無人炮塔火力線跟蹤神經(jīng)滑?？刂?/h1>
2011-02-22 07:29:48田建輝錢林方徐亞棟陳龍淼
兵工學報 2011年6期
田建輝，錢林方，徐亞棟，陳龍淼
(南京理工大學 機械工程學院，江蘇 南京210094)
0 引言
為適應當代戰(zhàn)爭和非戰(zhàn)爭軍事行動裝備需求，一批具有極高戰(zhàn)略機動性和精確火力的中口徑輪式自行火炮得到發(fā)展。該類火炮采用自動裝填技術(shù)和低矮的無人炮塔技術(shù)，縮減戰(zhàn)斗人員，大大減輕戰(zhàn)斗系統(tǒng)體積與重量，以增強整個系統(tǒng)機動性;采用更為先進的火力控制技術(shù)和彈藥技術(shù)提高武器系統(tǒng)的反應速度﹑射擊精度和靈活性。其中無人炮塔火力線瞄準機構(gòu)，由炮塔旋轉(zhuǎn)實現(xiàn)火力線方位向瞄準，由起落機構(gòu)轉(zhuǎn)動實現(xiàn)火力線高低向瞄準，對該動力機構(gòu)實施精確的位置跟蹤控制將成為保證火力精確性的基本途徑之一。
當火力線跟蹤并瞄準目標時，方向與高低機構(gòu)運動是耦合的。Gu 在適當假設(shè)條件下建立了火力線的狀態(tài)耦合動力學模型，并基于非線性狀態(tài)反饋方法設(shè)計了線性控制器［1］。然而火力瞄準機構(gòu)運動使動力系統(tǒng)參數(shù)攝動，連續(xù)射擊時的沖擊又使系統(tǒng)存在較大外部干擾。這2 個不確定因素使火力線跟蹤控制變得困難。Man 針對機器臂軌跡跟蹤控制中出現(xiàn)的類似問題，采用常規(guī)滑?？刂破餮a償機器人動力系統(tǒng)中的不確定部分［2］。Man［3］等之后又提出終端滑?？刂破?，加快了系統(tǒng)狀態(tài)在滑模面上的收斂速度。Yu 和Feng 分別提出了全局快速［4］和非奇異終端滑模控制(Nonsingular Terminal Sliding Mode)［5］，使系統(tǒng)從任意初始狀態(tài)出發(fā)都能有限時間到達平衡點。但這2 種設(shè)計都存在滑?？刂乒逃械亩墩駟栴}，并且要求不確定性上界為已知。
本文基于文獻［1，5］，將NTSMC 與神經(jīng)網(wǎng)絡(luò)技術(shù)［6-9］相結(jié)合應用于無人炮塔火力線跟蹤控制中，構(gòu)成神經(jīng)滑?？刂撇呗?Neural Network Sliding Mode).該方法采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的在線學習能力自動補償系統(tǒng)的參數(shù)攝動和外界干擾，實現(xiàn)火力線的精確跟蹤控制，同時削弱抖振，保證動力系統(tǒng)穩(wěn)定性。
1 問題描述
火力瞄準機構(gòu)炮塔和起落機構(gòu)運動耦合動力學方程如下［1］
式中:ΔM，ΔN 為火力瞄準機構(gòu)運動造成的系統(tǒng)動力參數(shù)攝動;d 為火炮射擊后的擾動力。一般有
式中:b0，b1，b2為正常數(shù)，‖·‖表示2 范數(shù)。
火力線跟蹤控制目標要求高低和方向構(gòu)件轉(zhuǎn)角q 能夠精確跟蹤火控指令qr∈R2.對于二階系統(tǒng)的火力線位置跟蹤，非奇異終端滑模面為［5］
式中:ε=q-qr為位置誤差;為速度誤差;C=diag［c1，c2］為常數(shù)對角陣;α，β 互奇，且滿足
非奇異終端滑?？刂坡?NTSMC)為
其中:
