基于神经网络学习的飞艇飞行速度控制仿真

基于神经网络学习的飞艇飞行速度控制仿真
李瑛;杨丽娟
【摘要】To effectively control flight speed of smart airship, this paper designs an intelligence learning-based flight speed control system of smart airship.It selects a reference model for speed control counting on the mathematical and physical model of flight speed of smart
airship.Meanwhile, it adopts the autonomous learning feature of neural network to achieve adaptive dynamic inversion control, and introduces the speed error compensation to solve the error interference and the interference from other unknown factors in actual flight process.The designed system can achieve stable tracking of smart airship on expected speed.Simulation experimental results demonstrate that the system can effectively control the smart airship reliably and stably, and greatly improves the effeteness of traditional control system.%为了有效地控制智能飞艇的飞行速度，设计一种基于智能学习的飞艇飞行速度控制系统。

凭借飞艇飞行速度的数学物理模型，选取一个控制速度的参照模型，同时采用神经网络的自主学习特性来实现自适应动态逆控制，并融入速度差异补充项，以解决实际飞行过程中出现的误差干扰和其它不可知因素的干扰情况。

该系统设计实现了智能飞艇对期望速度的稳定跟踪。

通过仿真实验结果表明，该系统能够有效地对智能飞艇进行可靠稳定的控制，并大大提高了传统控制系统的有效性。

【期刊名称】《计算机应用与软件》
【年(卷),期】2015(000)008
【总页数】4页(P99-101,157)
【关键词】智能飞艇;飞行速度;神经网络;期望速度
【作者】李瑛;杨丽娟
【作者单位】北华航天工业学院计算机科学与工程系河北廊坊 065000;北华航天工业学院计算机科学与工程系河北廊坊 065000
【正文语种】中文
【中图分类】TP18;TP242.6
智能飞艇(无人机/无人驾驶飞艇)是目前国际上极为重视的技术，可广泛应用于战场侦察、电子对抗、环境监测和空中摄像等侦察和监视领域，在战略、运输、通信等方面有其非常重要的意义和巨大的应用价值，引发了国际研究人员的普遍重视，并进行了开展性的研究工作。

目前，关于飞艇技术的研究
[1-3]已得到发展。

王旭巍等人
[4]研究了飞艇平流层温度优化控制问题，选取适当厚度的聚苯乙烯泡沫板当为保温材料，并深入分析了飞艇下降、平飞以及上升三种情况的保温效果，可在较短时间里使得设备舱达到保温状态；周华刚等人
[5]通过开展高空飞艇地面温度观测试验，研究了飞艇飞行控制的热分析模型，并得出了关于温度测试的四种结论；谭烨等人
[6]检验了在平流层下无人机侧向与横向的模式识别问题，通过使用滤波误差法来调整微分因子，得到了准确的飞艇平飞横侧向模型，降低了风的扰动对识别精度的影响。

此外，CORTES等人
[7]提出了使用子空间方法来识别飞艇横纵向动力学模型；陈丽等人
[8]考虑平流层飞艇所处高度的空气密度低的特点，设计了变质心姿态控制方案，并且分析了滑块的位移、质量等条件的变化对控制姿态的影响；ZHANG等人
[9]提出了飞艇的平面路径跟踪控制系统，主要是通过制导路径跟踪原理来完成，使其更加适合于飞艇系统；CHEN等人
[10]提出了面向重力和浮力的非精确飞艇均衡配置分析方案，研究的飞艇是国内第一艘以燃料电池为能源的全电飞艇，其低空演示验证了平流层飞艇的相关关键技术；王亮等人
[11]凭借移动通信原理设计了一种无人机系统，可以达到程序控制以及动态的超视距实时监控功能。

还有一些其他学者对无人机控制器的故障诊断问题
[12,13]和控制器的三维动画效果
[14]进行了研究。

然而，飞艇飞行速度的控制问题对其在各个领域的应用中具有重大影响，对飞艇的自主性极其重要。

智能飞艇具有低速或静态特性，其上升、平飞以及下降的速度控制主要通过浮力控制来完成。

国外学者GOMES等人
[15]通过浮力、推力等几个方面进行了分析，构建了动力学模型，设计了飞艇的自动控制策略。

但是该模型缺乏考虑升降气囊和压块之间的作用，蔡自立等人
[16]在结合GOMES等人的实验成果基础上，在模型中加入了力学耦合的设计，完成了能够实际应用的动力学方程。

