高超声速飞行器无在线求导backstepping控制方法

针对高超声速飞行器纵向通道跟踪控制问题,提出一种无需对虚拟控制量进行在线求导的新型backstepping控制方法.首先将飞行器动力学模型划分为速度子系统和航迹倾角子系统,然后采用backstepping方法设计航迹倾角子系统控制器,利用高阶微分器技术直接设计虚拟控制量一阶导数的控制律,这样即避免了现有backstep...     

吸气式高超声速飞行器特征模型自适应控制

针对吸气式高超声速飞行器纵向刚体动力学的跟踪控制问题,给出了基于特征模型的自适应控制方案。通过选取攻角作为额外的输出,给出了这类系统的特征建模方法,其中,系统被分为速度子系统和高度子系统。针对速度子系统,建立了一阶特征模型;针对高度子系统,建立了二阶多输入多输出特征模型。基于所得到的特征模型,本文设计了全系数自适应控制律,不仅实现了速度跟踪和高度跟踪,也实现了攻角跟踪。数值仿真验证了该方法的有效性。     

状态/输入约束下飞-推一体化的保性能安全控制

基于飞行-推力一体化思想提出了一种针对搭载超燃冲压发动机的吸气式高超声速飞行器速度通道的状态/输入约束自适应鲁棒保性能安全控制方案。首先根据超燃冲压发动机的机理分析与计算流体动力模型数据，建立了安全子系统与性能子系统面向控制的仿射非线性模型。之后基于障碍Lyapunov理论与动态面设计方法设计了一套安全子系统状态约束控制器，从理论上保证了飞行器在跟踪指令的全过程中，发动机相关状态不会触碰安全边界，并结合自适应技术与辅助系统提高了该控制系统的鲁棒性。针对性能子系统设计了一套鲁棒自抗扰控制器，达到“保证安全的前提下不折损性能”的目的。仿真结果表明所设计的控制系统可以在保障安全的同时达到预想的性能，并显著放宽了超燃冲压发动机对飞行器飞行姿态的约束，保证了高超声速飞行器的机动灵活性。     

自适应学习率的增量强化学习飞行控制

针对预先设定学习率的增量强化学习(IRL)飞行控制律失败率较高,并且无法适应飞行器大范围动力学特性变化下的稳定控制问题,提出一种自适应学习率的增量强化学习(ALRIRL)控制方法.首先,基于小波分析方法构造控制系统稳定度评价函数,用于评估控制器稳定度.然后,基于梯度下降法设计学习率在线迭代计算方法,以提升强化学习控制器...     

无虚拟控制律的高超声速飞行器新型模糊控制

针对弹性体模型的吸气式高超声速飞行器(Air-breathing Hypersonic Vehicle; AHV)飞行过程中存在的外部未知扰动和不确定性,提出了一种无需虚拟控制律的新型模糊控制方法。首先,基于飞行器的纵向模型,将控制系统分解为速度子系统和高度子系统;然后对于每个子系统,仅采用一个模糊逼近器对系统的总不确定项进行逼近,摆脱了传统鲁棒控制对于精确模型的依赖,并保证系统的鲁棒性能。与含有虚拟控制律的传统反演控制相比,本文的虚拟控制律仅应用于系统稳定性分析,无需繁琐解算,仅按实际控制律需要执行。采用范数估计策略为模糊系统权系数参数向量的范数设计自适应律,保证了实时性的同时大大减少了逼近过程的学习量。最后通过仿真分析,在引入参数摄动的条件下,对系统输入的参考速度和参考高度进行跟踪控制,验证了控制器的鲁棒性和稳定性。     

高超声速飞行器的多幂次滑模控制

针对高超声速飞行器巡航飞行中存在的模型参数不确定和外界干扰的问题,提出一种基于多幂次趋近律的滑模控制方法。首先,通过精确反馈线性化实现了高超声速飞行器速度和高度子系统的解耦;其次,设计了基于多幂次趋近律的滑模控制器,通过三个幂次项系数针对系统趋近滑模面的不同阶段进行调节,可显著提高系统收敛速度,并采用线性扩张状态观测器实现对模型不确定项和外界干扰的精确估计和补偿,可大幅增强系统的扰动抑制能力;然后,通过Lyapunov稳定性理论证明了系统可快速收敛到平衡点附近的邻域内。仿真实例验证了所设计方法的有效性。     

基于BP神经网络的飞行器参数辨识与自适应控制

针对跨域空间飞行器气动参数非线性严重和具有大不确定性等特点,提出一种基于BP神经网络的飞行器离线参数辨识与在线自适应控制的方法.首先,临近空间飞行器进行风洞试验吹风得到的气动参数是典型的输入输出非线性系统,运用BP神经网络算法进行离线训练建立气动数据的辨识模型;其次,根据气动数据的辨识模型计算实时舵效变化参数,飞行器控制的增益根据舵效变化完成在线自适应调节,实现飞行器的自适应姿态控制;最后,进行数学仿真验证,结果表明,将BP神经网络应用于飞行器姿态控制中,能够实现控制参数的自适应调整,说明BP神经网络具有优良的逼近性能,最终提升了飞行器姿态控制系统的性能,提高了智能化设计水平.     

