基于神经网络和干扰观测器的UAV自动着舰控制

doi:10.7527/S1000-6893.2022.26963

集群智能与协同控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于神经网络和干扰观测器的UAV自动着舰控制

胡伟¹, 万文章², 陈谋¹

1. 南京航空航天大学自动化学院，南京 210016;
2. 航空工业沈阳飞机设计研究所，沈阳 110035

收稿日期:2022-01-18 修回日期:2022-01-28 发布日期:2022-03-04
通讯作者: 陈谋,E-mail:chenmou@nuaa.edu.cn E-mail:chenmou@nuaa.edu.cn
基金资助:
江苏省重点研发计划（社会发展）（BE2020704）；航空科学基金（20200007052001）

Neural network and disturbance observer based control for automatic carrier landing of UAV

HU Wei¹, WAN Wenzhang², CHEN Mou¹

1. College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China;
2. AVIC Shenyang Aircraft Design and Research Institute, Shenyang 110035, China

Received:2022-01-18 Revised:2022-01-28 Published:2022-03-04
Supported by:
Key Research and Development Projects （Social Development） in Jiangsu Province of China （BE2020704）； Aeronautical Science Foundation of China （20200007052001）

摘要/Abstract

摘要： 针对干扰下的舰载无人机（UAV）自动着舰问题，提出了一种融合神经网络与干扰观测器的自动着舰控制方法。首先采用神经网络处理系统不确定引入干扰观测器逼近系统外部干扰，同时基于神经网络输出和干扰观测器输出设计了非线性自动着舰控制器，实现了对着舰指令的有效跟踪。然后利用李雅普诺夫稳定性方法严格证明了所有闭环系统信号的收敛性，保证了舰载UAV自动精确着舰控制。最后进行数字仿真验证，仿真结果表明设计的基于神经网络和干扰观测器的自动着舰控制方法是有效的。

关键词: 舰载无人机, 飞行控制, 自动着舰控制, 神经网络, 干扰观测器

Abstract: An automatic carrier landing control method based on the neural network and disturbance observer is proposed for the Unmanned Aerial Vehicle （UAV） with dynamic disturbance. The neural network is employed to deal with system uncertainty， and the disturbance observer is employed to estimate the external disturbance of the UAV. By using the neural network output and disturbance observer output， a nonlinear automatic carrier landing controller for the UAV is designed to realize effective tracking of the landing control command. Utilizing the Lyapunov stability method， the convergence of all the closed-loop signals is proved strictly， ensuring the precise automatic carrier landing control of the UAV. Simulation results show the effectiveness of the proposed control method.

Key words: shipboard unmanned aerial vehicle, flight control, automatic carrier landing control, neural network, disturbance observer

中图分类号:

V249

胡伟, 万文章, 陈谋. 基于神经网络和干扰观测器的UAV自动着舰控制[J]. 航空学报, 2022, 43(S1): 726963-726963.

HU Wei, WAN Wenzhang, CHEN Mou. Neural network and disturbance observer based control for automatic carrier landing of UAV[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2022, 43(S1): 726963-726963.

