航空发动机PID神经网络解耦控制

对航空发动机的双变量解耦控制方法进行了研究,提出了一种基于遗传算法的PID神经网络解耦控制算法。该算法将遗传算法用于多层前向神经网络的连接权系数的学习,克服了BP算法易陷入局部权值的缺点,并具有PID神经网络控制器结构简单规范、动态和静态性能良好等优点。     

全飞行包线LQG／LTR多变量控制器设计

根据某型涡喷发动机不同飞行条件、不同工作状态设计了一组双变量LQ/LTR控制器,同时利用一个神经网络对这组控制器的控制参数进行拟合,以使发动机在全飞行包线内各工作状态都有良好的控制性能。仿真结果表明,在整个飞行包线内,控制系统不但有良好的鲁棒性,而且调节性能良好,能满足发动机控制的要求。     

一种双变量模糊 PI 控制在航空发动机控制中的应用

针对某型航空发动机的性能控制,提出了一种双变量模糊ＰＩ控制算法,构造了双变量模糊ＰＩ控制器,研究它在航空发动机控制中的应用,探索航空发动机采用双变量模糊控制的规律,为航空发动机控制探索了一种新方法。     

一种双变量自校正模糊 PI 控制在发动机控制中的应用

 提出了一种双变量自校正模糊PI控制算法,构造出一种航空发动机双变量自校正模糊PI控制器和控制系统,研究了控制器和控制系统的特性,为发动机控制探索了一种新方法。     

基于RBF网络辨识的涡扇发动机双变量神经网络PID解耦控制

根据神经网络与PID算法相结合的思想, 针对涡扇发动机双变量控制中变量之间的耦合问题, 提出基于径向基函数神经网络(RBF)辨识的发动机双变量神经网络PID解耦控制, 并给出控制系统的控制结构及原理.仿真结果表明, 该方法控制精度高、跟踪性能强、鲁棒性良好, 能够有效地减小各回路之间的耦合影响, 并保证控制系统具有良好的稳态和动态性能, 适合航空发动机控制.      

航空发动机自适应神经网络PID控制

本文提出了一种航空发动机多变量自适应神经网络 PID控制方法, 采用基于共轭梯度的神经网络学习算法在线整定控制器参数。该控制器的设计无需知道发动机精确模型, 具有响应速度快、抗干扰能力强和鲁棒性好等优点。控制器不仅算法简单, 实现容易, 而且适用范围广。      

LQG／LTR方法在涡扇发动机控制中的应用

采用LQG／LTR多变量鲁棒控制器设计方法设计了某型航空涡扇发动机控制器；利用神经网络拟合发动机飞行条件、状态与控制器参数之间的关系,验证了控制器在全飞行包线内的性能。仿真结果表明,发动机控制系统的指令跟踪、噪声抑制、抗干扰和鲁棒性等性能良好,能满足发动机稳态控制的要求。     

航空发动机多变量 PI 型鲁棒控制器

首先用奇异值分解法,将航空发动机不同平衡点的小偏离线性模型统一为一个具有结构参数扰动的线性模型,然后应用鲁棒H∞控制理论及PI型H∞控制设计技术,设计了PI型鲁棒串级控制器,实现了低压转速和涡轮后温度同时保持常数的双变量发动机调节方案。最后采用某型双转子涡喷发动机气动热力学非线性数字模拟器,对所设计的控制器进行了仿真评估,结果表明控制系统具有良好的动态响应及鲁棒稳定性。     

航空发动机递归神经网络分路式解耦控制

针对航空发动机多变量控制中变量之间的耦合问题,提出了一种基于递归神经网络的分路式动态解耦控制方法,给出了发动机双路式解耦控制系统的结构及其解耦原理和算法。利用递归小波网络较强的动态非线性映射能力,在线完成发动机各控制通道的模型辨识,并回馈对应的灵敏度信息;神经网络PID控制器根据回馈的信息在线自适应调整参数,实现发动机各通道的准确跟踪和分路独立控制。仿真表明,该方法在保证控制系统良好的动态和稳态性能的同时,有效地减小了各回路之间的耦合影响,能够成功应用于发动机控制系统的解耦。      

基于RBF网络辨识的航空发动机模糊神经网络解耦控制

对航空发动机的多变量解耦控制方法进行了研究,提出了一种基于RBF网络辨识的航空发动机模糊神经网络解耦控制方法。该方法利用RBF网络辨识航空发动机的实时模型,为模糊神经网络控制器参数的调整提供了Jacobian信息,解决了模糊神经网络自适应控制器在被控对象不能精确建模情况下应用的问题。仿真结果表明,系统鲁棒性强．在设计点和偏离设计点处,均具有良好的动态特性和解耦特性。     