式中:C-1，W-1分別為C 和W 的逆矩陣；和如前定義。
該控制律作用下，火力線跟蹤系統(tǒng)是穩(wěn)定的，并在有限時間內(nèi)跟上指令。在=0 時，將式(5)代入式(1)有
此時火力線動態(tài)特性取決于指令加速度和不確定動力項。對于火力線初始位置偏離指令，且偏差速度為0 時，控制律式(5)將不能保證系統(tǒng)狀態(tài)到達滑模面，也就不能使火力線精確跟蹤并瞄準目標。另外該控制律要求事先給出不確定項的上界，而依據(jù)該上界進行的不確定動力補償，在控制輸入的劇烈抖動中將造成較大能量損耗。
2 神經(jīng)滑?？刂破?/h2>
火力線跟蹤神經(jīng)滑?？刂破?NNSMC)結(jié)構(gòu)如圖1所示，炮塔和起落機構(gòu)的控制輸入通道各有一個RBF 神經(jīng)網(wǎng)絡(luò)補償器。通過在線學習，辨識并補償不確定動力部分，滿足火力線精確跟蹤指令的控制要求。兩通道上采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，都有2 個輸入和1 個輸出。
2.1 RBF 神經(jīng)網(wǎng)絡(luò)
圖1中炮塔和起落機構(gòu)控制輸入通道的RBF神經(jīng)網(wǎng)絡(luò)輸入向量分別為神經(jīng)網(wǎng)絡(luò)徑向基向量分別為Φ1=［φ11φ12φ13］T，Φ2=［φ21φ22φ23］T，其中φij(i=1，2;j=1，2，3)為高斯基函數(shù)
圖1 神經(jīng)滑?？刂破鹘Y(jié)構(gòu)Fig.1 Neural sliding mode control scheme
式中:σij=［σij1σij2］T為第i 個網(wǎng)絡(luò)隱層第j 個節(jié)點的中心向量;lij為相應節(jié)點基寬。神經(jīng)網(wǎng)絡(luò)權(quán)向量分別為ω1=［ω11ω12ω13］T，ω2=［ω21ω22ω23］T，則第i 個網(wǎng)絡(luò)輸出為
則2 個網(wǎng)絡(luò)構(gòu)成的輸出向量為h=［h1h2］T.
2.2 神經(jīng)滑?？刂破髟O(shè)計
定理1 對于火力線瞄準動力系統(tǒng)(1)式，采用式(4)的滑模面，則控制器τ=τ0+τn，將使火力線位置跟蹤誤差有限時間內(nèi)收斂到0.其中
式中:A 為正常數(shù)，h1(s1，)和h2(s2，)為兩個網(wǎng)絡(luò)的輸出，分別是對不確定動力項ρ1(t)和ρ2(t)的逼近。
由于RBF 神經(jīng)網(wǎng)絡(luò)工作的實質(zhì)是迫使系統(tǒng)狀態(tài)在系統(tǒng)攝動和受到外部擾動時重新回到滑模面上，也即使s 和都為0.因此以E=si=0 為神經(jīng)網(wǎng)絡(luò)的目標函數(shù)，以梯度下降法調(diào)整各參數(shù)如下
其中:
式中:ψi為正常數(shù);mii為W-1的對角元。
神經(jīng)網(wǎng)絡(luò)的參數(shù)學習算法為
式中:λ ﹑ γ 分別為神經(jīng)網(wǎng)絡(luò)學習的速率和慣性系數(shù)。
注1 式(18)的推導如下
代入控制器τ 后有
式(22)中τni的相關(guān)項是
式中:“其它”表示不含因子τni的相關(guān)項;以參數(shù)ψi表示對的估計，并將式(25)對τni求導即有式(18).
