76
传感器与微系统（Transducer and Microsystem Technologies）
2018年第37卷第8期
DOI:10.13873/J.10009787 (2018)08007603
基于神经网络补偿的高超声速飞行器滑模控制
苏沛华，毛奇
（天津大学电气自动化与信息工程学院，天津300072）
摘要：针对吸气式高超声速飞行器的轨迹控制问题，提出了一种基于自适应径向基函数（RBF）神经网络的滑模控制方法。建立了高超声速飞行器的纵向动态模型；设计了滑模控制器，利用自适应RBF神经网络对系统不确定项进行在线逼近，对滑模控制器进行补偿；基于李雅普诺夫的稳定性分析证明了闭环系
统的稳定性。仿真结果表明：控制系统能够实现对于高超声速飞行器给定指令的有效跟踪，关键词：高超声速飞行器；轨迹控制；径向基函数神经网络；滑模控制
中图分类号：V448.2
文献标识码：A
文章编号：1000-9787(2018)08-0076-03
Sliding mode control for hypersonic vehicle based on
neural network compensation
SUPei-hua,MAO Qi
( School of Electrical and Information Engineering,Tianjin University, Tianjin 300072, China)
Abstract: Aiming at trajectory control problem of airbreathing hypersonic vehicle, a sliding mode control method based on adaptive radial basis function (RBF) neural network is presented. Longitudinal dynamic model for hypersonic vehicle is built. Sliding mode controller is designed, and adaptive RBF neural network is used to on-line approximate uncertainties of system. Sliding mode controller is compensated ; closed-loop system stability is proved based on Lyapunov stability analysis. Simulation results demonstrate that control system can effective track on given commands of hypersonic vehicle.
Keywords: hypersonic vehicle; trajectory control; radial basis function ( RBF) neural network; sliding mode control
0引言
吸气式高超声速飞行器是指飞行速度大于5马赫（Ma，1Ma=1倍音速）的空天飞行器1,2]。高超声速飞行器具有强时变性、不确定性等特征13]。因而，如何确保高超声速飞行器能够在复杂的空天环境下稳定运行，具有重要的战略意义。随着高超声速飞行器技术的不断成熟，一些先进的非线性控制方法在飞行器的控制中得以应用。文献[4]使用自适应模糊系统进行在线更新，优化了控制效果。文献[5]提出了一种二阶滤波器对虚拟控制量进行求导，解决了反步法中“微分爆炸"的问题。文献[6]使用了非线性干扰观测器对飞行器系统中的不确定干扰进行观测，对控制器进行补偿。滑模控制具有鲁棒性强、易于实现等优势。终端滑模"、积分滑模"等技术能够克服传统滑模控制中的抖振问题。神经网络能够对控制系统中的不确
定性进行处理，具有精确近似的能力收稿日期：2017-05-25
*基金项目：国家自然科学基金资助项目（91016018，61074064）
本文使用自适应径向基函数（radialbasis function， RBF)神经网络对滑模控制律中的不确定项进行在线逼近处理模型中的不确定性问题。基于Lyapunov理论验证了控制系统的稳定性，并通过仿真验证该控制策略的有效性。
高超声速飞行器模型描述
高超声速飞行器的纵向模型(3]如下 V=(Teos αD)/m-g. sin y h=Vsin y
y =( Tsin aα +L)/(mV) g, cos y/V
&=Q-(Q=M/I,
(1)
式中m，多。分别为飞行器的质量、转动惯量和重力加速度;L,D,T,M分别为升力、阻力、推力和俯仰力矩，解析表达式见文献[9]。
将模型(1)转换为如下严反馈形式