超机动飞行的非线性鲁棒自适应控制系统研究
基于RBF神经网络的一类非线性系统反演鲁棒自适应控制
假 设 １ 给 定 一 个 光 滑 非 线 性 函 数 向 量 ｈ： Ｑ 权值 矩阵
式中：
≤ ， ＞０， （） ３
（Ｑ为 Ｒ 中 的紧 集 ）和 常数 ｅ ｎ＞０， 与一 个最 优
（） ２
存 在 一个 高 斯 基 函数 向量 伊： Ｒ ，使 得
关键词 ：Ｒ Ｆ神经网络 ；非线性系统 ；不确定性 ；鲁棒 自适应控制 ；反演 Ｂ
中图 分 类 号 ：Ｔ ７ ５ Ｐ ６ 文 献标 志码 ：Ａ
人工 神经网络能 够逼近 多输 人 多输 出系统 的输
Ｉ ｘ ＋ ） （ 毫＝ ２ （ ＋ ）
入 输 出映 射关 系 【 】 １ ，通过 合 适 的输 入输 出数据 就 。
第 ｉ ＝２…， ） ：定 义设 计 的虚拟 控制 （ ， 一１步 ｉ
ｚ＝ 一 ｉ ， Ｘ ｄ， （４ １）
２控制器设计与稳定性分析
本文 提出一种 基于 Ｒ Ｆ 神经 网络的一类 非线 Ｂ 性 系统 反 演鲁 棒 自适 应 控制 器 设计 方 法 ，并 使 用 Ｌ ａｕｏ ｙ ｐ ｎ ｖ稳 定性 理论 分析 系统 的稳定 性 。设计 过
第２ ３卷 第 ６期 ２０ ０ ８年 １ 月 １
海 军 航 空 工 程 学 院 学 报
Ｊ ｕ ｎ ｌ ｆ ｖ ｌ ｒ ｎ ｕ ｉａ ｎ ｔｏ ａ ｔ ａ ｉ ｅ ｔ ｏ ｒ ａ Ｎａ ａ ｏ ａ ｔ ｌ ｄ Ａｓ ｎ ｕ ｉ ｌ ｏ Ａｅ ｃ ａ ｒ ｃ Ｕｎ ｖ ￣ｉ ｙ
ＶＯ ． ３ Ｎｏ６ Ｉ２ ． Ｎｏ ． ０ ８ ｖ ２ ０
ｌ ＝３ （ ） （， ） ｘ＋ ， ＋ ｘ ２
｛ １ ． ． ．
一
。 ：
＋
） 一 ， …， 。 ＋ 。 ， 一 （ ）’（）
非线性系统鲁棒自适应控制研究
非线性系统鲁棒自适应控制研究随着科技的飞速发展，自适应控制技术越来越受到人们的重视。
鲁棒自适应控制技术作为自适应控制技术之一，已经被广泛应用于各个领域。
鲁棒自适应控制技术可以有效地对非线性系统进行控制，并且具有很强的适应性和鲁棒性，因此在工业控制、航空航天等领域得到了广泛应用。
非线性系统是指系统的输入和输出不符合线性关系的系统。
由于非线性系统具有较为复杂的动态行为和运动过程，往往会带来控制困难和不稳定性。
因此，对于非线性系统的控制研究一直是热门话题。
鲁棒自适应控制技术的提出，为非线性系统的控制带来了新思路。
鲁棒自适应控制技术通过系统状态的估计和控制器参数的自适应调节，实现对非线性系统的稳定控制。
鲁棒自适应控制技术的关键在于设计鲁棒性强的控制器。
鲁棒性是指控制器对于系统参数变化和外界干扰的适应能力。
因此，在设计鲁棒控制器时，需要考虑到非线性系统的鲁棒性和自适应性的平衡。
一方面，控制器需要具有足够的鲁棒性，以应对系统参数的变化和干扰的影响；另一方面，控制器还需要具有足够的自适应性，以保证控制器参数能够随着系统动态特性的变化而变化，从而实现精确的控制。
在非线性系统的鲁棒自适应控制技术研究中，常用的方法包括神经网络控制、滑动模式控制、自适应模糊控制等。
神经网络控制是一种基于神经网络的控制方法，该方法利用神经网络模型对系统进行建模，并根据系统的反馈信号对神经网络的权重进行自适应调节，实现对非线性系统的控制。
滑动模式控制是一种基于滑动模式变量的控制方法，该方法将非线性系统转化为一组线性子系统，通过滑动模式变量的引导，实现对非线性系统的鲁棒控制。
自适应模糊控制是一种基于模糊控制和自适应控制的控制方法，该方法利用模糊控制模型对系统进行建模，并通过自适应学习算法对模糊控制器进行参数调节，实现精确的控制。
总之，鲁棒自适应控制技术是一种非常有前景的控制方法，特别适用于非线性系统的控制。
未来，随着鲁棒自适应控制技术的不断发展和应用，我们有理由相信，该技术将会在更多的领域得到广泛应用，并发挥更大的作用。
自适应控制系统设计及其应用研究
自适应控制系统设计及其应用研究一、引言自适应控制是一种能够对复杂不确定性系统进行实时处理的主流控制方法。
相对于传统控制方法，自适应控制方法可以大大提高系统的鲁棒性、控制精度和系统的稳定性。
因此，在工业控制等领域应用广泛，如航空、航天、能源、化工等。
本文主要探讨自适应控制的设计和应用。
二、自适应控制系统设计自适应控制系统的设计主要包括自适应控制器设计和自适应模型设计。
（一）自适应控制器设计自适应控制器设计是自适应控制系统设计中的重要环节。
