基于神经网络控制器的设计方法及仿真验证

1、引言

导弹的运动模型是一个十分复杂的非线性变参数模型。反馈线性化是一种重要的非线性控制方法，其基本思想是通过状态变换，将一个非线性系统的动态特性全部或部分变换成线性特性，从而用成熟的线性控制方法来解决问题。实现反馈线性化通常有两种方法：微分几何和动态逆方法。微分几何方法需要数学工具很多，不宜工程上的推广和应用；相比较而言，动态逆方法直观、简便，在工程应用上，更易于实现。

在实际应用中，Kim等将导弹动力学分成快变和慢变两个动力学子系统，然后对两个子系统分别采用动态逆方法进行设计。Schumacher对该方法进行了稳定性分析，并指出当内回路带宽足够大并且执行机构不饱和时，可保证系统的稳定。该方法突出的缺点是设计的控制系统鲁棒性比较差。

由于动态逆方法需要被控对象精确的数学模型，但在实际应用中，被控对象数学模型不可能精确得到。这是造成动态逆控制系统鲁棒性差最主要的原因。本文根据以上文献的设计思想，将导弹的动力学方程分解成为快慢两个动力学子系统，对两个子系统分别进行动态逆设计。其中，快回路采用基于神经网络的自适应滑模逆控制器的设计方法，应用李亚普诺夫综合法，设计出神经网络控制器，并给出神经网络权值更新算法。仿真结果验证了本文方法的正确性。

2、导弹的动力学模型

为了便于利用成熟的线性控制系统设计理论进行设计与分析，通常将上述弹体模型进行简化，为此需要作如下假设：

（1）仅考虑导弹的短周期运动，认为导弹运动速度变化缓慢，可将导弹飞行速度视为常数。

（2）对于弹体运动过程中的攻角和侧滑角等小量参数，可以略去它们之间的乘积并简化三角函数的高次项，即认为

（3）忽略舵机的非线性，忽略速率陀螺和加速度计的动态特性。

（4）仅考虑空气动力和推力的作用，忽略重力的影响，在设计过程中这可以通过在控制指令中增加重补进行补偿。

在以上假设条件下，得到如下的弹体简化模型：

式中各动力学系数

3、按时标分离原则生成子系统

以俯仰通道稳定回路为例来说明本文的设计思想。俯仰通道的简化模型为：

从而得到了以纵向攻角、弹体俯仰角速度和角加速度为状态变量，以纵向过载为输出的状态方程。

根据上述状态方程，按照时标分离的方法，将弹体的纵向通道分成快慢两个动力学子系统。其中，式（9）代表慢变子系统，式（10）、（11）代表快变子系统。下面对两个子系统分别进行动态逆设计。

4、动态逆控制器设计

4.1 慢变子系统动态逆设计

对于慢变子系统采用传动的动态逆设计方法。根据时标分离的控制策略，慢变子系统的控制量为快变子系统的输出量

因此慢变子系统稳定。

4.2 快变子系统动态逆设计

对于式7、8式组成的状态方程

从而，所设计的控制律能够保证系统的稳定性。

4.3 快变子系统自适应滑模逆控制器设计

在导弹飞行控制中，由于参数变化剧烈， 和 无法准确得到。RBF神经网络对非线性系统具有唯一最佳逼近的特性。所以，构造RBF神经网络，使其输出 和 来逼近 和 。RBF网络模型如图1所示：

5、仿真结果分析

6、结论

基于导弹非线性控制模型，应用时标分离动态逆方法设计了一种非线性导弹控制系统。该方法通过引入神经网络，将动态逆方法与自适应滑模控制相结合，有效的消除了建模误差对整个系统的不利影响，增强了控制系统的鲁棒性，适合于复杂的导弹控制系统设计，具有良好的应用前景。