2.3 穩(wěn)定性分析
定義李亞普諾夫函數(shù)
定義神經(jīng)網(wǎng)絡(luò)輸出τn對不確定項ρ 的逼近誤差向量δ=ρ-τn，且δ∈R2.對(24)式求導后并代入式(22)知
由上式知，若di＞‖W-1‖，且si＞δi，則有＜0.s 將收斂至s≤‖δ‖.因為神經(jīng)網(wǎng)絡(luò)的逼近誤差極小，這保證了火力線跟蹤系統(tǒng)的精度要求。
3 仿真
現(xiàn)以某無人炮塔火力瞄準機構(gòu)控制仿真實驗驗證提出的神經(jīng)滑?？刂撇呗裕谒推鹇洳糠诌\動耦合動力學模型如下［1］
式中:定義sinqi=si，cosqi=ci(i=1，2)，則動力學模型中各項為
火力瞄準機構(gòu)標稱慣性參數(shù)為Iyy=2 547 kg·m2，Ixx=5 400 kg·m2，Iyy=5 343 kg·m2，Izz=224 kg·m2，Ixy=-2.8 kg·m2，Iyz=13.7 kg·m2，Izx=0.8 kg·m2;炮塔底平面到炮耳軸線的高度H=0.6 m，炮口至炮耳軸線長度L=6.285 m.
該火力瞄準機構(gòu)有全方位射角，高低射界為-5°～70°，其任務(wù)空間為以炮耳軸線中點為球心的球帶區(qū)域。假定目標在該火炮有效射擊區(qū)域內(nèi)以勻速=30°/s 沿圓形軌跡機動，對應炮口軌跡半徑R=0.8 m，軌跡平面與水平面夾角ξ=arccos(R/L)，則瞄準目標時炮口在炮塔底平面回轉(zhuǎn)軸處坐標系下位置為(Rsint，L- R(1- cost)cosξ，H+ R(1-cost)·sinξ).由此知炮塔回轉(zhuǎn)期望軌跡qr1=arctg((L-R(1-cost)cosξ)/Rsint)，高低向起落部分轉(zhuǎn)動期望軌跡qr2=arctg
非奇異終端滑模切換面參數(shù)α=5，β=3，C=diag［1 1］，A=diag［100 100］.
RBF 神經(jīng)網(wǎng)絡(luò)的學習速率λ=0.5，慣性系數(shù)γ=0.2;預估參數(shù)ψi=1;網(wǎng)絡(luò)在線學習參數(shù)，權(quán)向量初值ω=(0.5，0.5，0.5)，σ=(- 0.5，0，0.5;-0.5，0，0.5)為徑向基函數(shù)中心初值，其寬度初值l=(1，1，1).
設(shè)仿真2.5 s 時刻高低與方向輸入受到短時0.05 s 的常值擾動分別為d1=1 500 N·m，d2=2 000 N·m;不確定項的邊界參數(shù)b0=3 000，b1=2，b2=3.
火力瞄準機構(gòu)初始位置和速度為q1(0)=90°，
采用NTSMC 仿真如圖2和圖3所示，采用NNSMC 仿真如圖4和圖5所示。其中q1，q2分別為方位向炮塔機構(gòu)和高低向火炮起落機構(gòu)的位置跟蹤軌跡，且實線為指令軌跡、虛線為實際軌跡。u1，u2分別為方位向和高低向控制力矩。
圖2 NTSMC 位置跟蹤曲線Fig.2 The position tracking by NTSMC
圖3 NTSMC 控制力矩曲線Fig.3 The control torque by NTSMC
圖4 NNSMC 位置跟蹤曲線Fig.4 The position tracking by NNSMC
圖5 NNSMC 控制力矩Fig.5 The control torque by NTSMC
對比仿真結(jié)果知，在NTSMC 和NNSMC 的控制器作用下，2 種控制方式均實現(xiàn)了火力線位置的精確﹑魯棒跟蹤。由于火力線高低向機構(gòu)實際初始位置相對期望位置有偏差，因此NNSMC 初期的網(wǎng)絡(luò)學習過程延遲了系統(tǒng)狀態(tài)收斂時間至1 s.但NNSMC 經(jīng)過了初期學習階段，在后期動力系統(tǒng)攝動或發(fā)生外部干擾情況下，不須NTSMC 對不確定上界預先給定的要求，而且控制中的抖動被大大削弱。
4 結(jié)論
1)依據(jù)李亞普諾夫穩(wěn)定性理論分析可知，由于神經(jīng)網(wǎng)絡(luò)能以極小誤差逼近火力線跟蹤動力系統(tǒng)中的不確定動力項，因此神經(jīng)滑模控制方法將有效保證無人炮塔火力線位置跟蹤精度。
