基于高阶奇异值分解的LPV鲁棒控制器设计

针对高超声速飞行器线性变参数（LPV）模型建模中准确度与复杂度之间的矛盾性,提出了一种基于网格化张量及高阶奇异值分解（HOSVD）的凸多胞LPV模型建模及控制方法。首先基于雅可比线性化给出了大包线网格化模型的张量描述形式,然后提出了一种基于HOSVD的多胞LPV模型生成算法,将网格化模型表述为有限个线性时不变（LTI）顶点及权重函数的组合,并基于舍弃的奇异值给出了建模误差的指标,最后结合某航天飞机再入段六自由度非线性模型进行了大包线鲁棒LPV控制器设计与仿真验证,结果表明该方法可获得计算复杂度低且保证建模精度的LPV模型,设计的鲁棒变增益控制器能够使系统快速跟踪姿态角指令信号,并能够保证系统的稳定性和鲁棒性。      

基于受限参变率的飞翼无人机舵面阵风减缓控制

飞翼无人机具有俯仰惯量低、纵向稳定性弱等问题，使其阵风响应对飞行参数的变化较为敏感，并且飞翼无人机的舵面较多，不同的控制策略下阵风减缓的效果不同。因此，对这类飞行器进行考虑参数变化率阵风减缓线性变参数（LPV）控制律设计，并对不同舵面组合方式的控制性能展开对比研究。结合参数依赖的Lyapunov函数方法和变参斜投影降阶算法，构建了同时考虑参数变化率限制和模型降阶条件的LPV阵风减缓控制器。基于该方法对Mini-MUTT飞翼无人机模型设计LPV阵风减缓控制器；探究了不同舵面控制策略对减缓效果的影响。结果表明:采用变参斜投影降阶算法得到的降阶模型可有效表征全阶模型的动力学特性；设计的LPV阵风减缓控制器能够保证阵风在较宽速度范围内有效减缓；在单一舵面阵风减缓中，置于外侧的舵面控制效果优于内侧舵面；而在双舵面阵风减缓中，双舵面的控制效果优于单一舵面，但控制所需输入能量也会增加。在工程应用中需要针对具体问题，综合考虑控制效果和能量消耗以确定合适的控制策略。      

基于分层随机梯度辨识算法的传感器故障检测方法

提出一种基于两阶段递推随机梯度参数辨识的传感器故障的在线检测方法.相对于最小二乘参数辨识算法,随机梯度参数辨识算法所需计算量更小.针对计算能力受限的系统,提出基于随机梯度参数辨识的检测算法.通过分析可知,参数辨识精度越高时检测精度越高.为提高精度,给出基于两阶段递推随机梯度参数辨识的检测算法并设计基于最新估计信息的残差.除此之外,还给出新的检测算法与原有的基于最小二乘检测算法计算量的对比分析,并通过仿真实例,证明新的检测算法的优越性及有效性.     

一种简化递推偏最小二乘建模算法及其应用

在已有的偏最小二乘相关算法基础上,提出一种简化的递推偏最小二乘算法,即直接采用自变量主元的2个回归系数矩阵来取代残差矩阵进行递推计算,进一步简化了递推计算过程,在保证建模精度的同时,使计算速度提高了近一倍.并以数控铣削加工过程中切削合力峰值在线建模为应用实例,对切削过程z传递函数的参数进行了在线辨识计算,由估计模型重构了切削过程的输出,其结果与实验测量值是一致的,且误差很小.仿真和实验结果表明,该简化递推偏最小二乘建模算法是正确和有效的,并且具有计算量小、辨识速度快、建模效率高等特点,适用于数据量较大、建模速度要求较高的研究对象的在线建模.      

