三级倒立摆的数控稳定

 应用基于物理模型的拟人智能控制思想设计控制器.结合单倒立摆系统模型的定性分析与三级倒立摆物理结构特性分析得到定性控制律,利用系统运动模态随反馈增益系数的转化规律,由智能搜索方法实现定性控制律的量化,成功实现计算机控制三级倒立摆系统长时间稳定,并给出各状态变量实测数据曲线图.应用同样方法可以控制不同结构的三级倒立摆稳定.证实了所采用方法的有效性和实验成果的可重复性.     

一类非线性系统的鲁棒拟人智能控制

针对一类非线性不确定系统,结合二级倒立摆控制系统设计作为实例,提出一种鲁棒拟人智能控制器设计方法.首先,基于被控对象的物理模型设计拟人定性控制律,采用优化搜索算法得到标称系统的定量控制律;然后在拟人控制律基础上增加一个鲁棒补偿器,用以抑制模型不确定性部分对系统稳定的不利影响、提高系统的鲁棒性.补偿器的设计根据Lyapunov稳定性理论进行,但设计过程中避免了构造具体的Lyapunov函数这一难题.对二级倒立摆系统的稳定控制问题进行了实验验证,实验结果进一步证明了设计方案的有效性.      

飞机飞行控制律/操纵效率器多学科优化设计

基于近似模型和遗传算法,针对多操纵面布局飞机提出一种对全包线飞行控制律和操纵效率器几何形状与位置进行多学科优化的设计方法.该方法采用力矩控制方式进行控制,应用鲁棒增益调参方法设计全包线飞行控制系统,利用试验设计方法和径向基神经网络响应面获取近似的气动学科模型和控制学科模型,在近似模型基础上由遗传算法获得优化的设计参数并最终获得优化的控制律和操纵效率器.以某多操纵面布局无尾飞机为例进行计算机飞行仿真验证,结果表明该方法具有可行性.      

遗传算法在质量矩导弹姿态控制中的应用

研究了三轴稳定控制系统的姿态控制问题.建立了内部带有3个可移动滑块的数学模型.利用RBF(Radial Basis Function)网络的快速自学习以及自适应特性,将其作为控制器不断调整滑块的位置.同时利用遗传算法(GA)的全局、并行寻优及增强式学习能力对神经网络控制器的权系进行优化.通过对滑块位置的协调控制,改变导弹的飞行姿态.最后讨论了滑块运动特性对系统性能产生的影响并对系统稳定性进行了分析.仿真结果表明该控制律能在保证系统稳定的情况下有效地实现导弹的姿态调整,并且提高了系统的动态响应品质.      

基于神经网络的重力卸载系统控制器设计

吊挂系统是地面模拟空间机械臂重力卸载试验的重要方法之一.针对传统PID控制方式动作响应慢、鲁棒性差等缺点,提出了一种基于径向基函数(RBF)神经网络的智能控制方式.该方式有很强的非线性拟合能力,且学习规则简单,可映射任意复杂的非线性关系,便于计算机实现.利用该特性,设计了一种重力卸载精度较PID控制方式更高的控制器.该...     

一种基于标准弹道法的自适应制导律设计

提出一种基于自适应补偿思想的再入飞行器纵向制导律改进方法.首先利用未知摄动函数描述纵向动力学方程,并基于此设计了对气动参数变化具有自适应能力的控制律,与原标准轨道控制律叠加形成全控制律,最终用于再入制导.仿真结果表明,所设计的控制律对于气动参数变化,大气密度变化具有较好补偿效果.     

基于神经网络的自适应非线性控制及仿真研究

研究了神经网络非线性动态系统的自适应控制方法,首先利用改进的非线性自回归滑动平均模型,采用多层前向神经网络辨识非线性系统模型,然后直接由辨识结果设计出控制器,并根据控制误差对控制律作在线修正.利用导弹模型进行了控制仿真,仿真结果表明采用此方法可以得到较好的控制效果,而且在模型不确定和有噪声干扰的情况下仍能正常跟踪给定的迎角信号,具有较好的鲁棒性.      

基于自适应动态逆的自动空中加油轨迹跟踪

针对自动空中加油(AAR, Automated Aerial Refueling)的受油机轨迹跟踪控制问题,采用导引环与姿态控制环分离的控制策略,提出了基于非线性路径跟随导引和自适应神经网络动态逆的受油机轨迹跟踪控制方法.该方法将改进的非线性导引应用于受油机横、纵向导引控制,使用自适应神经网络在姿态角速率回路补偿外界干扰和系统模型误差,并利用比例-积分型姿态角速率误差动态方程设计自适应神经网络权值更新律.仿真结果表明:在受油机接近加油机过程中,该方法有效提高了受油机轨迹跟踪控制系统的抗干扰能力和对模型不确定性的自适应能力,能够满足自动空中加油的控制要求.     

