基于支持向量机的航空发动机PID解耦控制

针对航空发动机多变量控制系统中各回路之间存在的耦合现象,提出了一种基于支持向量机(support vector machines,SVM)的航空发动机PID(proportion integration differentiation)解耦控制方法.利用SVM辨识发动机非线性模型,并获得SVM瞬时线性化模型,在线性化模型的基础上完成了PID参数的在线自整定.利用Lyapunov稳定性定理对控制器的收敛性进行了分析.通过对某型航空发动机的仿真,验证了该方法的有效性和可行性.      

航空发动机的支持向量机自适应PID控制

首先介绍了支持向量机(SVM)的原理, 建立了支持向量机回归(SVMR)模型.将SVMR与基于支持向量机的控制器相结合, 组成自适应PID支持向量机控制(SVMC)系统.最后用于某型航空发动机, 通过在选定的设计点处进行控制系统的设计, 利用支持向量机强大非线性映射能力、网络结构的自动最优化特性, 使控制系统在发动机偏离设计点工作时控制系统仍保持很好的性能.为通用非线性控制提供了一种新的控制思路.      

基于模糊信息粒化和优化SVM的航空发动机性能趋势预测

提出采用模糊信息粒化(FIG)和优化的支持向量机(SVM)来预测航空发动机参数的变化趋势和变化空间。利用模糊信息粒化方法对性能参数进行粒化处理。以K CV验证误差最小作为优化目标,采用遗传算法(GA)实现支持向量机惩罚参数和核函数参数的自适应优化选择；训练SVM模型并进行并对模糊粒子非线性预测。利用某航空公司的某型航空发动机性能参数监测数据进行验证,结果表明:该算法可以有效实现航空发动机性能参数变化趋势和变化空间预测。在实例基础上分析了窗口大小对算法预测精度的影响以及算法多步预测的效果,得出算法最佳窗口大小为3个数据且算法3步以内预测误差小于10%。      

某型发动机起动模型的支持向量机辨识及应用

为了解决某型涡扇发动机慢车转速以下的数学模型难以建立,无法进行起动性能数值计算的问题,提出了用支持向量机辨识起动模型,依据辨识结果估算起动性能的方法。采用发动机起动试验数据作为学习样本,建立了基于支持向量机的非线性动态起动模型。根据该型发动机起动供油量调整试验得到的供油压力数据,利用所建立的模型对起动性能进行了估算,给出了估算结果与试验数据的对比情况。研究表明,将支持向量机用于起动模型的辨识是可行的,能够较好地解决某型发动机起动性能计算的难题。     

基于多特征的支持向量机印鉴识别

印鉴真伪鉴别的难点要求识别系统同时具备同类印鉴的鲁棒性及异类印鉴的敏感性.针对这一难点,本文提出了一种基于多特征的支持向量机(Support Vector Machine,SVM)鉴别算法,根据多类特征以及支持向量机的自适应寻优特性,获得对真伪印鉴的鉴别.采用Gabor滤波器获得频率特征,采用差图像获得结构特征,采用原图像和极坐标图像的奇异值获得不变量特征.采用支持向量机(Support Vector Machine,SVM)对印鉴进行真伪鉴别.实验表明,本文方法具有很高的真伪鉴别能力.     

核热源功率测量系统冷端温度控制策略

基于核热源功率测量系统冷端温度控制需要，建立系统动态特性模型.在开环仿真分析的基础上，分别设计了PID（proportion integration differentiation）控制、模糊控制以及支持向量机(SVMsupport vector machines)智能预测控制3种控制算法，并完成了其仿真研究，验证了测量系统控温的可行性.结果表明:将SVM优秀的非线性函数逼近能力与预测控制相结合来拟合被控非线性系统模型，并通过支持向量机的预测结果进行反馈校正，使系统具有良好的鲁棒性和稳定性，易于工程应用.      

