基于自适应神经网络的飞行控制律设计方案

介绍了一种自适应神经网络控制方法，利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律，保证了闭环系统的稳定性。设计了针对滚转通道的神经网络，并应用某型号飞机进行了非故障和故障状态的仿真。结果表明，自适应神经网络控制方法补偿作用显著，相当于系统具有一定的重构功能。     

一类非线性系统的神经网络自适应控制

针对一类单输入单输出不确定非仿射型非线性系统,基于多层神经网络提出了一种直接自适应控制方法。该设计方法首先应用多层神经网络自适应模拟逼近逆解中的未知部分,然后应用逆设计和自适应反演设计出虚拟控制量,最后应用反馈线性化设计方法和神经网络设计了直接自适应控制律。并利用Lyapunov稳定性定理推导了神经网络的参数调节律,保证了闭环系统的所有信号均最终一致有界。     

基于神经网络的超机动飞机自适应重构控制

 讨论了一种基于神经网络的超机动飞机直接自适应重构控制方法。飞机的基本控制律采用非线性动态逆方法设计,对于模型不准确和舵面故障等因素导致的逆误差采用神经网络进行在线补偿。通过仿真表明,在飞机发生舵面故障时,神经网络通过自适应地补偿逆误差,可以快速在线重构控制律,保持飞机稳定和一定的操纵品质。     

基于自适应神经网络的非线性飞控系统设计

将动态逆理论、神经网络和自适应控制相结合应用于非线性飞行控制系统设计中，通过动态逆控制律将非线性耦合系统转换为线性解耦系统，采用具有在线学习能力的神经网络来补偿反馈线性化中存在的逆误差，最后利用李亚普诺夫稳定性理论推导了在线网络权值的自适应调整规则。仿真结果表明，这种控制结构具有良好的跟踪能力和极强的鲁棒性。     

微小型飞行器的神经网络动态逆控制方法

微小型飞行器(MAV)精确的数学模型很难得到,限制了单纯动态逆控制方法的使用,比例-积分-微分(PID)等传统的控制方法已不能满足要求。针对这一问题,研究了应用动态逆控制方法的新途径──神经网络动态逆。选取串接积分器的多层前向神经网络训练飞行控制系统的动态逆模型,并自适应补偿逆误差。用MATLAB的NNCTRL20工具箱并结合NNSYSID20工具箱建立了仿真系统。升降舵和方向舵联合控制转弯。用PID控制器、近似神经网络动态逆模块、在线神经网络补偿器构建了飞行控制系统。仿真结果表明,神经网络动态逆有较强的鲁棒性、稳定性和指令跟随能力,比PID更适合于微小型飞行器的姿态控制。     

自适应模糊-滑模控制在重构飞行控制中的应用

 论述了综合运用非线性动态逆、自适应模糊系统和滑模控制的优点进行飞行控制律设计的方法。运用非线性动态逆理论对非线性系统进行近似线性化 ,用模糊自适应系统来抵消近似非线性逆带来的误差 ,最终的残差由滑模控制项补偿。根据李亚普诺夫稳定性理论推导了自适应系统权值的调整规律 ,从而保证了闭环系统的稳定性。将此方法应用于带推力矢量飞机重构飞行控制 ,对两类故障的仿真结果表明 :即使系统未检测到故障 ,在较大的舵面损伤情况下 ,飞控系统性能仍能得到很好的保持。     

干扰和执行器故障系统的自适应神经网络控制

针对一类存在未知外部扰动和执行器故障的过驱飞行器系统的控制问题,提出了一种非线性自适应控制方案。在自适应控制方案中,设计了神经网络补偿算法逼近未知干扰项来消除环境干扰对系统的影响,提高了系统的鲁棒性。同时,控制律的输出作为控制分配器的输入,设计自适应控制分配算法来补偿执行器故障或输入饱和,从而提高了系统的稳定性和操作性,并利用李亚普诺夫稳定理论证明了所设计的控制系统能使误差系统最终一致渐近有界。最后,给出了一个数值仿真算例,验证了控制方法的有效性。     

新一代歼击机超机动飞行的动态逆控制

 根据反馈线性化理论, 讨论了神经网络自适应非线性动态逆控制设计。首先根据时标分离原则, 采用动态逆方法设计快回路和慢回路控制器; 其次提出基于模型逆的神经网络非线性直接自适应控制方案, 设计一种在线神经网络用于补偿模型逆误差。仿真表明, 该控制方案具有较好的自适应能力和鲁棒性。     

基于神经网络的自动着陆飞行鲁棒自适应逆控制

针对飞机自动着陆飞行提出了基于神经网络的鲁棒自适应非线性动态逆控制器设计方案。首先采用非线性动态逆方法设计着陆飞行的基本控制律,再利用多层感知器神经网络设计适当的权值调整规则使其能够自适应地逼近和补偿逆误差。仿真结果表明,所设计的飞行控制系统是有效的,系统能够克服动态逆误差对着陆飞行控制带来的不利影响。     

