买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜大连理工大学申请的专利耦合信息驱动的高超声速飞行器智能控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119620665B 。

龙图腾网通过国家知识产权局官网在2025-05-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510151826.6，技术领域涉及：G05B19/042；该发明授权耦合信息驱动的高超声速飞行器智能控制方法是由王冠;兰烁文;刘凯;曾柏瑜;杨峰;李家鑫设计研发完成，并于2025-02-12向国家知识产权局提交的专利申请。

本耦合信息驱动的高超声速飞行器智能控制方法在说明书摘要公布了：本发明属于高超声速飞行器控制技术领域，涉及一种耦合信息驱动的高超声速飞行器智能控制方法。首先，建立弹性高超声速飞行器纵向动力学模型。然后，构建基于采样分析的耦合数据库，通过模拟不同飞行包线数据，利用采样统计算法计算耦合度矩阵，形成耦合数据库，以量化变量间相互影响。进一步，进行耦合数据驱动的深度神经网络训练，采用长短时记忆网络，利用耦合数据库作为数据样本进行离线训练，以提升飞行器在强耦合环境下的自主精细控制能力。最后，设计在线控制器实现耦合信息智能补偿方案，将飞行器机动控制分为速度回路和姿态回路，设计相应的控制指令和神经网络更新律，以实现实时、智能的飞行控制。