相对于传统控制器，自适应控制器能够改变控制策略，从而对复杂不确定系统进行控制。
自适应控制器包括参数自整和模型参考自适应控制器。
参数自整和模型参考自适应控制器是自适应控制器的两种代表形式。
其中，参数自整包括随机自适应、最小二乘自适应等形式。
模型参考自适应控制器是特定控制基础实现的环节，包括自适应逆控制、自适应控制等形式。
（二）自适应模型设计自适应模型常常是由实际系统通过辨识得到的数学模型，是自适应控制的基础。
辨识的方法包括参数辨识、非参数辨识和混合参数辨识等方法。
自适应模型需要根据实际控制的需求选择合适的模型，考虑到模型的复杂度和时间常数等影响因素。
三、自适应控制系统应用研究自适应控制系统在工业生产中应用广泛，对提高生产效率和优化产品质量有着重要的作用。
下面我们将结合具体应用环境，介绍自适应控制系统应用研究的情况。
（一）航空控制应用航空控制系统是自适应控制的典型应用之一。
在飞机飞行的全过程中，飞机会受到各种各样的扰动，如气流、风、湍流等，这些扰动会影响飞机的稳定性和性能。
自适应控制系统可以通过对飞行数据的实时检测，调整控制策略，保持飞机稳定，优化性能。
（二）化工生产应用化工生产过程中，生产物质的组分和质量随时可能发生变化。
传统控制方法无法快速对这些变化做出相应的调整，自适应控制系统则能够自动调整控制策略，维持生产过程的稳定性和质量的一致性。
自适应控制系统在化工生产过程中的应用主要应用于反应的控制和质量的检测。
非线性控制系统中的自适应控制算法研究
非线性控制系统中的自适应控制算法研究在现代控制系统中，自适应控制算法被广泛应用于各种非线性系统中。
自适应控制算法是一种基于系统自身反馈的控制方法，能够自动调整控制参数以应对外部扰动和内部变化，提高控制系统的稳定性和鲁棒性。
非线性控制系统是指受到非线性因素影响的控制系统，其动态行为不能用线性方程描述。
由于非线性控制系统具有高度复杂性和不确定性，传统的控制方法难以有效地应对其控制问题。
因此，研究非线性控制系统中的自适应控制算法具有重要意义。
自适应控制算法的核心是参数调整，因此自适应控制算法研究的重点是设计合理的自适应规律和算法，并使其能够实现参数的准确估计和调整，达到优化控制效果的目的。
当前，研究的自适应控制算法主要有三类：基于模型的自适应控制算法、模型参考自适应控制算法和直接自适应控制算法。
基于模型的自适应控制算法利用系统模型来估计和调整控制参数，该算法需要系统能够精确建模，并且需要对建模误差进行补偿。
模型参考自适应控制算法则是通过引入一个参考模型来调整控制参数，使系统输出跟随参考模型输出，并实现优化控制。
直接自适应控制算法则不需要系统模型，通过直接估计参数进行调整，具有较强的适应性和鲁棒性。
在非线性控制系统中，模型不确定性和噪声等因素会影响自适应控制算法的性能。
因此，近年来研究者们提出了一系列的改进算法，如扩展状态观测器、鲁棒自适应控制算法、自适应滑模控制算法等。
这些算法能够在不确定性和噪声等难以消除的情况下，实现控制系统的鲁棒性和稳定性。
总之，研究非线性控制系统中的自适应控制算法是当前控制领域的热点和难点问题。
面对系统不确定性和不可预知性，研究者需要不断地提出新的算法和方法，以实现控制系统的优化和稳定控制。
在未来，自适应控制算法将继续发挥重要作用，成为非线性控制系统中的核心技术之一。
鲁棒自适应飞行跟踪控制系统设计
验证机进行控制【 ６ ］ ，并取得 了较好的效果 ，但这种
方法 也有 它 的局 限性 ，即逆模 型建模 比较 困难 。
［ 收稿 日期 ］ ０ ６ ６ １ ２ ｏ ～０ —２ ［ 基金项 目］国家 自然科学重点项 目基金（ ２４ １ ） ６ ３ ００ 资助项 目。 ０
＝
厂（） 甜＋ ＋ｇ （）
神经 网络具有对非线性映射 的良好逼近特性 ， 近年来逐渐被 引入 到非线性控制系统 的设 计 中来
ｐ］
，
１控制律设计方法
一
般 来说 ，飞机 的非线性 模 型都 为 多输 人多 输
特别在飞机跟踪控制系统设计 中得到了很好 的 出仿射非线性 系统 ，控制输出一般为升降舵偏角 、
应用 ，如文【】 ４中提 出了一种用线性控 制器加神经 副翼偏角和方 向舵偏角 ，这三个舵偏角分别对偏航 网络在线补偿基于增益表的混合飞行控制系统设计 角 、 俯仰角滚转角起主要 的控制作用 （ 在本文 中， 方法 ，缺点是未考虑外部扰动对 飞机的影响 ；基于 其它的耦合状态变量将作为在线神经网络的辅助输
