10基于自适应神经网络控制的后缘小翼型桨叶桨尖控制于嗣佳8.docVIP

第二十八届（2012）全国直升机年会论文 基于自适应神经网络控制的后缘小翼型桨叶桨尖控制 于嗣佳 张 柱 杨大林 杨卫东 (南京航空航天大学直升机旋翼动力学国家级重点实验室，南京，210016) 摘 要：直升机振动控制一直是直升机工程界研究重点之一。后缘小翼型智能旋翼是通过一定的控制律来驱动后缘小翼，从而改变桨叶上的气动力以达到减振或控制桨叶运动的目的。本文通过建立桨叶挥舞运动微分方程，应用自适应神经网络控制算法，对后缘小翼型桨叶挥舞面内的运动进行控制，并通过仿真计算验证了该算法的有效性。 关键词：旋翼；后缘小翼；挥舞运动；自适应神经网络控制 0 引言 直升机振动控制一直是直升机界研究热点之一，过高的振动不仅会降低结构疲劳寿命和影响仪器设备的性能，还会使乘员和驾驶员容易感到疲劳并影响工作效率。所以降低直升机的振动水平具有重要意义。近年后缘小翼型智能旋翼在直升机减振应用中受到了广泛关注[1][2],后缘小翼型智能旋翼是在桨叶上安装后缘小翼，以一定的控制律驱动后缘小翼，从而改变桨叶上的气动力，达到控制目的。自适应神经网络控制因其逼近能力、分类能力、学习速度等方面的优点应用越来越广泛，本文应用自适应神经网络控制对桨叶挥舞面内的运动进行控制，并给出了仿真结果进行验证。 1 自适应神经网络控制算法 神经网络系统[3]是模仿人脑的工作原理来进行工作的系统，神经网络具有并行分布式处理的优点，并能够储存由训练获得的信息。神经网络由很多计算单元组成，称为节点，与每个节点相关的是权值函数，权值函数用来储存训练获得的信息。基本的神经网络结构如图1所示，由一层输入层源节点，一层或多层的隐层节点，一层输出层节点组成。 每个隐层节点与输出层节点都包含一个非线性的神经计算函数，输出层节点作为下一层的输入。权值函数包含了通过训练获得的系统信息。 图1 神经网络结构示意图 后缘小翼型智能旋翼振动控制关键是计算使振动水平最小的最优小翼偏角输入。本文应用径向基函数神经网络作为小翼偏角输入的函数逼近器[4]，考虑任一未知周期函数，具有周期，周期被分为个平均间隔的节点，每个节点上分配一径向基函数。本文中应用的径向基函数为二阶贝塞尔曲线[5]，定义如下： （1） 贝塞尔曲线与高斯函数相比具有计算效率高的优点，并具有相似的函数逼近能力。将周期上的个节点每个节点分配一个径向基函数并配以合适的权值函数，那么单隐层径向基函数神经网络控制算法对周期函数的逼近可表示为： （2） 为神经节点计算函数，本文采用二阶贝塞尔曲线，为节点权值函数， 为决定节点函数宽度的参数， 为对周期取余数，为神经节点总数。 式（2）在区间上可用图2表示： 图2 对周期函数的逼近示意图 为周期函数，那么在周期外的任一时间处的函数值可以通过转换到上来计算。逼近精度取决于神经节点的个数以及权值函数，而权值函数是依靠训练程序决定。 2 桨叶挥舞运动方程 本文采用的桨叶模型为均匀的无扭转的根部固支的桨叶，用来模拟无轴承式旋翼桨叶。，为桨叶节点处挥舞面内的位移与偏转角度，是径向距离与时间的函数。桨叶的有限元模型如图3所示。 图3 后缘小翼型桨叶挥舞运动有限元模型 本文控制目标函数为桨尖位移,控制输入为小翼偏转角。 分离变量，将展开成用模态形状表示的级数形式[6]： （3） 为模态形状，为广义坐标。将能量及虚功用广义坐标表示，应用拉格朗日方程，得到桨叶的运动微分方程： （4） ,,分别为广义质量矩阵，广义刚度矩阵，广义力矩阵。 桨叶剖面示意图如下： 图4 桨叶剖面示意图 计算剖面气动载荷时，采用二维Theodorsen非定常气动理论修正的Greensberg准定常理论计算[7]，定义升力向上为正，力矩以前缘抬头为正，它们可以分为环量力和非环量力两部分，其中非环量力部分为： （5） 环量力部分为： (6) 作用在桨叶剖面上的气动阻力为： (7) 其中，为桨叶上切向，垂直来流速度，下标表示桨叶相关量，下标表示小翼相关量，为桨叶弹性中心对气动中心的偏置，为不可压状态翼型升力线斜率，为阻力系数，为Theodorsen系数。以上为带有后缘小翼的翼型的总的气动载荷分量，正常桨叶的气动载荷为将上式中的，及其各阶导数置为而得到。 对于悬停状态，前进比，在桨叶展向上对各段桨叶气动力进行积分，得： (8) 为气动阻尼。刚度矩阵中包含了结构刚度与离心力刚度，代表了广义力中的常量，集合型分量，小翼偏转角分量。为安