本发明授权耦合信息驱动的高超声速飞行器智能控制方法在权利要求书中公布了：1.一种耦合信息驱动的高超声速飞行器智能控制方法，其特征在于，具体如下：步骤1弹性高超声速飞行器纵向动力学模型构建基于刚性体数学模型、气动耦合模型、结构弹性耦合模型和推力耦合模型，建立弹性高超声速飞行器纵向动力学模型： 其中，V是高超声速飞行器速度，h是飞行高度，γ是航迹角，θ是俯仰角，Q是俯仰角速率，α是攻角，且满足θ＝γ+α；m为飞行器的质量，g为重力加速度，Iyy为沿y轴的转动惯量；ηi表示弹性模态，ζi表示阻尼因子，ωi表示自然振荡频率，Ni表示广义力，i＝1,2表示考虑的一阶和二阶模态；T、L、D分别为推力、升力、阻力，M为俯仰力矩，具体表达式为： 其中，为动压，S是机翼参考面积，C是平均气动弦长，Xcg是质心到参考力矩中心的距离，Z是机体坐标轴系Z轴方向的力，δe是左升降副翼舵舵面偏角；δa是右升降副翼舵舵面偏角；CL是总升力系数，CT是总推力系数；CD是总阻力系数，和分别表示基本阻力系数，左升降副翼舵引起的阻力增量系数和右升降副翼舵引起的阻力增量系数；和分别表示基本升力系数，升降舵引起的升力增量系数和副翼舵引起的升力；Cm是总俯仰力矩系数，和分别表示基本俯仰力矩系数，左升降副翼舵引起的俯仰力矩增量系数和右升降副翼舵引起的俯仰力矩增量系数，是俯仰角速率引起的俯仰力矩增量系数；总推力系数CT表达式如下： 其中，λ是油门开度，和分别表示基本阻力系数；当λ1时，当λ≥1时，发动机的动态过程是一个二阶系统： 其中，λc是油门开度的控制信号，ξ是油门开度调节阻尼，ωi是自然振荡频率；步骤2基于采样分析和动态方程的耦合数据库构建2.1给出采样分析方法数据库的构建方式：设ujj＝1,2,…m和xii＝1,2…,n是系统中两个相互耦合的变量组；对变量进行采样计算得到puj和pxi，用aij表示uj对xi的影响量化指标，则uj对xi的影响表示为pxi＝ai1pu1+ai2u2+…+aimpum5其中，aij为uj对xi的影响度；同理，xii＝1,2,…,n对ujj＝1,2,…,m的影响度可表示为puj＝bi1px1+bi2px2+…+binpxn6其中，bji为xi对uj的影响度；进一步地，将系统中变量uj和xi的耦合度可表示为 针对步骤1中的弹性高超声速飞行器纵向动力学模型，定义状态变量组VhγθαQηi和控制输入变量组λδeδa的耦合度矩阵为ηS，轨迹变量组hV和姿态变量组γαQ的耦合度矩阵为χS，姿态变量中的攻角α和姿态变量组γQ的耦合度矩阵为σS，具体表达式为： 飞行始末位置不变，通过改变攻角指令、飞行速度指令模拟出n组飞行包线数据，然后在每条飞行包线中利用采样统计算法计算耦合度矩阵，从而n条飞行包线得到7×3×n维的耦合数据库ηS、χS、σS；2.2给出动态方程分析方法数据库的构建方式：考虑如下的非线性系统： 其中，x为状态变量，u为输入变量；基于非线性理论，给出动态耦合的形式如下所示：针对式11所示的非线性系统，各状态变量之间动态耦合矩阵Fx,xx,u可定义为： 同理，变量x与变量u之间的动态耦合矩阵Fx,ux,u定义为： 针对步骤1中的弹性高超声速飞行器纵向动力学模型，定义状态变量组VhγθαQηi和控制输入变量组λδeδa的耦合度矩阵为ηD，轨迹变量组hV和姿态变量组γαQ的耦合度矩阵为χD，姿态变量中的攻角α和姿态变量组γQ的耦合度矩阵为σD，具体表达式为： 其中，xi是状态变量组VhγθαQηi中第i个变量，i＝1,2,…,7，uj是控制输入变量组λδeδa中第j个变量，j＝1,2,3；x1i是轨迹变量组hV中第i个变量，i＝1,2，x2j是姿态变量组γαQ中第j个变量，j＝1,2,3，x3j是姿态变量组γQ中第j个变量，j＝1,2；飞行始末位置不变，通过改变攻角指令、飞行速度指令模拟出n组飞行包线数据，然后在每条飞行包线中利用动态方程方法计算耦合度矩阵，从而n条飞行包线得到7×3×n维的耦合数据库ηD、χD、σD；2.3基于采样分析和动态方程耦合分析的混合数据库构建通过采样分析方法和动态方程方法得到耦合数据库，再经过筛选和补偿，最后得到7×3×n维的总耦合数据库η、χ、σ，为接下来步骤3的深度神经网络训练提供充足的训练数据；步骤3基于耦合数据驱动的深度神经网络训练3.1数据集生成：生成步骤2中的总耦合数据库η、χ、σ；3.2训练、验证与测试：在数据集生成之后，利用这些数据在PID控制框架下进行训练；首先将步骤2中数据库划分为输入数据样本和目标数据样本，输入数据样本是用于模型输入的历史数据，目标数据样本是要预测的未来数据；训练过程中，通过不断调整模型参数、LSTM中的参数和控制策略，使其能够有效应对各种飞行任务、模型不确定性和多源扰动；每个LSTM有三个门控结构来控制梯度的流动，分别为：遗忘门、输入门和输出门；遗忘门通过考虑前一时间步的输入和当前时间步的输入来决定保留或遗忘信息，其计算过程如下所示：ft＝ιWf·[ht-1,xt]+bf17式中，ft是遗忘门的值，[,]表示连接操作，Wf是遗忘门的权重矩阵，bf是遗忘门的偏置项，xt是t时刻网格的输入值：7×3×n维的总耦合度矩阵η，选取前80％的n个变量组VhγθαQηiλδeδa作为输入；7×3×n维的总耦合数据χ，选取前80％的n个变量组hVγαQ作为输入；7×3×n维的总耦合数据σ，选取前80％的n个变量组αγQ作为输入；ht-1是上一时刻LSTM的输出值，ιx函数为Sigmoidx激活函数，具体形式如下所示： 输入门通过tanhx激活函数来计算新的记忆单元候选值it是输入门的值，it被ιx处理后值域位于[0,1]区间，it和逐元素相乘，便能够决定记忆单元候选值用于更新Ct，计算过程如下所示： it＝ιWi·[ht-1,xt]+bi20更新记忆单元的值： 式中，WC和Wi是权重矩阵，bC和bi是偏置项，Ct为当前时刻的单元状态，Ct-1为上一时刻的单元状态，表示按元素乘，tanhx函数具体形式如下所示： 输出门使用Sigmoidx激活函数来决定输出，tanhx激活函数将记忆单元的值Ct映射到一个介于-1到1之间的范围；计算过程如下所示：ot＝ιWo·[ht-1,xt]+bo23 式中，ot是输出门的值，ht是LSTM单元的输出，Wo是权重矩阵，bo是偏置矩阵；在LSTM前向传播中，将原始数据输入到神经网络中，每个神经元会根据输入数据和自己的权重计算出一个输出值，即ft、it、Ct、ot、ht五个向量的值，经过每一层神经元的处理，逐步传递到下一层，最终在输出层得到神经网络的预测结果；步骤4基于耦合深度神经网络的智能控制器设计利用步骤3中通过LSTM更新权重和偏置后生成的耦合神经网络，开展智能控制器设计；具体如下：首先将高超声速飞行器的机动控制模型分为速度回路和姿态回路；其中，速度回路表述为： 式中：和表示转化后的动力学模型系数，表示速度回路中的耦合影响，dV表示速度回路的外界扰动，λ表示速度回路的控制输入，即油门开度；速度参考信号为Vd，相应的跟踪误差为eV＝V-Vd；定义俯仰角参考信号为θd，高超声速飞行器的高度h由俯仰角θ通过PID算法得到的θd进行控制，在设计中考虑左升降副翼舵舵面偏角和右升降副翼舵舵面偏角相等，即δe＝δa，姿态回路由下式给出： 式中：和表示转化后的动力学模型系数，表示姿态回路中的耦合影响，dQ表示姿态回路的外界扰动，δe表示姿态回路的控制输入，即左升降副翼舵舵面偏角，Q为俯仰角速度；俯仰角速度参考信号为Qd，俯仰角速度的跟踪误差为eQ＝Q-Qd；设计燃料当量比指令和升降舵控制指令为： 式中：kV0，kQ0为待设计的正参数，和表示由神经网络逼近的非线性函数，和表示和的投影算子；其中，神经网络更新律设计为 式中：μ10，μ20，μ30，μ40，k10，k20，k30，k40，σ10，σ20，σ30，σ40，κ10，κ20，κ30，κ40为待设计的正参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。