带推力矢量空空导弹的神经网络控制与仿真

5
仿真结果
下面具体以逆动态双网络学习控制为例 来验证神经
网络控制方案的效果 这里以某型导弹为例进行数字仿真 参数选取 n = 9 N = 8, a = 0.03 η 采用模糊规则方法确定 如表 1 反模糊化方法用最大隶属度方法 学习增益的模糊 划分数取 4
0.1≤η ≤ 0.5
分析神经网络自动驾驶仪在大迎角飞行情况下的表现 神经网络预先经过 4000 次训练 仿真结果见图 3-图 4 图 3 为参考模型的输出曲线 d 和导弹的俯仰角 变化曲线 图 4 为导弹迎角 变化曲线 从仿真结果可以看出在导弹大迎角飞行时 神经网络 自动驾驶仪有较好的性能 表现为学习过程较短 很快达到 稳态 跟踪误差和学习误差收敛较快
北京 100083 北京航空航天大学自动化学院自动控制系
摘 要 对于新型空空导弹为了使导弹获得更高的机动性 敏捷性和更高的导引精度 大多采用 推力矢量控制方案 因为神经网络控制对于系统非线性变化具有很强自适应能力 因而在解决带 推力矢量空空导弹的控制问题时有较明显的优点 本文在给出推力矢量空空导弹数学模型的基础 上 提出了两种适用于带推力矢量空空导弹的神经网络控制方案 并采用其中的双网络逆动态学 习控制方法进行了自动驾驶仪设计 为进一步改善该神经网络的学习效果 还引入基于学习经验 的模糊规则 数字仿真表明所提出的神经网络控制对于系统内参数非线性变化具有很强的适应性 关键词 空空导弹 推力矢量控制 神经网络 模糊规则 数字仿真 中图分类号 V448.12 文献标识码 A
− lT I xz T sin ( δ Tr ) I I zz − I xz 2 LT l T sinxx ( δ ) cos ( δ ) Te Tr M T = T I NT − l I T yy T xx sin ( δ Tr ) 2 I xx I zz − I xz
Neural Network Control for Air-to-Air Missiles with Thrust Vectoring
DONG Chao-yang, JING Shao-guang, WANG Qing, ZHANG Ming-lian
(Department of Automatic Control, College of Automation, Beijing University of Aeronautics & Astronautics, Beijing 100083, China)
δ Te
和偏航面
δ Tr
偏转推力矢量 另
外还假设没有来自 TVC 系统的滚转控制 这样可以得到沿 弹体轴的推力和由此产生的力矩
2
带推力矢量空空导弹的模型描述
假设导弹为刚体 则六自由度弹体运动方程如下
Tx cos ( δ Te )cos ( δ Tr ) T y = T − sin ( δ Tr ) Tz m − sin ( δ ) cos ( δ ) Te Tr
numericalsimulation在高技术现代战场环境下要求导弹具有更大的机动性和敏捷性性具有敏捷性的新型空空导弹通常采用推力矢量控制thrustervectorcontrol缩写tvc在导弹发射初期推力矢量的作用是为了使导弹快速指向目标提高导弹的快速反应能力而当导弹与目标较接近时力矢量的作用可以使导弹短时间内获得较大的机动能力以保证导弹击中目标在空空导弹进行敏捷性飞行这段时间内对于导弹的建模和控制问题给我们提出了挑战性的新课题在这段时间内系统模型是高度非线性的并且模型参数剧烈变化神经网络控制方法是解决推力矢量空空导弹的控制问题的有效方法因为神经网络控制对于系统内参数非线性变化具有很强的适应性24本文在讨论带推力矢量空空导弹的建模基础上主要研究适用于导弹大迎角飞行情况下的神经网络控制方案带推力矢量空空导弹的模型描述收稿日期20001012基金项目航空基础科学基金98d51002作者简介董朝阳1966河北平乡人博士从事飞行器建模控制与仿真研究研究方向为智能控制方法及其应用研究假设导弹为刚体则六自由度弹体运动方程如下qrpqqrpq分别表示由气动力和力矩产生的线加速度和角加速度分别表示由推进系统的力和力矩产生的线加速度和角加速度对于tvc执行机构自动驾驶仪常常用来控制tvc执行机构的偏角假设tvc执行机构的推力大小为常并只能在俯仰面te和偏航面tr另外还假设没有来自tvc系统的滚转控制这样可以得到沿弹体轴的推力和由此产生的力矩costrtetrtrtesinxzzzxxtrxxyytrtexzzzxxtrxz是主推进系统的轴向推力力臂tvc神经网络控制用于导弹自动驾驶仪设计导弹非线性动力学特性可写成如下形式系统线性化模型的建立一般是在某些特定的飞行状态设计点平衡状态点上的进行的然而导弹在大攻角时总是处于非平衡状态传统的自动驾驶仪对高度非线性对象是无能为力的而神经网络控制在这种情况下仍能较好的控制导弹执行制导指令下面提出二种比较有效的神经网络控制器设计方所示第一种神经网络控制器为逆动态双网络学习控制结它包含两个结构相同的神经网络nn1nn2nn1是前馈控制器nn2是反馈控制器首先仅考虑nn1对象而不考虑nn2的情况控制的目标是对象的输出最好的策略是令nn1的特性为对象的逆动态近似而后只考虑反馈控制器nn2和对象的情况如果nn2动态特性近似于对象的逆动态则误差趋于零nn1参数根据nn2的参数同时调整这样做为控制器的神