支持向量机在航空发动机起动模型辨识中的应用研究

支持向量机（SVM）可以优化网络，有效降低模型复杂性，不存在维数灾难和局部极小问题。本文以某型发动机起动调整试验的试车数据为样本，使用SVM对某一大气条件下的发动机起动模型进行了辨识，并使用另外一组试车数据．通过辨识模型对起动过程进行了仿真；最后，比较了SVM和RBF神经网络起动模型的辨识精度。结果表明，用SVM辨识发动机起动过程模型，方法简单，学习速度快，辨识精度较高。     

PSO-LSSVM在民机气动性能数学建模上的应用

目前风洞试验仅为民用飞机飞行性能提供有限数据.全飞行包线的技术支持对于民机飞行试验十分重要,需要采用数学建模和参数辨识的方法.选择合适的机器学习算法是参数辨识中最为关键的一步.支持向量机(SVM)采用结构风险最小化原理,尤其适用于小样本情形.根据A320非巡航起降阶段的几组真实数据,以及全机气动力估算的结果,使用最小二乘支持向量机建立预测模型.随后采用粒子群算法优化模型参数从而提升泛化能力.由此实现民机飞行包线的气动性能整体建模与辨识.与Ma=0.78时的实验数据相比较,PSO-LSSVM模型的预测结果吻合,是一种有效的气动数学建模方法.     

基于支持向量机的航空发动机辨识模型

针对航空发动机具有强非线性、时变性的特点以及采用常规神经网络辨识时存在的局部较小,过学习等问题,提出了一种基于支持向量机的通用发动机模型辨识方法。该方法基于现代统计学习理论,采用结构风险最小化准则,保证了网络具有很强的推广特性,通过求解凸二次规划确保网络结构全局最优化自动生成。本文采用实测到的发动机飞行记录数据作为训练样本,利用回归型支持向量机建立了发动机的辨识模型,研究结果表明该方法的辨识精度较高,鲁棒性、容错性较好,具有较大的实用价值。      

基于单因素SVM的航空兵空运转场飞行架次需求预测研究

航空兵部队成建制空运转场飞行架次需求预测,对机关、航空兵部队拟定空运计划、进行空运准备等都具有重要的意义。运用序列后向选择方法(SBS)对影响飞行架次的特征因素进行逐层淘汰,利用支持向量机(SVM)理论建立单因素非线性回归模型,进而对飞行架次进行预测。预测结果表明:同多因素SVM预测模型相比,单因素SVM预测模型虽在预测精度上没有显著提高,但其减少了预测的前期工作量,方便了机关和部队的使用,实现了飞行架次预测的实时性要求。     

Identification of Aircraft Stability and Control Parameters Using Hierarchical State Estimation

Previous attempts to identify aircraft stability and control derivatives from flight test data, using three-degrees-of-freedom (3-DOF) longitudinal or lateral-directional perturbation equation-of-motion models, suffer from the disadvantage that the coupling between the longitudinal and lateral-directional dynamics has been ignored. In this paper, the identification of aircraft stability parameters is accomplished using a more accurate 6-DOF model which includes this coupling. Hierarchical system identification theory is used to reduce the computational effort involved. The 6-DOF system of equations is first decomposed into two 3-DOF subsystems, one for the longitudinal dynamics and the other for the lateral-directional dynamics. The two subsystem parameter identification processes are then coordinated in such a way that the overall system parameter identification problem is solved. Next, a six-subsystem decomposition is considered. Computational considerations and comparison with the unhierarchically structured problem are presented.     

