一種無人飛艇三維航跡跟蹤方法

2023-10-30 17:19:22 2

一種無人飛艇三維航跡跟蹤方法
【專利摘要】一種無人飛艇三維航跡跟蹤方法，首先由給定的指令航跡和實際航跡計算誤差量，然後採用滑模控制方法設計航跡控制律，計算航跡控制量；為有效抑制滑模控制導致的抖振，以滑模面及其變化率為神經網絡的輸入變量，以控制增益為神經網絡的輸出變量設計了神經網絡滑模控制律，利用神經網絡的自學習功能在線調整控制增益。本發明針對無人飛艇的航跡跟蹤問題，建立了其空間運動的數學模型；以此模型為受控對象，採用滑模控制方法設計了航跡控制律；為了抑制抖振，以滑模面及其變化率為神經網絡的輸入變量，以控制增益為神經網絡的輸出變量設計了神經網絡滑模控制律，利用神經網絡的自學習功能在線調整控制增益，以抑制抖振從而提高系統性能。
【專利說明】一種無人飛艇三維航跡跟蹤方法

【技術領域】
[0001] 本發明涉及一種航天航空領域的飛行控制方法，它為無人飛艇航跡跟蹤提供一種 神經網絡滑模控制方法，屬於自動控制【技術領域】。

【背景技術】
[0002] 無人飛艇是指一種依靠輕於空氣的氣體（如氦氣、氫氣等）產生靜浮力升空，依 靠自動飛行控制系統實現定點駐留和低速機動的飛行器，具有留空時間長、載荷量大、能耗 低、效費比高等優點，廣泛應用於偵察監視、對地觀測、環境監測、應急救災、科學探測等領 域，具有重要應用價值和廣闊的應用前景，當前已成為航空領域的研究熱點。航跡跟蹤是 指無人飛艇按照預定航跡（或航路點）飛行，以完成各項飛行任務。無人飛艇的空間運動 具有非線性、通道耦合、不確定、易受外界擾動等特點，因此，航跡控制成為無人飛艇飛行控 制的關鍵技術之一。已有文獻對飛艇航跡跟蹤方法的研究大都基於線性化動力學模型，未 考慮非線性因素以及縱向和橫側向運動之間的耦合作用，僅在平衡態附近有效。滑模控制 方法對模型不確定項和外界幹擾具有強魯棒性，為無人飛艇的航跡跟蹤提供了一種有效手 段。但是，滑模控制的不連續開關特性導致系統產生抖振，成為其顯著的缺點。


