实施例1中所考虑的2-DOF直升机系统的模型原理简图；

图3为实施例1中直升机在不同初始条件下实际和期望俯仰角的跟踪响应效果图；

图4为实施例1中直升机在不同初始条件下实际和期望偏航角的跟踪响应效果图；

图5为实施例1中直升机在不同初始条件下实际和期望俯仰角的跟踪误差图；