Recursive mode star identification algorithms

Star identification can be accomplished by several different available algorithms that identify the stars observed by a star tracker. However, efficiency and reliability remain key issues and the availability of new active pixel cameras requires new approaches. Two novel algorithms for recursive mode star identification are presented here. The first approach is derived by the spherical polygon search (SP-search) algorithm, it was used to access all the cataloged stars observed by the sensor field-of-view (FOV) and recursively add/remove candidate cataloged stars according to the predicted image motion induced by camera attitude dynamics. Star identification is then accomplished by a star pattern matching technique which identifies the observed stars in the reference catalog. The second method uses star neighborhood information and a catalog neighborhood pointer matrix to access the star catalog. In the recursive star identification process, and under the assumption of "slow" attitude dynamics, only the stars in the neighborhood of previously identified stars are considered for star identification in the succeeding frames. Numerical tests are performed to validate the absolute and relative efficiency of the proposed methods.     

动力翼伞系统空投风场的辨识与应用

风场对动力翼伞系统的运动状态有着重要的影响,获得风场中风的速度和方向可以使动力翼伞系统利用或者消除风场的影响。针对风场辨识问题,通过分析动力翼伞系统在风场作用下的飞行特性,提出了一种基于动力翼伞系统在风中的飞行状态进行风场辨识的方法。该方法仅使用动力翼伞系统配备的全球定位系统（GPS）模块采集定位数据,计算获得动力翼伞系统飞行的速度和方向,根据风场与动力翼伞系统的动态关系,利用最小二乘法对风场进行在线辨识。为了保证辨识精度,由GPS获得的动力翼伞系统运动信息经卡尔曼滤波器进行滤波处理。仿真结果表明：该方法对风场有较高的辨识效果,并能辅助实现雀降。     

直升机悬停状态全耦合飞行动力学模型辨识方法

提出了一种基于集员辨识理论的直升机全耦合飞行动力学模型参数辨识方法.该方法针对直升机飞行动力学模型耦合强,难以得到辨识模型和待辨识参数之间显式函数关系的特点,推导并建立了状态空间微分方程形式模型集员辨识的间接辨识算法.通过引入广义噪声的概念以及对其边界的灵活设定,实现了对辨识参数众多、耦合严重且灵敏度差异大的复杂模型的...     

Identification method for helicopter flight dynamics modeling with rotor degrees of freedom

A comprehensive method based on system identification theory for helicopter flight dynamics modeling with rotor degrees of freedom is developed. A fully parameterized rotor flapping equation for identification purpose is derived without using any theoretical model, so the confidence of the identified model is increased, and then the 6 degrees of freedom rigid body model is extended to 9 degrees of freedom high-order model. Bode sensitivity function is derived to increase the accuracy of frequency spectra calculation which influences the accuracy of model parameter identification. Then a frequency domain identification algorithm is established. Acceleration technique is developed furthermore to increase calculation efficiency, and the total identification time is reduced by more than 50% using this technique. A comprehensive two-step method is established for helicopter high-order flight dynamics model identification which increases the numerical stability of model identification compared with single step algorithm. Application of the developed method to identify the flight dynamics model of BO 105 helicopter based on flight test data is implemented. A comparative study between the high-order model and rigid body model is performed at last. The results show that the developed method can be used for helicopter high-order flight dynamics model identification with high accuracy as well as efficiency, and the advantage of identified high-order model is very obvious compared with low-order model.     

Identification of the state-space model and payload mass parameter of a flexible space manipulator using a recursive subspace tracking method

The on-orbit parameter identification of a space structure can be used for the modification of a system dynamics model and controller coefficients. This study focuses on the estimation of a system state-space model for a two-link space manipulator in the procedure of capturing an unknown object, and a recursive tracking approach based on the recursive predictor-based subspace identification (RPBSID) algorithm is proposed to identify the manipulator payload mass parameter. Structural rigid motion and elastic vibration are separated, and the dynamics model of the space manipulator is linearized at an arbitrary working point (i.e., a certain manipulator configuration). The state-space model is determined by using the RPBSID algorithm and matrix transformation. In addition, utilizing the identified system state-space model, the manipulator payload mass parameter is estimated by extracting the corresponding block matrix. In numerical simulations, the presented parameter identification method is implemented and compared with the classical algebraic algorithm and the recursive least squares method for different payload masses and manipulator configurations. Numerical results illustrate that the system state-space model and payload mass parameter of the two-link flexible space manipulator are effectively identified by the recursive subspace tracking method.     

