自适应飞机驾驶员最优控制模型研究及应用

针对驾驶员最优控制模型(OCM)无法反映飞行员在未知环境下渐进适应过程这一缺点,采用自适应状态估计理论对OCM进行改进,建立了基于自适应状态估计的驾驶员最优控制模型(MOCM-AE),给出了算法流程。通过对比飞行试验数据和未知扰动下的着舰应用,对模型进行了评估。通过人机闭环仿真进行了飞行试验再现,得到了人机闭环频域曲线。对比结果表明,与OCM相比MOCM-AE的频域特性曲线与试验更为吻合。在着舰应用中,引入低空紊流作为未知扰动进行着舰仿真,结果表明OCM强烈依赖于先验经验,而MOCM-AE无论是否具有先验经验,无论是否存在未知扰动,均能取得良好着舰效果。在未知扰动和舰尾流影响下,MOCM-AE比传统OCM着舰精度提高59%,着舰点分布范围缩小29%,这体现了飞行员对未知环境的适应能力。     

折叠翼飞行器发射段鲁棒非线性控制系统设计

为解决折叠翼飞行器在发射段各项特性变化较大、对飞行控制律鲁棒性要求较高的问题,设计了一种以块控反步法为基础的自适应鲁棒非线性控制器.在发射段动态模型基础上,该控制器采用径向基函数( RBF)神经网络自适应逼近飞行器特性变化时的系统未知不确定性和干扰,通过在虚拟控制律中引入动态面控制技术避免多重微分运算,克服了传统反步法...     

考虑失效性故障的火星探测器进入段姿态容错控制

火星进入过程中的故障和外部干扰不可避免地降低了火星进入制导和控制算法的性能。利用反步法设计了一种对转动惯量信息变化不敏感的火星进入姿态容错控制算法。首先,将虚拟控制律的微分量视作干扰量,利用自适应技术对其进行补偿,避免了传统反步法微分爆炸的缺陷。同时,控制设计过程中显式地引入了饱和函数,保证了在存在输入饱和的情况下,控制律仍然能使得探测器姿态保持稳定。最后,以“火星科学实验室”探测器为模型进行了数值仿真验证,结果表明该控制律在存在输入饱和约束、转动惯量不确定性、执行机构部分失效甚至完全失效的工况下,仍然能够完成对姿态的精准跟踪。     

基于模糊基函数网络的系统故障检测

给出了基于T-S模型的模糊基函数网络(FBFN),并提出了一种基于FBFN的未知系统故障信息检测通用方法.将未知系统分为已知部分和未知部分.系统的实际输出包括已知部分输出、未知部分输出和故障信息等三部分.已知部分用数学模型描述.未知部分包括系统的建模误差、噪声干扰等不确定性,用FBFN逼近.因此,根据系统的实际输出、数学模型输出和FBFN输出可估计出故障信息.最后给出了某飞机的微波着陆系统故障信息检测仿真实例.      

分层模糊广义预测控制及其在挠性航天器振动抑制中的应用

针对广义预测控制计算量大的缺陷,将自适应分层模糊逻辑系统(HFLS)引入广义预测控制,对参数未知线性系统提出一种直接自适应分层模糊广义预测控制方法.该方法直接利用HFLs设计广义预测控制器,并基于广义误差估计值对控制器参数和广义误差估计值中的未知向量进行自适应调整.文中证明了该方法可使广义误差收敛到原点的一个小领域内.由于控制结构中使用了HFLS,避免了模糊控制器中规则数目随系统变量个数呈指数增长问题.仿真结果表明:该方法能快速抑制挠性航天器的低频振动且稳态精度高.     

利用互相关差分模型在环境激励下提取模态参数

对于一些大型结构,难以采用人工激励进行模态识别,只能利用环境激励信息,单独从响应数据提取模态参数。针对这一实际情况,首先从经典差分模型入手,推导出了环境激励下的多参考点互相关差分模型,然后分别采用增广矩阵法和多项式特征值法求解模态参数。最后采用一飞机模型对多参考点互相关差分模型法进行了试验验证,并且将2种求解方法得到的结果进行了比较。结果表明,多参考点互相关差分模型能够有效地进行环境激励下的模态识别,并且多项式特征值法比增广矩阵法所得结果更好。     

未知区域中四旋翼无人机集群协同搜索与围捕算法

四旋翼无人机集群可以被用来进行区域侦察,以建立对环境与兴趣目标的认知。为四旋翼无人机集群提出一种分布式协同搜索算法和动态目标包围技术，以解决在未探测区域定位和监测目标中所遇到的挑战。为降低所提算法的复杂度，通过栅格划分方法将任务区域划分为2级栅格子区域。考虑到动态目标的随机性，设计一种数字信息素来引导多无人机对任务区域进行2次搜索，并以快速搜索到目标为奖励函数，通过滚动优化决策得到最优解作为无人机的输入。然后，基于一致性协议设计一种多无人机协同跟踪与围捕协议，以获取动态目标的实时信息。数个仿真结果与室外飞行实验验证了所提算法能够使四旋翼无人机对未知区域中动态目标进行有效搜索与动态监视。     

考虑未知扰动的RLV再入鲁棒容错姿态控制

针对复杂再入环境下的可重复使用运载器姿态控制问题,考虑大气的未知干扰、气动参数建模的不确定性以及可能发生的执行器部分失效故障,基于增量反步法和径向基函数（RBF）神经网络设计了姿态角回路和角速度回路的控制器。基于神经网络良好的未知逼近能力,采用RBF神经网络对增量反步法设计过程中的泰勒展开高阶项以及上述未知扰动和故障产生的影响进行逼近估计,并在控制律中进行补偿。经过仿真验证,所设计的控制系统能够在未知扰动影响下有效提高指令的跟踪精度,并且对飞行器的本体特性建模依赖较少,具有良好的鲁棒容错能力。     

网络攻击下无人机信息物理系统的自适应状态估计

针对网络攻击下无人机信息物理系统(CPS)的安全状态估计问题,提出了一种基于自适应方差极小化的递推状态估计器(AVMRE)。通过将针对控制输入和传感器数据的恶意攻击分别建模为状态和量测方程中的未知干扰项,建立了未知干扰解耦状态递推估计器,实现滤波误差中的量测未知干扰解耦,利用滤波残差设计自适应调整因子对估计误差上界进行极小化,应用最小方差估计准则求解出算法中的量测增益反馈矩阵。同时引入事件触发机制,使得系统在保持一定估计精度的情况下节省通信资源。此外,给出了滤波误差指数有界性的充分条件。无人机飞行模型仿真验证了本文算法相比传统算法的有效性和优越性。