变形飞行器建模及控制方法研究综述

针对变形飞行器的发展现状、气动建模、动力学建模以及控制方法研究进行了综述。首先阐述了变形飞行器的定义及变形需求,再从四个方面梳理了变形飞行器的技术优势。针对不同的机翼变形方式,对飞行器各种变形技术的特点及发展现状进行了详细的分析与总结;将变形飞行器与固定外形飞行器的气动机理进行了对比分析,并对变形飞行器的动力学建模方法进行了梳理,总结了各种方法的特点;结合变形飞行器自身特性分析了飞行控制的特点及难点,并详细阐述了各类变形飞行器的控制研究进展。最后总结分析了变形飞行器的发展趋势：深化基础理论与技术研究,从材料、结构及控制等领域全方面朝着智能化方向发展,最终实现变形飞行器的工程化、自主化、智能化应用。     

高超声速飞行器的神经网络PID控制

高超声速飞行器是一种强耦合性、存在不确定性和高度非线性的复杂控制系统,在其应用神经网络PID控制方法进行纵向通道的姿态控制时,将控制系统分为快慢内外环,基于神经网络控制理论,针对高超声速飞行器的动力学模型和运动学模型设计单神经元PID控制律和PID神经网络控制律,推导了权值调整的学习算法。仿真结果表明,高超声速飞行器的神经网络PID控制系统能够有效抑制气动参数变化的影响,较好地跟踪期望攻角,有较强的鲁棒性。     

基于BP神经网络的模型参考自适应姿态控制

采用模型参考自适应控制的基本设计框架,并通过BP神经网络对PID控制参数进行自主调节,实现飞行器的自适应姿态控制。利用参考模型输出、实际对象输出等信号作为训练信号,对所构建的三层BP神经网络进行权重更新。仿真结果表明,将BP神经网络应用于飞行器的自适应姿态控制中,能够实现PID控制器参数的自主调整,表明了BP神经网络优良的逼近性能。同时,该控制方案确保了飞行器姿态控制系统的性能指标,并且提高了工程设计的智能化水平。     

弱模型依赖通用智能姿态控制技术

超高速跨域飞行、敏捷机动等是新一代飞行器发展方向,而长时高速飞行产生的气动外形变化带来的气动参数大范围改变等问题,都对控制系统设计提出了更高的要求。为提高飞行器对模型不确定性的适应能力及控制方法对不同外形、复合执行机构的通用性,深入研究了弱模型依赖的通用智能姿态控制技术,分层次地开展了基于深度学习(DL)的自适应姿态控制、基于深度确定性策略梯度算法(DDPG)的通用姿态控制、弱模型依赖的多维复合控制等技术研究,显著提高了控制系统的鲁棒性和通用性,对人工智能技术在飞行器姿态控制中的应用具有一定的指导意义。     

远程操控飞行器自适应神经网络观测器设计

针对无人飞行器远程操控系统设计时，由于远程操控飞行器动力学的非线性和飞行器控制系统性能的不确定性，无法精确建立远程操控飞行器控制系统模型的问题，提出了一种自适应神经网络状态观测器设计方法实现对远程操控飞行器的控制系统模型的估计。首先将飞行器的动力学环节与自动驾驶仪构成的闭环回路作为一个整体建立了远程操控飞行器控制系统的非线性模型。然后针对模型中存在未建模动态的问题，采用神经网络算法对非线性动力学模型进行在线辨识，并引入鲁棒项对附加扰动进行抑制。最后设计自适应律对神经网络的权值进行实时调整，保证了系统的稳定性，并基于Lyapunov理论证明了观测器的估计误差是最终一致有界的。仿真结果表明，所设计的观测器能够保证远程操控飞行器在存在未建模动态和附加扰动的情况下对飞行状态具有良好的估计性能。     

升力式再入飞行器的先进控制方法研究

为克服升力式再入飞行器现有分段控制方法的缺陷,根据动力学模型,将滑模变结构控制和神经网络动态逆法控制分别用于飞行器再入控制的外环与内环回路。建立了控制模型并进行仿真。理论分析和仿真结果表明,采用该法无需大量的增益调节,能自动适应非线性、强耦合的对象特性,以及环境的剧烈变化,减小不同飞行条件下对气动和结构参数的依赖性,自动补偿不确定因素和扰动,能较好地实现飞行器的再入控制。     

