基于长短时神经网络的卫星陀螺仪故障检测

针对卫星陀螺仪故障检测中存在的冗余依赖、微小故障覆盖问题，提出一种基于长短时神经网络(LSTM)的故障检测方法。首先对卫星陀螺仪建模，考虑到卫星姿态控制回路对陀螺仪微小故障覆盖影响，利用半物理仿真平台采集陀螺仪正常与故障数据；然后使用部分正常数据训练LSTM神经网络，使得网络具有预测陀螺仪输出的能力，并将另一部分正常数据输入到训练好的网络模型，得到预测误差，进一步设定故障阈值；最后，将测试数据输入提出的故障检测模型，仿真验证其时效性和准确性。结果表明，在采样频率为10Hz时，对于陀螺仪的卡死、噪声以及偏差故障，基于LSTM神经网络的故障检测模型能在故障发生2s内检测出故障，并达到了98.9%的准确率。     

集员辨识与T-S模型相结合的非线性系统建模及其故障检测算法

针对带有未知但有界（Unknown But Bounded．UBB）噪声的非线性系统的建模及其故障检测问题，提出了一种集员辨识与T-s模糊模型相结合的非线性系统建模及其故障检测算法。在建立非线性系统模型时，利用系统正常状态下的运行数据，选用T-S模型对其进行离线建模。首先采用模糊聚类的方法对输入空间进行模糊划分，然后利用T-S模型为参数线性模型的特点，使用参数线性集员辨识算法辨识T-S模型的结论参数。由于集员辨识算法所得到的是参数的集合估计，在系统运行过程中，可以很方便地利用所建模型预测实际系统的输出范围，如果测量所得实际系统的输出不在预测输出范围之内，则可判断系统发生了故障。通过与其他算法相比，验证了本方法的性能。     

VAISALA湿度传感器的故障检测与诊断

VAISALA公司生产的自动观测系统在民航系统应用很广,该系统对稳定度和准确性的要求很高。作为系统中非常关键的元件——传感器,一旦出现故障将直接影响整个系统的结果输出。因此,针对传感器的故障检测与诊断研究是很有必要的。本文通过对成都2005年9月一次湿度传感器故障的检测     

一种组合预测模型在导弹惯性器件故障预报中的应用

提出了一种基于神经网络的组合预测模型，并将其应用于导弹惯性器件的故障预报。该模型利用神经网络对复杂非线性系统的拟合能力，通过网络训练自适应地调整各种预测模型的权重，实现不同模型组合的非线性拟合，从而提高了预测的精度。同时，利用Natlab6．5神经网络工具箱编程，模型结构简单、收敛速度快。算例结果表明，该组合预测模型简捷、实用，在故障预报中具有广泛的应用前景。     

传感器故障重构设计的新方法及其应用

提出了一种传感器故障重构的新方法。该方法利用右特征结构配置设计的线性观测器来消除系统中的非线性以及干扰对故障重构的影响。这种设计不仅能够达到对故障的快速检测,而且能够准确地估计故障的大小。通过在某火箭姿态控制系统中的应用,证明了该设计方法的有效性和实用性。     

液体火箭发动机传感器故障检测与数据恢复算法研究

以某型液体火箭发动机为研究对象,根据其传感器的故障特性,提出了基于BP神经网络的传感器故障检测与数据恢复算法。通过定义的传感器置信度来判断传感器是否发生故障,以及确定故障传感器,利用已训练好的神经网络结构对故障传感器进行数据恢复。研究内容能够实现传感器的故障检测、定位与补偿,能够有效提高发动机故障检测方法的可靠性和鲁棒性。     

航天飞机主发动机的故障探测与隔离

设计了应用于航天飞机主发动机故障探测与隔离(FDI)的广义似然比试验(GLRT),可用于在线 FDI 及飞行任务的事后分析。算法中使用了 SSME 的全部37个状态模型及一套15个传感器。在设计阶段,有助于确定故障的可探测性和可识别性,给出传感器布局。文中重点在于输入/输出的故障,即阀门和传感器失效故障,但似然比方法可延伸至包括结构的失效。     

基于综合观测器的执行器过程故障量精确诊断

执行器的非线性与输出不可得在一般复杂动力学系统中具有典型性,而其过程故障量的精确诊断是个前沿难点问题.针对该问题,研究一种面向控制系统和执行器的综合观测器方法.提出一种适用于带有非线性执行器复杂系统的新型自适应观测器方法,可克服输出量不可直接获得的条件限制,实现故障诊断并获得执行器真实输出估计;基于执行器输出估计与控制器输出量,采用扩张状态观测器实现过程故障量精确估计,从而为主动容错故障调节提供诊断依据.以卫星姿态控制系统飞轮摩擦力矩增大这一典型非线性执行器故障的过程故障量精确诊断为应用实例验证了本文方案的有效性及优越性.     