2)通過對某無人炮塔火力瞄準機構(gòu)的控制仿真實驗可知，以徑向基神經(jīng)網(wǎng)絡(luò)控制輸出逼近非奇異終端滑模的切換控制項，不僅消除了原控制器對不確定上界預估的需求，而且柔化控制信號并削弱控制中的抖振。
3)針對無人炮塔火力線跟蹤系統(tǒng)中存在動力參數(shù)攝動和外部干擾的不確定性問題，本文建立了相應的數(shù)學模型進行描述，并根據(jù)該動力學模型提出適當?shù)目刂品椒?。這一工作為該類武器發(fā)射平臺高性能控制的分析與設(shè)計提供一種理論參考。
References)
［1］ Gu Y L，Loh R N K，Coleman N.Control of weapon pointing systems based on robotic formulation［C］∥Proceedings of the 1992 American Control Conference，Chicago:IEEE，1992:413-418.
［2］ Man Z.Paplinski P.Robust tracking control for rigid robotic manipulators［J］.IEEE Translations on Automatic Control，1994，39(1):154-159.
［3］ Man Z，Yu X.Terminal sliding mode control of MIMO linear systems［J］.IEEE Transactions on Circuits and Systems I:Fundamental Theory and Applications，1997，44(11):1065-1070.
［4］ Yu S H，Yu X H.Robust global terminal sliding mode control of SISO nonlinear uncertain systems［C］∥Proceedings of the 39th IEEE Conference on Decision and Control，Sydney:IEEE，2000:2198-2203.
［5］ Feng Y，Yu X.Non-singular terminal sliding mode control of rigid manipulators［J］.IEEE Translations on Automatica，2002，39(12):2159-2167.
［6］ Huang S J，Huang K S，Chiou K C.Development and application of a novel radial basis function sliding mode controller［J］.Mechatronics，2003，13(4):313-329.
［7］ Lin C.Nonsingular terminal sliding mode control of robot manipulators using fuzzy wavelet networks［J］.IEEE Translations on Fuzzy System，2006，14(6):849-859.
［8］ Yildiz Y，Sabanovic A，Abidi K.Sliding mode neuro-controller for uncertain systems［J］.IEEE Trans on Industry and Electronics，2007，54(3):1676-1684.
［9］ 穆效江，陳陽舟.多關(guān)節(jié)機器人的神經(jīng)滑模控制［J］.計算機工程與應用，2009，45(11):245-248.MU Xiao-jiang，CHEN Yang-zhou.Neural sliding mode control for multi-link robots［J］.Computer Engineering and Applications，2009:45(11):245-248.(in Chinese)