一
Ｎ ｇ 和Ｎ ｄ 表示这３ Ｎ ） Ｎ ） 个非线性映射，
ｆＮ （ ： ｒ ） Ｎ ／ ） ｘ
维普资讯
第５ 第 １ 卷 期
２０ 年 ３ ０ ７ 月
深圳信 息职业技术学院学报
Ｊ ｕ ａ ｆ ｈ ｎ ｈ ｎＩ ｓｉ ｔ ｆｎｏｍａｉｎＴ ｃ ｎ ｌｇ ｏ ｒ ｌ ｅ ｚｅ ｔ ｕｅｏ ｆｒ ｔ ｅ ｈ ｏｏ ｙ ｎ ｏＳ ｎ ｔ Ｉ ｏ
州 ∽＋
一
） ＋ ｍ）
（ ８）
定 义 状 态 误 差 为 ｅ＝ — ，则 由 （ ７）和 （ ８）式 可 以引 出 ：
非线性系统的自适应控制技术研究
非线性系统的自适应控制技术研究随着自动化技术的不断发展，人们对非线性系统的控制问题越来越关注。
传统的控制方法往往难以适应复杂多变的非线性系统，而自适应控制技术则成为了解决这个难题的有效手段。
一、非线性系统控制的难点非线性系统指的是系统在输出与输入之间的关系不是线性的，而是存在非线性特性的系统。
这种系统通常具有复杂性强、变化快等特点，对控制过程提出了较大的挑战，具体包括以下几方面：1. 系统非线性：非线性系统通常具有非线性的输出-输入的关系，难以通过直接运用线性控制方法实现稳态或随机运动控制。
2. 多变性和不确定性：非线性系统的多变性和不确定性往往难以通过建立系统动态模型进行精确预测和控制。
3. 寻优难度大：在非线性系统控制中，最优控制往往很难达到，现有方法难以充分发挥系统性能的最优特点。
二、自适应控制技术的优势针对上述问题，自适应控制技术得以快速应用，该技术将控制器的参数输出通过学习算法得到必要的微调，使其能够适应不同的系统模型和控制需求。
自适应控制技术具有以下优点：1. 适应性强：自适应控制可通过自身的参数调节和在线模型更新等措施，实现针对系统模型和控制要求的有效适应。
2. 稳定性好：在反馈控制的基础上，自适应控制能够有效地消除系统的不良干扰，保证系统的稳定性和鲁棒性。
3. 控制精度高：自适应控制技术的最大优势在于它可以控制系统进入最优状态，实现最优化控制效果。
三、自适应控制技术的应用现状非线性系统的自适应控制技术得到广泛应用，结合人工智能技术，能够协同进行机器学习。
目前，自适应控制技术在以下领域得到了广泛应用：1. 机械控制：机器人控制、航空航天控制、水处理系统控制、量子控制等。
2. 化学工业：化学反应、催化制药、化工数据分析等。
3. 电力系统：电力传输、电力系统保护、能量优化系统控制等。
4. 环保治理：化学污染、气体排放、颗粒物控制等。
四、自适应控制技术的未来发展由于非线性系统具有复杂性强、变化快等特点，未来自适应控制技术的发展将重点研究以下几个方向：1. 智能化控制：自适应控制将结合人工智能技术的发展，实现自主学习和深度学习，提高控制器的自适应性和智能化水平。
非线性系统的鲁棒性控制
非线性系统的鲁棒性控制一、引言现代控制理论中，非线性系统的鲁棒性控制一直是研究的热点之一。
非线性系统因为其复杂的特性，往往不容易被精确地建模和控制，因此，鲁棒性控制成为一种有效的方法。
本文将从非线性系统的定义入手，介绍非线性系统在鲁棒性控制中的应用和相关理论。
二、非线性系统的定义非线性系统是指，其输入和输出之间的关系不是线性的，其中包括的非线性元素很多，比如幂函数、三角函数、指数函数等。
与线性系统不同，非线性系统具有以下几个特点：1. 非线性系统的系统函数是非线性的，即系统的状态方程和输出方程是非线性的；2. 非线性系统的稳定性分析和控制设计往往比较复杂，需要使用数值模拟和优化算法等方法进行处理；3. 非线性系统的动态行为具有很多非线性效应，比如不稳定性、混沌和复杂多样的周期运动等。
三、非线性系统的鲁棒性控制非线性系统的鲁棒性控制是指，对于具有不确定参数和外部干扰的非线性系统进行控制，并保证其稳定性和性能的方法。
在实际应用中，非线性系统的鲁棒性控制被广泛应用于工业自动化、机器人控制、航空航天等领域。
非线性系统的鲁棒性控制包括以下几个方面：1. 鲁棒控制器的设计：在非线性系统中，我们通常使用鲁棒控制器来设计控制方案。
其中，鲁棒控制器是指一种能够对非线性系统的不确定性进行补偿的控制器。
常用的鲁棒控制器包括H∞控制器、滑模控制器、自适应控制器等。
2. 鲁棒性分析和验证：针对非线性系统的不确定性和外部干扰，需要对鲁棒性进行分析和验证。