基于神经网络与自适应控制的系统重构方法

针对可重构飞行控制系统提出一种基于神经网络的抗扰动方法,其核心是运用神经网络的函数逼近能力去抑制非线性形式且动态特征未知的扰动。同时提出一种基于输入误差的自适应模型跟踪控制算法,可以保证系统在发生故障或局部损坏时的安全性和稳定性。将神经网络与自适应控制结合,从而降低扰动对故障检测和系统重构的影响,进而有效的降低故障误报率,提高系统的安全性。通过一个具体航空系统的仿真结果证实了该方法的有效性。     

基于自适应小波网络的反舰导弹非线性控制算法研究

提出了一种综合运用动态逆、小波神经网络和滑模控制的非线性控制方法。首先运用动态逆理论对非线性系统进行近似线性化,利用具有在线学习能力的小波网络来抵消系统的误差,根据李雅普洛夫稳定理论导出了网络权值的自适应调整规则,用滑模控制和鲁棒控制分量保证了系统的鲁棒性。将该非线性控制算法用于某型STT导弹的控制系统设计,并采用输出重定义技术解决原系统的非最小相位问题。仿真结果表明,这种方法能有效消除扰动的影响,提高导弹过载控制系统响应的精度。
     

高超声速飞行器自适应神经网络控制

针对一类高超声速飞行器,在充分考虑其非线性模型包含未建模动态、气动参数变化、弹性形变等产生的未知非线性不确定函数以及外界扰动的情况下,设计了一种基于自适应神经网络的非线性逆控制器。首先,将系统的动态特性分为标称部分和不确定部分,采用非线性逆的思想设计标称部分的控制器,利用神经网络逼近不确定部分,将神经网络的最优权值采用自适应律进行调节,提高神经网络的在线逼近能力。利用改进的变结构控制来消除神经网络逼近误差的影响,最终使跟踪误差收敛为零,并保证闭环系统的信号有界。通过仿真验证了设计方法的正确性。     

适于惯导系统初始对准的神经网络实时算法研究

通常卡尔曼滤波器被用于解决惯导系统的初始对准问题。由于卡尔曼滤波的运算时间与系统阶次的立方成正比 ,所以当系统阶次较高时 ,滤波器会失去实时性。而神经网络具有函数逼近性能 ,实时性又好。为此 ,本文研究了一种基于扩展卡尔曼滤波原理的权值更新多层神经网络学习算法 ,对此算法进行了详细的推证 ,并将该算法运用到惯导系统的初始对准过程。仿真结果表明了这种神经网络结构用于惯导系统初始对准问题的有效性 ,既真正获得了与扩展卡尔曼滤波器相同的对准精度 ,又大大提高了系统的实时性     

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。     

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。     

模糊神经网络控制器在飞行器姿态控制中的应用

基于ＡＫａｗａｍｕｒａ等人提出的Ｎｅｕｒａｌ－Ｆｕｚｙ协作系统概念［１］，根据模糊系统的结构，确定等价结构的神经网络。网络保留了模糊控制系统的优点，空间结构清晰，同时具有学习功能，并介绍了采用多层神经网络表达模糊控制系统的知识规则、模糊推理和学习算法，给出了控制某导弹纵向姿态的仿真结果，结果表明该控制系统具有较强的鲁棒性。     

竞争学习模糊神经网络及在导弹故障诊断中的应用

尽管基于解析冗余的故障诊断方法有许多突出的优点而越来越多地得到的研究和应用，但它依赖于系统的模型，当系统存在非线性或不确定性时，存在难以建模的困难，模糊神经网络可以通过学习建立系统的模型，且模型参数有明确的物理意义，初始参数易于选择，成为解决这一问题的优选途径，作者通过把模糊神经网络的学习转化为竞争聚类和线性优化问题，基于竞争聚类和最小二乘原理，提出了一种模糊神经网络学习算法，并在某伺服机构上进行     

基于BP神经网络的自主定轨自适应Kalman滤波算法

针对Sage Husa自适应滤波方法存在的窗函数开窗大小选择问题,提出一种基于BP神经网络学习估计系统协方差矩阵的自适应Kalman滤波算法。该算法以Kalman滤波预测残差向量作为网络输入,通过网络分段离线学习确定预测残差向量与预测残差协方差矩阵间的非线性关系,自适应地估计Kalman滤波系统协方差矩阵。将其应用到自主定轨系统,仿真结果表明利用本文算法自主定轨60天星座平均URE误差小于1.9米,且能够快速跟踪到系统噪声的突变,较Kalman滤波方法和Sage Husa自适应滤波方法具有更好的性能。     

基于YOLOv6框架实现典型通信信号调制快速识别方法

随着战场通信侦察对抗系统的快速发展,通信信号体制变得非常复杂,给非合作接收条件下的通信信号检测、调制识别及信号辐射源个体识别带来困难。为了全面掌握信号先验信息,对复杂多样的通信信号体制进行盲检与识别,本文提出基于时频图分析和深度神经网络的多种通信信号自动调制识别方法。首先,利用时频分析将不同典型通信信号转换为时频图像,再将标注后的时频图输入基于深度学习的YOLOv6（目标检测模型）网络中进行特征学习;然后,通过设计YOLOv6更高效的网络结构,使其能够对信号的时频图进行快速识别;最后,将训练后的网络权重对典型通信交叠信号进行测试,对提取的特征向量进行分类识别,完成6种调制方式识别与位置的快速确定,实现在非合作接收条件下的多个典型通信信号调制方式的检测和识别。     

晶体生长炉神经元网络PID解耦控制系统

多温区晶体生长炉是一种多输入多输出、强耦合的被控对象。根据多温区晶体生长炉内温场分布的要求,提出一种神经元网络PID多变量强耦合系统控制器,通过在线学习自动调节控制器参数,同时实现解耦和控制作用。仿真结果验证了本方法对多变量强耦合时变对象具有良好的解耦性能和自学习控制特性,达到了系统所要求的控制指标。