尽管如此，智能飞艇在上升和下降过程中，往往受其材料和强度的约束，最佳状态是要保证飞艇匀速运动，该问题往往成为智能飞艇升降过程中的核心问题。

由于该问题的前瞻性，因此现有的相关文献较少，涉及飞艇飞行速度控制系统设计方面的研究更是少之又少。

基于上述分析以及目前学者对飞艇运动控制的研究成果，提出一种基于智能学习的飞艇飞行速度控制系统。

凭借飞艇飞行速度的数学物理模型，选取一个控制速度的参照模型，同时采用神经网络的自主学习特性来实现自适应动态逆控制，并融入速度差异补充项，以解决实际飞行过程中出现的误差干扰和其他不可知因素的干扰情况。

该系统设计实现了智能飞艇对期望速度的稳定跟踪。

通过仿真实验结果表明，该系统能够很好地对智能飞艇进行可靠稳定的控制，并大大提高了传统控制系统的有效性。

智能飞艇飞行速度的有效控制可以提高飞艇的自主性和稳定性。

本节将提出基于神经网络学习的无人机飞行速控系统设计方案。

首先，简单介绍一下飞艇的系统结构。

飞艇的形体是椭圆球形，尾部是控制螺旋桨的装置，飞艇里面有若干个封闭囊，每个封闭囊都置有低于空气密度的气体，以提供升力，驱动飞艇上升，并且使用电动机来驱动螺旋桨转动，驱使飞艇向前飞动。

因此，依照飞艇所受到的外力，并根据运动学理论
[17]，构建飞艇飞行速度的物理模型：
y
G·(p·q-r-m·r)+z
G·(q+p·r+m·q)
y
G·(r
2+p
2)+z
G·(q·r-p-m·p)
y
G·(p+q·r+m·p)+z
G·(q
2+p
2)
其中，F
x、F
y、F
z是飞艇遭受的浮力、重力、推力与气动力的协力；u,v,V为飞艇在空间三维体的线速度；m是飞艇的质量；r,q,p为飞艇偏离航道、仰俯以及滚动的角速度；x
G,y
G,z
G为重力在飞艇所处的三维空间坐标系内的坐标。

无人驾驶飞艇无论是下降还是上升，速度均从0起始，再达到一定的速度。

通过
飞艇速控系统的动态特性，对其进行设计。

在飞艇下降或上升过程中，要达到很好的动态特性，因此，飞艇飞行速度控制系统的参考模型被选取如下：
其中，T为一个表示时间的常数，此常数值根据飞艇动态地响应要求来决定；V
c指飞艇下降或上升的指令速度；V
m指下降或上升的期望速度。

下面，给出适应于智能飞艇的动态逆控制系统。

根据数学物理学理论，针对飞艇下降或上升的速度V，此控制系统能被定义如下：
其中：
f
1(V)= -m·V-p·v+u·q-x
G·(p·r-q-m·q)-
y
G(p+q·r+m·p)+z
G·(p
2+q
2)
且
ρ(z)是飞艇所处在目前高度层的气体密度；P(z),T(z),g(z)分别为目前高度层的压强、温度和重力加速度；l是浮升气体的摩尔数。

基于此，误差量被引入如下：
其中，g(z)≠0，结合式(1)，则智能飞艇飞行系统的控制率为：
其中，u
*(t)为参考量。

如果取：
那么，速控系统的闭环即为e=-λ·e。

当t→∞时，此时e→0，这样可以凭借调节λ来实现智能飞艇对期望速度的追踪。

根据上面所设计的动态逆控制方程可以获得g(z)和f
1(V)的可靠值，进而可以保证可靠的控制。

但是在实际过程中，系统一般不能完全适应此条件，故采用神经网络的自主学习
[18]功能，如图1所示。

由此可得到自适应动态逆的控制律：
其中，
1(V)=θ
1·h和
分别为神经网络控制系统的输出。

在设计中，系统速度误差：
e =f
1(V)+g(z)·l-f
2(V
m)
其中，。

令Lyapunov函数：
将控制律(5)代入速度误差系统，由式(6)：
V
* =e·(f
1(V)+g(z)·l-λ·e)
由此能够得出，当
时，误差控制系统才能得到稳定。

要保证误差控制在系统稳定的水平，还要实施非线性的实时补充，进一步完善动态逆控制率，可以使：
则有：
其中，。

这样，神经网络权值变化规律为：
即θ
T=-H·e。

此外，将式(6)中u
*(t)写为：
这样，采用Lyapunov函数为：
由式(10)有：
V
* =-λ·e
2-ε·|e|+(θ
T·H+η(t))·e-θ
T·H·e
≤-λ·e
2-(ε-|η(t))|·|e|
只有
即可确保速度误差系统的稳定性。