考虑约束的高超声速飞行器制导与控制一体化设计

针对高超声速飞行器上升段飞行过程中强耦合、强非线性同时要求满足过程约束的特点，提出了一种结合级联控制方法和控制障碍函数的新型三维制导控制一体化算法。首先通过对速度子系统设计控制障碍函数约束算法来满足飞行器的过程约束要求，然后利用反步法、动态逆控制方法设计其余子系统的控制器，两者共同组成制导控制一体化控制器。考虑到飞行器在上升过程中容易遭遇阵风扰动的问题，设计非线性干扰观测器以增强算法的鲁棒性。最后通过李雅普诺夫函数证明了系统的稳定性，并且通过仿真验证了该新算法能够在满足高超声速飞行器上升段过程约束的同时，实现飞行器的三维跟踪控制。     

RLV再入混合制导方法研究

提出可重复使用跨大气层飞行器（RLV）再入混合制导方法，该方法将再入轨道在线生成技术、基于阻力加速度飞行剖面的跟踪制导技术和数值预测制导技术有机结合。其中再入轨道在线生成能够向轨道预测制导算法提供初值，以加快轨道预测制导算法收敛速度；轨道跟踪控制器控制再入吸热，使再入轨道满足再入走廊约束；而数值预测制导算法则对再入轨道进行快速预报，生成合适的制导指令，将RLV导向目标。给出了RLV再入混合制导的具体算法，并对Marshall航天中心先进制导与控制项目所提出的九种再入情况进行了初步仿真，结果表明所提出的RLV再入混合制导方案是可行的。     

非保形平流层飞艇升空过程热力耦合建模与压差控制分析

针对非保形平流层飞艇升空过程中气囊膨胀导致压强变化的问题,将飞艇升空阶段分为自由膨胀上升阶段和成形上升阶段,建立非保形平流层飞艇升空热力耦合模型,该模型很好地反映了飞艇内部的气体体积变化和压强变化,为研究平流层飞艇压差控制提供模型基础;考虑飞艇内部状态不能实时获取,提出基于模糊观测器的平流层飞艇压差控制方法,为保证在线学习能力,采用在线顺序模糊极限学习机(OS-Fuzzy-ELM)去训练模糊系统参数。对非保形平流层飞艇升空过程进行运动仿真分析,阐述了控制飞艇压差的必要性;对不同目标压强差下的压差控制进行仿真分析。结果表明,所设计的压差控制器具有良好的输入跟踪能力,对飞艇压差控制器的设计具有重要参考价值。     

高超声速飞行器指令滤波反演控制

针对含有不确定扰动项的吸气式高超声速飞行器纵向非线性模型,提出了一种基于指令滤波器的反演控制方法。将飞行器动力学模型划分为航迹角子系统和速度子系统并表示为严格反馈形式,采用动态逆方法设计反演控制中每步的虚拟控制量,并对指令滤波过程中产生的误差进行补偿。利用指令滤波器获取虚拟控制量的一阶导数,解决了反演控制方法中的“微分项膨胀”问题,同时引入虚拟控制量和实际控制量的幅值、速率和带宽约束。采用扩展状态观测器(ESO)对模型中的不确定项进行估计和补偿,保证闭环系统在存在参数不确定和外部扰动的情况下仍具有良好的控制性能。仿真结果表明,在飞行器总体参数和气动参数存在偏差的情况下,该方案能够实现对速度和航迹角参考信号的稳定跟踪。     

高超声速飞行器的抗饱和切换控制

针对高超声速飞行器动力学模型强非线性及飞行过程中系统参数变化剧烈的问题，提出一种根据飞行包线分区并分别建立独立的子系统的切换系统建模方式和抗饱和切换控制方法。通过缩小子系统模型对应的飞行空域，降低系统线性化以及参数变化带来的影响，使得线性控制理论能够应用于高超声速飞行器的控制器设计当中。考虑到飞行过程中可能会遇到的执行器饱和问题，本文在切换系统模型的基础上，为高超声速飞行器设计了抗饱和切换控制器。仿真算例验证了提出的切换系统模型的优越性及抗饱和控制器的有效性。     

一种高速可变形飞行器智能变形决策方法

针对一类高速可变形飞行器(HMFV)的变形决策问题，提出一种基于深度确定性策略算法(DDPG)下考虑综合性能指标最优的智能变形决策方法。首先，以一类后掠角可连续变化的高速飞行器为研究对象，给出变形飞行器动力学模型，分析模型特性及变形量与关键气动参数之间的定性关系。其次，基于关键气动数据特征分析，考虑包含气动性能、控制误差在内的综合性能指标，设计一种基于DDPG算法的智能变形决策方案。再者，针对带有标称控制器的HMFV进行变形决策训练，实时获得滑翔过程中不同飞行状态下的最优构型。最后，仿真结果表明所设计的智能变形决策算法收敛效果好，且具备较好的泛化性能。相比于固定外形，可通过变形使得在不同状态下的升阻比保持最优，且与考虑单一决策指标相比，考虑综合指标最优的变形决策可进一步缩小姿态动态跟踪误差。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题，应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题，提出单网络积分型强化学习（SNIRL）算法进行求解，该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构，只需要采用评价网络估计值函数就可以求得最优控制律，其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器，并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高，收敛速度更快，并校验了自适应最优姿态控制器的有效性 。     

高超声速飞行器自适应神经网络控制

针对一类高超声速飞行器,在充分考虑其非线性模型包含未建模动态、气动参数变化、弹性形变等产生的未知非线性不确定函数以及外界扰动的情况下,设计了一种基于自适应神经网络的非线性逆控制器。首先,将系统的动态特性分为标称部分和不确定部分,采用非线性逆的思想设计标称部分的控制器,利用神经网络逼近不确定部分,将神经网络的最优权值采用自适应律进行调节,提高神经网络的在线逼近能力。利用改进的变结构控制来消除神经网络逼近误差的影响,最终使跟踪误差收敛为零,并保证闭环系统的信号有界。通过仿真验证了设计方法的正确性。