基于神经网络算法的高超声速飞行器不确定性抑制方法研究

【摘要】：高超声速飞行器的动力学模型具有非线性、不确定性、强耦合和弹性形变等特性,特别是在大攻角、大侧滑角机动时,不确定性以及各种耦合问题尤为显著,这大大增加了控制系统设计的难度。以往的研究工作基本是将高超声速飞行器假设为刚体,忽略了弹性模态和刚体模态之间复杂的耦合影响,这必然造成模型精确性降低,并带来控制性能下降。考虑上述复杂耦合影响并构建合适控制方法是高超声速飞行器控制问题的难点。本文将针对带有弹性模态和不确定性的高超声速飞行器,在耦合稳定性分析、非线性解耦控制以及不确定性抑制等方面进行深入的研究,设计可适应大攻角、大侧滑角机动且具有强鲁棒性的控制系统。主要研究工作和创新点为：(1)基于大量NASA相关技术报告及国外期刊文献的分析,建立了全状态六自由度高超声速飞行器Winged-Cone模型,包括：动力学模型、气动参数模型、弹性模态模型、发动机模型等。该模型较为全面和相对准确地描述了高超声速飞行器复杂的非线性、强耦合、弹性形变等特性,为后续研究提供了较为精确的模型基础。(2)根据高超声速飞行器复杂的耦合模型,提出了新型的闭环稳定性判据。与传统稳定性判据相比,增加了稳定性判断的准确性并拓展了应用环境,为解决高超声速飞行控制最基本和最重要的稳定性问题提供了新的思路。(3)采用轨迹线性化控制方法对高超声速飞行器进行精确线性化和解耦,并应用控制分配算法对控制量和操纵量进一步解耦,初步解决了气动耦合、运动耦合、惯性耦合以及控制耦合等因素对稳定性的影响。(4)基于径向基神经网络设计不确定性抑制方法,通过遗传算法优化径向基函数中心向量和求解扩展参数,并与轨迹线性化方法相结合,提高了神经网络算法的精确性和实时性。通过大量的数值仿真以及与模糊控制的对比研究,验证了本文设计的解耦控制方法的控制性能,在抑制多种不确定性因素干扰方面具有很强的鲁棒性。