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。     

自适应反演滑模转台鲁棒控制器设计

针对未知非线性、外界干扰和参数摄动等不确定因素对实际转台控制系统的影响,提出了自适应反演滑模神经网络的转台鲁棒控制器设计。自适应反演滑模控制作为主控制器,RBF神经网络实现了不确定上界值的在线辨识。仿真结果表明,基于RBF神经网络的自适应反演滑模控制很好地克服对象的不确定性,实现控制系统的较强鲁棒性,适于高精度飞行仿真转台系统的实时鲁棒控制。     

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。     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

一类径向基神经网络干扰观测器轨迹线性化控制

利用径向基神经网络(RBFNN)的逼近能力,研究了基于径向基神经网络干扰观测器(RDO)的鲁棒自适应轨迹线性化控制(TLC)策略,以解决空天飞行器复杂飞行条件下系统不确定及干扰的控制问题。分析了系统存在不确定性时轨迹线性化控制方法性能降低甚至失效的原因,设计了自适应调节律,并采用Lyapunov方法严格证明了在该自适应调节律作用下闭环系统所有误差信号最终有界。仿真结果表明,较当前TLC方法的控制性能,新方案在空天飞行器系统上具有更优异的控制性能和鲁棒性。     

航天器非线性鲁棒自适应姿态机动控制律

针对存在未知转动惯量和外部干扰力矩的敏捷航天器快速大角度姿态机动问题,结合非线性反步法和Lyapunovo稳定性分析方法设计控制力矩和转动惯量估计值的非线性鲁棒自适应控制律。在控制力矩控制律中,加入非线性阻尼项对外部干扰力矩进行补偿,证明了系统的全局一致最终有界稳定性。引入非线性动系数增加系统的动态性能,提高了姿态快速机动后的快速稳定能力。在Maltlab/Simulink环境下进行航天器姿态机动控制仿真研究,仿真结果验证了所设计控制器的有效性和可行性。     

无人机三维编队保持的自适应抗扰控制器设计

针对无人机编队飞行过程中领航无人机在三维空间机动飞行时的编队队形保持问题,构建了无人机三维编队保持控制系统。根据无人机编队飞行三维空间几何学关系,利用无人机自动驾驶仪模型和编队运动学模型建立了旋转坐标系下三维编队飞行的数学模型。在考虑闭环系统存在时变外界干扰的情况下,设计了无人机编队保持的自适应控制器,并基于李亚普诺夫理论,对设计的自适应控制律的稳定性进行了证明。最后通过仿真验证,该控制器能够有效抑制干扰带来的影响,使僚机能够迅速跟随长机机动,并保持编队队形的稳定。     

无人旋翼飞机鲁棒姿态控制律设计

介绍了小型无人旋翼飞机飞行控制系统的鲁棒姿态控制内回路控制律设计.以直升机为裁机平台,利用的试验数据通过PEM方法可以辨识出飞机模型.基于H∞理论设计了内回路鲁棒姿态控制律.仿真结果表明,在存在传感器噪声和模型误差的情况下,所设计的控制律满足了设计要求,针对建模不确定性具有一定的鲁棒性.     

含执行器非线性的多操纵面飞机自适应跟踪控制

针对含执行器非线性多操纵面飞机跟踪控制困难的问题,基于控制分配提出了一种鲁棒自适应神经网络控制方法。推导了含执行器非线性的多操纵面飞机控制分配方程。设计了自适应神经网络对系统中的非线性不确定项进行补偿,并引入鲁棒项消除了外界干扰和系统误差。利用Lyapunov稳定性定理证明了闭环系统的所有信号都是有界收敛的,且跟踪误差渐近趋于0。仿真结果验证了方法的有效性。     

