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:本发明属于高超声速飞行器控制技术领域,涉及一种知识与数据混合驱动高超声速变形飞行器智能控制方法。首先,建立基于知识的飞行动力学模型,并实现面向控制的模型转化。然后,设计基于神经网络补偿的基准控制律,为离线数据的训练和在线智能控制提供基本的控制架构。再利用离线部分的训练考虑不同变形模态、不同模型不确定性、多源扰动影响下的离线数据在基准控制框架下,作为数据样本开展训练。最后设计基于元学习的在线控制器设计方案,在充分利用离线训练的数据知识基础上,分别设计基于元学习的控制参数在线整定、基于先验知识的未知干扰补偿、以及基于元学习智能控制的在线应用。本发明能够解决高超声速变形飞行器在复杂干扰下的控制难题。
主权项:1.知识与数据混合驱动高超声速变形飞行器智能控制方法,其特征在于,包括如下步骤:步骤一、基于知识的飞行器动力学模型构建1.1动力学模型建立高超声速变形飞行器动力学模型: 式中:α、β和γV分别表示攻角、侧滑角和倾侧角,θ表示飞行航迹角;ωx、ωy和ωz分别表示滚转、偏航和俯仰角速度;L和N分别表示升力和侧向力;V、ms和g是飞行速度、飞行器质量和重力加速度;Mx、My和Mz分别表示滚转、偏航和俯仰力矩;Msx、Msy和Msz分别表示滚转、偏航和俯仰三个自由度变外形引起的变形附加力矩;Ix、Iy和Iz分别表示x、y和z轴的转动惯量;力和力矩表示为 式中:D表示阻力,q表示动压,κ为翼展及后掠角变形率,Sκ为有变形时的实际参考面积,CLκ、CDκ、CNκ为有变形时的等效升力、阻力和侧向力系数,mxκ、myκ、mzκ为有变形时的等效滚转、偏航和俯仰力矩系数,Lref为平均几何弦长;1.2面向控制的模型转化将式1描述为面向控制的数学模型: 式中:状态量表示为控制量u=[δx,δy,δz],δx,δy,δz表示为俯仰、滚转、偏航三个方向的舵偏角;fi表示标称情况下已知的飞行器非线性函数,gi表示标称情况下已知的飞行器舵效系数,Δi代表不确定项,包括由变形引起的附加力矩、气动力与力矩建模误差、以及外界扰动影响,其中i=1,2;步骤二、基于神经网络补偿的基准控制律设计假设复合扰动能够利用具有足够数量神经元的常值权重神经网络逼近,即:其中表示权重矩阵,表示3Σi×3大小的维数空间,其中Σi表示子元素的维数;表示相应的基函数矩阵,表示3Σi×1大小的维数空间,表示神经网络的逼近误差,表示3×1大小的维数空间;更具体地, 式中,表示权重向量,表示相应的基函数向量;对于面向控制的数学模型,首先定义姿态角跟踪误差:e1=x1-xd,其中xd为对应的姿态角参考指令;设计虚拟控制量如下: 式中:k1=diag[k11,k12,k13]表示待设计的正参数,为最优权重ω1的估计值,表示参考指令的导数;设计实际控制量如下: 式中:k2=diag[k21,k22,k23]表示待设计的正参数,为最优权重ω2的估计值;给出神经网络权重的更新律: 式中:i=1,2,和都表示待设计的正定参数矩阵,为最优权重ωi的估计值;步骤三、基于离线数据的知识获取与网络训练将公式2的气动力与力矩建模误差视为模型不确定性干扰,将变形引起的附加力矩视为内部干扰,将外界环境带来的影响视为外部干扰;利用离线部分的训练考虑不同变形模态、不同模型不确定性、多源扰动影响下的数据,在步骤2中的基准控制律公式6作用下,作为飞行试验数据样本开展公式7的网络权值更新训练,训练过程中建立由飞行任务和飞行状态到控制指令u和神经网络权值的映射关系,i=1,2,所获取的神经网络权值为步骤4基于元学习的智能在线控制方案提供权值信息,进而产生在线控制指令;步骤四、基于元学习的在线智能控制方案设计将在线智能控制器设计为如下的表达形式: 式中:k1=diag[k11,k12,k13]和k2=diag[k21,k22,k23]表示待设计的控制参数,和表示经离线学习获得的神经网络权值;基于式8,基于元学习的在线智能控制方案设计过程如下:4.1基于元学习的控制参数在线整定:首先,通过历史数据和先验知识,建立一个能够快速适应环境变化的元模型,该元模型经元学习过程产生,表现为神经网络形式,元模型的输入为历史数据、当前飞行状态、以及控制输入,输出为式8的在线智能控制器的主要参数k1=diag[k11,k12,k13]和k2=diag[k21,k22,k23];其中,历史数据包括以往飞行器在不同环境和条件下的飞行数据、控制器响应数据、以及环境参数变化与控制器性能之间的关系,具体包括攻角、侧滑角、倾侧角、飞行航迹角、滚转、偏航和俯仰角速度、升力、阻力和侧向力、飞行速度、滚转、偏航和俯仰力矩;收集并整理飞行器在不同环境下的历史数据和先验知识,通过数据驱动控制器调节参数,进一步维持飞行器的稳定性和性能;利用上述历史数据和先验知识,实现对控制器参数的在线优化;定义控制器待优化的参数K=k1,k2,元学习的目标是通过离线优化过程,找到一组最优的控制器参数,使得在不同的轨迹和扰动条件下,自适应控制器都能表现良好;训练参数的最优目标为: 其中,表示不同的标称轨迹,每一个标称轨迹对应一个独立的任务,表示在每个参考轨迹下包含不同扰动信息的轨迹数据,表示标称轨迹的时间区间;i和j表示飞行器数据样本的维度和列数;x1ij表示第i维j列的飞行数据1,x1dij表示相应的参考值;x2ij表示第i维j列的飞行数据2,x2dij表示相应的参考值;表示第i维j列数据信息性能指标的误差平方和,μmean、μctr1、μctr2均为待设计的正参数;设计上述训练参数的最优目标,经优化后得到最优的控制参数K;4.2基于先验知识的未知干扰补偿:利用神经网络对复杂干扰进行补偿,具体表示为式8中的基于先验知识的神经网络形式和其中网络权值和经离线训练,提取出稳定、有效的神经网络权值信息,并将其存储为先验知识库;4.3基于元学习智能控制的在线应用:式8为在线控制设计方案,其中为虚拟控制量,为实际控制量;g1、g2、f1和f2为高超声速变形飞行器的标称信息,和表示参考指令和虚拟控制量的一阶导数,结合基于先验知识的未知干扰补偿,获得基于先验知识的神经网络形式和进一步开展基于元学习的控制参数在线整定,通过元学习算法来实时调整控制器参数,以适应动态环境的变化,完成智能控制方案的在线部署。
全文数据:
权利要求:
百度查询: 大连理工大学 知识与数据混合驱动高超声速变形飞行器智能控制方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。