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。     

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。     

基于神经网络补偿动态逆的飞翼布局无人机姿态控制方法

将动态逆控制技术应用于飞翼式布局无人机的姿态控制回路,以适应飞翼布局无人机控制系统要求。介绍了动态逆控制器解耦控制原理,以及神经网络补偿结构的作用和设计方法,并基于无人机非线性姿态运动学和动力学模型设计了基于神经网络补偿的动态逆控制器。在强耦合、强非线性的飞翼布局无人机模型上,通过数学仿真验证了系统具有良好的动态性能和稳态特性,控制器具有很强的鲁棒性。     

LQG与动态逆方法在飞控系统设计中的应用

针对动态逆系统方法对受控对象模型依赖性强,而飞行器模型不确定性高等特点,采用LQG与动态逆相结合的方法,为某飞行器侧向模态设计控制律。将系统分为内外2个回路,内回路采用动态逆,外回路采用LQC技术进行综合,仿真研究表明,该综合方法不仅能够改善系统的动态性能,而且能为系统提供较好的鲁棒性。     

利用神经网络的敏捷防空导弹的自适应非线性控制

研究表明在不确定非线性系统条件下神经网络可被用来改善近似动态逆控制器。在某个可能的结构中，神经网络可通过在线学习自适应地去除线性化过程中的误差。学习过程可由一个从李亚普诺夫理论推导而来的加权修正规则完成，而且保证了闭环系统的稳定性。在本文中，作者讨论了这种方法的演变过程以及在敏捷防空导弹倾斜拐弯自动驾驶仪上面的直接应用。首先，介绍了一个基于运载器动力学的近似逆向过程的一个控制方案。随后，这个非线性控制系统通过添加一个具有在线学习功能的前馈神经网络得到性能的增强。最后，以一个非线性仿真的形式呈现最终的控制规律，它的性能则与一个传统的增益调整线性自动驾驶仪相比较后来进行评估。     

基于神经网络自适应动态逆的结冰飞机飞行安全边界保护方法

考虑到飞机带冰飞行的安全问题，对结冰飞机进行安全边界保护成为一种有效的解决手段。基于神经网络自适应动态逆跟踪性能好、鲁棒性强的优点，提出了以安全关键飞行参数限制值作为神经网络自适应动态逆的输入，获取可用舵面偏转角的边界保护方法。建立了飞机本体动力学模型，采用高精度的数值模拟方法获得结冰数据库。设计了神经网络自适应动态逆控制律，通过在动态逆环节引入单隐层神经网络，对不确定性逆误差进行自适应补偿，增强了控制系统的鲁棒性。以俯仰姿态保持模式为例设计了结冰飞行闭环安全边界保护系统。以结冰飞机最小平飞速度的估算值作为飞机最低飞行速度，设计自动油门控制系统，实现对飞行速度的保护。通过仿真验证了设计的控制律具有较强的鲁棒性。对结冰严重程度线性增加情形下飞机状态参数的动态响应进行了分析。仿真结果表明，所设计的结冰边界保护系统，能够实现飞机在容冰飞行过程中对安全关键参数如迎角、飞行速度的实时保护。     

基于ANN逆模型的非线性系统内模控制结构方案及仿真研究

基于逆模型的非线性系统控制器设计方法已得到了快速发展,并成为设计控制系统的一种重要方法。但对大量复杂、未知和不确定的非线性对象,建立具有一定通用性的逆模型控制器,在实际非线性系统设计中是非常困难的。文中基于系统内模控制（IMC）原理和神经网络（ANN）的非线性映射、大规模并行处理等特性,设计了非线性系统的ANN正模型辨识器及逆模型控制器,基于IMC原理和ANN理论建立了非线性系统的IMC结构方案。大量仿真研究表明,设计的基于ANN逆模型的IMC结构方案是有效的,ANN逆模型控制器具有良好控制性能,且其结构简单,具有一定通用性。     

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。     

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。     

基于神经网络逆控制的发动机直接推力控制

首次将动态神经网络逆控制用于航空发动机直接推力控制。为了有效消除由于神经网络逆模型构造误差(即神经网络逆模型不可能完全逼近航空发动机的逆模型)而产生的稳态误差和解决航空发动机推力不易测量的困难,分别设计了积分补偿器和推力估计器,从而实现航空发动机直接推力控制。飞行包线内数字仿真结果表明,此控制方案具有良好的动静态性能、精度高、跟踪快。     

基于神经网络动态逆的大迎角导弹解耦设计

导弹大迎角飞行时,系统非线性特性非常明显,各通道间有很严重的气动交叉耦合现象.为实现对系统的非线性解耦,构造了基于神经网络动态逆的大迎角导弹解耦控制器,设计了非线性动态逆系统,利用RBF神经网络逼近逆误差.仿真实验结果表明:所设计的控制系统具有良好的解耦和指令跟踪能力.     

基于多模型方法的全包络鲁棒飞行控制器设计

利用新一代歼击机不同平衡点的多个非线性子模型对其机动飞行的全包络模型进行逼近。对于每一个子模型,设计相应的动态逆控制器,应用模糊神经网络产生控制器切换决策,实现不同飞行状态下不同模型控制器之间的相互切换。同时为了提高多模型飞行控制效果,对各模型控制器的输入及输出采样并作为神经网络的学习样本,形成一个全包络内的多模型统一神经网络控制器。最后通过歼击机的大迎角机动仿真来验证所设计的基于多模型的统一神经网络控制器的有效性,仿真结果表明所设计的统一神经网络控制器是有效的。     

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。     

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。