未知非线性系统的神经网络跟踪控制与仿真研究

应用输入／输出反馈线性化方法和李亚普诺夫方法,研究了一类具有未知非线性函数的非线性动态系统的自适应鲁棒输出跟踪控制问题。首先通过坐标变换和输入变换,将非线性系统变换为部分线性可控系统。接着采用多层前向神经网络来逼近未知非线性函数,网络的权值根据李亚普诺夫原则来在线修正,这样就克服了多神经网络控制系统中存在的稳定性问题。同时,为了减少权值学习时间,应用遗传算法预先离线训练网络权值。最后提出了一个基于神经网络建模的自适应鲁棒控制律,给出了李亚普诺夫意义下的稳定性证明。所提出的控制律可确保相应闭环系统的状态及跟踪误差一致最终有界。所给的Van der pol系统的例子说明了所提控制方案的有效性与鲁棒性。     

飞行器抗饱和鲁棒自适应非线性模型预测控制

针对巡航飞行器同时存在较大外部干扰和模型参数不确定性时自适应预测控制性能下降的问题,设计了带有模糊干扰观测器(fuzzy disturbance observer, FDO)补偿的鲁棒自适应非线性模型预测控制(robust adaptive nonlinear model predictive control, RANMPC)方法(简记为FDO-RANMPC方法)。首先,利用具有未知参数限制条件的递推最小二乘方法在线辨识模型参数;其次,利用模糊干扰观测器输出值抵消幅值较大的复合干扰,再利用Tube鲁棒预测控制策略设计了飞行器底层姿态系统具有稳定保障的FDO-RANMPC控制器;最后,在考虑复合不确定性情况下对指令姿态角跟踪的仿真中验证了控制器的有效性及其渐进稳定性。     

基于神经网络的自由漂浮空间机器人鲁棒控制

针对带有模型误差及外界扰动的自由漂浮空间机器人轨迹跟踪问题,提出了一种基于神经网络的自适应鲁棒控制策略。采用对神经网络状态空间进行划分后与滑模变结构结合的控制器,对不确定非线性进行自适应学习,逼近误差作为外部干扰由鲁棒控制器消除。该方法从整个闭环系统的稳定性出发,利用H_∞理论设计的鲁棒控制器及神经网络权值的在线调整规则保证了系统的稳定性,并能使系统L2增益小于给定的指标,具有较好的控制精度及动态特性。仿真分析进一步证明了该自适应鲁棒控制算法的有效性。     

基于干扰估计的高超声速飞行器鲁棒控制方法

针对高超声速飞行器高度与速度跟踪所面临的参数不确定与外界干扰问题,提出基于干扰估计的鲁棒控制律设计方法。首先建立含参数不确定与外界干扰的高超声速飞行器模型;而后基于动态逆思想,将动力学模型进行线性化,并将由参数不确定与外界干扰对系统造成的总效果看作系统总干扰,从而引入线性扩张状态观测器实现对系统状态及总干扰的估计;最后考虑总干扰作用,提出具有鲁棒性能的动态逆控制律与滑模控制律。通过与传统控制律进行对比仿真,结果表明所设计的两种鲁棒控制器只需在原有方法基础上进行简单改进,即可较大程度提高对系统参数不确定与外界干扰的鲁棒性,具有良好的跟踪性能。     

Trajectory linearization control of an aerospace vehicle based on RBF neural network

An enhanced trajectory linearization control （TLC） structure based on radial basis function neural network （RBFNN） and its application on an aerospace vehicle （ASV） flight control system are presensted. The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability, and a robustifying itera is used to overcome the approximate error of RBFNN. The parameters adaptive adjusting laws are designed on the Lyapunov theory. The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory. Finally, the flight control system of an ASV is designed based on the proposed method. Simulation results demonstrate the effectiveness and robustness of the designed approach.     

Trajectory linearization control of an aerospace vehicle based on RB F neural network

An enhanced trajectory lineazization control(TLC)structure based on radial basis function neural network(RBFNN)and its application on an aerospace vehicle(ASV)flight control system are presensted.The influence of unknown disturbances and uncertainties is reduced by RBFNN thanks to its approaching ability,and a robustifying item is used to overcome the approximate error of RBFNN.The parameters adaptive adjusting laws are designed on the Lyapunov theory.The uniform ultimate boundedness of all signals of the composite closed-loop system is proved based on Lyapunov theory.Finally,the flight control system of an ASV is designed based on the proposed method.Simulation results demonstrate the effectiveness and robustness of the designed approach.     

