基于鲁棒设计的高超声速飞行器神经网络复合学习控制方法

    公开(公告)号:CN107479383B

    公开(公告)日:2019-10-22

    申请号:CN201710789243.1

    申请日:2017-09-05

    IPC分类号: G05B13/04

    摘要: 本发明公开了一种基于鲁棒设计的高超声速飞行器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控制方法实用性差的技术问题。技术方案是对姿态子系统严格反馈形式进行变换,得到输出反馈形式,用高增益观测器对于新定义变量进行估计,为后续控制器设计提供基础;控制器考虑系统的集总不确定性,仅需一个神经网络进行逼近,控制器设计简单,便于工程实现;考虑控制增益函数未知,引入其上下界信息,设计鲁棒项以保证系统稳定。由于将严格反馈形式转换为输出反馈形式,有效避免了采用神经网络对未来所需虚拟控制量的逼近;针对系统不确定性,设计鲁棒项,保证系统稳定性;构造建模误差设计神经网络复合学习更新律,提高神经网络学习速度。

    考虑攻角约束的高超声速飞行器自适应容错控制方法

    公开(公告)号:CN107450324B

    公开(公告)日:2019-10-22

    申请号:CN201710789277.0

    申请日:2017-09-05

    IPC分类号: G05B13/04

    摘要: 本发明公开了一种考虑攻角约束的高超声速飞行器自适应容错控制方法,用于解决现有高超声速飞行器控制方法实用性差的技术问题。技术方案是将飞行器攻角限制在给定范围内,保证超燃冲压发动机的正常工作;针对执行器故障情形,给出了鲁棒自适应调整控制策略,利用冗余控制机构有效补偿失效带来的影响以保证系统的安全性。针对模型不确定性。本发明结合限幅设计与Barrier型李雅普诺夫函数给出控制器,可确保攻角能够被约束在给定范围内,保证超燃冲压发动机正常工作。通过神经网络学习处理模型不确定性代替线性参数化处理,简化了模型分析,便于实际应用。针对执行器故障情形,利用冗余控制机构有效自适应补偿故障带来的影响,实用性好。