-
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
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。
-
公开(公告)号：CN107632518A
公开(公告)日：2018-01-26
申请号：CN201710789207.5
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高增益观测器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未知变量进行估计，为后续控制器设计提供基础；考虑系统集总不确定性，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；引入系统建模误差，构建神经网络复合学习更新律，实现不确定情形下的高超声速飞行器稳定控制，实用性好。
-
公开(公告)号：CN107390531B
公开(公告)日：2019-10-18
申请号：CN201710789197.5
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： 本发明公开了一种参数学习有限时间收敛的高超声速飞行器控制方法，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。技术方案是通过构造一阶滤波器与辅助信号获取建模误差信息，结合跟踪误差与辅助信号设计神经网络自适应律，针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法，将有限时间学习的思想引入神经网络权重更新律设计中，相比传统的神经网络方法，本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律，能保证参数学习误差有限时间收敛，从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计，无需进行模型线性参数化表达，可实现不确定高超声速飞行器控制，便于实际工程应用。
-
公开(公告)号：CN107632518B
公开(公告)日：2019-10-18
申请号：CN201710789207.5
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高增益观测器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未知变量进行估计，为后续控制器设计提供基础；考虑系统集总不确定性，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；引入系统建模误差，构建神经网络复合学习更新律，实现不确定情形下的高超声速飞行器稳定控制，实用性好。
-
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
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。
-
公开(公告)号：CN107479384B
公开(公告)日：2019-10-22
申请号：CN201710789245.0
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神经网络复合学习非反步控制方法，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；针对控制增益函数未知情形，基于参数线性化表达方式设计控制器；引入系统建模误差，构建神经网络权值复合更新律和参数自适应复合更新律，实现高超声速飞行器的快速跟踪。本发明基于高增益观测器实现了未知状态的有效估计，不需要反复设计虚拟控制量，简化了控制器设计，易于实现，实用性好。
-
公开(公告)号：CN107479384A
公开(公告)日：2017-12-15
申请号：CN201710789245.0
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神经网络复合学习非反步控制方法，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；针对控制增益函数未知情形，基于参数线性化表达方式设计控制器；引入系统建模误差，构建神经网络权值复合更新律和参数自适应复合更新律，实现高超声速飞行器的快速跟踪。本发明基于高增益观测器实现了未知状态的有效估计，不需要反复设计虚拟控制量，简化了控制器设计，易于实现，实用性好。
-
公开(公告)号：CN107479383A
公开(公告)日：2017-12-15
申请号：CN201710789243.1
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。
-
公开(公告)号：CN107450324A
公开(公告)日：2017-12-08
申请号：CN201710789277.0
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。
-
公开(公告)号：CN107390531A
公开(公告)日：2017-11-24
申请号：CN201710789197.5
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： 本发明公开了一种参数学习有限时间收敛的高超声速飞行器控制方法，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。技术方案是通过构造一阶滤波器与辅助信号获取建模误差信息，结合跟踪误差与辅助信号设计神经网络自适应律，针对高超声速飞行器模型中的未知非线性函数估计设计了RBF神经网络方法，将有限时间学习的思想引入神经网络权重更新律设计中，相比传统的神经网络方法，本发明通过构造一阶滤波器与辅助信号将建模误差信息引入权重更新律，能保证参数学习误差有限时间收敛，从而保证学习的快速性。由于采用神经网络学习对不确定性进行估计，无需进行模型线性参数化表达，可实现不确定高超声速飞行器控制，便于实际工程应用。
-
-
-
-
-
-
-
-
-
搜索结果
35 条记录 (耗时 0.043 秒)