其中，鲁棒分析是指确定鲁棒性参数的过程，鲁棒验证是指通过实验和仿真等方法验证鲁棒性的有效性。
3. 鲁棒性优化和调试：鲁棒性控制的优化和调试是非常重要的。
在控制系统设计过程中，需要考虑系统参数、系统耐干扰性、系统稳定性以及过渡过程等方面。
四、非线性系统的鲁棒控制策略（1）H∞控制H∞控制是一种广泛应用于非线性系统的鲁棒控制策略。
该方法通过数学分析和机理推导的方法，能够将非线性系统的模型转换为标准的H∞控制器模型，并对其进行分析和设计。
非线性系统控制中的自适应控制技术研究
非线性系统控制中的自适应控制技术研究在工业自动化和机器人控制领域，非线性系统已经被普遍应用。
由于非线性系统的复杂性和不确定性，理论控制方法并不能完全解决问题。
因此，自适应控制技术成为了非线性系统控制中的一种有效的解决方案。
自适应控制技术可以自动调整控制器参数以适应系统的动态性能和环境变化，从而提高系统的稳定性、鲁棒性和性能指标。
自适应控制技术的理论发展经历了多个阶段，包括模型参考自适应控制、模型转移自适应控制、直接自适应控制和神经网络控制等。
模型参考自适应控制是最早研究的自适应控制方法之一，它使用系统的数学模型来估计未知的系统参数，并通过控制器参数来适应系统的动态。
模型参考自适应控制的理论基础是Lyapunov稳定性理论，该方法在一些特定的应用中得到了很好的结果，但是在实际工程应用中受到了限制。
模型转移自适应控制是模型参考自适应控制的改进，该方法采用自适应滤波器来逼近未知系统参数，然后将估计的参数值用于生成控制信号。
模型转移自适应控制方法提高了系统的鲁棒性和性能，但是仍然受到系统不确定性和噪声影响的限制。
直接自适应控制是在模型转移自适应控制的基础上提出的，该方法不需要估计系统参数，而是直接调节控制器的参数以适应系统的动态。
直接自适应控制方法在实际应用中受到了广泛关注，但是受到了应用场景的限制。
当控制器的参数发生较大变化时，系统容易出现震荡和不稳定情况。
神经网络控制利用神经网络的自适应性和非线性拟合能力来实现自适应控制。
神经网络控制方法具有高度的鲁棒性和适应性，可以应对系统非线性、不确定性和噪声等现实问题。
在工业自动化和机器人控制领域，神经网络控制已经成为一种主流的自适应控制方法。
随着机器学习和深度学习技术的发展，更加高效、智能的自适应控制方法也将不断涌现。
在未来，自适应控制技术将继续在非线性系统控制中扮演重要角色，为实现智能制造、智慧城市等应用场景提供可靠的技术支持。
航空器飞行控制系统的参数辨识及鲁棒性分析研究
航空器飞行控制系统的参数辨识及鲁棒性分析研究引言：航空器飞行控制系统是保障飞行安全和航空器性能的核心部分。
为了确保航空器的稳定性和安全性，对飞行控制系统进行参数辨识和鲁棒性分析研究至关重要。
本文将介绍航空器飞行控制系统的参数辨识方法和鲁棒性分析技术，并探讨其在实际航空器中的应用。
一、航空器飞行控制系统参数辨识航空器飞行控制系统中，各个组件的参数辨识是评估系统性能和进行系统优化的基础。
参数辨识的目标是通过分析系统的输入输出数据，确定系统的数学模型和参数。
常用的参数辨识方法包括最小二乘法、极大似然估计法、系统辨识法等。
1. 最小二乘法最小二乘法是一种常用的参数辨识方法，通过最小化观测数据与系统模型之间的差异，得到系统的最优参数估计。
该方法适用于线性系统和非线性系统。
在航空器飞行控制系统中，可以利用最小二乘法获取系统模型的参数，从而进行进一步的分析和优化。
2. 极大似然估计法极大似然估计法是一种统计学方法，用于从给定的观测数据中确定参数的估计值。
该方法假设观测数据来自于某个已知分布的概率模型，通过最大化似然函数来确定参数的估计值。
在航空器飞行控制系统中，可以利用极大似然估计法来辨识系统的参数，进一步研究系统的性能和鲁棒性。
3. 系统辨识法系统辨识是一种利用观测数据研究系统特性的方法，主要通过整个系统的输入输出关系，以及系统的输入信号和输出信号之间的变换关系，来确定系统的模型和参数。
在航空器飞行控制系统中，系统辨识方法可以用于获取控制系统的状态空间模型和参数，从而进行系统的分析和验证。
二、航空器飞行控制系统鲁棒性分析航空器飞行控制系统的鲁棒性是指控制系统在面对不确定性时的性能稳定性和健壮性。
由于飞行环境和外界干扰的不确定性，飞行控制系统需要具备一定的鲁棒性，以更好地适应不同的飞行条件。