猜你喜歡
美陸軍M-LIDS 30毫米反無人機炮塔軍事文摘(2024年3期)2024-03-11 03:41:12 如何一眼辨認出T-35小學生學習指導·小軍迷聯(lián)盟(2023年5期)2023-08-17 22:03:13 火力全開政工學刊(2021年4期)2021-04-13 06:16:06 火力全開！ 廣州上半年20條村改造，投入超800億！房地產(chǎn)導刊(2020年7期)2020-08-24 08:14:12 基于組合滑?？刂频慕^對重力儀兩級主動減振設(shè)計中國慣性技術(shù)學報(2019年6期)2019-03-04 09:50:06 PMSM調(diào)速系統(tǒng)的自學習滑?？刂?/a>測控技術(shù)(2018年4期)2018-11-25 09:47:26 并網(wǎng)逆變器逆系統(tǒng)自學習滑模抗擾控制測控技術(shù)(2018年3期)2018-11-25 09:45:40 《火力與指揮控制》投稿須知火力與指揮控制(2017年3期)2017-04-24 07:58:24 伊朗新型“克拉爾”KARRAR主戰(zhàn)坦克在當?shù)仉娨暸_出現(xiàn)現(xiàn)代兵器(2016年10期)2016-10-26 17:08:39 某型步兵戰(zhàn)車炮塔結(jié)構(gòu)瞬態(tài)動力學分析兵器裝備工程學報(2015年7期)2015-12-30 07:16:46
田建輝，錢林方，徐亞棟，陳龍淼
(南京理工大學 機械工程學院，江蘇 南京210094)
0 引言
為適應當代戰(zhàn)爭和非戰(zhàn)爭軍事行動裝備需求，一批具有極高戰(zhàn)略機動性和精確火力的中口徑輪式自行火炮得到發(fā)展。該類火炮采用自動裝填技術(shù)和低矮的無人炮塔技術(shù)，縮減戰(zhàn)斗人員，大大減輕戰(zhàn)斗系統(tǒng)體積與重量，以增強整個系統(tǒng)機動性;采用更為先進的火力控制技術(shù)和彈藥技術(shù)提高武器系統(tǒng)的反應速度﹑射擊精度和靈活性。其中無人炮塔火力線瞄準機構(gòu)，由炮塔旋轉(zhuǎn)實現(xiàn)火力線方位向瞄準，由起落機構(gòu)轉(zhuǎn)動實現(xiàn)火力線高低向瞄準，對該動力機構(gòu)實施精確的位置跟蹤控制將成為保證火力精確性的基本途徑之一。
當火力線跟蹤并瞄準目標時，方向與高低機構(gòu)運動是耦合的。Gu 在適當假設(shè)條件下建立了火力線的狀態(tài)耦合動力學模型，并基于非線性狀態(tài)反饋方法設(shè)計了線性控制器［1］。然而火力瞄準機構(gòu)運動使動力系統(tǒng)參數(shù)攝動，連續(xù)射擊時的沖擊又使系統(tǒng)存在較大外部干擾。這2 個不確定因素使火力線跟蹤控制變得困難。Man 針對機器臂軌跡跟蹤控制中出現(xiàn)的類似問題，采用常規(guī)滑?？刂破餮a償機器人動力系統(tǒng)中的不確定部分［2］。Man［3］等之后又提出終端滑?？刂破?，加快了系統(tǒng)狀態(tài)在滑模面上的收斂速度。Yu 和Feng 分別提出了全局快速［4］和非奇異終端滑模控制(Nonsingular Terminal Sliding Mode)［5］，使系統(tǒng)從任意初始狀態(tài)出發(fā)都能有限時間到達平衡點。但這2 種設(shè)計都存在滑?？刂乒逃械亩墩駟栴}，并且要求不確定性上界為已知。
本文基于文獻［1，5］，將NTSMC 與神經(jīng)網(wǎng)絡(luò)技術(shù)［6-9］相結(jié)合應用于無人炮塔火力線跟蹤控制中，構(gòu)成神經(jīng)滑?？刂撇呗?Neural Network Sliding Mode).該方法采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的在線學習能力自動補償系統(tǒng)的參數(shù)攝動和外界干擾，實現(xiàn)火力線的精確跟蹤控制，同時削弱抖振，保證動力系統(tǒng)穩(wěn)定性。
1 問題描述
