基于神经网络的RLV再入段有限时间自适应姿态控制

针对可重复使用运载器(RLV)再入段的姿态控制问题,提出了一种基于神经网络的有限时间自适应姿态跟踪控制方法。首先,在传统RLV建模的基础上将模型不确定性、耦合及扰动力矩分离作为复合扰动;然后,利用径向基神经网络(RBFNN)对其在线估计并在标称控制器中进行动态前馈补偿;最后,利用终端吸引子改进控制器实现了对期望状态的有限时间跟踪,并通过引入鲁棒项降低了RBFNN估计误差对控制精度的影响。设计的姿态控制器无需获知精确的气动数据与扰动范围而仅需某飞行状态下的标称值。仿真结果表明提出的控制方法对RLV再入姿态跟踪具有较好的控制效果。     

自主学习干扰观测器驱动的重复使用运载器再入段滑模控制

针对重复使用运载器(RLV)再入段的姿态控制问题，设计一种具有自主学习干扰观测器(SLDO)的滑模控制器。基于奇异摄动理论及时标分离原则，将RLV的姿态动力学方程划分为外环和内环子系统。根据RLV再入段模型不确定性和外部干扰均随时间变化、不可忽略且无法预知边界等特点，结合2型模糊神经结构、误差反馈学习架构以及滑模控制(SMC)理论，提出一种新型在线自主学习干扰观测器。设计基于SLDO驱动的多元超螺旋滑模控制器，完成对再入段姿态的跟踪。最后，针对6自由度RLV模型进行了仿真分析，仿真结果证明了控制方法的有效性以及鲁棒性。     

有约束重复使用运载器障碍变换预设时间控制

针对姿态角受约束的重复使用运载器(RLV)再入段姿态跟踪控制问题，提出了一种基于障碍变换的预设时间控制方法。首先建立了面向控制系统设计的RLV动力学模型，设计障碍函数对动力学模型中受约束的状态量进行变换，得到等价无约束变量及控制模型；然后针对变换后控制模型，基于反步法思想设计了预设时间控制律，采用指令滤波器避免微分膨胀问题，并引入RBF网络对再入过程中RLV所受不确定扰动进行了补偿。Lyapunov方法证明了姿态跟踪误差可在预设时间内收敛至原点附近邻域，且姿态角满足时变约束。数值仿真验证了所提方法可保证姿态角满足约束，实现姿态跟踪误差预设时间收敛，且具有更佳的跟踪控制性能。     

一种面向空天飞机再入的智能自适应复合控制方法

针对空天飞机再入横、侧向通道的姿态控制问题，设计了一种智能神经网络自适应复合控制方法，基于误差反馈学习准则在线更新神经网络权重以补偿全量姿态控制律输出的姿态控制指令。同时，面向再入过程横侧通道的强耦合问题，引入了耦合控制系数，以降低横、侧通道间的控制干扰。此外，提出了一种自适应链式控制分配律，在控制信号中引入正交优化多正弦激励，基于递推最小二乘方法对气动参数进行在线辨识，进而实时更新链式分配策略。最后，对空天飞机再入横侧向通道的神经网络自适应复合控制方法进行数学仿真校验，验证了该方法的有效性和鲁棒性。     

反作用控制系统在RLV再入复合控制中的研究

以再入段的可重复使用飞行器(RLV)控制系统为研究对象,针对RLV再入姿态的气动舵面与反作用力控制系统的特点,提出优化控制选择配置算法把控制力矩指令配置为末端执行机构指令,分别由气动舵面与反作用力控制系统执行。仿真结果表明,该复合控制方法可以弥补某些情况下气动舵面控制的不足,能很好地实现RLV姿态控制,并具有更好的动态性能。     

基于自适应动态逆的高超声速飞行器姿态复合控制

考虑高超声速飞行器再入过程中存在气动舵低效的问题,提出了质量矩/气动舵复合控制方式,研究了这两类执行机构的复合控制分配问题,并针对高超声速飞行器强非线性和不确定性的对象特性,基于神经网络方法设计了自适应动态逆姿态控制系统。首先给出了质量块配置原则以及质量矩/气动舵复合控制模型;其次,为获得良好的控制分配精度并保证较小的执行机构能耗,基于二次规划方法设计了质量矩/气动舵复合控制分配策略;再次,利用神经网络权值的自适应调整来逼近系统中存在的不确定性,补偿动态逆误差,设计了基于神经网络的自适应动态逆控制器。最后,通过仿真验证了文中控制分配策略和自适应动态逆方法的有效性。     

基于RBF网络的飞行器姿态滑模控制器

针对中制导段飞行时间长,空间拦截器需要进行一定的姿态机动,提出一种基于RBF网络的姿态控制器.建立了拦截器3个通道的姿态运动模型,对每个通道进行变结构控制,并在此基础上对变结构控制器增益通过RBF(Radial Basis Function)网络进行自适应控制,同时给出了稳定性证明.仿真结果表明,该方法能有效实现拦截器中制导段的姿态控制.     