鲁棒性分析可以检验系统对参数误差、外部干扰和动力学模型变化等不确定性的抗扰能力。
1. 不确定性建模在进行鲁棒性分析之前，需要对不确定性进行建模。
控制系统中的自适应性与鲁棒性研究
控制系统中的自适应性与鲁棒性研究自适应性和鲁棒性是现代控制系统中关键的研究方向之一。
在现实世界中，控制系统必须能够应对各种不确定性和变化，以便准确、稳定地实现所需的控制目标。
因此，研究控制系统自适应性和鲁棒性对于提高控制系统的性能和稳定性至关重要。
自适应控制是指控制系统能够根据系统的动态变化和外部环境的改变自动调整控制策略和参数。
自适应控制算法可以通过对系统状态和输入的实时测量，实时计算并调整控制器的参数，从而适应各种工况条件下的控制要求。
自适应控制算法的核心是参数估计和参数调整。
参数估计一般是通过观测系统输出和输入之间的关系，从而推测出系统的动态特性和参数。
参数调整则是根据估计的参数和控制误差，通过合适的算法和规则来更新控制器的参数，以实现控制目标。
自适应控制算法有许多不同的方法和技术，包括模型参考自适应控制、模型预测控制和基于神经网络的自适应控制等。
这些方法都基于控制系统的数学模型和统计特性，利用现代控制理论和工程技术，通过计算和优化来实现自适应性。
其中，模型参考自适应控制是一种常用的方法，它依赖于一个参考模型来描述控制器应该达到的性能指标，通过比较实际输出与参考模型输出之间的误差，调整控制器参数以减小误差。
另一方面，鲁棒性控制是指控制系统能够抵御各种干扰和不确定性的能力。
鲁棒控制算法可以使控制系统对参数变化、外部扰动或测量误差具有较强的稳定性和鲁棒性。
鲁棒控制通常采用针对不确定性的设计方法，如H∞控制、μ合成控制和滑模控制等。
这些方法通过对系统模型的鲁棒稳定性和性能进行优化，设计出能够抵御各种不确定性和干扰的控制器。
与自适应控制不同，鲁棒控制是一种基于系统模型的设计方法。
它通常通过数学分析和优化方法，充分考虑参数变化和外部干扰对系统稳定性和性能的影响，并通过合适的控制策略和调整参数来提高系统的鲁棒性。
自适应性和鲁棒性在实际控制系统中都具有重要意义。
自适应控制能够使系统在面对各种变化和不确定性的情况下保持稳定性和性能。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
参考文献:
[ 1] 董文瀚 , 孙秀霞 , 林岩 . 反推 自适应控 制的发展 及应用 [ J] . 控 制与决策 , 2006, 21 ( 10) : 1081 1087. [ 2] Li Y, Q ian g S, Zh uang X, et al. Robu st and adapt ive back st ep ping cont rol f or nonli near syst em s using R BF neural n et w orks [ J] . I EEE Tr ans. N eura l N et w or ks , 2004, 15 ( 3) : 693 201. [ 3] Du H , Shao H , Y ao, P. A dapt ive n eural net w ork cont rol f or a class of l ow t riangular s t ruct ured n onl inear syst ems[ J] . I EE E
Abstract: A robust and adaptive flight control system is designed for a nonlinear aircraft model w ith param et er uncert aint ies and unknow n disturbance. During the design of control system, param eter uncert aint ies and disturbance are compensat ed for online by RBF neural netw orks. Control law and adapt ive law s of neural net w ork s are achieved t hrough backstepping m ethod. As a result, t he design problem of robust flight