Resumen

En este trabajo se propone una novedosa estrategia de control neuronal simplificado para la dinámica longitudinal de un vehículo hipersónico de respiración aérea (AHV) utilizando directamente modelos no afines en lugar de afines. Para la dinámica de la velocidad, se diseña un controlador neural adaptativo basado en una técnica de parámetros de aprendizaje mínimo (MLP) con el fin de disminuir la carga computacional. La dinámica de la altitud se reescribe como una formulación no afín de retroalimentación pura, para la que se consigue un nuevo enfoque de control neuronal conciso sin backstepping. Las contribuciones especiales son que la arquitectura de control es concisa y el coste computacional es bajo. Además, el controlador explotado posee una buena practicidad ya que no hay necesidad de modelos afines. La acotación última semiglobalmente uniforme de todas las señales del sistema en lazo cerrado se garantiza mediante la teoría de estabilidad de Lyapunov. Finalmente, se presentan resultados de simulación para validar la eficacia de la metodología de control investigada en presencia de incertidumbres paramétricas.

• Materias:Minería de datos Aerodinámica Motores (Mecánica) Cinemática Vehículo espacial
• Subjects:Data mining Aerodynamics Engines Kinematics Space vehicles
• Palabras claves:estrategia de control neural, teoría de la estabilidad de Lyapunov, controlador neural adaptativo, formulación no afín a la retroalimentación, metodología de control investigada, enfoque de control neural, señal del sistema de bucle, arquitectura de control, dinámica de altitud, vehículo hipersónico
• Keywords:neural control strategy, lyapunov stability theory, adaptive neural controller, feedback nonaffine formulation, investigated control methodology, neural control approach, loop system signal, control architecture, altitude dynamic, hypersonic vehicle