基于神经网络模型的伺服系统控制与补偿方法研究

本文从两个角度提出使用神经网络模型提高伺服系统的控制精度。首先，分析了扰动力矩对精密伺服系统的影响。提出使用神经网络方法建立扰动力矩的数学模型，并根据全补偿原则设计补偿环节，实现扰动力矩的动态补偿。进而考察一类非线性伺服系统对象，研究使用神经网络模型实现对象逆动态模型的在线辩识和控制，在实验室条件下进行了神经网络伺服系统补偿控制的实验研究。试验结果表明这种新的补偿方法对提高伺服系统的精度十分有效，具有实际应用价值。     

基于动态逆和神经网络的机动弹头姿态控制系统设计

机动弹头是复杂的非线性系统,它给姿态控制系统设计人员以极大的挑战。为了满足飞行稳定性要求,提高系统的适应性和鲁棒性,本文构造了动态逆神经网络姿态控制系统,设计了慢变量和快变量动态逆,引入了在线神经网络进行逆误差的补偿。实例仿真的结果表明:动态逆和在线神经网络的结合,能够实现弹头的稳定飞行。     

基于神经网络杂交模型的降落伞动态应力补偿方法

文章以小型平面圆形伞为原型,根据伞衣初始充气过程中的计算流体力学与结构动力学的耦合模型,引入神经网络杂交建模的思想;提出降落伞开伞过程中伞衣动态应力测量的补偿方法;使用静态样本数据,对跌落、风洞动态试验中采集到的动态应力样本进行补偿计算。计算结果表明:应力补偿方法较准确地反映瞬态伞衣应力变化情况,具有收敛性和有效性,对降落伞设计具有参考意义;与传统的神经网络补偿方法相比,神经网络杂交模型能够显著提高补偿精度,且具有更小的计算规模和更快的收敛速度。     

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。     

基于自适应动态逆的自主飞艇速度控制系统设计

针对无人自主飞艇上升或下降的速度控制问题,提出了一种基于神经网络自适应动态 逆控制的飞行速度控制设计方法。基于自主飞艇浮力控制系统的配置状况,建立了飞艇飞行 速度的数学模型。引入速度控制系统的参考模型,并利用神经网络学习功能,获得非线性控 制系统的动态逆;通过引入速度误差的非线性补偿项,自适应补偿整个控制系统由于动态特 性变化引起的误差,克服包括参数摄动与外界扰动在内的各类不确定性因素的影响,实现飞 艇对期望速度的稳定跟踪。最后仿真结果表明,所提出的控制方案对无人自主飞艇的飞行速 度具有良好的控制效果,从而验证了控制系统设计的有效性。     

基于神经网络的机动飞行器自适应控制方法

针对机动飞行器强耦合性、快时变性以及高不确定性的问题,建立了六自由度刚体运动数学模型,按照时间尺度将姿态运动模型分为快变子系统和慢变子系统并分别设计动态逆控制律。然后给出了神经网络自适应控制器的设计方法,对神经网络的逆误差补偿原理、输入的选择、权值矩阵更新规则进行分析。通过算例进行六自由度仿真,证明本文方法的跟踪精度较高。     

无人机神经网络动态逆控制器设计研究

针对无人机动态逆控制器存在的明显缺陷,采用在线神经网络对逆误差进行补偿,设计了神经网络动态逆控制器.构造了一种单隐层神经网络结构,证明了整个闭环系统的稳定性,给出了稳定的在线神经网络权值调整算法.通过仿真验证了该方案的鲁棒性、对故障的适应性以及在作动器纯延时下的响应性能,证明了在线神经网络对动态逆控制器具有明显的改善作用.对于无人机先进飞行控制系统的设计研究具有重要的参考价值.     

改进RBF网络学习算法在卫星姿态控制中的应用

提出了一种基于神经网络扰动补偿的姿态控制方法，首先，针对RBF网络的常用学习算法－－正交最小二乘（OLS）算法，提出了改进的规范正交最小二乘（ROLS）算法：然后，基于某型小卫星的姿态控制问题，设计了高精度定向阶段的神经网络补偿控制器。仿真结果表明，改进的ROLS算法是有效的，神经网络补偿控制方案是可行的。     

基于神经网络的飞行器抗饱和自适应控制

针对传统自适应控制在飞行器作动器具有幅值饱和与速率饱和的情况下难以实现良好飞行控制的问题,提出了一种基于神经网络与伪控制隔离的飞行器抗饱和自适应控制方法.首先根据模型参考自适应控制理论,结合动态逆与神经网络自适应方法,分析了系统的模型跟踪误差动力特征,并考虑飞行器具有参数不确定和未建模误差等动态逆误差,设计了在线神经网...     

基于双量程推力传感器的精确测力技术

针对双量程推力传感器在使用中测试精度低的问题,结合传感器固有特性,开展了传感器动态特性分析及误差补偿方法的研究。通过有限元分析和力锤冲击试验,结合结构分析获得了双量程力传感器等效二自由度和三自由度动力学模型。利用近似求积数值法对冲击力试验输出信号进行补偿,获得了接近标准信号的测试结果,对该补偿方法进行了有效性验证。结果显示:本方法对发动机试验的推力信号进行了补偿,推动了单室双推力发动机推力的精确测量,为双推力发动机的推力测试提供了有效途径。     

BTT导弹的神经网络自适应非线性自动驾驶仪设计

针对BTT导弹的飞行控制问题,提出一种基于近似动态逆及神经网络理论的非线性自动驾驶仪设计方法.给出了神经网络自适应动态逆控制规律,建立了BTT导弹的数学模型,设计了导弹的神经网络自适应动态逆控制系统结构,并进行了控制效果的数值仿真分析.仿真结果说明了神经网络自适应非线性自动驾驶仪在导弹飞行控制中具有较高的控制精度和很好的鲁棒稳定性.     