基于RBF网络的导弹滑模动态逆控制律设计

讨论了一种基于径向基函数(RBF,Radial Basic Function)神经网络的导弹滑模动态逆控制律.导弹的基本控制律采用动态逆方法设计,对慢回路设计神经网络滑模控制器以补偿整个控制系统的不确定性.即用RBF神经网络逼近导弹慢模态不确定性的数学模型,并将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;滑模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.      

神经网络理论在微分对策中的应用

阐述了微分对策理论在实际应用中存在的问题,并从动态冲突的实际过程出发,将神经网络理论与分层式智能控制理论相结合,来模型化微分对策问题.将微分对策的双向优化问题转化成基于神经网络理论的目标机动性辨识和单向优化控制问题,将微分对策的定性与定量结合起来,为有效加入人的经验提供了一种技术途径.并采用自适应分布式学习速率,大大提高了神经网络的学习速度和精度.     

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

弹射座椅不利姿态控制规律设计

弹射座椅在低空不利姿态下的弹射救生性能是第四代弹射座椅的关键技术,而控制规律算法设计则是姿态轨迹控制的核心问题。提出了一种全新的控制规律设计方法,通过建立弹射全过程的轨迹姿态仿真模型、设计控制参数寻优计算模型,得到离散化的最优控制参数集。利用基于误差逆向传播(BP)算法的多层前馈神经网络模型,获得弹射状态全区间范围内的连续性控制规律算法。以单滚转不利姿态为例,进行了控制规律算法的设计验证。结果表明,采用本文控制规律算法后,弹射座椅在最低安全救生高度性能指标上远远优于多模态控制规律、美俄联合研制的K36Л-3.5型座椅,并基本满足国军际的性能要求。设计方案简单明确,结果算法逼近理论最优值,可以为第四代弹射座椅控制规律设计提供一定的参考意义。      

基于功耗残差的航天器CMG退化特征提取方法

为实现航天器控制力矩陀螺（CMG）性能退化状态评估，提出了一种基于卷积神经网络（CNN）与功耗残差的CMG退化特征提取方法。由于CMG控制系统对高速转子运动状态的高精准控制，CMG退化特征难以从转子运动状态数据中直接提取。针对该问题，从转子系统的能量损耗角度出发，通过分析CMG工作机理确定了影响单位时间内转子电机功耗的变量，并通过CNN建立了CMG运行状态参数与电机功耗之间的映射。将退化状态下电机实际功耗与模型输出的残差作为退化特征对CMG退化状态进行评价。通过某型号CMG的加速寿命实验数据进行验证，结果表明:构建的退化特征能够表征CMG转子轴承的性能退化情况，从而为CMG状态监测和故障预警提供参考。      

Ascent guidance law for a horizontal take-off vehicle with a multi-combined cycle engine

This paper researches the ascent guidance law for the vehicle with a multi-combined cycle propulsion. The guidance law comprises two parts, namely, the off-line optimal trajectories generation and online guidance. With respect to the off-line part, disturbances are discretized and incorporated into the trajectory optimization problem; subsequently, a set of trajectories is calculated to constitute a database. To quickly obtain a database that comprises a large number of trajectories, a novel ascent profile is proposed with respect to height and velocity. Based on this profile, only inequity constraints exist in the optimization model, and the original optimization problem is converted to a parameter searching problem. The optimal trajectories are calculated using a hybrid optimization method that comprises a particle swarm optimization (PSO) method and the Hooke-Jeeves (HJ) method. With respect to online guidance, the profile is updated using a radial basis function neural network (RBFNN) based on the current flight states and the database. Simulation validates the efficiency of the proposed optimization method by comparing the method with the pseudospectral method; the robustness of the guidance law is also validated using Monte Carlo simulation.     

输入饱和情形下战斗机大机动动态面控制

针对战斗机大机动飞行输入饱和问题,提出了一种自适应神经网络动态面控制方法。采用径向基(RBF)神经网络逼近飞机系统的不确定性,利用双曲正切函数处理系统的输入饱和问题,根据饱和受限后的实际控制输入与期望控制输入之差定义新误差变量,结合该误差变量设计大机动飞行控制律,并构造鲁棒项抵消神经网络逼近误差、外部干扰和建模误差的影响,利用动态面控制技术避免对虚拟控制器的复杂求导并减小计算量。根据Lyapunov稳定性定理证明了闭环控制系统所有信号有界,且通过选择合适的设计参数能够使姿态角跟踪误差收敛到原点的任意小邻域内。通过仿真结果的分析,验证了所提方法具有较好的鲁棒性和稳定性。