Arcadia建模方法与SysML建模方法比较研究

基于模型的系统工程与传统系统工程相比,有着形象化、具体化、沟通效率高等多种优势。基于系统建模(System Modeling Language,简称SysML)语言进行建模用途广泛,但是通过实践,针对系统架构和系统运行场景分析,基于Sys ML的建模方法特点并不突出。而Arcadia的基于模型系统工程建模有着简单、清晰等特点,对于系统架构和系统定义均有着Sys ML所不具备的特点。通过系统设计的目标与特点,对基于Sys ML的建模方法和Arcadia方法进行比较研究和实践,总结两种方法在基于模型的系统工程领域中的优劣。     

基于改进积分视线导引策略的欠驱动无人水面艇路径跟踪

路径跟踪控制是无人水面艇（USV）自主完成各项任务使命的关键技术之一,受到国内外运动控制领域的普遍关注。为提高风浪流等外界环境干扰下,无人水面艇（USV）路径跟踪控制的准确性和鲁棒性,研究海流等外界扰动环境下一类非对称欠驱动无人水面艇的路径跟踪问题,提出了2种改进积分视线（ILOS）导引策略,并基于改进导引策略和反馈控制思想实现了无人水面艇水平面的路径跟踪。与传统ILOS导引策略相比,第1种改进策略具有变积分增益能够避免积分饱和及超调现象;第2种改进策略在前者的基础上将前视距离设计为时变量,使得无人水面艇操纵更加灵活,其中积分增益和前视距离均为垂直距离误差的不同函数,引导无人水面艇灵活快速地跟踪期望路径。基于级联系统理论证明了当所有控制目标实现时,控制系统为全局k-指数稳定（GKES）的,理论分析和仿真实验证明了算法的有效性和先进性。      

基于自由权矩阵的时变时延线性群系统编队控制

研究了基于自由权矩阵方法的时变时延线性群系统编队控制问题。首先,基于一致性理论,设计了具有时变时延的线性群系统编队控制协议。其次,通过变量代换,将时延条件下的线性群系统编队控制问题转化为时延系统的镇定问题。构造Lyapunov-Krasovskii函数,并利用自由权矩阵方法对时延系统的镇定问题进行分析,得到了保守性较小的线性矩阵不等式（LMI）判据,并求解出时延上界和编队控制器增益。最后,通过仿真实验,验证了方法的有效性。     

飞行器体系优化设计问题

针对传统的飞行器设计与体系（SOS）设计相互独立造成的飞行器实际作战效能不足的问题,对同时考虑飞行器与体系耦合设计的飞行器体系优化设计问题展开研究。首先,根据体系工程（SOSE）原理给出了耦合飞行器设计与体系结构设计的飞行器体系优化设计问题的基本概念与通用数学定义;其次,基于多层体系架构,构建了飞行器体系设计优化模型,提出了包含问题定义、体系架构建模、学科建模、优化求解4个步骤的通用建模求解流程;最后,以巡飞/精确打击武器协同作战为例,构建了面向任务成本最低、时间最短的协同作战体系最优化问题并对其进行优化求解。与先设计飞行器后设计体系结构的解耦设计结果对比表明,解耦优化设计忽略了体系结构与飞行器的强耦合特征,无法最优化体系效能;耦合优化设计能够获得体系效能最大化的飞行器设计方案。     

空中交通拥挤的识别与预测方法研究

随着航空运输业的迅猛发展,空中交通拥挤现象日益严重,空中交通拥挤研究已经成为国际民航界的一个研究热点。其中,空中交通拥挤的识别与预测是空中交通拥挤研究的主要内容之一,在此基础上综述了国内外有关空中交通拥挤识别与预测方法的研究状况。首先概述了基于不同拥挤形成因素和拥挤后果的空中交通拥挤概念的研究状况;接着依据所用交通数据时间尺度的不同,分别针对基于短期数据的阈值判别方法、基于长期数据的聚类识别方法以及基于混合数据的综合评价方法综述了空中交通拥挤的主要识别方法;然后分别基于数理算法(统计算法、交通流模型算法和智能算法)和计算机仿真模拟技术综述了空中交通拥挤的主要预测方法;最后指出了空中交通拥挤识别与预测问题的近年研究热点和未来的研究方向。     

ARINC 653分区实时系统的可调度分析

ARINC 653规范定义了综合模块化航空电子(IMA)实时操作系统的行为逻辑以及向应用程序提供的接口规范。该规范规定了系统采用分区内调度和分区间调度的两级调度方案,如何分析系统的可调度性以保证实时任务能够在截止时间内完成计算是需要研究的新问题。基于负载请求与平台资源提供能力的供需约束关系导出了系统可调度的判定依据。证明了判据的约束是系统可调度的充分必要条件。实际应用表明,提出的可调度判定定理能够应用于判定ARINC 653分区实时系统的可调度性,辅助提升系统的安全属性。     

多机械臂的分布式自适应迭代学习控制

针对拓扑结构为无向连通的多机械臂系统,提出了一种自适应与迭代学习相结合的分布式控制协议来实现整个系统对给定期望参考轨迹的一致性跟踪.通过引入一个适当的自适应迭代学习参数,所提自适应迭代学习控制协议能够克服机械臂系统中的干扰和模型不确定性,并且每个机械臂的自适应迭代学习控制(AILC)律仅需要利用其与邻居机械臂的相对交互信息.进一步,在只有一部分机械臂具有期望参考轨迹信息的前提下,该控制协议可以实现整个系统对期望参考轨迹的跟踪,同时能够保证轨迹跟踪误差与控制输入的有界性.此外,利用李亚普诺夫分析方法证实了所得结论的正确性,并且通过一个实例验证了所提自适应迭代学习控制协议的有效性.