基于动态逆和鲁棒轨迹跟踪控制的导弹控制系统设计

基于动态逆方法及鲁棒轨迹跟踪控制理论提出了一种新的导弹控制系统设计方法。首先基于导弹的非线性模型设计快、较慢回路的动态逆控制器以实现其非线性解耦,然后在较慢回路中设计鲁棒控制律以补偿整个控制系统的总不确定性及干扰。即对较慢回路进行动态逆控制的基础上,通过引入一种辅助控制输入信号以抵消不确定性及外部干扰对系统性能的影响。稳定性分析表明了闭环系统稳定且系统跟踪误差能满足给定的性能指标。最后通过对所设计控制系统的仿真分析,验证了该方法的有效性。
     

基于轨迹线性化方法的导弹动态逆控制系统设计

基于动态逆控制及轨迹线性化方法,研究了一种新的导弹鲁棒自适应控制系统设计方法.首先,基于导弹的非线性模型设计快、较慢回路的动态逆控制器,以实现其非线性解耦;然后,在较慢回路中设计鲁棒自适应轨迹线性化控制器,以补偿整个控制系统的不确定性及干扰,即在轨迹线性化控制的基础上,通过设计RBF神经网络在线估计系统中存在的不确定性...     

基于神经网络的机动飞行器自适应控制方法

针对机动飞行器强耦合性、快时变性以及高不确定性的问题,建立了六自由度刚体运动数学模型,按照时间尺度将姿态运动模型分为快变子系统和慢变子系统并分别设计动态逆控制律。然后给出了神经网络自适应控制器的设计方法,对神经网络的逆误差补偿原理、输入的选择、权值矩阵更新规则进行分析。通过算例进行六自由度仿真,证明本文方法的跟踪精度较高。     

BTT导弹动态逆-PID控制律设计

针对动态逆对被控对象模型依赖性较强且鲁棒性较差的缺点,研究了一种非线性动态逆和PID相结合的控制方法,用该方法设计了BTT导弹动态逆-PID控制律。首先,利用奇异摄动理论对导弹飞行状态进行时标分离,把导弹状态划分成快慢2个回路,分别对2个回路设计动态逆控制律;然后,将PID引入到慢回路中,以补偿由于未精确建模引起的系统逆误差;最后,对所设计的控制律进行仿真验证。仿真结果表明,该设计方法是有效的,所设计的控制律具有较好的动态特性和鲁棒性能。     

自由漂浮空间机器人神经网络自适应补偿控制

针对更具工程价值的任务空间内的自由漂浮状态空间机器人模型不确定性末端控制问题,提出了一种自适应神经网络控制策略用于机器人末端控制.通过神经网络在线建模来逼近系统中的非线性模型,神经网络的逼近误差及外界有界扰动通过鲁棒控制器来消除,采用引入GL矩阵及其乘法算子"·"来直接辨识的各部分系统参数.该控制策略既不需要逆动态模型的估计值,同时也避免了求雅克比矩阵的逆,降低了计算量.基于李亚普诺夫理论证明了整个闭环系统全局渐近稳定.仿真结果表明了这种神经网络控制器对于任务空间的空间机器人末端控制在达到较高的精度的同时,能够满足实时性要求,具有重要的工程应用价值.     

一种高超声速飞行器的鲁棒解耦控制方法

高超飞行器的再入非线性动力学模型具有参数不确定性和外部干扰,针对这种情况基于奇异摄动理论提出了鲁棒内环外环解耦控制方案.控制系统的外环基于自适应模型参考设计简单解析的虚拟控制律,实现二阶模型动态跟踪气流系角,抑制三通道运动耦合和干扰的影响,避免了在线实时求逆计算.强耦合的内环采用动态逆跟踪虚拟的角速度指令,期望动力学采用PI形式抑制干扰和不确定性,并基于模型预测控制策略解决辅助轨迹线性化的时变控制器设计和输入约束,提高内环的鲁棒跟踪性能.最后,通过仿真验证了所提算法的有效性.     

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。     

基于滑模控制的一类非线性多变量系统跟踪控制器设计及应用

针对一类含有不确定性的非线性系统,利用滑模控制设计了鲁棒跟踪控制律,设计的控制律实现了输出误差之间的解耦.将所设计的控制律应用于导弹的姿态控制系统设计,仿真结果说明了方法的有效性.     