基于自适应控制的近空间高超声速飞行器研究进展

综述了高超声速飞行器数学建模与自适应控制技术。在概述典型数学模型基础上，着重概述了模型参考自适应控制、浸入-不变集非线性自适应控制、自适应动态面反步控制、自适应滑模控制、自适应模糊滑模控制和神经网络自适应控制等多种自适应控制技术在高超声速飞行器中的应用与研究。对高超声速飞行器自适应容错控制技术现状，自适应控制在高超声速飞行器飞行测试中的应用情况进行概述。总结了高超声速飞行器的当前研制项目和技术现状，重点展望了若干种鲁棒非线性自适应控制技术。与已有综述相区别，重点概述自适应控制在解决高超声速飞行器鲁棒、稳定、切换、协调等关键控制问题的研究进展。     

基于变质心控制的再入飞行器机动能力分析

变质心控制作为一种新颖的控制方式,可克服传统再入飞行器气动舵等控制方案存在的舵面烧灼等弊端,它通过主动移动飞行器内部若干个质量块,可以有效调整飞行器的姿态并实现飞行器的姿态和机动控制.本文在推导变质心再入飞行器动力学方程的基础上,对该动力学方程进行了必要的简化,从而得到了变质心再入飞行器纵平面内的动力学和运动学方程,并计算得到质量块不同行程下飞行器可产生的法向过载大小.本文的研究对于变质心再入飞行器控制系统的设计提供了必要的理论参考依据.     

基于BP神经网络的飞行器参数辨识与自适应控制

针对跨域空间飞行器气动参数非线性严重和具有大不确定性等特点,提出一种基于BP神经网络的飞行器离线参数辨识与在线自适应控制的方法.首先,临近空间飞行器进行风洞试验吹风得到的气动参数是典型的输入输出非线性系统,运用BP神经网络算法进行离线训练建立气动数据的辨识模型;其次,根据气动数据的辨识模型计算实时舵效变化参数,飞行器控制的增益根据舵效变化完成在线自适应调节,实现飞行器的自适应姿态控制;最后,进行数学仿真验证,结果表明,将BP神经网络应用于飞行器姿态控制中,能够实现控制参数的自适应调整,说明BP神经网络具有优良的逼近性能,最终提升了飞行器姿态控制系统的性能,提高了智能化设计水平.     

高超声速飞行器无在线求导backstepping控制方法

针对高超声速飞行器纵向通道跟踪控制问题,提出一种无需对虚拟控制量进行在线求导的新型backstepping控制方法.首先将飞行器动力学模型划分为速度子系统和航迹倾角子系统,然后采用backstepping方法设计航迹倾角子系统控制器,利用高阶微分器技术直接设计虚拟控制量一阶导数的控制律,这样即避免了现有backstep...     

组合飞行器姿态跟踪的自适应模糊无源控制

以组合飞行器为研究对象,介绍了组合飞行器在轨服务期间的姿态跟踪控制。利用无源性(输入输出稳定性)控制理论和自适应模糊逻辑系统设计了一种自适应控制方案,该方案利用飞行器的动力学特性以及模糊逻辑系统的万能逼近能力,使得所设计的控制器对飞行器的模型不确定性和外部环境力矩具有很强的自适应性和鲁棒性。     

基于单隐层神经网络的空天飞行器直接自适应轨迹线性化控制

基于轨迹线性化方法（TLC）及神经网络技术研究了一种新的直接自适应TCC控制方案。利用单隐层神经网络（SHLNN）对于光滑非线性函数的逼近能力，对消系统中不确定因素的影响，神经网络自适应律采用Lyapunov方法设计，保证了整个系统所有信号有界。最后利用该方案设计了空天飞行器飞行控制系统，并在高超声速飞行条件下进行了仿真验证，仿真结果表明整个控制系统具有很好的性能和鲁棒性。     

空间飞行器动力学模型的动态反馈线性化

本文研究了空间飞行器非线性动力学模型的线性化问题，利用微分几何方法和反馈线性化理论，本文证明了推力方向相对体系不变，即受有“常方向推力”作用限制的空间飞行器的轨道－姿态耦合非线性动力学模型可用二阶动态补偿器／增广状态反馈／增广状态微分同胚变换实现精确线性化，提出了飞行器动态反馈线性化的分步算法，并给出了实现线性化的状态反馈／微分同胚的具体形式，从而将飞行器控制系统设计问题转化为线性系统问题。     

基于深度神经网络的无限时域型航天器追逃策略求解

航天器追逃博弈是当前航天领域的一个研究热点,传统上多采用微分对策来获取追逃双方的最优控制策略,但是方法求解复杂、计算量大,难以满足复杂任务和对抗类任务的实时性要求。随着机器学习技术的发展,利用深度神经网络结构实现全部或部分的在线决策成为可能,因此研究了基于深度神经网络生成无限时域型追逃博弈最优控制策略问题。首先基于CW方程建立追逃博弈相对运动模型,采用微分对策理论得到追逃最优控制策略,得到训练数据集和测试数据集;基于TensorFlow环境搭建了4层神经网络,采用Adam优化算法对网络进行训练。仿真结果表明,经过训练的深度神经网络生成的控制策略与传统方法的策略基本一致,虽然长时间追逃的控制差异逐渐增大,但变化趋势相同,说明利用深度神经网络生成航天器追逃博弈的机动策略是有效的。     