【發明內容】

[0003] 為解決上述問題，本發明提出一種無人飛艇三維航跡跟蹤方法，其為一種神經網 絡滑模控制方法。本發明針對無人飛艇的航跡跟蹤問題，建立了其空間運動的數學模型；以 此模型為受控對象，採用滑模控制方法設計了航跡控制律；為了抑制抖振，以滑模面及其變 化率為神經網絡的輸入變量，以控制增益為神經網絡的輸出變量設計了神經網絡滑模控制 律，利用神經網絡的自學習功能在線調整控制增益，以抑制抖振從而提高系統性能。由該方 法控制的閉環系統能夠穩定跟蹤指令航跡，且具有良好的魯棒性和動態性能，為無人飛艇 航跡控制的工程實現提供了有效方案。
[0004] 本發明一種無人飛艇三維航跡跟蹤方法，首先由給定的指令航跡和實際航跡計算 誤差量，然後採用滑模控制方法設計航跡控制律，計算航跡控制量；為有效抑制滑模控制導 致的抖振，以滑模面及其變化率為神經網絡的輸入變量，以控制增益為神經網絡的輸出變 量設計了神經網絡滑模控制律，利用神經網絡的自學習功能在線調整控制增益。實際應用 中，飛艇航跡由組合導航系統測量得到，將由該方法計算得到的控制量傳輸至執行機構即 可實現航跡控制功能。
[0005] -種無人飛艇航跡控制方法，其具體步驟如下，
[0006] 步驟一：給定指令航跡（廣義坐標）：nd = [xd, yd, zd, Θ d，Ij；d，φ」τ ;
[0007] 步驟二：誤差量計算：計算指令航跡與實際航跡之間的誤差量e ;
[0008] 步驟三：滑模控制律設計：選取滑模面和趨近律，採用滑模控制方法設計航跡控 制律，計算航跡控制量u ;
[0009] 步驟四：神經網絡控制器設計：以滑模面及其變化率為神經網絡的輸入變量，以 控制增益為神經網絡的輸出變量設計了神經網絡滑模控制律，利用神經網絡的自學習功能 在線調整控制增益，以抑制滑模控制導致的抖振現象。 _〇] 其中，在步驟一中所述的指令航跡為廣義坐標nd = [xd, yd, zd, θ d，ij；d，φ」τ，Xd、 yd、zd、Θ d、L和分別為指令x坐標、指令y坐標、指令z坐標、指令俯仰角、指令偏航角 和指令滾轉角，上標T表示向量或矩陣的轉置。
[0011] 其中，在步驟二中所述的計算指令航跡與實際航跡之間的誤差量，其計算方法 為：
[0012] e = n d- η = [xd-x, yd-y, zd-z, Θ d- θ , ψ d- ψ, Φ d- Φ ]T (1)
[0013] n = [X, y, z, θ , ψ, Φ]Τ為實際航跡，X、y、Z、Θ、ψ、Φ分別為實際航跡的X坐 標、y坐標、Z坐標、俯仰角、偏航角和滾轉角。
[0014] 其中，在步驟三中所述的設計滑模控制律，計算航跡控制量11，其方法為：1)建立 飛艇空間運動的數學模型
[0015] 為便於描述，飛艇空間運動的坐標系及運動參數定義如下。如圖3所示，採用地面 坐標系 〇e和體坐標系〇bXbybzb對飛艇的空間運動進行描述，CV為浮心，CG為重心，浮心 到重心的矢量為r e= [XcycZeiT。運動參數定義：位置P= |^，7,2]'1、7、2分別為軸向、 側向和堅直方向的位移；姿態角Ω = [ θ，ψ，φ]τ，θ、ψ、φ分別為俯仰角、偏航角和滾轉 角；速度V = [u, V，w]T，u、V、w分別為體坐標系中軸向、側向和垂直方向的速度；角速度ω =[P，q，r]T，p、q、r分別為滾轉、俯仰和偏航角速度。記廣義坐標η = [x，y，z, θ, ψ，φ] T，廣義速度為 V= [u，v，w，p，q，r]T。
[0016] 飛艇空間運動的數學模型描述如下：
[0017] ? = ,/(η)=

【權利要求】
1. 一種無人飛艇三維航跡跟蹤方法，其特徵在於：首先由給定的指令航跡和實際航跡 計算誤差量，然後採用滑模控制方法設計航跡控制律，計算航跡控制量；再以滑模面及其變 化率為神經網絡的輸入變量，以控制增益為神經網絡的輸出變量設計了神經網絡滑模控制 律，利用神經網絡的自學習功能在線調整控制增益。
2. 根據權利要求1所述的無人飛艇三維航跡跟蹤方法，其特徵在於： 步驟一：給定指令航跡 _ ______
_ _ 分別為指令x坐標、指令y坐標、指令z坐標、指令俯仰角、指令偏航角和指令滾轉角，上標 T表示向量或矩陣的轉置 步驟二：誤差量計算：計算指令航跡與實際航跡之間的誤差量e，其計算方法為：
其中：n = [X，y, z, 0，V，小]1為實際航跡,x、y、z、0、V、分別為實際航跡的x坐 標、y坐標、z坐標、俯仰角、偏航角和滾轉角； 步驟三：滑模控制律設計：選取滑模面和趨近律，採用滑模控制方法設計航跡控制律， 計算航跡控制量u，具體方法如下： 1)建立飛艇空間運動的數學模型 飛艇空間運動的坐標系及運動參數定義如下：採用地面坐標系〇6x6y6z 6和體坐標系 〇bxbybzb對飛艇的空間運動進行描述，CV為浮心，CG為重心，浮心至IJ重心的矢量為r G = [xe，ye，ze]T ;運動參數定義：位置P = [X，y, z]T，x、y、z分別為軸向、側向和堅直方向的位移； 姿態角Q = [9, ￥，c^]T，0、￥、小分別為俯仰角、偏航角和滾轉角；速度v= [u，v，w]T，u、v、w分別為體坐標系中軸向、側向和垂直方向的速度；角速度CO = [p, q, r]T，p、q、r 分別為滾轉、俯仰和偏航角速度；記廣義坐標n = [x，y，z，0，U/，（t]T，廣義速度為V = [u, v, w, p, q, r]T ； 飛艇空間運動的數學模型描述如下：