一类非线性系统的反演变结构控制及应用

针对一类非线性系统 ,将其变换为易于设计变结构控制规律的规范型。利用小脑关节神经网络( CMAC)估计系统中的不确定函数 ,利用 CMAC神经网络和多面滑模技术估计出变换后系统的状态 ,最后利用变结构控制技术设计出控制器 ,特点是无需已知不确定性函数及其各阶导数的上界 ,与经典设计方法相比 ,所提出的方案允许非参数化不确定性。最后将此方法应用于空空弹控制系统的设计中 ,仿真结果表明了该方法的有效性     

电液力伺服系统的神经网络并行自适应预测 PI 控制

考虑电液伺服系统的复杂非线性和不确定性特性,提出一类基于神经网络的并行自适应预测PI控制结构,该结构使控制参数的调整和系统的实时控制操作可并行进行,不仅做到了神经模型和控制器的在线辨识和设计,而且避免了神经网络方法通常存在的实时控制的困难,使复杂系统的在线学习控制成为可能。仿真结果表明该控制器具有良好的适应性和鲁棒性。      

基于滑模神经网络的自主飞艇姿态控制

针对自主飞艇飞行环境的不确定性,提出了一种基于自适应滑模神经网络的姿态控制系统.平流层高空飞行环境对飞艇控制产生了许多不确定性因素,利用自适应变结构控制和神经网络方法设计了飞艇的俯仰通道控制器.非线性仿真结果表明:控制器能够适应对象结构参数及外部扰动的大范围变化,满足姿态控制稳定性要求,同时也消除了变结构控制系统的抖振,具有良好的鲁棒性和动态性能.     

基于GA的航空发动机单神经元自适应解耦控制器设计

针对航空发动机控制变量间的耦合作用,设计了基于GA优化的单神经元自适应解耦控制器,给出了控制系统的结构及解耦算法。该方法结构简单、易于实现,直接通过对两个通道误差的学习调整权值,实现解耦。仿真表明,在设计点和偏离设计点处,系统均具有良好的动态特性和解耦特性。     

基于神经网络的GAIN-SCHEDULED飞行控制器设计方法研究

采用神经网络设计ＧＡＩＮＳＣＨＥＤ－ＵＬＥＤ控制器,给出神经网络ＧＡＩＮ－ＳＣＨＥＤＵＬ－ＩＮＧ控制器的实现方法,这样做可以简化控制器的ＳＣＨＥＤＵＬＩＮＧ参数,并且能够区分不同条件下的控制器结构。将其用于飞行控制器的设计,验证了所提方法的有效性。     

基于自适应神经网络的非线性飞行控制

结合反馈线性化和神经网络提出了一种新的飞行控制系统设计方法,通过反馈线性化将非线性耦合系统等效转换为线性解耦系统,利用具有在线学习能力的神经网络补偿反馈线性化的误差,建立了基于自适应神经网络的控制结构,并利用李亚普诺夫函数导出了网络权值的自适应调整规则。在巡航弹地形跟踪应用中的结果表明,该控制系统不仅具有精确的跟踪性能而且具有良好的鲁棒性。     

导弹块对角控制器的组合设计法

利用小脑关节模型控制器 ( CMAC)神经网络辨识了导弹控制系统的几个重要空气动力参数,证明了估计误差、权误差有界,然后用解析逆解设计方法、模糊神经网络变结构控制方法设计了块对角控制器。仿真结果显示了该算法的有效性。     

基于小波神经网络的自适应飞/推控制系统设计

基于小波神经网络提出了一种H∞自适应控制方法。控制器由等效控制器和H∞控制器两部分组成。用小波神经网络逼近非线性函数,并把逼近误差引入到权值的自适应律中用以改善系统的动态性能。H∞控制器用于减弱外部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,而且使外部干扰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。最后基于所设计的控制方法对新一代歼击机设计了飞/推控制系统,并对飞机作大迎角机动仿真。仿真结果表明所设计的飞/推控制系统是有效的,同时验证了所设计的非线性控制方法是有效性的。      

基于混沌变量的航空发动机模糊神经网络控制

针对模糊神经网络控制器中模糊规则的设计和神经网络权值的确定存在困难这个问题,提出了混沌优化控制方案,将混沌优化算法应用到航空发动机模糊神经网络控制中,利用混沌优化算法对模糊神经网络的参数进行优化。仿真结果表明,设计的模糊神经网络控制器具有良好的性能。      

航空发动机神经元网络控制

利用一个BP网络作为某双转子涡轮发动机的控制器,利用另一个BP网络做为非线性对象的映射器,仿真结果表明本控制结构具有较强的控制鲁棒性并有较好的应用前景。