输入受限乘波体飞行器非脆弱预设性能神经控制

针对传统预设性能控制(Prescribed Performance Control,PPC)方法处理输入受限问题时极易诱发控制奇异的缺陷,为输入受限乘波体飞行器(Waverider Vehicle,WV)提出了一种基于神经逼近的新型非脆弱PPC方法,设计了补偿系统分别处理速度控制输入与高度控制输入的饱和问题。进一步,利用补偿系统的状态,构造了新型自适应调整项,并对传统PPC的约束包络进行改进。引入神经网络对WV归一化的未知项进行在线逼近,保证了控制鲁棒性。所提方法的优越性在于弥补了传统PPC方法的脆弱性缺陷,并显著降低了控制复杂度与在线学习量。最后,通过数值仿真验证了所提方法的有效性与优越性。

预设性能控制的脆弱性问题探究

基于对现有预设性能控制理论的脆弱性缺陷分析,提出了非脆弱PPC新理论的基本构想。首先,简要概述了PPC的基本框架与关键技术;然后,系统分析了现有PPC当系统遭遇执行器饱和、受扰等问题时可能导致的控制奇异问题,并指出了现有PPC的脆弱性缺陷;接着,给出了非脆弱PPC新理论的主要设想以及需要解决的3个基础性问题,即误差感知、包络调整与预设可达;最后,基于非脆弱PPC的技术构想,对现有PPC方法进行改进,给出了可行的非脆弱PPC技术方案,并通过数值对比仿真验证了所提方案的优越性。相关结果有望弥补PPC理论的脆弱性缺陷,有助于开辟非脆弱PPC研究新领域。

乘波体飞行器低复杂度预设性能反演控制方法

针对传统神经网络预设性能控制方法结构复杂、控制实时性不高等问题,为乘波体飞行器(Waverider Vehicle,WV)提出了一种低复杂度的预设性能反演控制方法。首先,设计了一种形式简单、不依赖初始误差的新型性能函数,对跟踪误差进行包络约束。其次,采用转换误差策略,通过引入一种转换误差,将对跟踪误差的不等式约束等价转换为等式约束。然后,基于转换误差,为WV设计了一种无需任何学习参数的新型反演控制器,并避免了传统反演控制的“微分项膨胀”问题。最后,仿真结果表明,所提方法可以保证跟踪误差良好的动态性能与稳态精度。

乘波体飞行器非脆弱预设性能控制

针对现有预设性能控制(prescribed performance control, PPC)方法在线学习量大、脆弱性缺陷突出的问题,为乘波体飞行器(waverider vehicle, WV)提出了一种无需在线学习参数的非脆弱PPC新方法。通过设计一种具备自调整功能的新型性能函数,为WV的速度子系统与高度子系统分别设计了无需在线学习参数的低复杂度控制律,并避免了反演控制的“微分项膨胀”问题。基于Lyapunov理论证明了闭环系统的稳定性以及预设性能的可达性。相对于现有PPC,所提方法的约束包络能够根据由外部扰动引起的误差波动情况,自主调整其形状,从而避免传统PPC可能存在的控制奇异问题,并弥补了现有PPC方法的脆弱性缺陷。最后,通过数值对比仿真验证了所提方法的效果与优势。

输入受限乘波体飞行器的最优跟踪控制方法

针对存在输入受限的乘波体飞行器最优跟踪问题,基于反演控制设计了最优跟踪控制器。将控制分为稳态跟踪控制和瞬态最优控制两部分。首先基于反演控制框架,引入有限时间收敛跟踪器对虚拟控制律进行估计,避免了普遍存在的"微分项膨胀"问题。其次,考虑系统中存在不确定项,设计了非线性干扰观测器对不确定项进行估计,确保控制器的鲁棒性。同时,充分考虑输入受限情况,基于辅助误差补偿策略对控制输入进行修正。然后,为了实现最优控制,基于自适应动态规划设计瞬态最优控制器。最终通过数字仿真,验证所设计控制方法的有效性。

基于反演控制的高超声速飞行器自适应动态规划

针对高超声速飞行器轨迹最优跟踪控制问题,设计了基于反演控制的自适应动态规划控制器。将控制输入分为稳态跟踪控制与瞬态最优控制两部分。首先采用反演设计方法,引入有限时间收敛微分器对虚拟控制律的一阶导数进行估计,避免了"微分项膨胀"问题。其次,设计非线性干扰观测器对不确定项进行估计,保证了控制器的鲁棒性。然后,基于自适应动态规划设计瞬态最优控制器,引入模糊评价估计器逼近性能指标,实现了高超声速飞行器的近似最优控制。最后通过数字仿真,验证所设计控制方法的有效性及优势。