排序方式: 共有69条查询结果,搜索用时 15 毫秒
31.
32.
基于在线气动参数修正的预测制导方法 总被引:3,自引:1,他引:2
针对高超声速滑翔飞行器,提出了一种基于在线气动参数修正的预测制导方法.研究了再入过程中受到的各种飞行约束,给出了多约束下控制量设计的基本方案.分析了传统预测制导法在落点预测过程中存在的气动参数偏差影响,引入综合升力系数与综合阻力系数,并对其进行在线参数估计以及参数修正,以提高制导方法的适应性.基于气动参数修正方法,完成了纵向与横侧向制导律设计.设定较大的轴向力、法向力系数组合偏差对该方法进行了验证,并考虑再入初始条件和再入气动参数的不确定性,进行了蒙特卡洛仿真.结果表明:预测制导法中引入气动参数的在线估计与修正环节,可保证其制导精度,尤其对再入过程的气动扰动具有较强的适应能力. 相似文献
33.
针对难以获得航天器控制系统的精确模型,采用基于知识的定性故障诊断方法也难以奏效的问题,采取定性/定量混合故障诊断的思路,将基于案例推理和等价空间故障诊断方法有机结合,建立定性/定量混合故障诊断模型,推出一种定性/定量混合故障诊断方法。以航天器姿态控制系统为对象进行故障诊断。验证结果表明,推出的定性/定量混合故障诊断方法能够发挥二者的优势,比任何单独一种方法的诊断效果都好。 相似文献
34.
针对中低精度航姿参考系统(AHRS)在机体机动时不能利用加速度计修正水平姿态,以及噪声统计特性随实际工作情况变化的问题,提出了一种基于模糊自适应卡尔曼滤波的大气数据辅助姿态解算的方法。首先,考虑大气数据系统和航姿参考系统的优势,利用真空速、攻角和侧滑角等大气数据信息对非重力加速度进行补偿,以辅助水平姿态解算;其次,基于模糊自适应卡尔曼滤波原理,对观测模型的参数进行估计和修正,以实现水平姿态的最优估计;最后,选取某型飞机的试飞数据进行仿真验证。仿真结果表明,该方法可使飞机的水平姿态估计精度达到1.3°,且在偏差较大时有明显的纠偏作用。因此,相对于无机动加速度补偿和常规卡尔曼滤波来说,该方法能够更好地进行姿态估计,具有一定的实用价值。 相似文献
35.
分布式故障诊断专家系统在运载火箭发射决策中的应用研究 总被引:1,自引:0,他引:1
根据新一代运载火箭地面测发控系统的一体化设计要求,将分布式故障诊断专家系统应用到运载火箭发射决策中,建立了运载火箭分布式故障诊断专家系统的总体结构.根据故障信息的流动方向将诊断过程分为征兆获取级、分系统诊断级以及全局诊断和决策级3级.征兆获取级通过特征提取和神经网络模块实现复杂测试数据的征兆自动获取.分系统诊断级和全局系统诊断级的诊断推理均建立在"三表制"知识表达方法上,但根据各自任务的不同,分系统诊断级采用征兆驱动的正向推理,并结合深度推理算法实现规则的遍历问题;全局系统诊断和决策级采用面向故障的反向分级推理,并提出了故障的分级策略. 相似文献
36.
针对高超声速滑翔飞行器再入飞行段,回顾了制导技术的发展历程和研究现状。建立了高超声速滑翔飞行器运动模型,并分析了再入段的路径约束、终端约束和地理约束。将再入制导方法分为三类:标准轨迹制导方法、预测-校正制导方法、混合制导方法,分别对研究现状进行了综述。然后,专门针对侧向平面制导方法进行了讨论和分类,根据飞行任务不同分为了常规约束的制导问题与附加地理约束的制导问题两类。最后,对再入制导方法进行了总结,并结合未来高超声速滑翔飞行器的任务需求,展望了再入制导技术的发展方向。 相似文献
37.
一种信息不完备条件下的线导鱼雷模糊导引律 总被引:1,自引:0,他引:1
基于模糊逻辑的思想,提出了一种信息不完备条件下的智能导引方法,从而可以有效的解决线导鱼雷导引过程中无法充分利用不完备的目标运动要素信息的问题.通过对目标方位、距离、航向等信息在智能导引中的作用及引入机制的研究,采用航向的加权修正,距离信息的强条件限制以及在末制导段的智能机动,合理有效的利用了各种不完备的目标信息并应用于智能组合导引中.仿真实验结果表明,该导引方法在满足最优的入射目标尾流的距离和角度指标上具有很好的效果. 相似文献
38.
光纤陀螺中分形噪声的参数估计和去除 总被引:1,自引:1,他引:0
光纤陀螺零漂信号中主要存在分形噪声和高斯白噪声,采用传统的时间序列分析法很难去除这类混合噪声.基于小波分析,提出一种分步估计加性白噪声强度和分形随机过程参数的新方法.先通过拟合自相关函数,估计出白噪声的强度;再在小波变换域估计分形噪声参数,并选取适当软阈值对测量值滤波.实验结果表明该估计和降噪方法有效地去除了光纤陀螺中的混合噪声,且不需要噪声的先验知识,具有很好的适应性. 相似文献
39.
40.
基于SMO—SVR的飞机舵面损伤故障趋势预测 总被引:2,自引:1,他引:1
飞机舵面出现损伤时,为了更准确的预测状态参量变化情况,提出了一种改进的序贯最小优化支持向量回归(SMO-SVR, Sequential Minimal Optimization Support Vector Regression)预测方法.采用改进C-C平均方法对多元时间序列进行相空间重构,以确定最优嵌入维数m和延迟时间τd.根据所求m和τd建立加权SVR预测模型,并调整了SMO算法的停机准则.利用区间自适应粒子群算法(IAPSO, Interval Adaptive Particle Swarm Optimization)优化SVR参数,以提高参数优化速度.为了验证改进算法的有效性,针对飞机方向舵损伤故障趋势进行了预测和分析,并与径向基函数神经网络(RBFNN, Radial Basis Function Neural Network)方法进行了对比,仿真结果表明SMO-SVR预测模型具有很好的预测能力. 相似文献