面向动力学未知的高超声速飞行器过载跟踪鲁棒控制

针对高超声速飞行器过载跟踪问题,分析并给出了由过载和俯仰角速度组成的非线性系统动力学,设计了有限时间预设性能控制策略以保证过载跟踪性能和精度.考虑过载系统动力学中模型的不确定性,利用神经网络估计系统未知非线性函数.为改善神经网络学习性能,采用平行估计模型构造表征学习性能的预测误差,基于预测误差与跟踪误差设计了复合学习权重更新律,通过李雅普诺夫(Lyapunov)函数分析证明了闭环系统学习与跟踪误差的有限时间稳定性.仿真结果表明,所设计的控制策略能够实现对动力学未知函数的在线估计与过载指令的准确跟踪.

满足增益相位裕度的自动驾驶仪结构化H_∞综合

针对具有静不稳定特性的高超声速飞行器,提出了一种同时满足增益裕度和相位裕度要求的飞行器自动驾驶仪设计方法。在预先设定自动驾驶仪结构的前提下,建立满足系统增益和相位裕度的H_∞范数性能指标,使用结构化H_∞综合方法求解使性能指标H_∞范数指标最优的自动驾驶仪参数。控制系统稳定裕度由标称系统增益放大补灵敏度传递函数的H_∞范数约束。这种约束方法把对系统的稳定裕度约束转化为复平面上开环系统Nyquist曲线到满足系统稳定裕度圆盘边界的距离约束。求解控制器参数时,在控制器设计指标中引入调节参数,通过调节参数的迭代变化,改变开环系统Nyquist曲线与稳定裕度圆盘边界的距离,减小控制器的保守性。这种自动驾驶仪的设计方法可同时适用于静稳定系统和静不稳定系统。将此方法应用在高超声速飞行器过载跟踪自动驾驶仪的设计中,仿真结果表明,自动驾驶仪具有良好的动态和稳态性能,并且控制器满足期望的稳定裕度。

基于数据驱动的弹性高超声速飞行器控制方法

高超声速飞行器存在气动非线性强、复杂振动干扰等特点,参数不确定性大条件下传统依赖于精确模型的控制方法品质下降明显,需要进一步提高控制系统在线适应能力。针对弹性高超声速飞行器过载跟踪性能在线优化和弹性振动影响下的控制参数优化问题,提出了一种基于数据驱动的自学习控制方法,首先将高超声速飞行器输出反馈控制问题转化为状态反馈形式,采用鲁棒自适应动态规划算法设计了适用于过载跟踪问题的无模型控制参数在线优化方法,然后针对飞行器复杂弹性振动干扰的问题,提出了基于陷波滤波器的自适应动态规划控制方法,从而保证了振动影响下的控制参数在线优化效果。仿真结果表明,在不依赖于准确模型参数的条件下,所提的方法能够有效实现弹性振动干扰下的控制参数在线优化,并提高过载跟踪控制品质。

基于Policy Gradient的自动驾驶仪控制参数设计

针对目前工程上通过在弹道上选取特征点,利用系数冻结法去研究和设计,这样一系列的假设会使设计的导弹模型与实际的弹体模型存在一定的差异,因此,提出了基于强化学习的过载自动驾驶仪在线调整PID参数,研究飞行器的控制问题,该方法将导弹作为智能体,读取飞行状态信息并建立动作策略和奖惩机制;其次,智能体根据算法给出的随机动作指令执行,执行完动作之后反馈状态信息,算法根据反馈的状态信息给出新动作。最终,通过多回合训练实现了过载指令的跟踪,证明了该方法的有效性。