飞翼布局飞机舵面偏转速率设计

舵面偏转速率的大小是飞机飞行控制系统设计的重要约束之一.当偏转速率饱和时,在外界干扰或操纵下,飞机可能进入自激振荡(PIO)状态,导致飞行品质下降.建立了飞翼布局飞机舵面偏转速率限制值的设计方法,给出了某大展弦比飞翼布局飞机的三轴主操纵面偏转速率设计的算例,分析了偏转速率限制对飞机动态响应特性的影响及其与飞机本体气动导数、转动惯量、展弦比构成的组合参数间的关系.结果表明:对于大展弦比飞翼布局飞机而言,其横向主操纵面偏转速率限制值要求最高,纵向次之,航向最低.研究方法和结果可用于飞翼布局飞机的操纵舵面与飞行控制系统初步设计时参考.      

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.      

基于扩张状态观测器的运输机多故障容错控制

针对含有传感器与舵面故障的运输机姿态跟踪问题, 提出了一种基于扩张状态观测器的反步容错控制方法。采用状态观测器与控制器分开设计的方法, 设计含神经网络的扩张状态观测器估计系统状态、传感器和舵面故障信息。在此基础上, 利用状态估计值代替实际状态, 采用反步法设计姿态角跟踪控制律, 并引入指令滤波器提高反步法的控制性能, 基于Lyapunov稳定性理论推导证明了闭环系统跟踪误差的最终有界收敛。仿真结果表明, 在系统存在传感器与舵面多故障的条件下, 所提方法依然可以实现运输机姿态角的稳定跟踪。      

积冰几何特性对翼型性能影响的神经网络预测

积冰几何形状对翼型气动系数的影响是复杂的.采用BP(Back Propagation)神经网络的LM(Levenberg-Marguardt)学习算法,建立明冰的典型几何特性(冰角前缘半径、冰角高度和冰角位置)对翼型气动系数影响的神经网络,得到该3种几何参数对气动系数影响的规律;建立了典型冰形参数对最大升力系数影响的神经网络,该网络能很好的预测冰形参数对应的最大升力系数值;此外,建立了冰型位置对舵面铰链力矩系数影响的神经网络.仿真结果表明,BP神经网络仿真结果与实验值具有高度一致性,并能预测非实验值条件下的气动系数;翼型表面积冰位置变化对气动系数影响最大;铰链力矩系数在失速迎角达到之前就发生突变,可以更安全地用来预测失速的发生.      

导弹滚转通道气动伺服弹性稳定性分析

弹性飞行器可能由于结构、气动及控制的不利耦合引发气动伺服弹性失稳,为此分析了带有差动舵面及控制系统的细长体导弹滚转通道气动伺服弹性稳定性.导弹的广义非定常气动力采用气动导数方法计算,动力学方程考虑了弹体的刚体滚转运动和一阶弹性扭转振动.由导弹动力学方程求解得到滚转通道的开环传递函数,并应用Nyquist方法进行闭环系统稳定性分析.算例表明,若控制系统设计不当,系统有可能在弹性振动频率处发生气动伺服弹性失稳.      

基于状态反馈的黄金分割控制器参数化方法及其在高超声速飞行器上的应用

研究气动参数摄动和外界扰动下高超声速飞行器姿态系统的鲁棒自适应控制问题.引入特征建模的思想对高超声速飞行器的姿态系统建立二阶差分方程模型.考虑到高超声速飞行器再入过程要经历飞行环境的剧烈变化的特点,为了提高闭环系统的瞬态响应性能和抗扰能力,设计了黄金分割鲁棒自适应控制器.该控制器具有与特征模型相似的结构,控制器参数通过在线辨识获得,并且按照黄金分割比生成控制信号,能够保证辨识参数收敛过程中系统的稳定性.基于混合H2和H∞控制思想对标准的黄金分割自适应控制器中的参数λ进行在线优化,从而保证了姿态回路对气动参数摄动和外界扰动具有满意的鲁棒性.所提出的λ(k)优化算法是通过对一组线性矩阵不等式求解得到的,因此易于工程实现.改进后的黄金分割鲁棒自适应控制算法在自适应性和鲁棒性的优越性使得该方法尤其适用于高超声速飞行器姿态控制系统.仿真结果验证了控制方法的有效性和实用性.     

基于逆动力学和在线参数辨识的飞机姿态控制

传统的综合飞行/火力控制系统的设计使用了PID(Proportion-Integral-Differential)结构的飞行/火力耦合器,具有鲁棒性差、设计工作量大等缺点.提出了一种基于逆动力学和在线参数辨识的方法,用于直接设计综合控制系统中的姿态控制器.其中,对飞机的转动动力学方程,推导得到了其逆特性的解析形式;使用在线参数辨识方法,对飞机的气动特性进行估计并用于舵面分配.以六自由度非线性飞机模型为对象进行了仿真,结果表明所设计的姿态控制系统具有快速性好、通道间解耦效果明显、对气动模型误差的鲁棒性强等优点.本方法也可推广用于其他的飞行器姿态控制系统设计.     

