基于跟踪微分器的高超声速飞行器减步控制

针对高超声速飞行器强非线性,强耦合与高度不确定性的特点,提出一种基于高阶跟踪微分器的减步控制方案。将高超声速飞行器纵向模型表达为严反馈形式。在反步法设计框架中,引入跟踪微分器,利用其对给定信号任意阶导数精确估计的能力,计算第1步设计中产生的虚拟控制量的导数,并直接获得第2步实际控制量,从而将设计步骤从3步减少为2步。且在每步设计中将参数不确定性与外部扰动建模为等效干扰,设计扩张状态观测器获得等效干扰估计值,继而在控制器设计中进行补偿。利用Lyapunov方法证明闭环系统稳定性。仿真结果验证了所提控制方案对不确定及干扰的抑制作用,且跟踪精度优于传统动态面方法。     

网络化飞行器执行机构故障自适应容错控制

针对存在随机短时延和外部干扰的网络化飞行器执行机构故障问题,提出了一种自适应容错控制方法。首先利用扩张状态观测器(Extended State Observer, ESO)对系统不确定性进行估计,并构建了自抗扰控制器对不确定性进行补偿。在此基础上,设计了一种基于跟踪误差的自适应容错控制方法。当执行机构发生未知故障后执行机构指令能自适应逼近设计值,使得重构的控制系统精确跟踪参考模型。最后利用Lyapunov函数方法证明了闭环控制系统的有界稳定。数值仿真校验了所提方法的有效性。     

空间飞行器姿态网络控制系统的模糊变结构控制

应对空间飞行器网络化的趋势,针对空间飞行器姿态网络控制系统模型的网络诱     

复杂不确定性下多无人机的抗扰时变编队控制

针对存在不确定非线性动态和外部时变干扰的多无人机系统的时变编队问题,提出了基于扩张状态观测器(ESO)的抗扰编队控制方法。首先建立了分布式ESO来估计多无人机系统的不确定性,基于ESO的输出提出了抗扰编队控制律,并提出一套算法来对控制律进行参数选定。然后,通过分析得到基于该控制律下,多无人机系统实现抗扰时变编队所需要的充要条件,并最终严格证明了在满足编队充要条件和基于提出的控制律下,多无人机系统可以稳定实现抗扰时变编队。最后仿真结果表明理论方法的有效性。     

高超声速飞行器抗饱和鲁棒自适应切换控制

针对高超声速飞行器执行机构饱和的控制器设计问题,提出一种多回路抗饱和鲁棒自适应切换控制方法. 首先针对高超声速飞行器的运动模态在频率上表现出显著的分离特性,将状态变量分开不同的回路设计;然后对受执行机构饱和影响明显的状态设计参考切换系统,从而降低模型和控制器参数设计的复杂性,将一系列可能导致执行机构饱和的事件视作切换信号,选定参考切换模型及鲁棒自适应控制器,保证控制输入不达到饱和状态,并通过多李亚普诺夫函数方法和线性矩阵不等式分析了控制器的稳定性. 仿真结果表明了控制方案的有效性,在存在执行机构失效故障和干扰的情况下,系统状态可良好的跟踪参考状态且控制输入小于执行机构限幅.     

一类降阶故障检测滤波器设计及其在飞行器中的应用

针对飞行器控制周期较短且资源与计算能力受限的情况,提出了一种适合飞行器控制系统的降阶故障检测滤波器设计算法.首先利用小扰动理论将飞行器非线性动力学方程在平衡点线性化,针对线性状态方程设计降阶故障检测滤波器.将降阶故障检测滤波器存在可行解问题转化为线性矩阵不等式描述的非凸优化问题,利用交替映射算法求解非凸优化问题的局部最优解.然后利用上述可行解存在的条件,计算降阶故障检测滤波器参数.最后将提出的降阶故障检测滤波算法应用到某小型无人直升机偏航控制系统的故障检测中,仿真结果表明该算法在保证检测效果的前提下降低故障检测滤波器的阶次,验证了算法的有效性.     

基于动态逆的高超声速飞行器鲁棒自适应控制

针对高超声速飞行器运动学模型具有高度非线性、多变量耦合及参数不确定等特点,提出了一种基于非线性动态逆的控制系统鲁棒自适应控制器设计方法.该方法将飞行器的运动方程分成速度子系统和高度子系统,利用控制输入的功能分配,并结合虚拟控制指令设计与非线性动态逆技术,实现速度和高度的稳定跟踪.为消除系统中模型不确定性和外界干扰的影响,采用鲁棒自适应滑模控制策略进行补偿.仿真结果表明:所提出的控制器设计方法不仅满足飞行器速度与高度跟踪性能的要求,且对模型不确定性和外干扰具有一定的鲁棒性.      

基于布谷鸟搜索算法的一类变体飞行器容错控制

针对一类存在执行机构故障的分布式结构变体飞行器的控制分配问题,结合整数规划理论,提出一种基于布谷鸟搜索算法的容错控制方法。首先,设计虚拟控制指令,使得系统状态能够很好地跟踪参考模型;然后,将执行器概率性故障与饱和约束转换为整数规划问题中决策变量的约束,从而将执行器控制分配问题转化为一类整数规划问题;最后,采用改进的布谷鸟搜索算法进行求解,得到实际的执行器控制分配指令。仿真结果表明,在执行器存在概率性故障的情况下,该容错控制方法较无容错策略的情况能够有效提升系统的跟踪性能;与遗传算法相比,该算法得到的执行器控制分配结果更加精确。