一种基于神经网络补偿动态逆误差的方法

讨论了一种基于神经网络自适应补偿动态逆误差的方法，并应用于超机动飞机控制器设计中，飞机的基本控制采用非线性动态逆方法进行设计，对于模型不准确导致的逆误差采用神经网络进行在线补偿，仿真结果表明，采用神经网络补偿误差，弥补了非线性动态逆要求精确数学模型的缺点，而且可以简化动态逆控制律的设计，改善整个控制系统的性能。     

机械手的神经网络自适应滑动模控制器设计

 针对多关节机械手的鲁棒跟随控制器设计问题，提出了一种新的机械手神经网络自适应滑动模控制器设计方法，机械手的动力学非线性假设是完全未知的。在提出的控制结构中，高斯径向基函数神经网络用于在线补偿机械手的动力学非线性，参数学习律由稳定性理论得到。给出了系统稳定性和参数收敛性的证明。最后提出方法的可行性通过仿真得到验证。     

具有智能调节机构的航空发动机自适应控制系统

采用仅利用输入输出测量值的模型,参考自适应控制,设计了某型涡扇发动机的多变量控制系统;在飞行包线内选取标称点分别确定了自适应律的参数,以保证控制系统性能在该标称点处达到最优;用神经网络的方法拟合了发动机工作条件与自适应律参数之间的关系,建立了根据发动机工作状况选择合适自适应律参数的智能调节机构。仿真结果表明,所设计的控制系统在整个飞行包线内的标称点与非标称点均具有良好的性能。     

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。     

基于径向基神经网络的不确定非线性系统的鲁棒自适应控制

 针对能够采用仿射非线性表示的含有不确定动态的非线性系统 ,提出了一种鲁棒自适应控制方法 ,该方法根据离线辨识出的受控对象的已知部分 ,采用神经网络在线辨识其未知部分 ,并针对辨识得到神经网络模型采用反馈线性化方法设计出自适应控制器 ,同时引入滑模控制方法以增强控制系统的鲁棒性 ,从而实现鲁棒自适应控制。通过对具有未建模动态的非线性直升机空气动力学模型 ,设计了总距通道系统。仿真表明该方法是有效的。     

基于模糊模型的鲁棒自适应重构飞行控制

提出了一种基于模糊模型的歼击机鲁棒自适应重构控制方案。整个控制方案基于T S模糊模型,将歼击机各飞行状态的局部线性调节器与鲁棒自适应神经网络重构控制器相结合,避免了传统的增益预置方法中控制律在不同工作点之间切换造成的参数突变对系统性能的影响,可以保证系统在全局上拥有局部工作点具有的期望性能,证明了重构系统的全局闭环渐近稳定性。所提出的带有补偿项的完全自适应RBF神经网络,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,同时通过自适应补偿项来在线估计神经网络的近似误差边界,可以有效地在线修正建模误差、外扰及操纵面故障等因素的影响,保证系统的操纵品质。仿真结果表明了所提出方法的有效性。     

航空发动机神经网络自适应控制研究

本文研究神经网络自适应控制方法及其在航空发动机控制中应用。结合某型航空涡喷发动机,首先研究采用神经网络进行非线性动态系统辨识,包括神经网络模型辨识的格式、输入信号形式等问题。然后,提出了一种神经网络自适应控制方法,阐明了该方法基本结构、原理。最后,在选定的设计点处进行发动机控制系统设计,当偏离设计点时,利用神经网络很强的学习、适应能力,通过在线修正神经网络参数,使控制系统仍保持良好性能。      

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。     

基于径向基神经网络干扰观测器的空天飞行器自适应轨迹线性化控制

 研究了一种自适应轨迹线性化控制策略并应用于空天飞行器(ASV)飞行控制系统设计。通过理论分析指明当前轨迹线性化控制方法(TLC)对系统中的不确定存在鲁棒性不足的问题。为了解决这一问题，首先研究了一种径向基神经网络干扰观测器(RDO)技术，严格证明了RDO对于系统中不确定因素具有良好的逼近能力。然后利用RDO输出得到一种新的基于RDO的自适应TLC控制策略。神经网络自适应律采用Lyapunov方法设计，保证了闭环系统所有信号有界。最后采用新方案实现了ASV飞控系统，仿真结果表明整个闭环系统在鲁棒性能方面得到很大提高。     

无人直升机的自适应非线性控制

最近几年，许多仿真结果都揭示了基于神经网络的直接自适应控制在飞行控制系统设计中的发展潜力。其中最重要的一点就是显著降低了对系统动态模型的要求。本文把该方法应用于无人直升机，给出了自适应姿态控制系统和跟踪控制器的设计方法。通过，数字仿真表明该控制方法有良好的跟踪控制性能。