王 冠, 茹海忠, 張大力, 馬廣程, 夏紅偉,*

(1. 哈爾濱工業(yè)大學(xué)航天學(xué)院, 黑龍江 哈爾濱 150001; 2. 上海衛(wèi)星工程研究所, 上海 201109)

0 引 言

高超聲速飛行器因其飛行速度快、機(jī)動(dòng)能力強(qiáng)、效費(fèi)比高等優(yōu)點(diǎn),在航空航天及軍事領(lǐng)域具有重要的研究意義。近年來已有不少高超聲速飛行器項(xiàng)目取得長(zhǎng)足進(jìn)步,但由于其具有強(qiáng)非線性、強(qiáng)不確定性、強(qiáng)耦合性等特性,給高超聲速飛行器的控制技術(shù)研究帶來了很多問題和挑戰(zhàn)[1]。

當(dāng)前文獻(xiàn)中,滑?？刂芠2]、自適應(yīng)控制[3]、容錯(cuò)控制[4]等多種先進(jìn)控制策略已經(jīng)應(yīng)用到高超聲速飛行器控制系統(tǒng)設(shè)計(jì)。文獻(xiàn)[5]針對(duì)滑?？刂浦械亩墩瘳F(xiàn)象,設(shè)計(jì)了高階滑模控制器,實(shí)現(xiàn)了高超聲速飛行器的穩(wěn)定跟蹤控制。文獻(xiàn)[6]將自適應(yīng)與模糊神經(jīng)網(wǎng)絡(luò)結(jié)合,解決了高超聲速飛行器的時(shí)變動(dòng)力學(xué)結(jié)構(gòu)問題。文獻(xiàn)[7]在考慮了彈性高超聲速飛行器氣動(dòng)伺服彈性問題的情況下,構(gòu)建了一種結(jié)合線性自抗擾和自適應(yīng)陷波器的綜合控制方案,最終達(dá)到對(duì)頻率時(shí)變的彈性振動(dòng)進(jìn)行抑制。以上控制技術(shù)以及實(shí)際工程中廣泛應(yīng)用的比例積分微分(proportional integral derivative, PID)控制技術(shù)可保證一定精度的軌跡和姿態(tài)控制。然而,面向未來高超聲速飛行器控制系統(tǒng)的實(shí)時(shí)、魯棒和高精度需求,現(xiàn)有技術(shù)仍存在諸多不足和缺陷。

由執(zhí)行機(jī)構(gòu)受限導(dǎo)致的輸入受限問題已經(jīng)成為當(dāng)前高超聲速飛行器控制領(lǐng)域研究的熱點(diǎn)之一。為了處理執(zhí)行機(jī)構(gòu)幅值約束,文獻(xiàn)[8]通過引入輔助系統(tǒng)對(duì)誤差信號(hào)進(jìn)行補(bǔ)償,保證了高超聲速飛行器在執(zhí)行機(jī)構(gòu)受限情況下對(duì)參考指令的穩(wěn)定跟蹤。類似地,文獻(xiàn)[9]構(gòu)建了輔助系統(tǒng)并結(jié)合指令濾波器來處理執(zhí)行機(jī)構(gòu)的幅值和速率約束。文獻(xiàn)[10-11]采用控制分配的方案處理執(zhí)行機(jī)構(gòu)受限問題,分別基于二次規(guī)劃和偽逆矩陣設(shè)計(jì)了控制器,但存在計(jì)算復(fù)雜度較高、無法保證分配最優(yōu)的問題。在此基礎(chǔ)上,文獻(xiàn)[12]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的控制分配方法,采用該神經(jīng)網(wǎng)絡(luò)近似求解二次規(guī)劃問題,然而這一方法對(duì)在線計(jì)算能力要求較高。模型預(yù)測(cè)控制(model predictive control, MPC)是當(dāng)前工業(yè)控制界具有代表性且較常用的技術(shù)之一[13],能夠很好地解決高超聲速飛行器執(zhí)行機(jī)構(gòu)的約束問題。文獻(xiàn)[14]設(shè)計(jì)了一種基于MPC的容錯(cuò)控制器來處理執(zhí)行器幅值飽和問題,但是該方法需要飛行狀態(tài)量的高階導(dǎo)數(shù),這在實(shí)際工程中難以獲得。文獻(xiàn)[15]考慮高超聲速飛行器線性變參數(shù)模型下的執(zhí)行器受限問題,所設(shè)計(jì)的控制器需要對(duì)較復(fù)雜的矩陣進(jìn)行優(yōu)化處理,由此帶來的緩慢求解速度難以應(yīng)對(duì)實(shí)際需求。文獻(xiàn)[16]綜合考慮了控制量的幅值和速率約束,基于神經(jīng)網(wǎng)絡(luò)控制和MPC提出了一種新的控制方法,實(shí)現(xiàn)了對(duì)氣動(dòng)舵指令的優(yōu)化分配。但是,由于MPC的引入大大增加了計(jì)算的復(fù)雜度,并導(dǎo)致控制系統(tǒng)的指令延遲,這些問題在高機(jī)動(dòng)的高超聲速飛行器控制中尤為突出。