RLV再入姿态双环滑模控制及舵喷混合配置

设计了一种基于滑模控制的可重复运载器（RLV）再入姿态控制方法。用内外两环滑模控制同时跟踪对角速度和角度;根据RLV再入姿态的动力面与反作用混合控制的特点,用优化控制选择配置算法将控制力矩指令配置为末端受动器的控制指令,分别由动力面与反作用致动器执行。仿真结果表明：由该法可获得高精度、鲁棒性和解耦的跟踪性能。     

RLV双环滑模RCS/气动舵复合控制器设计

针对可重复使用运载器(RLV)再入飞行强非线性、快时变特性和多种控制模式给姿态控制器设计带来的困难和挑战,提出了一种双环滑模反作用控制系统(RCS)/气动舵复合控制器设计方案。首先建立了RLV再入飞行的数学模型,基于时标分离原理,设计了快、慢双环回路控制系统,并采用滑模控制律(SMCL)获得控制力矩指令;所设计的RCS/气动舵复合控制器,由控制分配将控制力矩指令分别映射成RCS推力器执行的开关指令和气动舵面偏转指令,采用链式递增融合协调气动舵与RCS的复合控制。仿真结果表明,双环滑模RCS/气动舵复合控制器能较好地完成姿态跟踪控制,有效地节省RCS燃料,实现了气动舵面与RCS的协调控制。控制方案也能用于再入飞行器或空天飞机的控制系统设计。     

高超声速再入飞行器的特征建模及自适应递推滑模控制

针对高超声速再入飞行器非线性程度高、参数不确定性大、快时变等特点，提出一种基于神经网络特征模型的自适应滑模姿态控制方案。首先，采用现有特征建模方法，将对象模型中的非线性、时变不确定性压缩至特征参量中；进一步，结合模糊神经网络，将快时变特征显式地表征在特征模型中，使得待估计的特征参量具有时不变特性，从而易于其自适应律的设计。然后，在该神经网络特征模型的框架下，设计递推形式的自适应滑模控制律，以进一步提高飞行控制系统的鲁棒性。最后，通过仿真校验了所提出控制方法的正确性和有效性。     

可重复使用飞行器归一化复合控制系统设计

以可重复使用飞行器（RLV）的姿态控制系统为研究对象,提出一种基于归一化方法的新型复合控制系统设计方法。对RLV三自由度姿态动力学模型中的气动控制量和反作用控制系统（RCS）控制量分别进行归一化处理,建立RLV复合控制的归一化模型。在此基础上,通过对归一化模型的输入矩阵中同种执行机构控制阈值的设计,获得两种异类执行机构复合控制的切换条件,并进一步修正了归一化复合控制模型。基于积分型终端滑模控制方法,设计了可重复使用飞行器的复合控制系统,并采用广义逆的方法,直接将控制分配融合到控制律的设计中来,实现控制律和控制分配的一体化设计,不需要优化算法,减少了控制系统的计算量。最后,对可重复使用飞行器姿态控制系统进行数学仿真,不仅校验了采用归一化方法设计的复合控制系统的有效性,而且与采用线性规划优化控制方法具有相同的姿态控制效果。     

基于智能PID和扩张状态观测器的姿态控制方法

针对在实际工程中人工设计飞行器姿态控制参数造成工作量大的问题,提出一种基于模型参考自适应控制的神经网络姿态控制方法。首先在模型参考自适应控制的基本框架下,利用BP神经网络的自学习特性,实现PID控制参数的自适应整定。随后设计了两阶线性扩张状态观测器以对控制量进行补偿,并对观测器进行了误差分析。仿真结果表明通过神经网络训练得到的控制参数变化规律和工程实际较为相似,姿态角指令跟踪误差在允许范围内,幅值裕度和相角裕度均符合要求。通过分别在常值干扰和正弦变化干扰下的两阶线性扩张状态观测器和三阶线性扩张状态观测器的仿真对比,发现两阶的观测器更能够降低外界扰动对系统的影响。     