火力瞄準機構(gòu)炮塔和起落機構(gòu)運動耦合動力學方程如下［1］
式中:ΔM，ΔN 為火力瞄準機構(gòu)運動造成的系統(tǒng)動力參數(shù)攝動;d 為火炮射擊后的擾動力。一般有
式中:b0，b1，b2為正常數(shù)，‖·‖表示2 范數(shù)。
火力線跟蹤控制目標要求高低和方向構(gòu)件轉(zhuǎn)角q 能夠精確跟蹤火控指令qr∈R2.對于二階系統(tǒng)的火力線位置跟蹤，非奇異終端滑模面為［5］
式中:ε=q-qr為位置誤差;為速度誤差;C=diag［c1，c2］為常數(shù)對角陣;α，β 互奇，且滿足
非奇異終端滑?？刂坡?NTSMC)為
其中:
式中:C-1，W-1分別為C 和W 的逆矩陣；和如前定義。
該控制律作用下，火力線跟蹤系統(tǒng)是穩(wěn)定的，并在有限時間內(nèi)跟上指令。在=0 時，將式(5)代入式(1)有
此時火力線動態(tài)特性取決于指令加速度和不確定動力項。對于火力線初始位置偏離指令，且偏差速度為0 時，控制律式(5)將不能保證系統(tǒng)狀態(tài)到達滑模面，也就不能使火力線精確跟蹤并瞄準目標。另外該控制律要求事先給出不確定項的上界，而依據(jù)該上界進行的不確定動力補償，在控制輸入的劇烈抖動中將造成較大能量損耗。
2 神經(jīng)滑?？刂破?/h2>
火力線跟蹤神經(jīng)滑?？刂破?NNSMC)結(jié)構(gòu)如圖1所示，炮塔和起落機構(gòu)的控制輸入通道各有一個RBF 神經(jīng)網(wǎng)絡(luò)補償器。通過在線學習，辨識并補償不確定動力部分，滿足火力線精確跟蹤指令的控制要求。兩通道上采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同，都有2 個輸入和1 個輸出。
2.1 RBF 神經(jīng)網(wǎng)絡(luò)
圖1中炮塔和起落機構(gòu)控制輸入通道的RBF神經(jīng)網(wǎng)絡(luò)輸入向量分別為神經(jīng)網(wǎng)絡(luò)徑向基向量分別為Φ1=［φ11φ12φ13］T，Φ2=［φ21φ22φ23］T，其中φij(i=1，2;j=1，2，3)為高斯基函數(shù)
圖1 神經(jīng)滑?？刂破鹘Y(jié)構(gòu)Fig.1 Neural sliding mode control scheme
式中:σij=［σij1σij2］T為第i 個網(wǎng)絡(luò)隱層第j 個節(jié)點的中心向量;lij為相應節(jié)點基寬。神經(jīng)網(wǎng)絡(luò)權(quán)向量分別為ω1=［ω11ω12ω13］T，ω2=［ω21ω22ω23］T，則第i 個網(wǎng)絡(luò)輸出為
則2 個網(wǎng)絡(luò)構(gòu)成的輸出向量為h=［h1h2］T.
2.2 神經(jīng)滑?？刂破髟O(shè)計
定理1 對于火力線瞄準動力系統(tǒng)(1)式，采用式(4)的滑模面，則控制器τ=τ0+τn，將使火力線位置跟蹤誤差有限時間內(nèi)收斂到0.其中
式中:A 為正常數(shù)，h1(s1，)和h2(s2，)為兩個網(wǎng)絡(luò)的輸出，分別是對不確定動力項ρ1(t)和ρ2(t)的逼近。
由于RBF 神經(jīng)網(wǎng)絡(luò)工作的實質(zhì)是迫使系統(tǒng)狀態(tài)在系統(tǒng)攝動和受到外部擾動時重新回到滑模面上，也即使s 和都為0.因此以E=si=0 為神經(jīng)網(wǎng)絡(luò)的目標函數(shù)，以梯度下降法調(diào)整各參數(shù)如下
其中:
式中:ψi為正常數(shù);mii為W-1的對角元。
神經(jīng)網(wǎng)絡(luò)的參數(shù)學習算法為
式中:λ ﹑ γ 分別為神經(jīng)網(wǎng)絡(luò)學習的速率和慣性系數(shù)。
注1 式(18)的推導如下
代入控制器τ 后有
式(22)中τni的相關(guān)項是
式中:“其它”表示不含因子τni的相關(guān)項;以參數(shù)ψi表示對的估計，并將式(25)對τni求導即有式(18).