式中，m為飛艇質量，mn、m22、m33為附加質量，In、I 22、I33為附加慣量；Q為動壓，a為 迎角，3為側滑角，Cx、CY、Cz、Q、Cm、C n為氣動係數；lx、Iy、Iz分別為繞〇bxb、〇by b、〇bzb的 主慣量；Ixy、Ixz、Iyz分別為關於平面obxbyb、o bxbzb、obybzb的慣量積；T為推力大小，ii為 推力矢量與〇bxbzb面之間的夾角，規定其在obx bzb面之左為正，u為推力矢量在〇bxbzb面的 投影與〇bxb軸之間的夾角，規定其投影在〇bxb軸之下為正；l x、ly、lz表示推力作用點距原點 〇b的距離； 式（3)為關於廣義速度V的表達式，需要將其變換為關於廣義坐標n的表達式； 由式⑴可得：
式中

以式（22)所描述的數學模型為被控對象，採用滑模控制方法設計航跡控制律； 2)滑模面設計 設計滑模面為：
其中，s = [s" s2, s3, s4, s5, s6]T，c = diagf；。" c2, c3, c4, c5, c6)，Ci > 0(i = 1,2, 3, 4, 5, 6)； 定義： 其中，P = diag (P " P 2, P 3, P 4, P 5,
P 6)，P i > 0, k = diag (k" k2, k3, k4, k5, k6)，ki > 0(i = 1，2,3,4,5,6)，sign( ?)為符號函數； 4)設計滑樽捽制律，航i亦捽制量為：
式中，k - [k1； k2, k3, k4, k5, k6]； 步驟四：神經網絡控制器設計：以滑模面及其變化率為神經網絡的輸入變量，以控制 增益為神經網絡的輸出變量設計了神經網絡滑模控制律，利用神經網絡的自學習功能在線 調整控制增益，以抑制滑模控制導致的抖振現象； 1) 選擇輸入輸出變量 令神經網絡控制器的輸入變量為第i個滑模面~及其變化率i,.?其中Si e s，i = 1，2, 3, 4, 5, 6 ;輸出變量為第i個控制增益kp其中，& G k，i = 1，2, 3, 4, 5, 6,由此可以根 據Si的變化在線調整&的取值； 2) 設計神經網絡結構 神經網絡結構包括輸入層、隱層和輸出層； 輸入層：選取網絡的輸入變量為-V、; 隱層：選取高斯函數作為隱層節點的基函數
其中，y i為第i個高斯函數的中值，〇 i為第i個高斯函數的標準偏差，N ? | I表示歐 幾裡德範數； 輸出層：網絡的第i個輸出為
其中，W = [w^w^ "'wJ'H = [hpl^，…，hJ'Wi為第i個網絡權值，n為網絡的節點 數； 3) 設計在線學習算法 採用梯度下降方法設計在線學習算法；定義能量函數
式中，e為航跡跟蹤誤差； 網絡增益w的在線學習算法設計如下： 首先計算Aw :
式中，、為學習速率，且〇 <、< 1 ; 式（31)對k求偏導，可得：
根據式（33)，k對w求偏導，可得：
將式（36)、式（37)代入式（35)，可得：
網絡權值的學習算法如下： w (t) = w (t-1) + A w (t) + y w (w (t) -w (t-1)) (39) 式中，0 < Yw < 1 ; 由此，通過上述的神經網絡控制器能夠實現在線調整控制增益k。
【文檔編號】G05D1/10GK104281155SQ201410623426
【公開日】2015年1月14日 申請日期:2014年11月7日 優先權日:2014年11月7日
【發明者】楊躍能, 閆野, 周洋, 邵漢斌 申請人:中國人民解放軍國防科學技術大學