买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于航空航天飞行器控制领域，涉及一种基于分层架构的高超声速变构型飞行器智能控制设计方法。本发明首先建立高超声速变构型飞行器动力学模型，用于智能控制的准备工作。之后，设计基于LSTM的智能决策算法，构建智能控制的基本框架，能够考虑到高超声速变构型飞行器模型的不确定性以及非线性，通过设计一种智能决策层，根据总体飞行任务、当前飞行状态、约束条件、优化指标来实时决策制导控制回路的指令。进一步，设计HMV智能控制算法，降低变构型引起的模型不确定性以及非线性对于高超飞行控制的影响，同时解决变构型引起的姿态动力学及质心动力学的耦合问题。

主权项：1.基于分层架构的高超声速变构型飞行器智能控制设计方法，其特征在于，包括以下步骤：步骤（1）高超声速变构型飞行器动力学建模首先定义相关坐标系：机体坐标系：坐标系原点与飞行器质心重合，轴由质心指向飞机前段，轴位于飞行器纵向对称面内，并与垂直并指向上方，轴与、垂直并构成右手系；速度坐标系：坐标系原点与飞行器瞬时质心重合，轴与速度矢量重合，轴位于飞行器纵向对称面内，并与垂直并指向上方，轴与、垂直并构成右手系；对高超声速变构型飞行器HMV的纵向通道进行受力分析后，得出纵向运动学方程： 1其中，是飞行器速度，是飞行器高度，为俯仰角，为攻角，为俯仰角速度，上标“”表示导数；为飞行器质量，为HMV绕机体轴的转动惯量，、、分别表示飞行器所受升力、阻力和推力，为俯仰力矩，计算公式为： 2其中，为纵向特征长度，为特征面积，为大气密度；、、、分别为升力系数、阻力系数、推力系数和俯仰力矩系数，为燃油当量比，、、表示为： 3其中，、、为0°攻角对应的气动系数，与展长变形率有关，、、为与攻角变化相关的气动系数，、、为与升降舵变化相关的气动系数，为俯仰力矩系数中与俯仰角速度有关的系数项；展长变形率定义为： 4式中，为展长；和分别为最小变形展长以及最大变形展长；步骤（2）基于LSTM的智能决策算法设计LSTM深度学习神经网络用来根据整体飞行任务、当前状态、约束条件等信息，产生包括高度、速度、变形量的制导控制指令，实现高超声速变体飞行器的智能决策功能；智能决策流程如下：首先训练样本提取；采用高斯伪谱法生成训练所需的数据样本对，对轨迹的初始条件、终端条件、过程约束、气动参数进行拉偏，从而得到多飞行任务、多指标、多不确定性条件下的轨迹样本库，即神经网络需要的数据样本对，在每条轨迹样本中，设置神经网络输入为飞行任务、当前飞行状态信息，网络输出为高度制导指令、速度制导指令、变形指令；将样本数据按照比例分为训练集和测试集；然后进行LSTM深度学习神经网络训练；将训练集数据输入到LSTM深度学习神经网络，设置输出节点、隐含层数、隐藏单元数、训练次数量参数，使用ADAM优化器对神经网络进行训练；最后进行模型测试验证；将测试集数据输入训练好的LSTM深度学习神经网络，通过对测试集输出的制导指令与真值进行对比，验证模型的预测精度，并采用MAE指标进行精度评价；步骤（3）HMV智能控制算法设计设计一种HMV智能控制算法，对智能决策层输出的高度、速度指令进行跟踪；速度环采用PD控制，高度环采用PID控制器，在姿态环设计了一种基于RBF神经网络状态扩张观测器的智能ADRC控制结构，对高度环输出的姿态控制指令进行跟踪，通过时标分离原则以及HMV动力学模型，将姿态控制回路分为外环角度控制以及内环角速度控制，外环负责跟踪整个系统的期望姿态，并为内环生成期望姿态，内环跟踪外环产生的角速率指令；然后分别对内外环进行基于RBF神经网络状态扩张观测器的ADRC控制设计，包括：内外环微分跟踪器、内外环非线性状态误差反馈控制律、内外环神经网络状态扩张观测器；具体如下：高度控制器和速度控制器分别采用如下构型： 6其中，分别是高度控制与速度控制误差，分别是智能决策环节输出的速度、高度指令，速度控制器基于速度控制误差的大小，生成燃油当量比指令，输入到HMV动力学模型中，高度控制器则根据高度控制误差生成攻角控制指令，该指令即为姿态环的期望指令；是控制器参数；下面采用智能串级ADRC的策略对姿态控制的内外环进行控制设计，实现对高度控制器输出的攻角指令的跟踪；首先从式（1）中提取ADRC的控制对象如下： 7其中，，，；是非线性函数，，代表系统的扰动，为系统控制增益函数；对于外环控制器，被控对象为式7中第1式，其中为等效控制量；对外环微分跟踪器有如下设计： 8其中，分别表示外环微分跟踪器的跟踪信号以及微分输出，表示期望的攻角，是控制量限制，是积分步长，是最速控制综合函数；输出的跟踪信号后，通过与神经网络状态扩张观测器的观测量作差后得到非线性状态误差反馈控制律的输入；然后设计外环的神经网络状态扩张观测器；在ADRC中引入神经网络代替扩张状态观测器，即基于神经网络的扩张状态观测器，通过神经网络的非线性网络结构来识别HMV变构型过程引起的扰动；通过HMV动力学模型反馈的、外环虚拟控制量对外环动态系统进行扩张状态估计，得到状态的观测以及对于外环系统总扰动的观测结果，并将扰动的观测量通过外环控制增益补偿到虚拟控制量，实现对于扰动的抑制，具体设计过程如下： 9其中，是对的状态观测，为的状态观测误差，是神经网络对于的估值，，为待调节参数，为神经网络更新率参数；式（9）中的函数表示为： 10其中，、、为待调节参数；外环的非线性状态误差反馈控制律如下： 11其中，表示的跟踪信号输出与状态观测的误差，表示外环NLSEF的输出，为调节参数；对于内环控制器，被控对象为式7中第2式，其中控制量；对内环的微分跟踪器有如下设计： 12其中，表示内环微分跟踪器的跟踪信号以及微分输出，表示外环NLSEF的输出，为内环的期望控制量，是控制量限制，是积分步长；对于内环系统，内环的神经网络状态扩张观测器通过HMV动力学模型反馈的、内环控制量对外环动态系统进行扩张状态估计，得到状态的观测以及对于内环系统总扰动的观测结果，并将扰动的观测量通过外环控制增益补偿到控制量，实现对于扰动的抑制；设计如下式所示； 13其中，表示内环的控制量，是式7的系统的控制指令，是对的状态观测，为的状态观测误差，是神经网络对于的估值，，为调节参数，为神经网络更新率参数；内环的非线性状态误差反馈控制律NLSEF如下； 14其中表示的跟踪信号输出与状态观测的误差，表示内环的控制量，为调节参数。

全文数据：

权利要求：

百度查询： 大连理工大学 基于分层架构的高超声速变构型飞行器智能控制设计方法