Adaptive functional link network control of near-space vehicles with dynamical uncertainties

The control law design for a near-space hypersonic vehicle (NHV) is highly challenging due to its inherent nonlinearity, plant uncertainties and sensitivity to disturbances. This paper presents a novel functional link network (FLN) control method for an NHV with dynamical thrust and parameter uncertainties. The approach devises a new partially-feedback-functional-link-network (PFFLN) adaptive law and combines it with the nonlinear generalized predictive control (NGPC) algorithm. The PFFLN is employed for approximating uncertainties in flight. Its weights are online tuned based on Lyapunov stability theorem for the first time. The learning process does not need any offline training phase. Additionally, a robust controller with an adaptive gain is designed to offset the approximation error. Finally, simulation results show a satisfactory performance for the NHV attitude tracking, and also illustrate the controller's robustness.     

基于干扰补偿的拦截弹新型反演姿态控制

针对同时具有未知干扰以及输入饱和与死区特性的大气层内拦截弹姿态控制系统,提出了一种基于干扰补偿的自适应动态面控制器设计方法。该方法通过设计改进的非线性干扰观测器(nonlinear disturbance observer, NDO)对未知干扰进行抑制,利用径向基函数(radial basis function,RBF)神经网络逼近输入饱和引起的非线性项,通过设计参数自适应律在线估计未知死区边界。通过构造合适的Lyapunov函数,证明闭环系统状态一致终结有界。仿真结果表明,所提方法鲁棒性良好,在输入非线性和未知干扰作用下,依然能良好地跟踪指令信号。     

Robust adaptive neural network control with supervisory controller

The problem of direct adaptive neural network control for a class of uncertain nonlinear systems with unknown constant control gain is studied in this paper. Based on the supervisory control strategy and the approximation capability of multilayer neural networks (MNNs), a novel design scheme of direct adaptive neural network controller is proposed.The adaptive law of the adjustable parameter vector and the matrix of weights in the neural networks and the gain of sliding mode control term to adaptively compensate for the residual and the approximation error of MNNs is determined by using a Lyapunov method. The approach does not require the optimal approximation error to be square-integrable or the supremum of the optimal approximation error to be known. By theoretical analysis, the closed-loop control system is proven to be globally stable in the sense that all signals involved are bounded, with tracking error converging to zero.Simulation results demonstrate the effectiveness of the approach.     

一类严格反馈时滞系统的自适应输出反馈控制

针对一类单输入单输出的严格反馈时滞系统研究跟踪控制问题。该控制系统包含不确定项、输出约束、未知死区特性和未知时间延迟。首先,设计一个状态观测器来估计无法测量的系统状态;其次,利用径向基函数(radial basis function,RBF)神经网络去逼近未知的系统内部动态;同时,利用障碍李雅普诺夫(Lyapunov)函数确保输出约束及Lyapunov-Krasovskii方法消除时滞项对系统的影响;最后,基于Lyapunov稳定性理论,构造一个鲁棒自适应神经网络输出反馈控制器,并且克服了过参数问题。结果显示,设计的神经网络输出反馈控制器可以保证闭环系统中的所有信号都是半全局最终一致有界的,跟踪误差能收敛到零值小的领域内。文中通过两个例子进一步验证了提出方法的有效性。     

一类非线性不确定系统自适应terminal滑模控制方法

针对一类非线性不确定系统设计了自适应terminal滑模控制器,使跟踪误差在有限时间内收敛到零,消除了通常滑模变结构控制的到达过程,因而闭环系统从t=0时刻就对干扰具有鲁棒性。采用RBF神经网络逼近系统未知的非线性函数,引入滑模误差对其权值进行在线自适应调整,改善动态性能。最后给出的仿真例子证明了算法的有效性。