58无人倾转旋翼飞行器姿态逆控制器设计和仿真-马静.docVIP

第二十八届（2012）全国直升机年会论文 无人倾转旋翼飞行器姿态逆控制器设计与仿真 马 静 徐锦法 （南京航空航天大学直升机旋翼动力学国防重点实验室，南京，210016） 摘 要：本文阐述了无人倾转旋翼飞行器的姿态跟踪控制器设计。针对无人飞行器复杂的非线性强耦合动态特性，采用动态逆反馈线性化理论与神经网络技术相结合的方法，提出了无人飞行器神经网络自适应姿态控制系统。根据无人飞行器动力学模型推导了系统的逆模型，设计了神经网络姿态控制器的结构以及网络学习训练算法，然后以无人倾转旋翼滚转、俯仰、偏航通道为例，对神经网络姿态控制系统进行仿真测试。仿真结果表明，神经网络姿态控制器具有较好的性能，对模型的不确定性具有较高的自适应能力。 关键词：动态模型逆; 神经网络; 倾转旋翼; 姿态控制 1 引言( 采用经典控制方法设计飞行控制系统时，控制构架为线性控制器，在整个飞行包线上选择多个飞行配平点，在配平条件下获取线性模型，利用线性模型设计线性控制器，然后通过增益调节方法集成线性控制器。这种方法对于具有多个飞行模态的高度非线性和不确定动力学系统，像倾转旋翼飞行器，该型飞行器三个飞行模式下的飞行动力学特性差异较大，配平飞行条件的线性化模型有较大差异，给飞行系统控制设计带来不小困难。此外，利用经典控制方法设计飞行控制系统有可能无法使飞行器全局稳定。 人工神经网络能够以任意精度逼近任何连续的非线性函数，具有并行处理、高度容错和自学习能力，在非线性控制方面具有极大的潜力。上世纪90 年代，神经网络作为新型的控制技术被引入飞行控制领域，近年来，神经网络控制技术已经得到了长足的发展。本文以某样例无人倾转旋翼飞行器为对象，给出了神经网络动态逆姿态控制伪线性系统结构，设计了神经网络学习训练算法。最后，通过实验仿真，验证神经网络控制方法可以很好的满足无人倾转旋翼飞行器姿态控制。 2.1 动态模型逆 给出一个n自由度的非线性系统如下 (2.1） ，为状态变量，为控制变量。函数为域到域的映射函数。如果则称为方系统。如果是可逆的，所有的状态都是可测量的，则方程（2.1）可写成如下形式 (2.2） 为伪控制变量。方程（2.2）的逆变换如下 (2.3） (2.4） 其中 (2.5） 是逆误差的映射描述。方程（2.5）为控制输入的近似逆映射。图2.1说明了近似动态逆过程。 图2.1 近似DMI 2.2神经网络控制补偿 理想情况下，任何满足稳定性和性能目标的线性控制器都足够控制反馈线性系统。简单来说，这里用到的控制器是PD控制器。当出现非零逆误差的时候，线性控制器输出由补偿这个误差的自适应控制得到增强。两部分 (2.6） 图2.2 基于神经网络的自适应控制结构 为输入命令的二次时间导数，i为伪控制输入通道索引。和为PD控制和自适应控制信号。图2.2描述了第i个自由度的基于神经网络的自适应控制结构。注意每个自由度都可能有一个单独的神经网络，所有的状态变量和伪控制都是每一个网络的输入。 误差动态可从方程（2.4）和（2.6）中获得。 状态空间描述为 （2.7） 其中， (2.8） 方程（2.7）中的自适应项用来补偿逆误差，这样可使稳态误差趋于零，PD控制增益可满足相应的飞行器的飞行品质要求。 2.3神经网络补偿器 多层感知器神经网络也叫BP网络，由输入层、若干隐层和输出层组成。隐层的激活函数采用Sigmoidal函数。BP网络在补偿器中用作函数逼近，则输出层的激活函数采用线性函数。当只要给定的输入信息和隐层层数足够，BP网络就能以任意精度逼近任意非线性函数。 图2.3 单隐层SHL神经网络 本文用三层感知器网络（即单隐层SHL神经网络）作为补偿器，包括一个输入层、一个隐层和一个输出层，其结构示意图如图2.3所示。 隐层节点的激活函数为Sigmoidal函数，输出层节点的激活函数为线性函数，则单隐层神经网络的输入和输出映射关系可表示为： （2.9） 其中k=1,2,…,l，n,m,l分别是输入层、隐层和输出层节点数目，函数是隐层节点Sigmoidal