无人机发射平台伺服系统的控制方法

本发明属于伺服系统控制，具体涉及一种无人机发射平台伺服系统的控制方法。

背景技术：

1、实现无人机上火炮武器的自动连发，是当前武器研制的前沿和热点科研方向。为了克服外界扰动对无人机发射时的影响，实现无人机平稳飞行，要求发射平台能够提供一个稳定、高效的发射环境。因此，研究如何将合适的控制策略应用到发射平台伺服系统，以确保无人机平稳发射，具有良好的理论研究价值和工程应用前景。

2、针对无人机发射平台伺服系统的控制研究，夏冉(夏冉，朱玉川，舰载式无人机发射系统设计.机床与液压，2014(14):109-111)采用三闭环控制，每个闭环采用pid控制的方法，但由于pid控制器是线性控制器，而无人机发射平台伺服系统属于非线性系统，用线性近似非线性，降低了控制精度。pid参数整定过程麻烦，易受外界干扰，调节时间过长，无法达到控制要求。

3、滑模变结构控制，作为现代控制理论中的一个重要方法，由于响应速度快、对外界噪声干扰和参数摄动具有鲁棒性，对非线性系统有良好的控制效果，适用性广以及简单易实现被广泛应用到伺服系统的控制器设计中。由于受无人机发射时射流的影响以及发射后负载的变化，精确的数学模型通常难以获得。随着统计学、计算机技术的飞速发展，为了弱化建模精度对控制效果的影响，衍生出以机器学习、神经网络等为代表的基于数据驱动的人工智能算法与自动控制交叉的智能控制器。

技术实现思路

1、本发明的目的在于提供一种能够满足无人机发射的精度要求的滑模控制方法，克服外界扰动对系统的影响，并对此控制方法进行优化，削弱抖振对系统的损害。

2、实现本发明目的的技术解决方案为：无人机发射平台伺服系统的控制方法，包括如下步骤：

3、步骤(1)：建立pmsm在矢量控制下的数学模型；

4、步骤(2)：建立pmsm伺服系统的数学模型；

5、步骤(3)：根据控制要求选取切换函数和趋近律，在步骤(2)得到的数学模型基础上设计等效滑模控制律；

6、步骤(4)：基于rbf神经网络获得伺服系统数学模型中的未知参数，利用自适应算法对rbf神经网络中的网络权值进行优化，设计优化后的控制律；

7、步骤(5)：利用rbf神经网络调节开关增益，使得系统状态在较远处有大的增益系数，在靠近滑模面时减小增益；在步骤(4)的基础上设计控制器最终的控制律。

8、进一步的，步骤(1)建立pmsm在矢量控制下的数学模型具体为：

9、假设永磁材料的导电率为零、忽略铁芯饱和、不计涡流和磁滞损耗、相绕组中感应电动势波形为正弦波，得到pmsm的磁链方程为：

10、

11、pmsm采用id＝0的矢量控制策略，实现对dq轴的电流静态解耦，使得定子电流中只含有转矩分量；此时磁链方程由(1)简化为(2)，

12、

13、pmsm的解耦状态方程为：

14、

15、pmsm的机械运动方程为：

16、

17、pmsm的线性解耦状态方程为：

18、

19、式中ud，uq为dq坐标系下的电压，ψd，ψq为dq轴定子磁链，ψf为转子上的永磁体产生的磁势，ld，lq为dq坐标下等效电枢电感，id，iq为dq坐标系下定子电流分量，pn为极对数，ωr为转子机械角速度，j为折算到电机转子轴上的转动惯量，b为粘滞摩擦系数，tl为负载转矩。

20、进一步的，步骤(2)建立pmsm伺服系统的数学模型及状态方程。具体如下：

21、伺服系统为三闭环系统，电流环和速度环为系统的内环，位置环为系统的外环，电流环作为系统中最内环，等价为反馈系数为1的比例环：

22、

23、式中r为等效回路等效电阻，l为电枢回路总电感，s是拉普拉斯算子；

24、pmsm的电磁转矩方程为：

25、

26、

27、式中tm为电磁转矩，θr为力矩传感器的采集值，ke是反电动势系数，kt是电磁转矩系数，kp是放大器增益，ki是电机驱动电流反馈系数；

28、根据电机机械运动方程，得到pmsm伺服系统的状态方程为：

29、

30、其中

31、

32、

33、进一步的，步骤(3)根据控制要求选取切换函数和趋近律，在步骤(2)得到的数学模型基础上设计等效滑模控制律，具体如下：

34、滑模控制律由等效控制ueq和切换鲁棒控制usw构成，其中等效控制ueq通过取得到，令u＝ueq+usw，使得成立，得到切换控制usw；

35、联合式(8)和切换函数可得等效控制：

36、

37、选取指数趋近律：

38、

39、其中ε和k均大于0，代入得到切换控制：

40、

41、等效滑模控制律为：

42、

43、对等效控制器进行稳定性分析，选取lyapunov函数为：

44、

45、对其求导：

46、

47、将式(14)代入得：

48、

49、由式(17)可知通过lyapunov稳定性条件判断系统达到稳定条件。

50、进一步的，步骤(4)采用rbf神经网络逼近的网络算法为：

51、

52、f＝w*th(x)+εf                             (50)

53、g＝v*th(x)+εg                             (51)

54、其中，x为网络的输入；j为网络隐含层第j个节点，h(x)＝[hj]t为网络的高斯函数输出，w*和v*为网络的理想权值；εf和εg分别为网络的逼近误差，|εf|≤|εmf|，|εg|≤εmg；网络输入x＝[x1 x2]t，网络输出为：

55、

56、

57、f(x)采用神经网络最小参数学习法，令φ＝||w||2，φ为正常数，为φ的估计，其中设计控制律为：

58、

59、为g(x)的估计值，η＝εf+d，μ>0；

60、对其进行lyapunov稳定性分析，定义lyapunov函数为：

61、

62、其中γ>0，对l求导：

63、

64、利用即和这两个结论得到公式(26)，设计自适应律为：

65、

66、

67、其中且κ>0；由上式可得系统达到稳定。

68、进一步的，步骤(5)rbf神经网络切换控制部分输入为采用rbf神经网络输出对开关增益进行调节

69、

70、其中则令从而保证上述稳定性；因此控制律为：

71、

72、本发明与现有技术相比，其显著优点在于：

73、(1)为了克服外界扰动对系统的影响，首次将自适应rbf神经网络滑模控制策略应用到无人机发射平台伺服系统。仿真结果表明，滑模控制由于其特殊的结构，有较好的抗干扰能力，提高系统稳定性。

74、(2)针对复杂发射环境下，无人机发射平台伺服系统转动惯量大导致机理建模困难，利用自适应rbf神经网络辨识模型未知参数；结果表明提高了系统的控制精度，误差减小了24％。

75、(3)为削弱滑模控制中抖振现象对系统性能的损害，设计了基于自适应rbf的滑模控制器；仿真表明，整个控制过程控制输入稳定，极大的减小了抖振现象的发生。