一种无人直升机飞行力学模型辨识方法研究

研究了一种无人直升机飞行力学模型辨识方法.将状态子空间辨识法和误差预报辨识法这两种不同机理的辨识方法相结合,用于无人直升机飞行力学模型的辨识.通过仿真计算,成功地辨识得到了悬停状态下算例无人直升机的高阶飞行力学模型.结果表明:提出的辨识方法具备状态子空间辨识法和误差预报辨识法各自的优点,不会出现经典辨识算法中寻优过程中出现的局部极小现象以及迭代带来的收敛性问题.     

模型直升机悬停状态下飞行力学模型辨识

 直升机飞行力学模型的准确性对于直升机的控制系统设计具有非常重要的影响。采用常规的建模方法往往很难获得准确的飞行力学模型。为满足飞行控制系统设计的需要,提出了一种直升机飞行力学模型的系统辨识建模方法。该方法将机理建模方法与辨识建模方法相结合,首先利用状态子空间法获得直升机的近似飞行力学模型,再将机理建模提供的先验知识与子空间法辨识得到的模型相融合,限定主要参数,采用误差预报法进一步寻优得到较准确的直升机飞行力学模型。通过飞行试验,成功地辨识得到了悬停状态下模型直升机状态空间方程表达的线化飞行力学模型。所得的辨识结果能够准确预测出模型直升机的响应,可以应用于飞行控制系统设计当中。     

射手模型优化与辨识及其对图像制导的影响

基于数据链通信的人在回路制导模式额外引入了射手动力学而且存在图像信号延时,含有射手动力学的控制回路会对目标在视场（LOS）中的误差角进行跟踪补偿,从而提升图像制导弹药的制导控制性能。为探究射手动力学和图像信号延时对人在回路制导性能的影响,基于真实的图像导引头模型及参数,设计校正网络以满足导引头稳定回路的性能需求;引入两类射手模型,针对射手模型2,优化模型结构并通过贴近真实环境的辨识实验得到动力学参数,弥补了现有建模的不足。基于射手对不同图像信号延时的适应性,对比研究了两类射手模型与不同图像信号延时对导引头控制系统稳定性、快速性和人在回路比例导引制导精度的影响。仿真结果表明：图像信号延时越长,导引头跟踪速度越低、误差角越大,制导系统的收敛时间越长;优化后的射手模型2及其参数辨识更准确地描述了射手的操作行为,对制导系统的影响较低且满足系统性能要求。     

空间非合作目标惯性参数的Adaline网络辨识方法

空间在轨操作中,航天器在对空间非合作目标的抓捕行动常常导致航天器本体的姿态和空间轨迹发生变化。为克服空间非合作目标对航天器本体动力学、运动学的影响,使控制系统做出精准及时的姿控策略调整,确保航天器正常在轨工作和轨迹姿态的高精度,需对抓捕的非合作目标的惯性参数进行辨识。针对传统辨识方法依赖广义逆求解导致的辨识过程运算量大,且数值容易产生剧烈振荡,造成辨识结果不稳定等不足,采用基于归一化最小均方（NLMS）准则的Adaline神经网络方法进行空间非合作目标惯性参数的辨识。首先,基于动量守恒理论建立抓捕后的航天器-机械臂-空间非合作目标系统模型;然后将辨识方程的系数矩阵作为网络的输入和输出,空间非合作目标的惯性参数作为神经网络的训练权重,基于迭代步长可变的NLMS准则实现对目标惯量参数的快速、准确辨识;最后,在构造的ADAMS/MATLAB联合仿真平台上进行了验证。仿真结果表明,基于NLMS准则的Adaline神经网络是一种快速、准确辨识目标惯量参数的有效方法。