基于自适应RBF神经网络的超空泡航行体反演控制

Posted 2021-04-26 AAS自动化学报

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了基于自适应RBF神经网络的超空泡航行体反演控制相关的知识，希望对你有一定的参考价值。

常言道：“兵贵神速”, 航速是影响海战装备作战性能的重要指标. 超空泡航行体的出现, 大幅降低了水下环境的阻力限制, 使水下航行体达到前所未有的航速, 也因此吸引了众多研究者的关注.

李洋, 刘明雍, 张小件. 基于自适应RBF神经网络的超空泡航行体反演控制. 自动化学报, 2020, 46(4): 734-743

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170387

传统意义上, 根据航行速度的不同将超空泡航行体分为4 类, 对此4 类按空泡包裹的不同又可分为两类, 即“全包裹超空泡航行体” 和“非全包裹超空泡航行体”. 前者速度较高, 一般在70~1 000 m/s, 后者速度较低, 通常为0~70 m/s.

本文研究的是非全包裹超空泡航行体，针对超空泡航行体姿轨控制普遍存在的模型不确定性问题进行相关研究. 为此, 首先对其动力学特性进行分析, 并建立了超空泡航行体的动力学名义模型, 随后将其改写为不确定反馈系统, 然后利用反演控制方法设计超空泡航行体姿轨控制器, 针对模型中的未知函数利用径向基函数(Radial basis function, RBF) 神经网络进行逼近并补偿, 由基于Lyapunov 稳定理论设计的自适应方法计算神经网络的权重, 并给出稳定性证明. 仿真研究验证了控制器设计的有效性.

图1 航行体受力分析

图2 非全包裹超空泡沾湿尾部受力

图3 深度 z 及俯仰角 θ 设定信号与实际跟踪响应

图4 深度z 及俯仰角θ 设定轨迹与实际跟踪响应

图5 f1, f2 与其估计值

图6 g1, g2 与其估计值

本文针对超空泡航行体姿轨控制系统普遍存在的不确定性问题, 首先, 对非全包裹状态下的超空泡航行体进行动力学建模得到其名义模型; 然后, 设计了反演控制器, 并利用 RBF 神经网络逼近并补偿系统中的不确定项; 最后, 利用多个Lyapunov 函数的组合保证了系统稳定性. 文中保证的条件只是充分条件, 较为保守, 在以后的研究工作中可以考虑利用相关优化理论对参数的选择进行优化.

作者简介