control sys t em is resolved under th e condit ion of unknow n cont rol gain mat rix and disturbance. It is proved t hat all signals in the closed loop syst em are bounded. M oreover, t racking error of the system and estimat ion error of neural netw orks w eight s are remained in t he com pact set s. H erbst m aneuver sim ulation result s dem onst rate th at the designed control system has good perform ance under condit ions of stall. Keywords: flight control system ; disturbance rejection; backstepping; RBFNN; supermaneuver
收稿日期 : 2007 04 16; 修回日期 : 2007 05 24。 基金项目 : 国家自然科学基金资助课题 ( 90405011)
法对不确定单输入单输出系统以及不确定块三角形式的 。飞机模型是 一种典型的严 格反馈块 控制 ( block str ict feedback for m, BSFF) MIM O 系统, 目前, 对存在未知非线性, 尤其是控制 增益矩阵未知的 BSFF 的鲁棒控制研究较少 , 文献 [ 9] 针 对非匹配不确定性的严格反馈块非线性系统 , 提出了一种 基于神经网络的反步控制方法, 文中为了保证神经网络权 值估计值有界, 引入了投影算子 , 使参数调整变得复杂。 文献[ 10] 在控制增益矩阵未知情况下, 设计了非线性自适 应导弹控制系统 , 文中的控制增益矩阵要求是对角阵 , 限
作者简介 : 周丽 ( 1976 ) , 女 , 博士研究生 , 主要研究方向为智能控制 , 非线性鲁棒自适应控制。 E m ail: l k_zhoul i@ 163. com
第4期
周丽等: 超机动飞行的非线性鲁棒自适应控制系统研究
711
712
系统工程与电子技术
第 30 卷
第4期
周丽等: 超机动飞行的非线性鲁棒自适应控制系统研究
第 30 卷 第 4 期 2008 年 4 月
文章编号 : 1001 506X( 2008) 04 0710 05
系统工程与电子技术 Systems Engineer ing and Electr onics
Vol. 30 No. 4 Apr. 2008
超机动飞行的非线性鲁棒自适应控制系统研究
周 丽 , 姜长生, 文
713
714
系统工程与电子技术
第 30 卷
图 6 为 各个 控制 舵 面偏 转的 仿真 曲 线, 其 中图 6 ( a) 、 ( b) 为本文的仿真曲线 , 图 6( c) 、 ( d) 为动态逆 的仿 真曲线 , 可以看出本文的各个舵面的变化均在神经网络动态逆的舵 面偏转 多次达到饱和 , 不利 于超机动的飞行 , 而且容易 造成飞 机失稳 , 产生严重的后果。
摘
杰
( 南京航空航天大学自动化学院, 江苏 南京 210016)
要: 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 H erbst 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 。 关键词: 飞行控制系统; 干扰抑制; 反步法 ; RBF 神经网络; 超机动 中图分类号 : V 249. 1; T P 273 文献标志码: A
4
结束语
本文采用基于 RBF 神经网络的反步法设计了超机动鲁 棒自适应控制系统。根据系统状态误差和神经网络权值估 计误差, 构造 Lyapunov 函数, 通过设计适当的神经网络权值 自适应律, 使系统的跟踪误差和神经网络估计权值误差以指 数收敛到有界紧集内。对该控制系统进行的过失速 Herbst 机动仿真表明, 在系统参数摄动较大, 并存在外界干扰的情 况下, 该控制系统可以实现多个操纵舵面的推力矢量控制, 能够以小半径完成飞机的 180! Herbst 机动转弯, 表明系统 对参数摄动以及未知干扰引起的偏差能够很好地逼近 , 设计 的非线性超机动控制系统具有较好的鲁棒性。