人工智能技術(shù)具有精度高、實(shí)時(shí)表現(xiàn)性強(qiáng)的特點(diǎn)[17],因而其符合未來高超聲速飛行器對(duì)控制系統(tǒng)的快速高精度的需求。當(dāng)前,包括神經(jīng)網(wǎng)絡(luò)控制、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)在內(nèi)的智能控制技術(shù)逐漸應(yīng)用于設(shè)計(jì)航空航天器的控制系統(tǒng)[18-20]。文獻(xiàn)[21]利用神經(jīng)網(wǎng)絡(luò)對(duì)未知非線性進(jìn)行逼近,結(jié)合反步法實(shí)現(xiàn)高超聲速飛行器縱向動(dòng)力學(xué)控制。文獻(xiàn)[22]基于強(qiáng)化學(xué)習(xí)技術(shù)對(duì)衛(wèi)星控制系統(tǒng)的參數(shù)進(jìn)行調(diào)整和更新,實(shí)現(xiàn)姿態(tài)自適應(yīng)跟蹤控制。然而,在實(shí)際工程和落地轉(zhuǎn)化中,樣本、算力、最優(yōu)性以及可靠性等因素制約著人工智能技術(shù)的應(yīng)用。根據(jù)S698PM星載計(jì)算機(jī)的最新數(shù)據(jù)顯示[23],其600 MHz主頻、20 MB運(yùn)行內(nèi)存的星載配置與地面仿真條件存在量級(jí)上的巨大差距,很難應(yīng)用強(qiáng)化學(xué)習(xí)、深度神經(jīng)網(wǎng)絡(luò)(deep neural network, DNN)等算法。在此情況下,可考慮將這些技術(shù)與傳統(tǒng)控制器相結(jié)合,即“傳統(tǒng)控制架構(gòu)+人工智能技術(shù)” 來提高控制性能。

基于以上分析,為了實(shí)現(xiàn)氣動(dòng)舵受限下的高超聲速飛行器高精度跟蹤控制,本文提出了一種基于神經(jīng)自適應(yīng)的智能控制方案。針對(duì)速度子系統(tǒng),借助強(qiáng)化學(xué)習(xí)技術(shù)對(duì)控制器參數(shù)的在線調(diào)整能力,設(shè)計(jì)基于深度強(qiáng)化學(xué)習(xí)(deep reinforcement learning, DRL)的PID參數(shù)整定策略,提高控制器的穩(wěn)定性和魯棒性。在高度子系統(tǒng)中,以神經(jīng)自適應(yīng)控制為主體架構(gòu),利用非線性MPC (nonlinear MPC, NMPC)對(duì)氣動(dòng)舵指令進(jìn)行控制分配。不同于已有方法,本文利用NMPC生成大量樣本數(shù)據(jù)集并訓(xùn)練DNN,以此代替NMPC進(jìn)行氣動(dòng)舵指令優(yōu)化分配的過程,實(shí)現(xiàn)快速計(jì)算控制指令,提升系統(tǒng)性能。為了處理外部擾動(dòng)引入自適應(yīng)超螺旋微分器,增強(qiáng)了系統(tǒng)的魯棒性。仿真實(shí)驗(yàn)證明所提方案能實(shí)現(xiàn)系統(tǒng)狀態(tài)的快速穩(wěn)定收斂,具有較高的跟蹤精度。

1 系統(tǒng)描述和預(yù)備知識(shí)

1.1 彈性高超聲速飛行器的縱向模型

本文采用的某型高超聲速飛行器的縱向動(dòng)力學(xué)模型[24]為

(1)

