-
公开(公告)号:CN107526296B
公开(公告)日:2019-10-18
申请号:CN201710789199.4
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
摘要: 本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法,用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统,再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近,通过构造预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器,可在线动态对不确定进行估计学习,实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差,提升了神经网络学习准确性与快速性,进而提高了控制系统的自适应能力且稳定性好。
-
公开(公告)号:CN107450323B
公开(公告)日:2019-10-18
申请号:CN201710789276.6
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
IPC分类号: G05B13/04
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。
-
公开(公告)号:CN107479382A
公开(公告)日:2017-12-15
申请号:CN201710789210.7
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
IPC分类号: G05B13/04
摘要: 本发明公开了一种基于在线数据学习的高超声速飞行器神经网络控制方法,用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统,再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近,采用在线数据构造神经网络的预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器,实现了不确定高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为建模误差引入神经网络的复合更新,提升了神经网络的学习的准确性与快速性,进而提高了控制系统的自适应能力,且稳定性好。
-
公开(公告)号:CN107450323A
公开(公告)日:2017-12-08
申请号:CN201710789276.6
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
IPC分类号: G05B13/04
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。
-
公开(公告)号:CN107526296A
公开(公告)日:2017-12-29
申请号:CN201710789199.4
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
摘要: 本发明公开了一种基于预测建模的高超声速飞行器神经网络学习控制方法,用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统,再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近,通过构造预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器,可在线动态对不确定进行估计学习,实现不确定情形下的高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为预测建模误差,提升了神经网络学习准确性与快速性,进而提高了控制系统的自适应能力且稳定性好。
-
公开(公告)号:CN107479382B
公开(公告)日:2019-10-22
申请号:CN201710789210.7
申请日:2017-09-05
申请人: 西北工业大学 , 西北工业大学深圳研究院
IPC分类号: G05B13/04
摘要: 本发明公开了一种基于在线数据学习的高超声速飞行器神经网络控制方法,用于解决现有高超声速飞行器控制方法稳定性差的技术问题。技术方案是首先将高超声速飞行器纵向通道模型分解为速度子系统和高度子系统,再利用神经网络对高超声速飞行器系统存在的不确定性进行逼近,采用在线数据构造神经网络的预测建模误差进行神经网络权重更新,提升神经网络闭环控制过程的系统学习能力。由于针对两个子系统分别给出基于神经网络学习的控制器,实现了不确定高超声速飞行器动力学控制。由于将神经网络逼近不确定学习好坏表述为建模误差引入神经网络的复合更新,提升了神经网络的学习的准确性与快速性,进而提高了控制系统的自适应能力,且稳定性好。
-
公开(公告)号:CN113220021B
公开(公告)日:2022-08-09
申请号:CN202110492421.0
申请日:2021-05-06
申请人: 西北工业大学 , 中国航空工业集团公司成都飞机设计研究所
IPC分类号: G05D1/10
摘要: 本发明涉及一种基于虚拟领导者的飞行编队协同自适应跟踪控制方法,属于编队飞行控制领域。该方法引入了虚拟领航无人机的协调策略,设定各无人机与领航者的相对位置作为反馈信息,采用反步法设计控制输入,按照飞行编队队形实现协调轨迹跟踪。采用神经网络估计动力学不确定性,采集在线数据构造预测误差评价估计能力,并结合跟踪误差设计神经网络权重自适应更新律。本发明考虑多无人机系统在编队飞行过程中模型存在动力学不确定性的问题对跟踪性能的影响,设计了基于数据分析的复合估计算法,增强了不确定估计的精度,为提升编队飞行性能提供了新的技术途径。
-
公开(公告)号:CN113126493A
公开(公告)日:2021-07-16
申请号:CN202110402158.1
申请日:2021-04-14
申请人: 西北工业大学 , 中国航空工业集团公司成都飞机设计研究所
IPC分类号: G05B13/04
摘要: 本发明涉及一种基于数据筛选估计的严格反馈系统有限时间跟踪自适应控制方法,属于智能控制方法领域。该方法采用反步法和有限时间收敛算法设计控制输入并前馈至系统动力学模型中,利用特定的算法筛分在线数据质量,记录高质量数据而舍弃劣势数据(择优弃劣),在线存储于动态历史堆栈中,根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差,将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律。本发明方法解决了集总复合神经网络估计中的固定时间段选取数据可能会带来质量失真等问题。
-
公开(公告)号:CN110320807A
公开(公告)日:2019-10-11
申请号:CN201910671293.9
申请日:2019-07-24
申请人: 西北工业大学
摘要: 本发明将弹性飞行器纵向通道模型解耦为速度子系统和高度子系统;针对姿态子系统通过奇异摄动算法分解为慢变子系统和快变子系统,采用动态面控制设计慢变子系统的舵偏角控制器,采用特定的算法筛分在线数据质量,记录高质量数据而舍弃劣势数据,在线存储于动态历史堆栈中,根据数据信息推断出系统的不变状态依赖属性以构建全新的预测误差,将经具体选择的在线记录数据与实时数据相结合调节神经网络权重更新律,针对表征系统弹性模态的快变时标部分设计滑模自适应控制算法进行模态抑制;采用PID策略针对速度子系统设计节流阀开度,实现对高度和速度的跟踪控制,最后将控制方法应用到高超声速飞行器弹性体模型中。
-
公开(公告)号:CN112327626B
公开(公告)日:2022-06-21
申请号:CN202011273970.0
申请日:2020-11-14
申请人: 西北工业大学 , 中国航空工业集团公司成都飞机设计研究所
IPC分类号: G05B13/04
摘要: 本发明涉及一种基于数据分析的飞行器通道耦合协调控制方法,该方法基于飞行器再入段的动力学模型,分析模型特点定义三层滑模面,利用Filippov等效理论设计等效控制律,利用滑模控制原理设计切换控制律;利用神经网络估计系统的未知动力学,基于在线数据构造预测误差用以评估不确定学习性能,结合跟踪误差调节神经网络权重自适应更新律;结合等效控制和切换控制并前馈神经网络估计信息,设计通道耦合协调控制律,并应用于高超声速飞行器再入段模型。本发明充分利用飞行器耦合特性设计协调控制律,并利用在线数据进行神经网络学习,弥补了偏航通道不足而带来的大侧滑角问题,实现飞行器高效耦合利用并获得姿态的高精度控制,为飞行器控制提供了新的技术途径。
-
-
-
-
-
-
-
-
-