图 6 舵面偏转仿真结果
由上述仿真结果可以看出, 本文设计的控制系统能迅 速跟踪指令信号, 各个控制舵面均在偏转范围内较平缓变 化, 完全达到了 H er bst 机动的要求 , 说明所设计的神经网 络可以精确在线补偿系统不确定性和干扰, 控制系统鲁棒 性好, 能较好地完成超机动飞行。
Tr ans. N eur al N et w or ks , 2006, 17( 2) : 509 514. [ 4] D ing Z. U niversal dis tu rban ce rejection f or n on linear sys tems in out put f eedback f orm [ J ] . IE EE Tr ans. A ut omat . Cont r . , 2003, 48 ( 7) : 1222 1227. [ 5] D u H, S hao H , Y ao P. A dapt ive neural netw ork cont rol f or a cl as s of l ow t rian gular s t ruct ured nonl inear syst em s [ J ] . I E EE T r ans. N e ural N e tw orks , 2006, 17 ( 2) : 509 514. [ 6] G e S S, W ang C. A dapt ive neu ral cont rol of un certain M IM O nonl inear syst em s[ J] . IE EE T rans . N eur al N et w or ks , 2004, 15( 3) : 674 692. [ 7] G e S S , Zhan g J, Lee T H . A daptive neural net w or k cont rol for a class of M IM O n onl inear s yst em s w it h dist u rban ces in dis cret e T ime[ J] . I EE E Tr ans. Sy st. , M an, Cybern, 2004, 34 ( 4) : 1630 1645. [ 8] Ch en, Liu X B, T ong S . A dapti ve f uzz y out put t rackin g cont rol of M IM O nonlin ear un cert ain syst ems[ J] . I EE E T rans . Fuz z y S y st . , 2007, 15 ( 2) : 287 299. [ 9] 胡云安 , 晋玉强 , 张友安 , 等. 基于神经网络的严反馈块非线性 系统的鲁棒控制 [ J] . 控制与决策 , 2004, 19 ( 7) : 808 812. [ 10] 胡云安 , 晋玉强 , 等 . 带有广义 不确定性的导 弹非线性控制系 统设计 [ J] . 航空学报 , 2004, 25( 2) : 153 157. [ 11] Sn ell S A , Enns D F, G arrard W L. N on linear inver sion f ligh t cont rol f or a superman euverab le ai rcraft [ J] . J ou rnal of Gui d ance , Con tr ol , and D ynami cs , 1992, 15( 4) : 976 984. [ 12] Park J, Sandberg I W. U niversal approximation using radial basis function netw orks[ J] . N eural Comp utat ion, 1991, 3( 2) : 246 257. [ 13] 朱荣刚 , 姜长生 , 邹庆元 , 等 . 新 一代歼击 机超机动 飞行的动 态逆控制 [ J] . 航空学报 , 2003, 24( 3) : 240 245.