无人机栖落机动的一种离线鲁棒预测控制算法

针对固定翼无人机栖落机动过程的纵向运动,研究了一种在线计算量小的栖落机动鲁棒预测控制方法。首先将飞行器栖落机动动力学模型沿参考轨迹建立分段线性切换系统模型。考虑外部风扰动,进一步建立张量积模型。然后,利用渐近稳定的椭圆不变集的概念,采用"离线设计、在线综合"的方法设计了在线计算量较小的栖落轨迹跟踪控制律;结合鲁棒预测控制和切换系统全局稳定分析方法分析了系统稳定性。最后,对外部风扰动下的固定翼无人机栖落机动过程进行了仿真。仿真结果表明所设计的跟踪控制器在线计算量小并具有良好的控制效果。     

变体飞行器技术

当前,民用和军事领域都对飞行器提出了更高的要求,要求新一代飞行器能够在变化很大的飞行环境(高度、马赫数等)下和在执行多种任务(如起降、巡航、机动、盘旋、攻击等)时始终保持良好性能.固定外形的飞行器难以满足这个要求.     

平面度测量中的误差分离技术

本文提出了在平面度误差测量国误差分离技术的基本原理,介绍一种新的测量方法——工件装在加工机床或各种坐标测量设备上,用传感器进行测量,并用误差分离的方法将机床误差和工件误差分离,最后获得测量结果。数据处理采用袖珍计算机进行,使工作量大为减少,并能获得满足“最小条件”的平面度误差值。     

高超音速飞机鲁棒自适应控制的研究

由于高超音速飞机自身特有的结构以及飞行时所处的复杂条件，其高度非线性的数学模型往往很难获知，即便是建立的某种数学模型也是极为不准确的，因此许多传统的控制方法已经不再适用。所提出来的高超音速飞机鲁棒自适应控制，依靠在线调参的单隐层神经元来逼近其不确定的数学模型，使得整个控制过程对模型的依赖程度大大降低，除此之外，该控制方法还具有非线性解耦的能力，最后通过对某种高超音速飞机的仿真分析，验证了该方法的控制效用及强鲁棒性能。     

飞行器栖落机动的轨迹跟踪控制及吸引域优化计算

针对固定翼飞行器栖落机动的纵向运动，研究了栖落机动轨迹跟踪控制设计与吸引域优化计算方法。首先，根据栖落动力学模型和栖落过程中各个状态量的约束，用广义伪谱法生成标称轨迹，以此为基础设计了分段线性轨迹跟踪控制律。然后，在平方和（SOS）算法的基础上计算出栖落轨迹的吸引域，以保证吸引域内的飞行器能最终栖落在目标区域。最后，进一步改进吸引域的迭代优化计算方法以扩大吸引域范围。仿真结果验证了栖落机动轨迹跟踪控制律的有效性，并表明运用所设计的吸引域优化计算方法可以获得更大的吸引域。      

变体无人机栖落机动建模与轨迹优化

对一类变体固定翼无人机栖落机动的纵向运动进行了建模与轨迹优化研究。针对栖落机动后段飞行速度低及迎角大带来的舵面气动效率下降的问题,研制了一种可改变主翼位置的变体无人机。通过室内飞行实验,利用运动捕捉系统测量获得飞行数据。依据实验数据,结合平板气动理论建立了变体无人机的气动模型,并建立了变体无人机的纵向动力学模型。采用广义伪谱优化软件(General pseudo-spectral optimization software,GPOPS),对所建立的变体无人机模型进行栖落过程轨迹优化研究。优化结果表明,与普通固定翼无人机相比,变体部件能够显著提高无人机的姿态操纵效率,从而改善无人机栖落机动性能。     

在入世条件下发展我国物流业

随着世界经济贸易的发展，随着现代信息技术和世界运输业的发展，物流业的快速发展已成为西方发达国家运输业的一个主流趋势，物流服务已被公认为货物运输业中最为经济合理的综合服务模式。在我国，随着改革开放进程不断向纵深发展，特别在入世后，国民经济和对外贸易突飞猛进的发展，并日益融入世界经济体系，如何适应世界物流业发展趋势，建立现代化物流中心，已日益突出地上升到我国运输业发展的战略性的高度上来。 物流业溯源 研究物流业的发展，要追溯到其最初仅完成商品的简单保管、运输、装卸、包装等功能，经过半个世纪的发展，发展…     

高超声速飞机纵向通道的多级模糊逻辑控制

针对飞行过程中高超声速飞机的纵向模型具有不稳定的动态特性,多变量之间的强耦合以及易变的模型参数,采用多级模糊逻辑控制为其纵向通道设计飞行控制系统。该系统由控制内环和控制外环组成,控制内环用于稳定纵向的飞行姿态,控制外环可以确保高超声速飞机对指令信号的准确响应,将两者结合起来设计的飞控系统具有高度非线性解耦控制能力。因其控制过程不依赖于高超声速飞机的精确模型,故保证了系统的强鲁棒性能。仿真研究表明,该控制系统可以维持高超声速飞机的纵向稳定性能。     

基于深度强化学习的无人机栖落机动控制策略设计

无人机栖落机动飞行是一种无需跑道的降落方法，能够提升无人机在复杂环境下执行任务的适应能力。针对具有高非线性、多约束特性的无人机栖落机动过程，提出了一种基于模仿深度强化学习的控制策略设计方法。首先，建立了固定翼无人机栖落机动的纵向非线性动力学模型，并设计了无人机栖落机动的强化学习环境。其次，针对栖落机动状态动作空间大的特点，为了提高探索效率，通过模仿专家经验的方法对系统进行预训练。然后，以模仿学习得到的权重为基础，采用近端策略优化方法学习构建无人机栖落机动的神经网络控制器。最后，通过仿真验证了上述控制策略设计方法的有效性。