RLV再入标准轨道制导与设计

将可重复使用运载器(RLV)再入轨道设计分为纵向轨道和侧向轨道设计两个过程:首先引入形状约束因子,在不进行轨道积分的情况下,在再入走廊内快速优化设计RLV再入飞行剖面;然后结合轨道跟踪控制,设计侧向方位误差走廊,快速生成满足末端能量管理(TAEM)接口和航程等要求的再入轨道。进一步提出修正标准飞行剖面参数的航程更新及制导方法,并采用RLV概念模型进行仿真分析。仿真结果表明这种RLV再入轨道设计方法能够快速生成再入标准轨道,相应的RLV再入制导方法可行,且具有较高的制导精度和可靠性,鲁棒性好。     

亚轨道再入返回段高度上边界技术研究

针对重复使用运载器(RLV)亚轨道再入返回过程中动压、过载等约束条件对飞行安全的不利影响,通过分析质点动力学方程,提出亚轨道再入返回段RLV存在高度上边界并给出两种求解高度上边界的计算方法。高度上边界反映了亚轨道再入返回段的制导能力,它对总体决策和控制系统具有重要意义,RLV上升段的最终高度也必须限制在这个高度之下。分析和仿真结果表明,求解高度上边界的两种方法具有一定的鲁棒性和工程实用性。〖JP〗
     

基于高斯过程的航天器自适应滑模姿态控制

针对存在模型不确定性和外界干扰的刚性航天器,提出了一种基于高斯过程回归(GPR)的新型自适应滑模姿态控制算法。该算法具有自学习能力,在不同的姿态控制任务下都能够实现高精度、强鲁棒和高效率的姿态跟踪。首先,在航天器的四元数标称系统动态模型基础上,应用在线稀疏高斯过程回归(SOGP)方法学习系统的未知动态;其次,结合高斯过程的预测均值设计滑模控制算法,利用高斯过程的预测方差自适应调节控制增益,并应用李雅普诺夫方法严格证明闭环系统的稳定性,保证了航天器姿态跟踪误差的渐进收敛性;最后,通过数值仿真验证了所设计控制器的有效性。结果表明,该自学习控制算法与自适应滑模控制(ASMC)与神经网络自适应控制等算法相比,具有更快的收敛速度、更高的跟踪精度以及更低的控制成本。     

再入飞行器大攻角飞行时的姿态控制律设计

再入飞行器大攻角飞行时,会造成方向舵失效,且较小的滚转角速度,就可能导致舵偏指令饱和,对此,本文设计了一种在方向舵失效情况下的抗饱和姿态控制律。该控制律首先基于时标分离假设,将再入飞行器大攻角飞行时的姿态运动模型分解成快、慢回路子系统,然后采用新型的高阶滑模控制律,设计出了一种有限时间收敛且连续可导的慢回路控制器;针对快回路子系统,结合分层滑模控制理论和自适应控制理论,设计了具有抗输入饱和功能的自适应分层滑模控制器。对以上控制器进行仿真验证,结果表明该控制律在大攻角飞行造成偏航舵失效情况下,具有良好的抗饱和姿态控制能力。     

高超声速飞行器再入段LQR自抗扰控制方法设计

针对高超声速飞行器(HSV)再入过程中强非线性、强耦合、气动参数变化剧烈的不确定性的特点，提出一种基于线性二次型调节器(LQR)和自抗扰控制(ADRC)的高超声速飞行器再入段的姿态控制方法。首先，建立高超声速飞行器再入段线性化模型，并采用LQR方法完成了状态反馈控制律设计。然后，结合自抗扰控制技术，设计了扩张状态观测器(ESO)对系统的模型不确定性和外部干扰进行补偿，大幅增强了系统的扰动抑制能力。最后，将得到的高超声速飞行器再入段LQR自抗扰姿态控制器(LQRADRC)应用于高超声速飞行器六自由度仿真，仿真结果表明本文所提出的控制方法能够快速、精确地跟踪角位置指令，并且对系统不确定性具有强鲁棒性。     

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.     

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。     

天地往返可重复使用运载器再入飞行GNC系统关键技术

天地往返可重复使用运载器(RLV)在未来天战中将扮演重要角色。目前各军事大国围绕RLV的关键技术开展了广泛深入的研究。再入飞行是RLV飞行任务的重要阶段,而制导、导航与控制(GNC)系统则是RLV的核心系统之一,是RLV再入飞行的“脑系统”。本文分析了RLV在再入飞行阶段GNC系统的任务要求,明确其体系结构,分析GNC系统存在的问题,给出了深入研究GNC系统需要解决的关键技术和进一步研究的方向。