[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

摘要

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。

主权项

1.一种高超声速飞行器再入段神经网络复合学习控制方法，其特征在于包括以下步骤：(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；(b)定义X＝[x₁ x₂]^T，x₁＝v，x₂＝ω；则姿态控制模型可表示为：其中g₁(x₁)＝R(·)，f₂(x₂)＝‑I^‑1ΩIω，g₂(x₂)＝I^‑1；(c)定义姿态角跟踪误差e₁＝x₁‑y_d；其中y_d＝[α_d β_d σ_d]^T为制导系统生成的制导指令；设计虚拟控制量为：其中k₁∈R^3×3为控制增益矩阵，进一步可计算其中分别为制导指令的一阶导数和二阶导数；定义姿态角速率误差设计控制信号M_c为：其中为最优神经网络权重向量的估计值，θ₂(x₂)为径向基函数向量；k₂∈R^3×3为控制增益矩阵，(d)定义其中τ_d>0为积分区间；构造预测误差为神经网络复合学习自适应律设计为：其中λ₂∈R^3×3为学习率矩阵，k_ω2∈R^3×3为权重因子矩阵，(e)根据得到的控制输入M_c，返回到高超声速飞行器再入段的动力学模型(1)、(2)，对姿态角进行跟踪控制。