大展弦比飞翼构型飞机阵风载荷减缓控制

大展弦比飞翼构型具有优越的气动和隐身特性,但由于构型原因无法配置常规操纵面,因此常规构型飞机的阵风减缓控制方法不再适用. 研究了大展弦比飞翼构型飞机新型多操纵面的典型配置方案,同时对其应用直接升力方法进行阵风减缓控制时的新的操纵及控制原理进行 了分析.采用极点配置方法设计了相应的阵风减缓控制律,并且通过有关的准则检验了该控制律的效果.最后通过计算并比较开环和闭环飞 机的频谱响应,验证了该控制律减缓飞机阵风响应的有效性.      

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。      

基于改进神经网络的空间机械臂阻抗控制方法

针对环境信息不确定和碰撞模型未知情况下的空间机械臂柔顺控制问题,提出了一种基于改进型神经网络的阻抗控制方法.以空间机械臂阻抗控制系统闭环方程为基础,分析了环境信息不确定和碰撞模型未知情况下不能实现精准力控制的原因.利用粒子群优化算法调整神经网络中的权值矩阵,以提高神经网络的收敛速度和寻优性能.基于改进后的神经网络设计阻...     

无人机自动空中加油精确对接控制

针对无人机自动空中加油对接段的精确控制问题,提出了无人机自动空中加油的控制方案和策略,并在分析加油机尾涡干扰和加油锥套自由摆动及其对受油机影响的基础上,设计了适用于自动空中加油精确对接控制的受油机参考轨迹发生器和轨迹跟踪控制器.轨迹跟踪控制器采用线性二次型调节器方法,并充分考虑了加油过程中各种干扰的影响.仿真结果表明,该导引控制方法具有良好的快速性和抗干扰能力,可以满足空中加油的任务要求.      

基于深度神经网络的航天器姿态控制系统故障诊断与容错控制研究

针对传统航天姿控系统故障诊断与容错控制诊断精度及控制分配效率较低的问题，提出了一种基于深度神经网络的航天器姿态控制系统故障诊断与容错控制方法。以控制力矩陀螺为执行机构的航天器发生执行机构故障工况时，所提出的方法可保证鲁棒的姿态控制。首先，利用三个异构深度神经网络实现传统容错控制器的故障诊断、姿态控制和力矩分配等功能，建立了全神经网络的智能自适应容错控制器架构。然后，对三个神经网络的网络层数、神经元数目和激活函数等参数进行优化调整，对比分析了神经网络参数对控制器性能的影响。最后，对所提出的新型控制器在控制力矩陀螺发生故障时的控制精度和鲁棒性进行了仿真验证。仿真结果表明，对于具有冗余控制力矩陀螺的航天器，提出的方法不仅能在单一陀螺故障下实现高精度的容错控制，也能在发生多陀螺故障时保证一定的姿态稳定控制。     

变结构航天器模糊神经网络滑模控制器设计

变结构航天器是目前航天领域的重要发展方向，航天器结构的变化将导致质量分布发生明显变化，这对航天器动力学建模和控制器设计都提出新的问题。针对这种情况，采用混合坐标法和拉格朗日方程建立了航天器刚柔耦合动力学模型，利用几种典型工况的参数近似得到变结构过程中动力学参数的变化规律。设计滑模控制器对航天器变结构过程进行姿态控制，为提高滑模控制器的适应性，设计模糊神经网络（FNN）自适应调节滑模控制器参数，并利用径向基函数（RBF）神经网络逼近动力学模型，得到控制力矩与姿态变化之间的近似关系，用于FNN的优化。通过仿真得到航天器变结构期间无控、滑模控制和模糊神经网络滑模控制的姿态变化，仿真结果对比验证了模糊神经网络滑模控制对于滑模控制的优势，证明了其在变结构航天器姿态控制方面的有效性。     

基于神经网络的仿真转台控制系统

在转台存在偏载、摩擦等不确定负载干扰的情况下,用神经网络与PID(Proportional-Integral-Differential)控制相结合的方法,设计了适应负载变化的转台控制系统.分析了基于BP(Back Propagation)神经网络的自适应PID控制器的基本原理,建立了转台位置控制系统的数学模型,并对控制系统进行仿真分析和实验验证,通过与传统PID控制的对比实验与仿真表明:所设计系统由于有自学习能力,能动态调整PID参数,使系统表现出良好的抗干扰能力和跟踪性能,证明了所设计系统的有效性.该算法结构简单,PID初始参数调整方便,易于在转台实时控制系统中应用.     

Adaptive neural network control of nonlinear systems with unknown dynamics

In this study, an adaptive neural network control approach is proposed to achieve accurate and robust control of nonlinear systems with unknown dynamics, wherein the neural network is innovatively used to learn the inverse problem of system dynamics with guaranteed convergence. This study focuses on the following three contributions. First, the considered system is transformed into a multi-integrator system using an input–output linearization technique, and an extended state observation technique is used to identify the transformed states. Second, an iterative control learning algorithm is proposed to achieve the neural network training, and stability analysis is given to prove that the network’s predictions converge to ideal control inputs with guaranteed convergence. Third, an adaptive neural network controller is developed by combining the trained network and a proportional-integral controller, and the long-standing challenge of model-based methods for control determination of unknown dynamics is resolved. Simulation results of a virtual control mission and an aerospace altitude tracking mission are provided to substantiate the effectiveness of the proposed techniques and illustrate the adaptability and robustness of the proposed controller.