2.3 穩(wěn)定性分析
定義李亞普諾夫函數(shù)
定義神經(jīng)網(wǎng)絡(luò)輸出τn對不確定項ρ 的逼近誤差向量δ=ρ-τn，且δ∈R2.對(24)式求導后并代入式(22)知
由上式知，若di＞‖W-1‖，且si＞δi，則有＜0.s 將收斂至s≤‖δ‖.因為神經(jīng)網(wǎng)絡(luò)的逼近誤差極小，這保證了火力線跟蹤系統(tǒng)的精度要求。
3 仿真
現(xiàn)以某無人炮塔火力瞄準機構(gòu)控制仿真實驗驗證提出的神經(jīng)滑?？刂撇呗裕谒推鹇洳糠诌\動耦合動力學模型如下［1］
式中:定義sinqi=si，cosqi=ci(i=1，2)，則動力學模型中各項為
火力瞄準機構(gòu)標稱慣性參數(shù)為Iyy=2 547 kg·m2，Ixx=5 400 kg·m2，Iyy=5 343 kg·m2，Izz=224 kg·m2，Ixy=-2.8 kg·m2，Iyz=13.7 kg·m2，Izx=0.8 kg·m2;炮塔底平面到炮耳軸線的高度H=0.6 m，炮口至炮耳軸線長度L=6.285 m.
該火力瞄準機構(gòu)有全方位射角，高低射界為-5°～70°，其任務(wù)空間為以炮耳軸線中點為球心的球帶區(qū)域。假定目標在該火炮有效射擊區(qū)域內(nèi)以勻速=30°/s 沿圓形軌跡機動，對應炮口軌跡半徑R=0.8 m，軌跡平面與水平面夾角ξ=arccos(R/L)，則瞄準目標時炮口在炮塔底平面回轉(zhuǎn)軸處坐標系下位置為(Rsint，L- R(1- cost)cosξ，H+ R(1-cost)·sinξ).由此知炮塔回轉(zhuǎn)期望軌跡qr1=arctg((L-R(1-cost)cosξ)/Rsint)，高低向起落部分轉(zhuǎn)動期望軌跡qr2=arctg
非奇異終端滑模切換面參數(shù)α=5，β=3，C=diag［1 1］，A=diag［100 100］.
RBF 神經(jīng)網(wǎng)絡(luò)的學習速率λ=0.5，慣性系數(shù)γ=0.2;預估參數(shù)ψi=1;網(wǎng)絡(luò)在線學習參數(shù)，權(quán)向量初值ω=(0.5，0.5，0.5)，σ=(- 0.5，0，0.5;-0.5，0，0.5)為徑向基函數(shù)中心初值，其寬度初值l=(1，1，1).
設(shè)仿真2.5 s 時刻高低與方向輸入受到短時0.05 s 的常值擾動分別為d1=1 500 N·m，d2=2 000 N·m;不確定項的邊界參數(shù)b0=3 000，b1=2，b2=3.