4
神经网络的模糊学习算法
在网络算法实现时 选用三层前项 BP 神经网络 假设
第 13 卷第 5 期
董朝阳等
带推力矢量空空导弹的神经网络控制与仿真
• 587 •
6
结论
本文提出了两种适用于新型带推力矢量空空导弹的神
经网络控制方案 并具体采用所提出的逆动态双网络学习控 制设计了带推力矢量空空导弹的纵向自动驾驶仪 数字仿真 表明所提出的双网络逆动态学习控制方法在导弹大迎角飞 行情况下 对于系统内参数非线性变化具有很强的适应性 此外该方法因引入了模糊学习规则 还具有学习过程较短 跟踪误差和学习误差收敛较快的优点
第 13 卷第 5 期 2001 年 9 月
文章编号 1004-731X (2001) 05-0585-03
系 统 仿 真 学 报 JOURNAL OF SYSTEM SIMULATION
Vol. 13 No. 5 Sept. 2001
带推力矢量空空导弹的神经网络控制与仿真
董朝阳 景韶光 王 青 张明廉
(1)
性和敏捷性性 具有敏捷性的新型空空导弹 通常采用推力 矢量控制 Thruster Vector Control 缩写 TVC 射初期 推力矢量的作用是为了使导弹快速指向目标 提高 导弹的快速反应能力 而当导弹与目标较接近时 推力矢量 的作用可以使导弹短时间内获得较大的机动能力 以保证导 弹击中目标 在空空导弹进行敏捷性飞行这段时间内 对于导弹的 建模和控制问题给我们提出了挑战性的新课题 在这段时间 内 系统模型是高度非线性的并且模型参数剧烈变化[1] 神 经网络控制方法是解决推力矢量空空导弹的控制问题的有 效方法 因为神经网络控制对于系统内参数非线性变化具有 很强的适应性 [2,4] 控制方案 本文在讨论带推力矢量空空导弹的建模 基础上 主要研究适用于导弹大迎角飞行情况下的神经网络 式中
(3)
收稿日期 2000-10-12 基金项目 航空基础科学基金 98D51002 作者简介 董朝阳 (1966-), 男, 河北平乡人, 博士, 从事飞行器建模 控 制与仿真研究, 研究方向为智能控制方法及其应用研究
(4)
• 586 •
系
统
仿
真
学
报
2001 年 9 月
式中 T 是主推进系统的轴向推力 力臂 lT = xc.g. − xTVC
& = p w − r u + Y + G y + Ty v & = q u − p v + Z + G z + Tz w
& = − L pq p q − Lqr q r + L + LT p & = − M pr prq − M r 2 p 2 ( r 2 − p 2 ) + M + M T q & = − N pq p q − N qr q r + N + N T r
学习增益对学习效果有
较大影响 增益较大时 学习速度较快 系统的误差也较小 但系统的稳定性较差 为了提高神经网络控制的精度和保持 学习过程的稳定 根据神经网络的学习经验 按系统跟踪误 差的大小及其导数来决定学习增益的大小 设 E = |y yd|, D = dE/dt 总结出如下 28 条模糊规则
E 0 PS PM PB NB 0 PS PS PS 模糊规则 D NM NS 0 PS 0 0 0 PS PS PS PS PS PS PS PM PM PS PM PM PM 表1 PM PS PM PM PB PB PS PM PM PB
模糊神经网络的学习算法在计算机上具体实现时 按 上述计算公式和模糊规则 依照如下步骤进行 (1) 初始化神经网络的权值 (2) 提供给定数量的训练数据集 (3) 根据实际输出按误差反向传播方向 从输出节点开 始返回到隐层 输入层 并按上面给出的模糊规则算法修正 权值 返回第(2)步循环 直至误差满足要求
x k 为输入层节点的值 ω i 和
则权值的修正算法如下 (7)
ω ki 为相应连接权值
假设 d 为期望的输出
ωi(t +1) =ωi(t)+η(u −d)xi +a[ωi(t)−ωi(t −1)]
式中 为学习增益 a 为冲量因子 在研究神经网络控制中发现
ωki(t+1) =ωki(t)+η(u−d)ωi xi(1− xi)xk +a[ωki(t)−ωki(t−1)] (8)
隐层有 n 个节点 输入层有 N 个节点 只有一个输出 u 则 神经网络算法为
n
3
神经网络控制用于导弹自动驾驶仪设计
导弹非线性动力学特性可写成如下形式