此外，考虑
sgne的不连续性，令：
其中，δ为较小的正数。

通过上面的分析和计算可以得到使用设计的方程可以满足自适应动态逆对速度的掌控。

本节采用提出的智能飞艇飞行速度控制系统设计方法对飞艇的飞行速度进行控制仿真实验。

实验数据采用文献[3]中的智能飞艇数据，其飞行速度的期望值为每秒5米，飞艇飞行速度的控制模型的时间常数选为20秒。

如果仅使用通过神经网络学习功能所实现的自适应动态逆控制，实验结果如图2
和图3所示。

图2显示了飞艇飞行的期望速度与实际速度在175秒内的变化情形，并可清楚看到，飞艇飞行的期望速度与实际速度存在1 m/s之内的明显误差，原
因是飞艇飞行速度的真实值与智能学习系统的输出值具有一定差异。

此外，在图3中可见，飞艇的实际飞行加速度与期望加速度在135秒内也存在较大差异。

然而，当纳入误差补充项ε·
sgne(ε=20，δ=0.02)时，由图4清楚看见，飞艇的飞行速度得到了良好
的控制效果，其飞行速度与期望速度基本一致，速度整体控制在0.02 m/s的误差之内，达到了良好的飞行速度控制目的。

从以上实验效果看，本文提出的智能飞艇飞行速度控制方法可以让其以期望的速度飞行，很好地摆脱了外界干扰以及其他不可知因素的干扰情况，达到了良好的飞行速度控制效果。

随着无人驾驶飞艇在各领域应用的不断深入，提出了一种基于神经网络学习的飞艇飞行速度控制技术。

通过引入一个控制速度的参照模型，结合神经网络的自主学习特性来实现自适应动态逆控制，并融入速度差异补充项，实现了智能飞艇对期望速度的稳定跟踪。

仿真实验结果表明，该技术达到了良好的飞行速度控制效果。

[1]Bestaoui Y.Nominal trajectories of an autonomous under-
actuated airship[J].International Journal of Control,Automation,and System s:(S1598-6446),2006,4(4):395-404.
[2]Lee M,Smith S,Rroulakakis S.The high altitude lighter than air airship eff orts at the US army space and missile defense command/army forces strat egic command[C]//The 18th AIAA Lighter-Than-
Air Systems Technology Conference Seattle:AIAA,2009:1-26.
[3]Joseph B M.Development of an aerodynamic model and control law desi gn for a high altitude airship[C]//AIAA 3rd Unmanned Unlimited Technical Conference,Workshop and Exhibit,Chicago,2004:1-17.
[4]王旭巍,李兆杰,才晶晶.平流层飞艇设备舱的被动温控[J].计算机仿
真,2013,30(8):79-82.
[5]周华刚,周雷,陈江涛.高空飞艇地面温度观测实验研究[J].测控技
术,2012,31(9):23-26.
[6]谭烨,陈丽,段登平.平流层验证飞艇横侧向模型辨识研究[J].计算机仿
真,2012,29(8):85-88.
[7]Cortes V R,Azinheira J R,Paiva E C.Experimental identification of AUROR
A airship[C]//5th IFAC/EURON Symposium on Intelligent Autonomous Vehi cles,Lisboa,Portugal,2004.
[8]陈丽,周革,段登平.平流层飞艇变质心姿态运动仿真[J].系统仿真学
报,2012,24(12):2434-2438.
[9]Zhang Z W,Huo W.Planar path following control for stratospheric airship [J].IET Control Theory Applications,2013,7(2):185-201.
[10]Chen W J,Zhang D X,Duan D P.Equilibrium configuration analysis of no n-
rigid airship subjected to weight and buoyancy[C]//11th AIAA ATIO Conve ntion,Virginia Beach,VA,2011.
[11]王洪亮,董浩斌,庄晓奇,等.一种新型无人飞行器系统的设计与实现[J].计算机测量与控制,2010,18(9):2115-2117.
[12]花良浩,殷芝霞,杨蒲.无人机故障注入与故障诊断实时仿真平台研制[J].计算机应用与软件,2013,30(8):106-109.
[13]张卓政.近空间飞行器执行器的故障诊断及仿真平台研制[D].南京航空航天大学,2011.
[14]崔玮,彭程,王永.直升机飞控系统三维动画仿真平台设计与实现[J].计算机应用与软件,2010,27(10):112-116.
[15]Gomes V B,Ramos J G.Airship dynamic modeling for autonomous oper ation[C]//Proceedings of the 1998 IEEE International Conference on Roboti cs and Automation,Belgium:IEEE,1998:3462-3467.
[16]蔡自立,屈卫东,席裕庚.带有升降气囊与压块的飞艇动力学建模[J].应用数学和力学,2005,26(8):979-987.
[17]库利 G A,吉勒特 J D.飞艇技术[M].北京:科学出版社,2007.
[18]Amar R C.Toward autonomic computing: adaptive neural network for tr ajectory planning[J].International Journal of Cognitive Informatics and Nat ural Intelligence,2007,1(2):37-55.。