气动弹性研究的是弹性物体的结构动力学问题,气动弹性现象是气动力、惯性力与弹性体相互作用下产生的。由于结构不是绝对刚度的,具有一定的弹性,当来流风速到某个临界值时,结构会产生较大的变形,给飞行器带来致命的破坏。本文研究的气动弹性系统以二元翼段作为系统模型,具有强结构非线性、多变量、不确定性和操纵面的约束性,采用基于神经网络的预测控制方法对非线性气动弹性系统进行控制,使系统的状态快速地到达稳态值。在预测控制中,预测模型的精度对控制效果起着至关重要的作用,针对非线性气动弹性系统提出了一种新颖的模糊小波神经网络辨识方法。首先,采用区间2型模糊逻辑系统和小波神经网络结合构建模糊小波神经网络结构,能够较好的逼近具有不确定性的气动弹性系统参数;然后,考虑到辨识的快速性和准确性,系统采用一组模糊IF-THEN规则,对模糊后件采用单隐层小波神经网络结构;参数学习采用基于Lyapunov稳定性的滑模学习算法,保证系统存在参数不确定的情况下,辨识误差能更快地收敛,随后对二元翼段进行仿真分析研究,检验了此辨识方法的有效性。在滚动优化步骤中,通过启发式高斯粒子群优化算法进行有约束优化。在粒子群的位置初始化时,引入高斯算子来增强粒子在寻优过程中的局部搜索能力。在随后的粒子位置更新中,将高斯函数引入到优化算法中,使得随着优化的进行,逐渐减少粒子位置调整的幅度,从而保证仿真初期的全局寻优能力和后期的逼近效果。最后针对具有结构非线性的二元翼段进行数值仿真,分别研究了系统具有参数摄动和不同的控制舵限幅约束时的控制效果,并与增量式PID控制方法和模型参考自适应控制方法进行比较,最后得出本文提出的基于神经网络的预测控制方法有明显的优势。