非仿射参数依赖LPV模型的变体飞行器H∞控制

变体飞行器可以在不同的飞行环境及飞行任务下自适应地进行结构变形,从而确保飞行过程中具有最优的气动性能。以一类翼展可变的飞行器模型为对象,研究了一种针对非仿射参数依赖结构的线性变参数(LPV)系统的控制问题。在Jacobian线性化基础上,将变体过程中的非线性模型精确拟合为以翼展变形率为时变参数的LPV系统。与大多数LPV控制不同的是,此系统为多项式参数依赖结构,不具有仿射参数依赖形式。利用线性分式表示(LFR)将具有非仿射参数依赖结构的LPV模型转换为等价的线性时不变(LTI)系统。为保证变体过程的稳定,针对此LFR形式的变体模型,在满足二次Lyapunov稳定的线性矩阵不等式(LMI)条件基础上,设计了一类基于状态反馈的H∞控制器。仿真结果表明,上述控制器在外部存在干扰的情况下,能够保证变体过程的全局稳定性。因此基于LFR转换的控制器设计方法不再局限于仿射参数依赖形式,对于广泛LPV系统具有普遍适用性。     

二次代数多项式曲线拟合的一种简易求法——双斜率法

二次多项式曲线拟合是一种最简单的非线性拟合,在仪表、传感器及其元部件的标定试验数据处理中应用较广。使用最小二乘法进行二次多项式曲线拟合,其计算工作量较大,通常需要使用数字计算机和一套专用程序。正如在直线拟合中有一些平均法可用作最小二乘法的近似法一样,本文提出的简易方法也可做为二次多项式最小二乘法曲线拟合的一种近似方法,这种方法远较最小二乘法简单,也比二次插值法简单和优越。在要求中等拟合精度(1%量级)的情况下,用本方法所得结果比较按近最小二乘法的结果。     

基于间隙度量的鲁棒LPV控制律设计

针对高超声速飞行器飞行包线范围广和模型参数不确定性大的问题,提出了基于间隙度量的鲁棒线性变参数(LPV,Linear Parameter-Varying)控制律设计方法.该方法将间隙度量引入LPV控制器设计中,提出了基于最优间隙度量的凸分解策略,并将其应用于多胞顶点的分解和鲁棒LPV控制器的自增益调参,以降低控制器的保守性;考虑模型的参数不确定性求取多胞LPV系统的顶点模型并设计顶点控制器,以提高顶点边界附近LPV控制器的鲁棒性;以某型高超声速飞行器为对象设计了鲁棒LPV控制器.仿真结果表明:该方法能降低大包线内控制器的保守性,实现高超声速飞行器在整个设计包线内精确的指令跟踪,并且在模型参数存在大的不确定性情况下仍保证系统的鲁棒性能和稳定性.     

一类有色噪声干扰随机系统最小二乘递推辨识

提出一类有色噪声干扰随机系统的辅助模型最小二乘递推辨识算法.此算法结合辅助模型辨识思想和递推增广最小二乘理论,用辅助模型的输出代替辨识模型信息向量中未知中间变量,用估计残差代替信息向量中不可测噪声项,从而可以运用递推辨识思想来估计系统所有参数,包括噪声模型参数.仿真例子说明提出算法的有效性.      

伴飞航天器轨道修正点状态的最小二乘估计

研究了近圆轨道航天器长期伴随飞行在轨道修正时刻相对状态的最小二乘估计方法。针对长期伴飞航天器在固定时刻进行轨道修正的特点,提出采用最小二乘估计方法对轨道修正时刻的相对位置状态进行估计,并基于模型误差特点提出对该算法进行改进的加权最小二乘估计算法。算法具有计算相对简单、算法灵活等特点。仿真结果表明,对于固定时刻的状态估计,这种加权最小二乘估计算法和扩展卡尔曼滤波算法的效果相当,能够满足在轨长期伴随飞行在轨道修正时刻的相对状态估计精度要求。     

多元线性回归模型的增量算法

伴随着各领域信息化的发展,数据多呈现出快速、连续流入的特点.面向海量不断更新的数据集,在具有广泛使用价值的线性回归模型中,考虑引入增量算法.通过基于叉积矩阵的增量计算公式,得到最小二乘估计模型的增量算法,并进一步扩展到其他的模型估计量和检验统计量中.该增量算法运用了全部的数据信息,与使用全部数据建模具有完全相同的结果.算法节约了数据读取时间,减小了数据存储传输的压力,从而提高了计算效率.数据仿真实验验证了算法的有效性.     