火力瞄準機構(gòu)初始位置和速度為q1(0)=90°，
采用NTSMC 仿真如圖2和圖3所示，采用NNSMC 仿真如圖4和圖5所示。其中q1，q2分別為方位向炮塔機構(gòu)和高低向火炮起落機構(gòu)的位置跟蹤軌跡，且實線為指令軌跡、虛線為實際軌跡。u1，u2分別為方位向和高低向控制力矩。
圖2 NTSMC 位置跟蹤曲線Fig.2 The position tracking by NTSMC
圖3 NTSMC 控制力矩曲線Fig.3 The control torque by NTSMC
圖4 NNSMC 位置跟蹤曲線Fig.4 The position tracking by NNSMC
圖5 NNSMC 控制力矩Fig.5 The control torque by NTSMC
對比仿真結(jié)果知，在NTSMC 和NNSMC 的控制器作用下，2 種控制方式均實現(xiàn)了火力線位置的精確﹑魯棒跟蹤。由于火力線高低向機構(gòu)實際初始位置相對期望位置有偏差，因此NNSMC 初期的網(wǎng)絡(luò)學習過程延遲了系統(tǒng)狀態(tài)收斂時間至1 s.但NNSMC 經(jīng)過了初期學習階段，在后期動力系統(tǒng)攝動或發(fā)生外部干擾情況下，不須NTSMC 對不確定上界預先給定的要求，而且控制中的抖動被大大削弱。
4 結(jié)論
1)依據(jù)李亞普諾夫穩(wěn)定性理論分析可知，由于神經(jīng)網(wǎng)絡(luò)能以極小誤差逼近火力線跟蹤動力系統(tǒng)中的不確定動力項，因此神經(jīng)滑模控制方法將有效保證無人炮塔火力線位置跟蹤精度。
2)通過對某無人炮塔火力瞄準機構(gòu)的控制仿真實驗可知，以徑向基神經(jīng)網(wǎng)絡(luò)控制輸出逼近非奇異終端滑模的切換控制項，不僅消除了原控制器對不確定上界預估的需求，而且柔化控制信號并削弱控制中的抖振。
3)針對無人炮塔火力線跟蹤系統(tǒng)中存在動力參數(shù)攝動和外部干擾的不確定性問題，本文建立了相應的數(shù)學模型進行描述，并根據(jù)該動力學模型提出適當?shù)目刂品椒?。這一工作為該類武器發(fā)射平臺高性能控制的分析與設(shè)計提供一種理論參考。
References)
［1］ Gu Y L，Loh R N K，Coleman N.Control of weapon pointing systems based on robotic formulation［C］∥Proceedings of the 1992 American Control Conference，Chicago:IEEE，1992:413-418.
［2］ Man Z.Paplinski P.Robust tracking control for rigid robotic manipulators［J］.IEEE Translations on Automatic Control，1994，39(1):154-159.
［3］ Man Z，Yu X.Terminal sliding mode control of MIMO linear systems［J］.IEEE Transactions on Circuits and Systems I:Fundamental Theory and Applications，1997，44(11):1065-1070.
［4］ Yu S H，Yu X H.Robust global terminal sliding mode control of SISO nonlinear uncertain systems［C］∥Proceedings of the 39th IEEE Conference on Decision and Control，Sydney:IEEE，2000:2198-2203.
［5］ Feng Y，Yu X.Non-singular terminal sliding mode control of rigid manipulators［J］.IEEE Translations on Automatica，2002，39(12):2159-2167.
［6］ Huang S J，Huang K S，Chiou K C.Development and application of a novel radial basis function sliding mode controller［J］.Mechatronics，2003，13(4):313-329.
［7］ Lin C.Nonsingular terminal sliding mode control of robot manipulators using fuzzy wavelet networks［J］.IEEE Translations on Fuzzy System，2006，14(6):849-859.
［8］ Yildiz Y，Sabanovic A，Abidi K.Sliding mode neuro-controller for uncertain systems［J］.IEEE Trans on Industry and Electronics，2007，54(3):1676-1684.
［9］ 穆效江，陳陽舟.多關(guān)節(jié)機器人的神經(jīng)滑模控制［J］.計算機工程與應用，2009，45(11):245-248.MU Xiao-jiang，CHEN Yang-zhou.Neural sliding mode control for multi-link robots［J］.Computer Engineering and Applications，2009:45(11):245-248.(in Chinese)
猜你喜歡
軍事文摘(2024年3期)2024-03-11 03:41:12
小學生學習指導·小軍迷聯(lián)盟(2023年5期)2023-08-17 22:03:13
政工學刊(2021年4期)2021-04-13 06:16:06
房地產(chǎn)導刊(2020年7期)2020-08-24 08:14:12
中國慣性技術(shù)學報(2019年6期)2019-03-04 09:50:06
測控技術(shù)(2018年4期)2018-11-25 09:47:26
測控技術(shù)(2018年3期)2018-11-25 09:45:40
火力與指揮控制(2017年3期)2017-04-24 07:58:24
現(xiàn)代兵器(2016年10期)2016-10-26 17:08:39
兵器裝備工程學報(2015年7期)2015-12-30 07:16:46