BTT导弹再入段非线性鲁棒控制

针对BTT导弹再入段的非线性模型以及三通道间的较强耦合,研究了模型不确定情况下的解耦和跟踪控制问题。首先分析了BTT导弹在再入段的非线性模型,然后根据微分几何方法检验该模型是否可进行输入输出解耦,并推导出BTT导弹在再入段的非线性解耦控制律,其后分析了在某种匹配不确定情况下导弹动态系统的具体形式,并将李亚普诺夫方法运用到控制器的设计中,得出鲁棒输出控制跟踪控制律。采用该控制方式对某型BTT导弹的六自由度仿真实验结果表明:该鲁棒控制方法在系统存在不确定性的情况下,可保证系统的稳定性,并实现三通道间的近似解耦,使攻角α,侧滑角β和滚动角γ良好地跟踪期望指令。     

考虑重力影响的柔性关节空间机械臂任务空间神经网络控制

针对柔性关节空间机器人地面模拟及空间应用受到重力或微重力不确定项干扰的问题,提出一种基于奇异摄动的任务空间神经网络自适应控制算法。首先建立了考虑重力影响的柔性关节空间机器人的模型,通过奇异摄动方法将系统降阶处理后,转换到任务空间进行控制器的设计,利用神经网络自适应算法对系统的不确定性进行逼近,并针对逼近误差设计了鲁棒控制器补偿,最后将控制量转换为关节空间的控制力矩。对系统进行了稳定性分析和仿真校验,结果表明,控制器可以解决柔性带来的系统高频谐振和失稳问题,并能有效抵抗系统扰动,具有很好的跟踪性能。     

BTT导弹神经网络自适应控制器设计

在导弹系统存在非匹配不确定性的情况下 ,提出了一种基于RBF神经网络和反演控制技术的神经网络自适应导弹控制系统的设计方法。首先应用RBF神经网络在线辨识系统中存在的不确定性 ,然后利用反演控制技术设计了导弹非线性自适应控制器 ,成功的处理了非匹配不确定性 ,并应用Lyapunov稳定性理论推导出RBF神经网络权重矩阵及中心点值的调节律 ,保证了系统的稳定性。证明了系统的所有信号均有界且全局指数收敛至原点的一个邻域。最后给出的BTT导弹非线性六自由度数字仿真结果显示了该设计方法的有效性。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

任务空间内空间机器人鲁棒智能控制器设计

研究了基于神经网络的自由漂浮空间机器人在任务空间内的轨迹跟踪问题。首先利用RBF神经网络来逼近自由漂浮空间机器人高度非线性的动力学模型，然后设计了鲁棒控制器对逼近误差和外部干扰进行抑制。利用Lyapunov直接方法建立的新的神经网络参数和连接权值的在线学习算法，以及利用耗散理论设计的鲁棒控制器保证了系统的稳定性，并能够使系统L2增益小于给定的指标。利用该控制器对平面二连杆空间机器人进行了仿真研究，表明该智能控制方案是有效的。     

BTT导弹神经网络直接逆控制算法的FPGA实现研究

针对BTT导弹控制系统中导弹模型的非线性和强耦合的特点,应用逆7系统和神经网络相结合的方法建立了导弹的逆模型.并以俯仰通道为例,设计了逆控制算法的BP神经网络结构,采用Verilog HDL编写了BP神经网络各个功能模块,并将其在FPGA上实现.通过神经网络逆控制算法在FPGA硬件实现和通用计算机上软件实现的对比,表明...     

天线罩误差下基于ADP的机动目标拦截制导策略

针对导弹导引头存在的天线罩误差,提出了一种基于自适应动态规划(ADP)的制导策略。不同于传统处理天线罩误差的估计与补偿方式,避免了估计过程中产生的误差影响。在导弹拦截机动目标的场景下,将拦截问题转化为鲁棒最优控制问题。设计了一种既可以消除天线罩误差和目标机动影响,又可以保证控制能量最小的代价函数。通过构造评价网络,利用自适应动态规划来求解近似鲁棒最优制导策略,并附加鲁棒控制项得到最终的机动目标拦截制导策略。采用李雅普诺夫稳定性理论证明了权值误差的一致最终有界和闭环系统的渐近稳定。仿真结果验证了所提出制导策略对天线罩误差下拦截机动目标的有效性。     

基于反馈线性化的动能拦截器姿态控制研究

动能拦截器进入末制导阶段时经常需要进行大角度姿态机动,这时拦截器姿态控制系统具有非线性、强耦合、多输入多数出(MIMO)的特点。现针对动能拦截器模型的非线性和不确定性,提出PID神经网络自适应逆控制方法对拦截器飞行姿态进行控制。首先基于精确反馈线性化方法将系统解耦成三个独立的子系统,然后应用基于PID神经网络的自适应逆控制方法分别设计每个子系统的姿态控制器。该方法将PID神经网络控制与自适应逆控制相结合,对于拦截器姿态控制系统中的建模误差以及外部干扰具有较强的适应能力。仿真结果证明了该方法的有效性。     

欠驱动航天器编队重构的切换神经网络控制

针对圆轨道欠驱动航天器编队重构问题,将传统的自适应神经网络控制器和自适应滑模控制器相结合,设计了一种切换神经网络控制器,用以跟踪由伪谱法求解得到的航天器编队重构的最优开环控制轨迹。自适应神经网络控制器在活跃区域内工作,利用径向基神经网络(RBFNNs)近似动力学系统中的不确定项,自适应滑模控制器在活跃区域外工作,利用自适应律来估计近似误差上界,并采用李雅普诺夫方法证明了闭环系统稳定性。数值仿真结果表明切换神经网络控制器可在欠驱动条件下实现编队重构,与线性滑模控制器相比,实现了控制器快速、高精度、强鲁棒等控制性能。