参考文献

[1] LIANG L, XIAO J, DENG Y C. Research and development trend of carrier landing technology of UAV[J]. Journal of Xi'an Aeronautical University, 2020, 38(5): 23-28 (in Chinese). 梁磊, 肖静, 邓扬晨. 舰载无人机着舰技术现状及发展趋势[J]. 西安航空学院学报, 2020, 38(5): 23-28.
[2] YU L, ZHANG J B, XU L W. Research and development trend of foreign military UAV[J]. Aerodynamic Missile Journal, 2020(6): 46-49 (in Chinese). 于力, 张金榜, 徐磊武. 外军舰载无人机应用现状及发展趋势[J]. 飞航导弹, 2020(6): 46-49.
[3] WU W H, ZHANG Y, HU Y N, et al. Research development in nonlinear backstepping control method of carrier-based aircraft landing[J]. Systems Engineering and Electronics, 2018, 40(7): 1578-1587 (in Chinese). 吴文海, 张杨, 胡云安, 等. 舰载机着舰非线性反演控制方法研究进展[J]. 系统工程与电子技术, 2018, 40(7): 1578-1587.
[4] LIANG T J, CHEN X M, YANG Z X, et al. Trajectory control method for unmanned carrier aircraft taxiing[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(2): 289-296 (in Chinese). 梁天骄, 陈晓明, 杨朝旭, 等. 舰载无人机滑行轨迹控制方法[J]. 北京航空航天大学学报, 2021, 47(2): 289-296.
[5] ZHU J F, HUANG Y P. Research on longitudinal control system of unmanned aerial vehicle landing[J]. Ship Science and Technology, 2019, 41(12): 217-219 (in Chinese). 朱剑芳, 黄运平. 无人机着舰纵向控制系统研究[J]. 舰船科学技术, 2019, 41(12): 217-219.
[6] YANG L Q, ZHEN Z Y, XING D J, et al. Automatic carrier landing adaptive control system design of carrier-based UAV[J]. Flight Dynamics, 2018, 36(6): 36-39 (in Chinese). 杨柳青, 甄子洋, 邢冬静, 等. 舰载无人机自动着舰自适应控制系统设计[J]. 飞行力学, 2018, 36(6): 36-39.
[7] RUBIO HERVAS J, REYHANOGLU M, TANG H, et al. Nonlinear control of fixed-wing UAVs in presence of stochastic winds[J]. Communications in Nonlinear Science and Numerical Simulation, 2016, 33: 57-69.
[8] CHAKRABORTY A, SEILER P, BALAS G J. Susceptibility of F/A-18 flight controllers to the falling-leaf mode: linear analysis[J]. Journal of Guidance, Control, and Dynamics, 2011, 34(1): 57-72.
[9] ZHANG Y, WU W H, HU Y N, et al. Design of landing trajectory tracking robust controller for carrier-based unmanned aerial vehicle[J]. Control Theory & Applications, 2018, 35(4): 557-565 (in Chinese). 张杨, 吴文海, 胡云安, 等. 舰载无人机着舰轨迹跟踪鲁棒控制器设计[J]. 控制理论与应用, 2018, 35(4): 557-565.
[10] LIU C, LU L B, MIAO Y H, et al. Dynamic inversion control for fixed-wing UAVs based on sliding mode extended disturbance observer[J]. Electronics Optics & Control, 2018, 25(8): 32-38, 64 (in Chinese). 刘畅, 芦利斌, 苗育红, 等. 基于滑模扩张干扰观测器的固定翼无人机动态逆控制[J]. 电光与控制, 2018, 25(8): 32-38, 64.
[11] LEE S, LEE J, LEE S, et al. Sliding mode guidance and control for UAV carrier landing[J]. IEEE Transactions on Aerospace and Electronic Systems, 2019, 55(2): 951-966.
[12] WANG L P, ZHANG Z, ZHU Q D, et al. Longitudinal automatic carrier landing system guidance law using model predictive control with an additional landing risk term[J]. Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering, 2019, 233(3): 1089-1105.
[13] ZHENG F Y, ZHEN Z Y, GONG H J. Observer-based backstepping longitudinal control for carrier-based UAV with actuator faults[J]. Journal of Systems Engineering and Electronics, 2017, 28(2): 322-377.
[14] SUN Y, ZHANG W G, ZHANG M. Backstepping adaptive high maneuvers flight control based on neural network[J]. Systems Engineering and Electronics, 2011, 33(5): 1113-1117 (in Chinese). 孙勇, 章卫国, 章萌. 基于神经网络的反步自适应大机动飞行控制[J]. 系统工程与电子技术, 2011, 33(5): 1113-1117.
[15] CHEN M, GE S S, HOW B V E. Robust adaptive neural network control for a class of uncertain MIMO nonlinear systems with input nonlinearities[J]. IEEE Transactions on Neural Networks, 2010, 21(5): 796-812.
[16] CHEN M, ZOU Q Y, JIANG C S, et al. Dynamical inversion flight control based on neural network disturbance observer[J]. Control and Decision, 2008, 23(3): 283-287 (in Chinese). 陈谋, 邹庆元, 姜长生, 等. 基于神经网络干扰观测器的动态逆飞行控制[J]. 控制与决策, 2008, 23(3): 283-287.
[17] LI F, HU J B, WU J, et al. Dynamic surface control with nonlinear disturbance observer for uncertain flight dynamic system[J]. Transactions of Nanjing University of Aeronautics and Astronautics, 2015, 32(4): 469-476.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

基于神经网络和干扰观测器的UAV自动着舰控制

Neural network and disturbance observer based control for automatic carrier landing of UAV

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	马菲, 张琼, 赖培军, 岳一笛. 基于BP神经网络的试飞训练安全性量化模型[J]. 航空学报, 2024, 45(5): 529957-529957.
[2]	王海峰. 高性能战斗机与发动机协同设计关键技术[J]. 航空学报, 2024, 45(5): 529978-529978.
[3]	杨卫平. 新一代飞行器导航制导与控制技术发展趋势[J]. 航空学报, 2024, 45(5): 529720-529720.
[4]	倪育德, 闫苗玉, 刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测[J]. 航空学报, 2024, 45(4): 328707-328707.
[5]	崔凯鑫, 段广仁. 基于干扰观测器的一类组合航天器高阶全驱抗干扰控制[J]. 航空学报, 2024, 45(1): 628892-628892.
[6]	李忠智, 马金毅, 艾剑良, 董一群. 拟VGG16网络的航空传感器故障检测分类[J]. 航空学报, 2023, 44(S1): 727615-727615.
[7]	刘武, 吴云燕, 刘玮, 田明明, 黄天鹏. 考虑未知扰动的RLV再入鲁棒容错姿态控制[J]. 航空学报, 2023, 44(S1): 727787-727787.
[8]	刘晨阳, 吴大伟, 郭一泽, 吕欣赛, 周佳妮, 邵书义. 不确定强耦合下四旋翼姿态鲁棒自适应控制[J]. 航空学报, 2023, 44(S1): 727645-727645.
[9]	王志凯, 陈盛, 范玮. 神经网络宽度对燃烧室排放预测的影响[J]. 航空学报, 2023, 44(5): 126816-126816.
[10]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.
[11]	王忠森, 廖宇新, 魏才盛, 戴婷. 高超声速飞行器快速终端滑模保性能容错控制[J]. 航空学报, 2023, 44(24): 328476-328476.
[12]	张亮, 李丹钰, 崔乃刚, 李源. 垂直起降可重复使用运载火箭全剖面飞行预设性能控制[J]. 航空学报, 2023, 44(23): 628103-628103.
[13]	王宏伦, 王延祥, 刘一恒. 基于轨迹映射的无人机拖曳式空中回收轨迹优化[J]. 航空学报, 2023, 44(20): 628775-628775.
[14]	付一方, 胡欣悦, 黄与陆, 王斑, 黄江涛. 基于双目视觉的无人机自主空中对接系统设计[J]. 航空学报, 2023, 44(20): 628884-628884.
[15]	宋梦实, 张帆, 黄攀峰. 位置约束下软式自主空中加油的抗干扰控制[J]. 航空学报, 2023, 44(20): 629114-629114.