某型飞机风挡的PATRAN-NASTRAN有限元分析

某型飞机风挡结构(风挡、前弧、弧框和侧骨架)位移及应力分析采用了NASTRAN程序,前、后置处理采用了PATRAN程序.在建模过程中,风挡结构大部分采用板壳结构来建立几何模型,侧骨架后段厚度与长宽的比值较小,用实体模型建模.各部件之间的螺栓连接用MPC来模拟.分析得到了风挡结构最大位移和最大应力的所在点,为风挡的定寿、延寿设计提供了依据.     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

基于最大转矩电流比控制的永磁同步电机模型预测控制

由于永磁同步电机(PMSM)具有诸多优点,提出了一种基于最大转矩电流比(MTPA)控制的永磁同步电机模型预测控制方法,使磁阻转矩利用率最大化。利用离散化的数字处理技术,深入研究了多个优化目标的典型问题,其中包括:开关状态约束、MTPA优化、最大电流限制及延时补偿策略等。MATLAB/Simulink仿真数据证明:该控制系统实现了MTPA控制并且动态响应过程十分迅速,而且显著提升了PMSM模型预测控制系统的工作效率,对电机参数产生的波动显示出较强的鲁棒性。     

基于混合控制集预测控制的永磁同步电机电流脉动抑制方法

模型预测控制(MPC)技术近年来在高动态性能电机驱动系统中应用广泛。为了克服传统MPC技术中有限控制集(FCS)造成的稳态电流脉动问题,提出了一种基于混合控制集(MCS)预测控制的永磁同步电机(PMSM)电流脉动抑制方法。分析建立PMSM预测控制系统离散数学模型,并分析电压矢量精度与电流脉动之间的关联性；在此基础上,MCSMPC将电压源型逆变器有限的有效电压矢量数,扩展为多个以占空比形式存在的虚拟电压矢量,并基于上述虚拟电压矢量完成MPC优化问题在线求解；此外,考虑到MCSMPC系统的参数敏感性问题,对MCSMPC系统反馈噪声问题进行分析讨论。最后,搭建双15 kW PMSM对拖样机测试平台进行试验分析,分析内容包括MCS方法动态跟踪特性、电流脉动稳态效果。试验结果表明所提出的MCSMPC方法在保留了传统预测控制技术高动态响应的基础上,可有效降低PMSM稳态电流脉动幅度和运行噪声。     

基于 VxWorks 的大容量 SATA 电子盘驱动实现

本文讲述了大容量 SATA 电子盘在 VxWorks 操作系统中的驱动设计过程.介绍了硬件系统组成,描述了 VxWorks 中 SATA 电子盘设备的驱动流程,MPC8377 CPU 自带 SATA 控制器的配置和大容量电子盘的配置,以及文件系统的建立过程     

模型预测控制在永磁同步电机系统中的应用发展综述

随着数字技术的发展,模型预测控制(MPC)已经广泛应用于交流传动系统。首先介绍了经典MPC策略——有限控制集MPC和连续控制集MPC的原理。其次综述了多步预测控制、多矢量预测控制、具有参数鲁棒性的预测控制、广义模型预测、显式模型预测这些常见的改进MPC的研究现状,并提出相关研究思路。最后,根据MPC的应用需求和研究现状,展望了未来需要进一步深入和拓展的研究方向。     

Predictive fault-tolerant control of an all-thruster satellite in 6-DOF motion via neural network model updating

The problem of controlling an all-thruster spacecraft in the coupled translational-rotational motion in presence of actuators fault and/or failure is investigated in this paper. The nonlinear model predictive control approach is used because of its ability to predict the future behavior of the system. The fault/failure of the thrusters changes the mapping between the commanded forces to the thrusters and actual force/torque generated by the thruster system. Thus, the basic six degree-of-freedom kinetic equations are separated from this mapping and a set of neural networks are trained off-line to learn the kinetic equations. Then, two neural networks are attached to these trained networks in order to learn the thruster commands to force/torque mappings on-line. Different off-nominal conditions are modeled so that neural networks can detect any failure and fault, including scale factor and misalignment of thrusters. A simple model of the spacecraft relative motion is used in MPC to decrease the computational burden. However, a precise model by the means of orbit propagation including different types of perturbation is utilized to evaluate the usefulness of the proposed approach in actual conditions. The numerical simulation shows that this method can successfully control the all-thruster spacecraft with ON-OFF thrusters in different combinations of thruster fault and/or failure.     

无人机用燃料电池阴极供气系统建模与控制

燃料电池因其高效、无污染、噪声小等特点,被认为是未来最具有潜力的无人机（UAV）用动力源,燃料电池阴极供气系统的控制技术是决定燃料电池系统性能和可靠性的关键。针对无人机用质子交换膜燃料电池（PEMFC）阴极供气系统,首先,考虑外界温度、压力、空气密度以及雷诺数等随高度变化的参数,建立了跨高度离心空压机模型并分析了其在不同高度下的工作特性,基于无刷直流电机反电势特征构建了高速空压机驱动电机模型。其次,通过计算燃料电池阴极氧气和氮气的动态分压获取了PEMFC电堆输出电压。设计了基于分数阶PI^λD^μ的过氧比和阴极气压控制方法,驱动电机采用有限集模型预测控制（MPC）实现快速的转矩响应,仿真结果表明设计的控制器可在无人机跨高度运行条件下实现过氧比的快速调节,同时维持阴极气压稳定,满足燃料电池阴极供气需求。     

基于扰动观测器的三相逆变电路改进型模型预测控制

经逆变电路并网的分布式发电系统中,为了解决传统模型预测控制(MPC)在电路参数变化时系统动态响应不佳的问题,在ABC三相坐标下,提出一种基于扰动观测器(DOB)的改进型模型预测控制(AdMPCDOB)方案,对被控电流进行两步预测,同时采用多重比例谐振(PR)调节器作为MPC的前馈补偿,消除预测电流的周期性误差,并提高对特定次谐波的抑制能力。考虑到电路参数变化和不确定扰动对系统造成的影响,采用电感电流扰动观测器对MPC输入信号进行精确观测。理论分析和仿真试验表明,所提改进型控制方案能够有效提高逆变器输出电能质量,降低并网电流总谐波畸变率(THD)。     

Multi-UAV coordination control by chaotic grey wolf optimization based distributed MPC with event-triggered strategy

The paper proposes a new swarm intelligence-based distributed Model Predictive Control (MPC) approach for coordination control of multiple Unmanned Aerial Vehicles (UAVs). First, a distributed MPC framework is designed and each member only shares the information with neighbors. The Chaotic Grey Wolf Optimization (CGWO) method is developed on the basis of chaotic initialization and chaotic search to solve the local Finite Horizon Optimal Control Problem (FHOCP). Then, the distributed cost function is designed and integrated into each FHOCP to achieve multi-UAV formation control and trajectory tracking with no-fly zone constraint. Further, an event-triggered strategy is proposed to reduce the computational burden for the distributed MPC approach, which considers the predicted state errors and the convergence of cost function. Simulation results show that the CGWO-based distributed MPC approach is more computationally efficient to achieve multi-UAV coordination control than traditional method.