1 南京航空航天大学 无人机研究院, 江苏 南京 210016
2 中国人民解放军第5311工厂, 江苏 南京 210000
针对高超声速飞行器一体化气动布局导致弹性机体与推进系统间的强耦合性, 以及跨大空域及高速飞行过程中导致气动特性存在强非线性、不确定性和明显的时变特性, 提出一种基于小脑神经网络的高超声速飞行器反步滑模控制策略。首先建立高超声速飞行器纵向非线性数学模型, 并采用输入-输出反馈线性化方法, 解除多变量之间的耦合关系; 然后设计基于反步法的滑模变结构控制器解决系统非匹配不确定性难题; 同时为弥补反步滑模控制器鲁棒性不足缺点, 利用自回归小脑神经网络（RCMAC）的在线非线性逼近、自学习能力和相应控制结构, 设计基于RCMAC的反步滑模控制器。仿真试验结果表明, 该方法下高超声速飞行器纵向的高度控制精度可达到0.5 m, 速度控制精度为0.1 m/s, 可以保证闭环系统全局稳定, 且拥有良好的跟踪性能和鲁棒性能。
飞行器控制、导航技术 高超声速飞行器 反步法 自回归小脑神经网络 滑模控制 不确定性 aerocraft control and navigation technology hypersonic vehicle backstepping recurrent cerebella mode articulation controller sliding mode control uncertainty 光学 精密工程
2019, 27(11): 2392
1 杭州电子科技大学 机械工程学院, 浙江 杭州 310018
2 杭州浙大精益机电技术工程有限公司, 浙江 杭州 310027
针对超磁致伸缩致动器(GMA)在精密致动控制中存在的迟滞和位移非线性,提出了小脑神经网络(CMAC)前馈逆补偿结合模糊PID控制的新策略.通过小脑神经网络(CMAC)学习获得超磁致伸缩致动器动态逆模型用于对超磁致伸缩致动器迟滞非线性进行补偿;利用模糊PID控制降低小脑神经网络(CMAC)学习时的误差和抑制扰动,提高系统的跟踪控制性能,从而实现超磁致伸缩致动器的精密致动控制.仿真和实验结果表明:所采用的控制策略有效地消除了迟滞非线性的影响,系统的跟踪误差降低到了5%以下,而位移跟踪误差均方差仅为0.58.此外,这种策略的特点是学习和控制同时进行,控制系统能够适应被控对象动态特性的变化,使系统具有较强的鲁棒性,同时也能够有效地抑制外界的干扰,提升系统的自适应控制性能.
超磁致伸缩致动器 迟滞非线性误差 小脑神经网络 前馈逆补偿控制 模糊PID控制 Giant Magnetostrictive Actuator(GMA) hysteresis nonlinear error Cerebellar Model Articulation Controller(CMAC) feed forward inverse compensation control fuzzy PID control