1.2 氣動(dòng)舵非線性

從工程實(shí)際的角度,氣動(dòng)舵偏角應(yīng)該滿足幅值和速率的約束:

(2)

式中:δ代表鴨翼偏角δc和升降舵偏角δe。

此外,執(zhí)行機(jī)構(gòu)動(dòng)力學(xué)模型描述了舵面偏轉(zhuǎn)或舵機(jī)偏轉(zhuǎn)的動(dòng)態(tài)特性[25],模型描述如下:

(3)

額定狀態(tài)下,τSF=0.002 s,ωSF=90 rad/s,ζSF=0.7。

1.3 自適應(yīng)超螺旋微分器

由于非匹配不確定性等擾動(dòng)的存在,會(huì)給控制器的設(shè)計(jì)帶來諸多不便,鑒于自適應(yīng)超螺旋微分器具有良好的逼近效果[26],本文采用自適應(yīng)超螺旋微分器逼近擾動(dòng)量以得到更加精確的值。

(4)

(5)

其中,函數(shù)h(x)定義為

(6)

其中,c4>0,κ1>0,κ2>0。

根據(jù)文獻(xiàn)[26],可知自適應(yīng)超螺旋微分器的跟蹤誤差是有界的。通過選擇合適的參數(shù),可以保證自適應(yīng)超螺旋微分器的狀態(tài)量在有限時(shí)間內(nèi)實(shí)現(xiàn)精確跟蹤。

為便于后面的論證,給出以下引理。

引理 1[27]對(duì)于任意的ε>0,下面的不等式成立:

(7)

式中:κ為常數(shù),κ=e-κ-1,即κ=0.278 5。

2 控制器設(shè)計(jì)

由式(1)知,可以將模型分解為速度子系統(tǒng)和高度子系統(tǒng)。首先針對(duì)速度子系統(tǒng)進(jìn)行控制器設(shè)計(jì)。

2.1 速度子系統(tǒng)智能PID控制器設(shè)計(jì)

對(duì)于速度子系統(tǒng),控制器的設(shè)計(jì)目標(biāo)是跟蹤速度指令Vr。針對(duì)速度子系統(tǒng),采用PID控制為基本框架。定義速度跟蹤誤差eV=V-Vr,燃料當(dāng)量比Φ選擇如下的PID控制律:

(8)

式中:kp、ki和kd是PID參數(shù)。

PID參數(shù)整定是一個(gè)復(fù)雜的過程,一般需要根據(jù)對(duì)象慢慢進(jìn)行。高超聲速飛行器作為一類具有強(qiáng)不確定性和強(qiáng)非線性的被控對(duì)象,采用傳統(tǒng)的人工試錯(cuò)調(diào)參方案很大程度上依賴于調(diào)試人員的經(jīng)驗(yàn),需要消耗大量的時(shí)間,同時(shí)難以滿足較高跟蹤精度的需求。針對(duì)速度子系統(tǒng)存在干擾等問題,設(shè)計(jì)一種基于深度強(qiáng)化學(xué)習(xí)的PID參數(shù)整定策略,對(duì)于式(8)的PID控制器,根據(jù)高超聲速飛行器當(dāng)前飛行狀態(tài)調(diào)整PID參數(shù),實(shí)現(xiàn)速度指令的跟蹤。

(9)

(10)

速度子系統(tǒng)作為外環(huán)系統(tǒng),其控制器選用PID便能夠保證良好的跟蹤效果,在許多研究中被采用[8]。本節(jié)所設(shè)計(jì)的基于DRL的PID參數(shù)整定策略能夠節(jié)約人工調(diào)參的時(shí)間和成本,保障了高超聲速飛行器速度跟蹤的精確控制。同時(shí),訓(xùn)練得到的參數(shù)整定模塊具有一定的可移植性。對(duì)比相對(duì)簡(jiǎn)單的外環(huán)控制器設(shè)計(jì),本文采用神經(jīng)自適應(yīng)作為主體為高度子系統(tǒng)設(shè)計(jì)內(nèi)環(huán)控制器。一方面能夠?yàn)榭刂破魈峁┩晟频腖yapunov穩(wěn)定性證明,另一方面能夠在設(shè)計(jì)過程中解決氣動(dòng)舵受限下的控制分配問題。值得說明的是,速度子系統(tǒng)中采用的智能PID控制器設(shè)計(jì)思路同樣可考慮用于高度子系統(tǒng)的控制器設(shè)計(jì)。