基于连续小波变换的飞行器结构模态参数辨识

给出了一种基于连续小波变换的多输入多输出MIMO(Multiple-Input Multiple-Output)飞行器结构模态参数的辨识方法.对结构离散运动方程进行连续小波变换建立了小波域内的系统AR(Auto Regression)模型,AR模型的系数矩阵决定着系统的动力学特性,可以通过最小二乘法求得.模态参数可以通过求解由AR系数矩阵构成的特征矩阵的特征值来获得.与已有基于小波变换的模态参数辨识方法相比,该方法应用了连续小波的时移共变性和小波变换的滤波能力来确保辨识的效率.在辨识过程中,采用优化算法提高了辨识的精度和稳定性.算例仿真结果表明该方法具有较高的计算精度和稳定性,能用于飞行器结构模态参数的辨识.      

多刚体卫星转动惯量在轨辨识

惯量辨识需要精确的动力学特性,针对动力学特性不可忽略太阳电池阵转动这一状况,提出一种惯量辨识方法,用于卫星本体惯量和太阳电池阵惯量的联合辨识.在建立多刚体姿态动力学基础上,针对辨识变量的耦合特性,推导带约束的优化辨识模型,再利用约束最小二乘算法求解.最后通过仿真计算验证了辨识方法的可行性.     

Influence of different data fusion methods on the accuracy of three-dimensional displacements field

Combining multi-source data can improve the accuracy and the spatial resolution of the three-dimensional (3-D) displacements field. How to effectively integrate multi-source data to obtain high-precision and high spatial resolution 3-D displacements field is worthy of further study. The stochastic model and fusion model of integrating multi-source data affect the accuracy of data fusion. In this paper, based on the least squares method, the effects of different stochastic models and data fusion models on the 3-D displacements field’s accuracy are studied. The optimal method for estimating large-scale 3-D displacements field from integrated InSAR, leveling and GPS measurements is obtained. Then we realize the integrating InSAR, leveling and GPS measurements to obtain the high-precision 3-D displacements velocity field in Tianjin (China) from 2016 to 2018. The results are validated with GPS measurements at 6 independent stations, with the root mean squares (RMS) residuals of the discrepancies being 2.39 mm/yr, 2.54 mm/yr and 2.83 mm/yr in eastern, northern and vertical directions, respectively. By comparing different stochastic models, the 3-D displacements field obtained from multi-source data is optimized by the variance component estimation-least squares method, which is better than weighted least squares (WLS) method. By comparing different data fusion models, the accuracy of the horizontal displacements velocity is better than that of interpolated GPS results. The horizontal displacements component has a great influence on the vertical displacements velocity accuracy in the process of acquiring the 3-D displacements velocity by integrating InSAR, GPS and leveling measurements. This study provides a reference method for integrating multi-source data to obtain 3-D displacements field. This method effectively utilizes the advantages of GPS, InSAR and leveling measurements, and extends the limitations of single technical in describing surface-time scale applications. The 3-D displacements information with a large spatial scale and high spatial resolution provide a reliable data basis for studying the crustal movement and its dynamic mechanism.     

偏最小二乘回归模型内涵分析方法研究

偏最小二乘回归是一种新型的多元分析方法。它可以在自变量多重相关的条件下,有效地构造出对系统解释性最强的子空间,进行发建模,使模型的精度和可靠性得到很大的提高。本文提出采用因素分析方法,对偏最小二乘回归的最优子空间进行正交变换。这种变换方法对偏最小二乘回归的模型结果没有任何影响,却可以使最优子空间的实际含义得到更好的解释。案例研究表明,经过正交变换后,原始变量被分为若干变量组,每个变量组分别对应于最     

基于随机森林的航天器电信号多分类识别方法

针对航天器电特性信号数据存在数据量大、特征维数高、计算复杂度大和识别率低等问题,提出基于主成分分析(PCA)的特征提取方法和随机森林(RF)算法,对原始数据进行降维,提高计算效率和识别率,实现对航天器电信号数据的快速、准确识别分类。随机森林算法在处理高维数据上具有优越的性能,但是考虑到时间复杂度问题,利用主成分分析方法对数据进行压缩和降维,在保证准确率的同时提高了计算效率。实验结果表明:与其他算法相比,针对航天器电特性信号数据,本文方法在准确率、计算效率和稳定性等方面均显示出优异的性能。