摘要：针对传统神经网络预设性能控制方法结构复杂、控制实时性不高等问题,为乘波体飞行器(Waverider Vehicle,WV)提出了一种低复杂度的预设性能反演控制方法。首先,设计了一种形式简单、不依赖初始误差的新型性能函数,对跟踪误差进行包络约束。其次,采用转换误差策略,通过引入一种转换误差,将对跟踪误差的不等式约束等价转换为等式约束。然后,基于转换误差,为WV设计了一种无需任何学习参数的新型反演控制器,并避免了传统反演控制的“微分项膨胀”问题。最后,仿真结果表明,所提方法可以保证跟踪误差良好的动态性能与稳态精度。

摘要：针对现有预设性能控制(prescribed performance control, PPC)方法在线学习量大、脆弱性缺陷突出的问题,为乘波体飞行器(waverider vehicle, WV)提出了一种无需在线学习参数的非脆弱PPC新方法。通过设计一种具备自调整功能的新型性能函数,为WV的速度子系统与高度子系统分别设计了无需在线学习参数的低复杂度控制律,并避免了反演控制的“微分项膨胀”问题。基于Lyapunov理论证明了闭环系统的稳定性以及预设性能的可达性。相对于现有PPC,所提方法的约束包络能够根据由外部扰动引起的误差波动情况,自主调整其形状,从而避免传统PPC可能存在的控制奇异问题,并弥补了现有PPC方法的脆弱性缺陷。最后,通过数值对比仿真验证了所提方法的效果与优势。

摘要：针对输入受限的乘波体飞行器跟踪控制问题,提出了一种无估计的预设性能控制方法。首先,针对可能发生的执行器饱和问题,设计了一种新型抗饱和补偿系统。然后,利用补偿系统状态构造新的预设性能转换误差,基于预设性能控制与反演控制的方法,为速度子系统与高度子系统设计了无需估计的低复杂度控制器。该设计方法的优越性在于无需状态估计与神经逼近,显著降低了控制的复杂度与计算量。基于Lyapunov稳定理论证明了所有转换误差与跟踪误差最终一致有界。最后,通过数值仿真验证了所提方法的有效性。

摘要：针对传统预设性能控制(Prescribed Performance Control,PPC)方法处理输入受限问题时极易诱发控制奇异的缺陷,为输入受限乘波体飞行器(Waverider Vehicle,WV)提出了一种基于神经逼近的新型非脆弱PPC方法,设计了补偿系统分别处理速度控制输入与高度控制输入的饱和问题。进一步,利用补偿系统的状态,构造了新型自适应调整项,并对传统PPC的约束包络进行改进。引入神经网络对WV归一化的未知项进行在线逼近,保证了控制鲁棒性。所提方法的优越性在于弥补了传统PPC方法的脆弱性缺陷,并显著降低了控制复杂度与在线学习量。最后,通过数值仿真验证了所提方法的有效性与优越性。