2.2 高度子系統(tǒng)神經(jīng)自適應(yīng)控制器設(shè)計(jì)

2.2.1 RBF神經(jīng)網(wǎng)絡(luò)

本文中通過引入RBF神經(jīng)網(wǎng)絡(luò)來逼近模型不確定項(xiàng)[30]:

f(x)=ωTφ(x)

(11)

式中:f∈R和x∈Rn分別為神經(jīng)網(wǎng)絡(luò)的輸入和輸出;ω∈Rn為權(quán)值向量;φ(x)∈Rn為徑向基函數(shù)。

f(x)=ω*Tφ(x)+Δ(x)

(12)

(13)

2.2.2 基于DNN的控制分配策略

本節(jié)以NMPC為控制指令分配模板,生成大量包含氣動(dòng)舵指令的樣本數(shù)據(jù)集,利用DNN學(xué)習(xí)控制分配策略,實(shí)現(xiàn)對(duì)氣動(dòng)舵指令的智能分配。包括樣本數(shù)據(jù)生成和網(wǎng)絡(luò)離線訓(xùn)練兩個(gè)部分。

(1) 樣本數(shù)據(jù)生成

在當(dāng)前時(shí)刻k,根據(jù)期望舵偏角δk生成滿足約束的預(yù)測(cè)控制序列δp,k?？杀硎緸槿缦滦问降膸Ъs束的非線性規(guī)劃問題:

(14)

定義優(yōu)化目標(biāo)函數(shù)為

J(δp,k)=wLΔL(δp,k)+wMΔM(δp,k)+wδΔδ(δp,k)

(15)

式中:wL>0,wM>0,wδ>0,且

(16)

(17)

(18)

在上述優(yōu)化問題的目標(biāo)函數(shù)中,Δx=δp,x(k+i|k)-δx(k+i|k),x=c,e表示k時(shí)刻對(duì)k+i時(shí)刻輸出的預(yù)測(cè)值差；Np和Nc分別表示所采用NMPC方法的控制及預(yù)測(cè)時(shí)域指標(biāo)。在目標(biāo)函數(shù)中,減小前兩項(xiàng)是為了實(shí)現(xiàn)由氣動(dòng)舵提供的期望升力和力矩,減小第3項(xiàng)是為了平滑控制輸出,且該項(xiàng)的設(shè)立可以削弱控制面抖動(dòng),保護(hù)伺服系統(tǒng),提高控制面氣動(dòng)效率。

(2) DNN離線訓(xùn)練

第j層的第i個(gè)神經(jīng)元的輸出如下所示:

fij=G(wijfi-1+bij)

(19)

式中:wij、bij、G分別為第j層第i個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)值向量、閾值、激活函數(shù);fi-1為第i-1層神經(jīng)元的輸出。通過訓(xùn)練使如下?lián)p失函數(shù)的值收斂到設(shè)定的誤差范圍:

(20)

以上給出了利用DNN學(xué)習(xí)分配策略的具體步驟,所設(shè)計(jì)的DNN控制分配模塊將應(yīng)用在下面設(shè)計(jì)的控制器中。

2.2.3 神經(jīng)自適應(yīng)控制器設(shè)計(jì)

定義航跡角跟蹤誤差eγ=γ-γr,其導(dǎo)數(shù)可表示為

(21)

式中:x1=γ,

(22)

設(shè)計(jì)控制律為

(23)

式中:kγ>0,?γ>0。

設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)調(diào)節(jié)律為

(24)

式中:τ1>0,l1>0。通過自適應(yīng)超螺旋微分器估計(jì)Dγ為

(25)

(26)

式中:τγ,1>0,τγ,2>0。

然后,定義期望攻角α*,設(shè)計(jì)虛擬控制律:

αd=α*-eγ

(27)

(28)

對(duì)此,設(shè)計(jì)虛擬控制律:

(29)

結(jié)合式(28)可得

(30)

定義俯仰角速度跟蹤誤差為eQ=Q-Qd,則其導(dǎo)數(shù)可寫為

(31)

式中:x2=[γ,α,Q]T,

(32)

設(shè)計(jì)控制律為

(33)

式中:kQ>0,?Q>0。

設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)的自適應(yīng)調(diào)節(jié)律為

(34)

式中:τ2>0,l2>0。通過自適應(yīng)超螺旋微分器估計(jì)DQ,表示為

(35)