基于轨迹线性化方法的导弹动态逆控制系统设计

基于动态逆控制及轨迹线性化方法,研究了一种新的导弹鲁棒自适应控制系统设计方法.首先,基于导弹的非线性模型设计快、较慢回路的动态逆控制器,以实现其非线性解耦;然后,在较慢回路中设计鲁棒自适应轨迹线性化控制器,以补偿整个控制系统的不确定性及干扰,即在轨迹线性化控制的基础上,通过设计RBF神经网络在线估计系统中存在的不确定性...     

基于自适应RBF神经网络的可重复使用运载器再入段姿态控制

针对再入段可重复使用运载器(Reusable Launch Vehicles,RLV)姿态控制问题,提出一种基于自适应径向基函数(Radial Basis Function,简称RBF)神经网络(ARBFNN)的姿态控制方法。首先,建立RLV的6-DOF非线性动态模型,并将旋转动力学模型变成严反馈形式。然后,设计了一种自适应RBF神经网络控制(ARBFNN)结构,可以减少神经网络逼近误差的影响。同时,通过李雅普诺夫和自适应控制的结合消除了控制器设计过程中的不确定影响,并验证了系统的稳定性。最后,通过仿真验证了所提算法在解决再入段RLV姿态控制问题上的有效性。     

刚柔耦合系统神经网络跟踪控制方法研究

针对刚柔耦合系统的姿态跟踪及振动抑制问题,采用一次近似动力学模型,提出了一种神经网络控制方法.典型刚柔耦合系统由一个中心刚体和带有末端质量块的柔性附件组成,假设系统参数未知并且截断模型具有任意的有限维.该方法利用多层神经网络补偿系统非线性项及未建模动态,利用其自学习和自适应能力,降低不确定性因素对系统产生的影响;并且控制器只利用姿态角和角速度信息进行反馈控制,不需要知道柔性附件振动信息.理论分析和实验结果表明该方法使闭环系统所有信号一致最终有界,能有效地使系统完成姿态跟踪,而且能显著地减少柔性结构的弹性振动.     

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。     

拦截大机动目标的三维制导控制一体化设计

针对大机动目标拦截过程中目标加速度未知的问题,提出一种结合有限时间收敛扩张状态观测器与自适应动态面控制的复合三维制导控制一体化设计方法。首先,建立基于弹目视线坐标系下的三维全耦合六自由度侧滑转弯导弹的制导控制一体化模型,减少了假设条件;采用动态面方法,避免传统反步法设计中的"计算膨胀"问题,引入有限时间收敛的扩张状态观测器来在线估计并补偿包括目标加速度在内的不确定性,同时结合自适应鲁棒控制策略,对新型扩张状态观测器的观测误差进行补偿,有效地提高了对大机动目标的拦截精度。基于李雅普诺夫稳定性理论证明了闭环系统的稳定性。导弹六自由度全状态模型的拦截仿真证明了设计方案的有效性。     

高超声速飞行器输入受限自适应反演控制研究

针对输入受限和参数不确定时的高超声速飞行器控制问题,提出了一种基于径向基函数(RBF)神经网络补偿的自适应反演控制方法。建立了飞行器纵向运动模型,分析了由控制系统执行机构、弹性振动和避免发动机燃烧室热雍塞导致的燃料-空气比和升降舵偏角受限,通过设计辅助系统以保证受限时闭环系统的稳定性。分别采用动态逆和反演方法设计速度与高度子系统控制器,利用RBF神经网络逼近控制律的饱和特性,设计了一种非线性干扰观测器对模型不确定参数进行自适应估计,并在控制律中引入不依赖扰动上界的鲁棒项,对未观测的扰动部分进行自适应补偿,以保证控制律的强鲁棒性。引入跟踪微分器估计虚拟控制量的导数,解决了传统反演控制中"微分膨胀"问题。Lyapunov函数分析证明了闭环系统所有信号最终一致有界,闭环系统稳定。仿真结果表明:所提的控制策略能有效处理控制输入饱和问题,在受限情况下实现速度和高度对参考输入的高精度稳定跟踪,并对模型不确定性具较强的鲁棒性。     

基于RBF神经网络的导弹鲁棒动态逆控制

讨论了一种基于神经网络的导弹鲁棒动态逆控制方法。导弹的基本控制律采用动态逆方设计,针对存在动态逆误差的慢回路设计神经网络鲁棒逆控制器。用RBF神经网络逼近导弹慢模态数学模型,并把逼近误差引入到网络权值的调节律以改善系统的动态性能;鲁棒控制器用于减弱模型不确定性及神经网络的逼近误差对跟踪精度的影响。所设计的控制器不仅保证了闭环系统的稳定性,而且使模型不确定性及神经网络的逼近误差对跟踪精度的影响减小到给定的性能指标。最后通过仿真分析,验证了该方法的有效性。
     

HR-30E型磁带机在静环境与动环境下动态性能的研究

文章研究了磁带机在静环境与动环境下的各项性能指标,介绍了动态性能测试原理以及动态重复性与动态线性度的计算方法,并对磁带机进行了动态补偿研究,补偿结果能够满足工程要求。     

利用BP网络校正跟踪接收机的相位漂移

针对跟踪接收机不同通道之间相位差的漂移问题,提出利用BP神经网络作为校正环节来消除此相位漂移。通过原理分析用数学方法描述跟踪接收机存在的相位漂移问题,介绍BP神经网络的网络模型和一种动态全参数自适应学习算法,进而提出基于BP神经网络的相位漂移校正算法。仿真结果表明,该方法的相位校正效果较好,不仅保证了系统的角跟踪精度,而且实现了高度的自动化。