高超声速飞行器的反步滑模神经网络控制系统

针对高超声速飞行器一体化气动布局导致弹性机体与推进系统间的强耦合性,以及跨大空域及高速飞行过程中导致气动特性存在强非线性、不确定性和明显的时变特性,提出一种基于小脑神经网络的高超声速飞行器反步滑模控制策略。首先建立高超声速飞行器纵向非线性数学模型,并采用输入-输出反馈线性化方法,解除多变量之间的耦合关系;然后设计基于反步法的滑模变结构控制器解决系统非匹配不确定性难题;同时为弥补反步滑模控制器鲁棒性不足缺点,利用自回归小脑神经网络(RCMAC)的在线非线性逼近、自学习能力和相应控制结构,设计基于RCMAC的反步滑模控制器。仿真试验结果表明,该方法下高超声速飞行器纵向的高度控制精度可达到0.5 m,速度控制精度为0.1 m/s,可以保证闭环系统全局稳定,且拥有良好的跟踪性能和鲁棒性能。

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。