超机动飞行的非线性鲁棒自适应控制系统研究

针对飞机模型中存在气动参数不确定性以及外界干扰等影响因素,设计了一种超机动飞行的非线性鲁棒自适应控制系统。控制系统设计过程中,模型不确定性和外界干扰由RBF神经网络在线补偿,控制律及神经网络权值自适应律由反步法得到。解决了系统中控制增益矩阵未知,同时存在外界干扰情况下的鲁棒飞行控制系统设计,并证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了过失速Herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

简化的鲁棒自适应动态面飞行控制律设计

提出一种简化的鲁棒自适应动态面飞行控制律设计方法。动态面飞行控制律消除了反推设计中由于对虚拟控制反复求导而导致的复杂性问题。利用神经网络在线逼近飞机气动参数的不确定性和外界干扰,简化神经网络参数调整方法,使在线调整更新参数仅为不确定项的个数。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致最终有界。大迎角过失速机动飞行的数值仿真表明：在考虑气动参数摄动和外界干扰的情况下,过失速机动仍很好地实现,且兼具控制器结构简单和鲁棒性强的特点。     

基于鲁棒自适应控制理论的导弹纵向逆控制

针对高机动导弹纵向运动数学模型具有严重非线性、不稳定、多变量耦合以及模型不确定等特点,提出了一种基于鲁棒自适应控制理论和动态逆相结合的导弹纵向控制系统设计方法。该方法以非线性动态逆控制为基本控制律,能够在复杂的飞行条件下,实现对高机动导弹的精确线性化,解除了多变量之间的耦合关系;并引入鲁棒自适应控制律,以抑制模型参数变化的摄动和外部干扰的影响,保证了导弹的纵向稳定性及其纵向飞行品质。仿真分析验证了控制方法的有效性。     

动态面过失速机动飞行控制律的设计

提出了一种基于B-spline网络和动态面控制方法的过失速机动飞行控制律设计方法。针对飞机气动力和力矩的非线性和不确定性,引入具有学习和记忆功能的B-spline网络,自适应逼近飞机的气动力和力矩,加快参数收敛速度,改善系统的过渡过程性能。动态面飞行控制律消除了Backstepping设计方法中由于对虚拟控制反复求导而导致的复杂性问题。基于Lyapunov稳定性定理证明了闭环系统的所有信号半全局一致毕竟有界,并且通过适当选择设计参数,跟踪误差可收敛到原点的一个小邻域内。大迎角过失速机动飞行的数值仿真验证了方法的有效性。     

超机动飞行自抗扰控制律设计与仿真

提出了一种利用自抗扰控制器算法设计超机动飞行控制系统的新方法。根据自抗扰控制器可以动态补偿系统模型扰动和外扰的特点,在超机动飞行快回路和慢回路中引入自抗扰控制器,实现了快变量和慢变量的动态解耦控制。直接针对飞机超机动飞行条件下的强耦合、强非线性模型进行控制律设计,符合超机动飞行控制的非线性、模型摄动大、模型不精确等特点,在很大的包线范围内不需要改变控制器的结构和参数,简化了设计过程。大包线范围内的大迎角机动仿真结果表明,系统具有良好的动态和稳态性能,控制器具有很强的鲁棒性,为解决超机动飞行控制问题提供了一种新的途径。     

约束反推自适应超机动飞行控制律设计

基于反推控制理论设计了超机动飞行控制律.考虑到飞机控制变量和状态在幅值、带宽和速度方面的限制,将命令滤波器引入到反推设计过程,简化了标准反推控制对虚拟控制信号求导的复杂计算,仿真结果表明,设计的控制律能控制飞机很好的跟踪过失速机动指令,当出现舵面饱和时'仍能保持参数自适应律收敛和系统稳定.     

基于递归神经网络的伺服系统自适应反步控制

针对伺服系统的系统参数摄动和非线性动态摩擦补偿问题,提出基于递归神经网络(RNN)的自适应反步控制(RNABC)系统设计方法.RNABC系统由反步控制器和鲁棒控制器组成,反步控制器包含RNN不确定观测器,鲁棒控制器则用来消除由于引入不确定观测器而带来的逼近误差.由于自适应反步控制的自适应律源于Lyapunoy函数的,因此系统的稳定性得到了保证.仿真结果表明,对于系统参数摄动和非线性摩擦干扰RNABC能使伺服系统具有很好的跟踪性能.     

基于滑模干扰观测器的反演终端滑模飞行控制

针对某战斗机机动飞行时强耦合、气动参数和力矩干扰不确定非线性模型,提出了一种基于滑模干扰观测器的滑模反演控制方法。将飞机非线性动力学模型分解为角度回路和角速度回路并表示为严格反馈形式,分别采用反演和快速终端滑模方法设计虚拟控制律与实际控制律。结合滑模微分器获取虚拟控制律的导数,避免计算复杂性问题,并基于滑模微分器设计干扰观测器,实现对模型不确定性的有效估计和补偿。仿真结果表明,该控制方法对气动参数摄动和力矩干扰不确定性具有鲁棒性,能够实现对参考轨迹的稳定跟踪。     

基于多模型结构的非线性鲁棒自适应跟踪控制

针对复杂的非线性系统,提出一种基于多模型结构的鲁棒自适应控制方法,使得系统可以在不同的运行环境下跟踪给定的信号.由多个线性模型和一个模糊模型及其相应的控制器构成基本的多模型控制系统,再引入动态结构自适应神经网络以保证系统的稳定性及抑制由频繁切换引起的噪声.最后,对某小型飞机进行全包络飞行跟踪控制的仿真,验证所提控制方法是有效的.     