(36)

式中:τQ,1>0,τQ,2>0。

以上部分完成了智能控制方案的設(shè)計(jì),具體的控制系統(tǒng)框圖如圖1所示。

3 穩(wěn)定性分析

由于速度子系統(tǒng)采用PID控制器,本小節(jié)主要對(duì)高度子系統(tǒng)進(jìn)行穩(wěn)定性分析。

定理 1針對(duì)系統(tǒng)式(1),使用控制律式(23)和式(33),更新律式(24)、式(26)、式(34)和式(36),自適應(yīng)超螺旋微分器式(25)和式(35),系統(tǒng)可以實(shí)現(xiàn)一致有界跟蹤控制,誤差變量eγ、eα和eQ收斂到如下區(qū)域:

(37)

證明選取Lyapunov函數(shù)如下:

W=Wγ+Wα+WQ

(38)

式中:

對(duì)式(37)求導(dǎo)得

(39)

將式(22)、式(24)、式(26)、式(30)、式(32)、式(34)和式(36)代入式(39),可得

(40)

(41)

其中,

(42)

對(duì)式(42)求解可得

(43)

由式(43)可得W(t)≤W(0),即W(t)是有界的,聯(lián)合Lyapunov函數(shù)式(38),則有

(44)

進(jìn)一步可得

(45)

式中：x=γ,α,Q。

證畢

4 訓(xùn)練設(shè)計(jì)和仿真結(jié)果

4.1 速度子系統(tǒng)強(qiáng)化學(xué)習(xí)訓(xùn)練

在設(shè)置基于DDPG算法的離線訓(xùn)練時(shí),設(shè)計(jì)最大的訓(xùn)練回合為3 000,每回合最大步長(zhǎng)為500,采樣時(shí)間為1 s。為使DDPG智能體適應(yīng)多種環(huán)境,需要將訓(xùn)練期間的參考軌跡設(shè)計(jì)在表1所示的飛行包線內(nèi),且盡量覆蓋不同類型具有代表性的飛行任務(wù)。

表1 高超聲速飛行器的狀態(tài)約束

由于高超聲速飛行器的狀態(tài)值不在同一個(gè)數(shù)量級(jí),訓(xùn)練所需的狀態(tài)值需進(jìn)行歸一化處理為有效數(shù)據(jù),然后隨機(jī)采樣進(jìn)行訓(xùn)練。當(dāng)飛行任務(wù)輸出完成時(shí),該回合停止,同時(shí)計(jì)算當(dāng)前回合的總回報(bào)獎(jiǎng)勵(lì)。表2給出了具體的訓(xùn)練參數(shù)設(shè)置。

表2 訓(xùn)練參數(shù)設(shè)置

由圖2可以看出,累計(jì)回報(bào)曲線在400回合附近逐漸呈現(xiàn)收斂趨勢(shì)。最后,訓(xùn)練好的DDPG智能體將被移植于速度子系統(tǒng)控制器中,用于自適應(yīng)調(diào)整PID參數(shù)。

4.2 高度子系統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練

4.3 仿真結(jié)果

為了驗(yàn)證所提出方案的有效性,本文設(shè)計(jì)如下兩個(gè)仿真實(shí)驗(yàn)。其中,模型中的氣動(dòng)數(shù)據(jù)見文獻(xiàn)[21],速度和高度參考信號(hào)采用文獻(xiàn)[16] 給出的指令濾波器,高超聲速飛行器的狀態(tài)初值如表3所示。

表3 高超聲速飛行器的狀態(tài)初值

本文的設(shè)計(jì)參數(shù)分別為kh=kγ=0.1,kα=1,kQ=5,其余參數(shù)根據(jù)具體仿真實(shí)驗(yàn)和式(42)的約束進(jìn)行適當(dāng)調(diào)整。

4.3.1 驗(yàn)證仿真

為驗(yàn)證所提出控制方案的有效性,設(shè)計(jì)如下由階躍信號(hào)產(chǎn)生的參考指令:

為了驗(yàn)證控制器的魯棒性,引入以下干擾:當(dāng)120≤t≤140,dV=2 cost;當(dāng)220≤t≤240,dγ=0.005 cost;當(dāng)320≤t≤340,dQ=0.02 cost,時(shí)間t的單位為s。

