基于回饋遞推方法的近空間飛行器魯棒自適應控制.pdf

1、近空間飛行器(Nearspace Vehicles NSVs)是各國正在大力發(fā)展的新型航空航天飛行器，具有極其重要的軍事價值。它們在運行中表現(xiàn)出的多任務、多工作模式、大范圍高速機動等特點使得控制系統(tǒng)設(shè)計成為一項極具挑戰(zhàn)的研究課題。圍繞這一基礎(chǔ)科學問題，本文在近空間飛行器建模與分析、受擾動非線性系統(tǒng)控制兩個方面開展了較為深入的研究，主要研究成果如下：
　　 1、根據(jù)我們實驗室已有的研究成果及國內(nèi)外公開發(fā)表的文獻資料建立起NSV高超

2、聲速飛行條件下6自由度數(shù)學模型。該模型包含完整的動力學方程和運動學方程，其中氣動力系數(shù)和力矩系數(shù)是迎角、馬赫數(shù)及氣動舵面偏角的函數(shù)，發(fā)動機模型為吸氣式超聲速燃燒沖壓發(fā)動機。然后對其開環(huán)性能進行分析，結(jié)果表明整個模型能夠體現(xiàn)出NSV復雜的非線性以及快速時變性等特點，具有一定的代表性，可以滿足未來NSV先進制導和控制等問題的理論研究和仿真驗證需要。
　　 2、研究了NSV縱向控制，首先利用輸入-輸出反饋線性化方法將NSV縱向運動模型

3、轉(zhuǎn)化為仿射非線性模型，并根據(jù)飛行器的狀態(tài)變量特性，進一步將其轉(zhuǎn)化為嚴格反饋多輸入多輸出(Multi-Input/Multi-Output MIMO)非線性模型，并基于回饋遞推方法設(shè)計了高超聲速飛行的縱向控制系統(tǒng)，對其進行的縱向運動仿真結(jié)果表明了方法的有效性。
　　 針對NSV高超聲速飛行時，氣動參數(shù)變化劇烈且容易受到外界干擾的特點，提出了基于全調(diào)節(jié)徑向基神經(jīng)網(wǎng)絡(luò)(Fully Tuned Radial Basis Function

4、 Neural Network FTRBFNN)的積分回饋遞推方法，并基于Lyapunov定理給出穩(wěn)定性的嚴格證明。FTRBFNN抗干擾能力強，而且控制律中增加的誤差積分項可以有效消除系統(tǒng)的跟蹤靜差，因而控制精度高。最后對NSV進行的縱向運動仿真結(jié)果表明，在干擾變化較大的情況下，控制系統(tǒng)仍具有較好的魯棒性。
　　 3、提出了基于動態(tài)面控制的變增益自適應回饋遞推控制方法。首先利用動態(tài)面控制簡化回饋遞推控制器設(shè)計，然后在參數(shù)自適應律

5、中引入S函數(shù)對徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network RBFNN)的學習率進行動態(tài)調(diào)節(jié)，消除系統(tǒng)在自適應初始階段的抖振現(xiàn)象。基于Lyapunov定理證明了閉環(huán)系統(tǒng)穩(wěn)定，跟蹤誤差指數(shù)收斂到任意小的有界緊集內(nèi)。對NSV的縱向運動仿真結(jié)果表明，該方法在降低控制律復雜性的同時，仍具有良好的過渡過程動態(tài)特性。
　　 4、提出了基于模糊系統(tǒng)的快速自適應回饋遞推方法。利用模糊系統(tǒng)對系統(tǒng)的復合干

6、擾進行在線辨識，利用回饋遞推方法進行了控制系統(tǒng)設(shè)計，該方法在線調(diào)整自適應參數(shù)僅為子系統(tǒng)的個數(shù)，減輕了系統(tǒng)的在線計算負擔。基于Lyapunov定理和小增益定理證明了閉環(huán)系統(tǒng)穩(wěn)定，系統(tǒng)的跟蹤誤差指數(shù)收斂到任意小的有界緊集內(nèi)。對NSV進行的高超聲速條件下6自由度協(xié)調(diào)轉(zhuǎn)彎仿真結(jié)果表明該方法在簡化的自適應律和控制律下仍具有良好的跟蹤性能。
　　 5、結(jié)合干擾觀測器技術(shù)，提出了基于模糊干擾觀測器的自適應回饋遞推方法。該方法充分利用被控系統(tǒng)的

7、有用信息，參數(shù)自適應律根據(jù)系統(tǒng)的跟蹤誤差和觀測器誤差進行在線調(diào)整，從而實現(xiàn)了對NSV不確定更為有效的逼近，獲得了更好的魯棒性。
　　 設(shè)計了一種模糊神經(jīng)干擾觀測器(Fuzzy Neural Network Disturbance Observer FNNDO)，提出了基于FNNDO的自適應回饋遞推方法。由于FNNDO可以在線調(diào)整模糊規(guī)則，因而對未知非線性不確定的辨識精度更高，從而可以達到更高的跟蹤精度。最后用該方法設(shè)計了NSV姿