& = f ( x, u ) x
u = ∑ x iω i
(5)
i =1
系统线性化模型的建立一般是在某些特定的飞行状态设计 点(平衡状态点)上的进行的 然而导弹在大攻角时总是处于 非平衡状态 传统的自动驾驶仪对高度非线性对象是无能为力的 而 神经网络控制在这种情况下仍能较好的控制导弹执行制导 指令 下面提出二种比较有效的神经网络控制器设计方法 如图 1 和图 2 所示
(2)
G 表示重力
X Y
Z
L M 和N 分别表示由气动 Tx Ty Tz
力和力矩产生的线加速度和角加速度 速度和角加速度
LT MT 和NT 分别表示由推进系统的力和力矩产生的线加
对于 TVC 执行机构 自动驾驶仪常常用来控制 TVC 执行机构的偏角 δ T 假设 TVC 执行机构的推力大小为常值 并只能在俯仰面
1
引言
Abstract: The advanced air-to-air missiles possess the characteristics of maneuverability, agility and accurate guidance performance by adopting thruster vector control. Because the neural network control has strong self-learning ability and adaptability to system nonlinear variations, it has significant advantages in the control of air-to-air missiles with thruster vectoring. After modeling of the air-to-air missiles with thruster vectoring, two neural network control methods for the air-to-air missiles are presented. One of them with two networks, dynamic inversion learning structure, is given to design an autopilot for the missile. In order to improve the learning ability of the presented neural network control system, fuzzy rules based on expert learning experience are introduced. Numerical simulation results are given to illustrate that the presented neural network control method possesses strong adaptability to system nonlinear variations. Keywords: air-to-air missiles; thruster vector control; neural networks; fuzzy rules; numerical simulation & = r v − q w + X + G x + Tx u 1 在高技术现代战场环境下 要求导弹具有更大的机动 在导弹发
第一种神经网络控制器为逆动态双网络学习控制结构 它包含两个结构相同的神经网络 NN1 和 NN2 NN1 是前馈 控制器 NN2 是反馈控制器 首先 仅考虑 NN1 和对象, 而不考虑 NN2 的情况,控制的目标是对象的输出 y 逼近 yd 最好的策略是令 NN1 的特性为对象的逆动态近似 而后 只考虑反馈控制器 NN2 和对象的情况,如果 NN2 的动态特性 近似于对象的逆动态 则误差 e2 趋于零 NN1 的参数根据 NN2 的参数同时调整 这样 做为控制器的神经网络 NN1 的特性也近似了对象的逆动态特性 趋于零 第二种神经网络控制器为混合神经网络控制结构 神 经网络控制与常规反馈控制可以联合作用 如常规的 PID 控 制器 PD 控制器 在学习阶段神经网络先根据样本训练 常规控制起主要作用 在学习到足够近似的对象逆动态特性 之后 e =yd y 趋于零 常规控制就不再起作用 就可以使系统误差 e1
+ yd NN1 e2 + NN2 v 图1 yd NN 控制 + 图2 混合神经网络控制 + e 常规控制 逆动态双网络学习控制 + u 对 象 y u 对 象 e1 y
ω i = f ( ∑ x k ω ki ) f ( x ) = 1 /(
k =1
ห้องสมุดไป่ตู้
N
(6)
1+ e − x )
式中 x i 为隐层节点的输出