仿真結(jié)果如圖4～圖6所示。圖4給出了速度和高度的跟蹤結(jié)果,可以看出系統(tǒng)在干擾作用下的速度和高度都能夠穩(wěn)定跟蹤設(shè)定的參考軌跡。圖5顯示的是系統(tǒng)狀態(tài)響應(yīng)曲線,包括航跡角、攻角、俯仰角速率以及彈性模態(tài),可以看出航跡角和攻角具有比較小的跟蹤誤差。圖6給出了包括燃料當(dāng)量比、鴨翼偏角和升降舵偏角在內(nèi)的輸入變化曲線,本文所考慮的氣動(dòng)舵受限問題得到了有效解決。圖7給出了PID的變化曲線,可以看出kp、ki、kd隨著系統(tǒng)狀態(tài)變化,最終趨于穩(wěn)定。神經(jīng)自適應(yīng)控制的權(quán)重變化在圖8中體現(xiàn)。圖9和圖10給出利用自適應(yīng)超螺旋微分器處理擾動(dòng)和誤差上界的估計(jì)值。此外,為了研究基于NMPC和DNN優(yōu)化分配控制器的性能對(duì)比,表4給出了基于同一平臺(tái)(CPU: i7-7700HQ,RAM: 16.0 GB)的仿真時(shí)間?？梢钥闯?基于DNN優(yōu)化分配的方案將計(jì)算速度提升近90%。這主要是因?yàn)镹MPC需要解決執(zhí)行器模型的優(yōu)化問題,而利用DNN代替復(fù)雜優(yōu)化問題的過程將明顯縮短計(jì)算時(shí)間。

表4 控制分配算法運(yùn)行時(shí)間比較

4.3.2 對(duì)比仿真

為了進(jìn)一步驗(yàn)證本文方法的優(yōu)越性,選取文獻(xiàn)[16]中的神經(jīng)自適應(yīng)控制器(簡(jiǎn)稱對(duì)比方法1)以及文獻(xiàn)[3]中的自適應(yīng)反步控制器(簡(jiǎn)稱對(duì)比方法2)與本文所提出的控制器(簡(jiǎn)稱本文方法)進(jìn)行對(duì)比。速度參考指令跟蹤幅值為200 m/s的階躍信號(hào),高度指令為幅值為10 000 m的階躍信號(hào)。圖11～圖14為對(duì)比仿真的實(shí)驗(yàn)結(jié)果。

從圖11可以看出,以上3種方法均能夠?qū)崿F(xiàn)良好的跟蹤控制性能。通過對(duì)比可以發(fā)現(xiàn),本文所提出的控制方法具有較快的跟蹤性能和較好的跟蹤效果,主要是因?yàn)樗捎玫闹悄芸刂品椒▽?shí)時(shí)調(diào)整控制參數(shù)以及網(wǎng)絡(luò)權(quán)值,并且采用的自適應(yīng)超螺旋微分器對(duì)控制器提供較好的補(bǔ)償。圖12和圖13分別給出了對(duì)應(yīng)的系統(tǒng)狀態(tài)曲線和控制輸入曲線,其中包括鴨翼偏轉(zhuǎn)角和升降舵偏轉(zhuǎn)角根據(jù)目標(biāo)函數(shù)進(jìn)行了優(yōu)化分配的控制輸入曲線。圖14給出了3種方法在500次蒙特卡羅仿真下的平均絕對(duì)誤差曲線對(duì)比,可以看出,本文方法具有更高的跟蹤精度。

5 結(jié) 論

針對(duì)彈性高超聲速飛行器氣動(dòng)舵受限情況下的高精度跟蹤控制問題,設(shè)計(jì)了一種基于神經(jīng)自適應(yīng)的智能控制方案。應(yīng)用DRL方法構(gòu)建了智能參數(shù)整定策略,實(shí)現(xiàn)了對(duì)速度指令的快速跟蹤控制。考慮氣動(dòng)舵的約束和動(dòng)態(tài)特性,設(shè)計(jì)了基于DNN的智能分配策略,并給出了神經(jīng)自適應(yīng)控制器設(shè)計(jì)過程和穩(wěn)定性證明。通過引入自適應(yīng)超螺旋微分器處理外部擾動(dòng),有效地增強(qiáng)了智能控制系統(tǒng)的魯棒性和抗擾能力。仿真結(jié)果表明,所提出的方案能夠較好地處理氣動(dòng)舵受限問題,并實(shí)現(xiàn)快速高精度的速度和高度跟蹤控制。