飞行器制导控制一体化编队控制器设计

针对主从式结构飞行器协同编队控制问题，以侧滑转弯飞行器为研究对象，采用制导控制一体化(Integrated guidance and control, IGC)方法设计编队控制器。首先在惯性坐标系中定义相对运动坐标系，建立相对运动模型，结合飞行器动力学模型，得到全状态制导控制一体化模型；然后采用反演方法，结合滑模变结构与神经网络自适应理论设计了编队控制器，并证明了控制系统稳定性；最后在高速情况下进行了六自由度数值仿真，对比了IGC设计方法与分离设计方法的控制性能。仿真结果表明所设计的IGC控制器能够快速精确地对期望编队队形进行构建与保持，并且较分离设计方法具有优越性。     

飞行器滑模变结构姿态控制器参数优化设计

研究了大气层外飞行器姿态控制器设计。基于误差四元数建立飞行器姿态运动学与动力学方程,用滑模变结构控制方法设计控制器,通过构造Lyapunov函数验证了控制器具全局稳定性和鲁棒性。以控制器参数为优化变量,机动时间为优化指标,飞行器发动机输出力矩为约束条件,用粒子群算法实现对滑模控制器参数的优化设计。仿真结果表明：控制器设计可行且有效,并能对参数进行优化。     

基于模糊神经网络的质量矩拦截弹动态逆控制

质量矩控制是一种全新的飞行控制方法,与广泛应用的空气动力控制相比,可以避免飞行器在超高马赫数飞行时舵面的气动加热问题,而且,可以提高飞行器的机动性和敏捷性。以所建立的质量矩拦截弹数学模型为基础,通过对模型合理的简化,得到一个耦合的非线性动力学系统。考虑到系统的鲁棒性要求和三个滑块的协调控制问题,应用双时标分解的方法,提出将拦截弹动力学分离为快变状态动力学和慢变状态动力学。然后,设计了拦截弹模糊动态逆飞行控制系统,分别针对快变和慢变子系统,提出了一种基于模糊神经网络(FNN)的动态逆误差补偿方法,可以有效地抑制气动参数摄动而引起的控制系统性能的下降,提高了控制系统的鲁棒性。仿真结果表明系统性能指标满足设计要求,只需微调滑块位置,即可以实现拦截弹的飞行控制。     

基于深度神经网络的自适应波束形成算法

自适应波束形成技术是航天领域中的旁瓣抗干扰关键技术之一。当回波数据量增多时,传统的波束形成算法无法进行快速的处理,而应用深度神经网络模型对数据进行预训练可以快速的进行波束形成,因此根据波束形成原理利用分段训练方式设计深度神经网络,应用Leaky-ReLU激活函数、Adam优化算法和Dropout正则化方法提升深度神经网络的性能,提出了基于深度神经网络的自适应波束形成算法。仿真结果表明,相比于传统的LMS算法,在实验环境下,基于深度神经网络的自适应波束形成算法的计算速度约有7～8倍的提高。     

飞行器集群协同控制技术分析与展望

系统分析和展望了飞行器集群协同控制技术，对先进的集群飞行器和协同控制技术进行了总结和对比，并提出了当前该领域面临的5个主要科学问题。在此基础上提出了飞行器集群自主控制体系架构以及射前任务规划、在线态势感知、协同制导控制等8项飞行器集群协同核心关键技术。其中，对每项技术进行了简要概括，阐述了它们之间的关系和对于飞行器集群协同控制的作用。最后，从理论研究、技术突破到工程应用方面，对该领域未来发展做出了展望。     

滚控式变质心飞行器动力学特性分析与控制

为明确滚控式变质心飞行器的控制机理，为其工程实践提供相应的理论参考，建立包含滑块运动的滚控式变质心飞行器七自由度完整动力学模型，并分析讨论其运动特性以及动力学系统的特点。其次结合频域分析法对滑块运动与载体姿态运动之间的耦合影响以及动态响应过程进行分析研究，揭示了滚控式飞行器的控制机理。同时针对其通道间的耦合效应以及执行机构参数设置对控制能力的影响分析提出了对飞行器结构设计和控制系统设计的相关要求，为滚控式变质心飞行器的工程实践提供一些理论参考。