王超 周勇军 闫守成 周文君 张德磊 唐雄

摘 要：针对某炮控系统存在较强的非线性和不确定性特征，提出了基于补偿滑模的自组织神经网络控制策略。引入了补偿滑模面设计方法，构成了自组织神经网络控制器和辅助补偿器。自组织神经网络控制器由Hermite多项式、变结构神经网络和神经元参数自学习算法构成，其减小了计算复杂度，提高了自适应能力；梯度下降法对神经网络的参数进行自学习，提高了系统的收敛速度；辅助补偿器的引入进一步减小了系统稳态误差，满足了该炮控系统的基本指标要求，保证了系统在Lyapunov意义下的稳定性和鲁棒性。半实物仿真试验表明：该控制策略有效地提高了系统的控制精确度和鲁棒性，减小了外界干扰对系统性能的影响。

关键词：炮控系统；补偿滑模面；自组织；神经网络；Lyapunov稳定

中图分类号：TP 249

文献标志码：A

文章编号：1007-449X（2018）06-0114-09

Abstract：A selforganizing neural network with complementary sliding modes control strategy is proposed for the strong nonlinearities and uncertainties of a gun control system （GCS）， which consists of the selforganizing neural network controller （SNNC） and the auxiliary compensation controller （ACC） with the complementary sliding mode surface. The selforganizing neural network controller included a Hermite polynomial， a variable structure selforganizing neural network （VSSNN） and selflearning parameters with the gradient descent method， which reduced the computational complexity and accelerated the ability of adaptation.The gradient descent method adjusted parameters of the neural network and promoted the convergence rapidity. The auxiliary compensator was introduced to further reduce steadystate error of the system， which satisfied the basic indicators of requirements and guaranteed the stability and robustness of the system in the sense of Lyapunov. The semiphysical test simulation shows that the control strategy greatly improves the control accuracy and robustness of the system， and effectively eliminates the influence of disturbance in the system.

Keywords：gun control system； complementary sliding modes； selforganizing； neural network； Lyapunov stability

0 引 言

炮控系統（gun control system， GCS）性能是衡量武器作战能力的重要指标之一，快速、精确、稳定的调炮是实现“先敌开火、首发命中”的保证。全电式炮控系统凭借结构简单、性能优良、效率高、“二次危害”小等优点，已成为各国研究炮控系统的热点。某炮控系统采用交流永磁同步电机驱动伺服系统，但其同样存在较多的非线性因素，如齿圈间隙、弹性变形、摩擦力矩等等，导致该武器炮控系统出现低速“爬行”和稳态“平顶”等问题[1]。

针对炮控系统中存在的齿圈间隙，文献[2]建立了包含齿隙模型的机理模型，取得了一定的控制效果，但忽略了系统中其他因素的影响。……