基于动态逆的大空域靶弹高度控制系统设计

针对纵向运动模型,提出了一种采用神经网络自适应逆控制设计靶弹高度控制系统的方法。该方法利用神经网络经离线训练实现非线性系统的逆,通过基于变结构控制的方法得到控制律自适应的补偿逆误差和系统的动态特性变化引起的误差。通过对大空域靶弹的全弹道仿真表明,该控制方法具有较好的控制能力和较强的鲁棒性。     

Adaptive integral dynamic surface control based on fully tuned radial basis function neural network

An adaptive integral dynamic surface control approach based on fully tuned radial basis function neural network (FTRBFNN) is presented for a general class of strict-feedback nonlinear systems, which may possess a wide class of uncertainties that are not linearly parameterized and do not have any prior knowledge of the bounding functions. FTRBFNN is employed to approximate the uncertainty online, and a systematic framework for adaptive controller design is given by dynamic surface control. The control algorithm has two outstanding features, namely, the neural network regulates the weights, width and center of Gaussian function simultaneously, which ensures the control system has perfect ability of restraining different unknown uncertainties and the integral term of tracking error introduced in the control law can eliminate the static error of the closed loop system effectively. As a result, high control precision can be achieved. All signals in the closed loop system can be guaranteed bounded by Lyapunov approach. Finally, simulation results demonstrate the validity of the control approach.     

不确定非线性系统自适应滑模跟踪控制及应用

针对一类非匹配不确定非线性系统,设计了一种高阶鲁棒自适应反推滑模变结构控制方法。在控制器设计中,考虑存在系统建模误差和外界未知干扰,借鉴动态面思想降低控制器复杂性,引入双曲正切函数和抖振衰减因子降低控制输入抖振,设计系统建模误差自适应律增强控制器鲁棒性,并将系统的稳定性证明简化为判断一个n阶对称矩阵的正定性问题。将设计的反推滑模控制器用于F-8飞机纵向机动控制并进行仿真,实现了飞机对指定轨迹的稳定跟踪。     

一类离散非线性系统反步递推黄金分割自适应控制

针对一类含参数不确定的离散时间严反馈非线性系统，提出了反步递推（Backstepping）算法与黄金分割原理相结合的新型控制策略。采用反步递推控制方法处理前n-2阶子系统，利用其结果重构余下的二阶非线性子过程，再通过黄金分割自适应算法对二阶子过程进行控制。该策略一方面解决了单纯反步递推算法在过渡阶段参数失配时，控制量剧烈波动的问题；另一方面减少了反步递推算法的计算量。给出了闭环系统有界稳定性的证明，并通过仿真实例验证了该反步递推黄金分割自适应控制方法的有效性和优越性。     

输入约束下的浮力调节式UUV变深控制

针对浮力调节机构约束下无人水下航行器(unmanned underwater vehicle, UUV)的变深控制问题, 提出一种基于正交神经网络饱和补偿器的自适应动态面控制方法。首先,建立考虑执行机构动态特性的UUV数学模型。在此基础上, 采用反步法和非线性跟踪微分器设计动态面控制器, 同时引入线性扩张状态观测器(linear extended state observer, LESO)在线估计浮力变化与模型不确定性引起的干扰, 继而在控制器中进行补偿。然后,基于正交神经网络设计饱和补偿器, 并证明闭环系统所有误差一致最终有界。仿真结果表明, 与现有的动态面控制方法相比, 所提方法在浮力调节机构约束下, 具有较好的动态性能与稳态精度。     

基于RCMAC干扰观测器的高超声速飞行控制

利用自回归小脑模型神经网络(recurrent cerebella model neural network, RCMAC)良好的非线性逼近能力和自学习能力,结合反馈线性化和反演控制方法,提出了一种自适应非线性控制策略,用于高速再入飞行器控制系统的设计。该方案将RCMAC干扰观测器(recurrent cerebella disturbance observer, RCDO)用于估计系统模型的不确定项,同时采用反演控制方式设计伪线性控制项,并利用符号函数逼近误差的上界,根据Lyapunov稳定性理论设计了权值更新规则,保证闭环系统信号有界。高速再入飞行器的六自由度仿真结果验证了方法的有效性和鲁棒性。     

一类纯反馈非仿射非线性系统的自适应神经网络变结构控制

研究了一类非仿射的纯反馈单输入单输出非线性系统。针对此系统,在中值定理、神经网络参数化和解耦Backstepping的基础上,提出了一种自适应变结构神经网络控制策略,而且所给出的定理证明闭环系统的所有信号在平衡点上是半全局一致有界的。通过对一个非仿射CSTR对象的仿真验证了该方法的有效性。     

基于神经网络的一类非线性系统的变结构控制

在已知名义系统的基础上 ,将小脑关节模型控制器 (CMAC)神经网络用于一类状态反馈可线性化的多输入多输出连续时间非线性系统的变结构控制中。利用自适应技术估计了估计误差的大小 ,减小了系统的不确定性 ,并利用模糊控制技术调整了变结构增益 ,改善了系统的性能。在很弱的假设条件下 ,应用Lyapunov稳定性定理证明了闭环系统内的所有信号为均匀最终有界。算法在导弹控制系统中的应用进一步证明了本文方法的有效性。     

非线性系统执行器死区故障的鲁棒自适应控制

针对一类具有不对称执行器死区故障的不确定非线性系统,基于反推滑模控制原理提出了一种神经网络鲁棒自适应控制方案。通过简化死区故障模型,取消了模型倾斜度相等和边界对称条件,结合动态面控制避免了传统反推设计方法存在的计算复杂性问题。所提控制方案取消了控制方向已知的条件,消除了执行器死区故障的影响,使得系统输出趋于给定参考轨迹的一个小领域。仿真结果验证了该方法的有效性。