超机动飞行非线性动态逆 - 模糊自适应控制

对带推力矢量飞机的飞控设计问题进行了研究。根据奇异摄动理论将受控状态变量分为快变量和慢变量,然后根据非线性动态逆理论分别对内环和外环进行设计。针对非线笥动态逆要求准确的数学模型的特点,引入模糊自适应控制以考虑模型的不确定性,最后对所设计的飞控规律进行过失速机动仿真。结果表明,在存在较大模型误差的情况下,所设计的飞控规律安全能在过失速机动条件下控制飞机跟踪指令飞行。     

基于动态逆的神经网络超机动飞行控制

为战斗机的过失速超机动飞行设计了一种神经网络控制器。基于时标分离的原则,神经控制器被设计为内环控制器和外环控制器两个部分。网络的训练利用改进的BP算法,将因子模糊化快速进行。样本点数据则由利用动态逆控制所得到的结果来提供。网络的使用利用联想记忆法则。仿真结果说明所设计的系统具有良好的控制性能及鲁棒性。     

超机动飞机的非线性动态逆控制

讨论了应用非线性动态逆进行超机动飞机飞行控制系统的设计。对快变量角速率进行非线性逆控制器的设计,由此来稳定纵向短周期运动,并通过气动舵面与推力矢量的融合,来改善大迎角范围的侧向响应,对慢变量姿态角进行非线性逆控制器的设计可使飞行员控制飞机慢运动。     

超机动飞行的动态面Backstepping控制

设计了一种超机动飞行的动态面Backstepping控制方法.新控制律在保留Backstepping"递归"设计步骤的基础上,放弃了参数自适应律;通过构造滑动面变量并根据能达条件,来设计中间虚拟控制信号和最终控制信号;通过在"递归"过程中增加一低通动态滤波器,避免了设计过程中对某些非线性信号的微分,减小了控制律的计算量.数值仿真结果表明,新控制律较简单地实现了超机动飞行时良好的飞机操纵指令信号跟踪,且易于工程实现.     

基于干扰观测器的新一代歼击机鲁棒飞行逆控制器设计

基于干扰观测器设计了新一代歼击机的鲁棒飞行逆控制器。根据时标分离的原则,将机动飞机分为快慢不同的回路。采用动态逆方法设计了快回路和慢回路控制器,并在慢回路用干扰观测器估计飞机所受的扰动,同时,用于在线补偿动态逆误差。仿真结果表明,该设计合理。     

基于神经网络的超机动飞机自适应重构控制

 讨论了一种基于神经网络的超机动飞机直接自适应重构控制方法。飞机的基本控制律采用非线性动态逆方法设计,对于模型不准确和舵面故障等因素导致的逆误差采用神经网络进行在线补偿。通过仿真表明,在飞机发生舵面故障时,神经网络通过自适应地补偿逆误差,可以快速在线重构控制律,保持飞机稳定和一定的操纵品质。     

基于神经网络的自动着陆飞行鲁棒自适应逆控制

针对飞机自动着陆飞行提出了基于神经网络的鲁棒自适应非线性动态逆控制器设计方案。首先采用非线性动态逆方法设计着陆飞行的基本控制律,再利用多层感知器神经网络设计适当的权值调整规则使其能够自适应地逼近和补偿逆误差。仿真结果表明,所设计的飞行控制系统是有效的,系统能够克服动态逆误差对着陆飞行控制带来的不利影响。     

直升机机动飞行逆仿真技术研究进展

回顾了直升机机动飞行逆仿真技术国内外发展概况，借鉴国内外的研究成果，针对逆仿真核心技术的发展现状进行了分析和讨论，在此基础上，对直升机机动飞行逆仿真技术的进一步发展趋势进行了分析。     

基于扩张状态观测器的动态逆过失速机动飞行控制

针对飞机过失速机动飞行控制问题,提出了一种将动态逆与扩张状态观测器相结合进行扰动估计补偿的新思路。根据时标分离原则将飞机状态分为快变量和慢变量,并分别设计了两个回路的动态逆控制器。在快慢回路分别引入扩张状态观测器对系统的不确定部分进行估计补偿,抵消不确定部分对系统动态特性的影响。最后对控制律进行了过失速机动仿真。结果表明,在存在较大参数摄动情况下,设计的控制律能控制飞机跟踪控制指令,表现出良好的稳定性和鲁棒性。     

超机动飞机动态逆-PID控制器设计

对超机动飞机在大迎角机动下的控制律进行设计,并完成相关仿真验证.通过引入推力矢量技术,建立带推力矢量的飞机非线性数学模型;采用奇异摄动理论,将飞机状态划分为快慢变换不同的同路,分别应用动态逆设计飞行控制律;并采用PID控制补偿由于未精确建模带来的系统逆误差;最后对所设计的控制律进行了机动指令飞行仿真.仿真结果表明,设计的控制律能在大迎角机动条件下控制飞机跟踪指令飞行,并保证闭环系统的稳定性.     

基于神经网络的无人直升机姿态控制系统设计

首先根据模型参考自适应控制理论,将模型逆与在线神经网络结合,设计了神经网络自适应姿态控制系统。接着叙述反馈线性化及模型逆理论,分析系统的模型跟踪误差动力特性,设计神经网络控制器及在线算法。然后以某无人直升机俯仰通道为例,对神经网络姿态控制系统进行仿真。结果表明该系统能够对未建模特性、参数不确定性等引起的模型逆误差进行自适应,而且在传感器输出中具有白噪声时仍然能够获得较好的响应特性。     

一种基于神经网络补偿动态逆误差的方法

讨论了一种基于神经网络自适应补偿动态逆误差的方法，并应用于超机动飞机控制器设计中，飞机的基本控制采用非线性动态逆方法进行设计，对于模型不准确导致的逆误差采用神经网络进行在线补偿，仿真结果表明，采用神经网络补偿误差，弥补了非线性动态逆要求精确数学模型的缺点，而且可以简化动态逆控制律的设计，改善整个控制系统的性能。     

基于小波神经网络辨识的PID神经MRAC研究

提出了一种基于小波神经网络辨识的PID神经网络模型参考自适应控制方法。该方法采用小波神经网络作为辨识器,PID神经网络作为控制器在线调节。由于小波变换具有良好的时频局部特性,神经网络具有强大的非线性映射能力,自学习、自适应等优势,采用规范正交的小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数的紧支性、波动性以及神经网络的非线性映射能力,自学习、自适应能力等优点,仿真结果表明用该方法构成的控制系统收敛速度快,逼近精度高,鲁棒性好,优于一般的BP网络控制。     

一种鲁棒的非线性飞行控制律设计

介绍了一种反馈线性化方法——逆系统方法,用以解决非线性飞行控制。针对逆系统方法存在的误差,介绍了一种鲁棒控制方法——基于RBF神经网络直接自适应控制方法,利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律,保证了闭环系统的稳定性。设计了针对滚转通道的神经网络,并应用某型号飞机进行了非故障和故障状态的仿真,结果证明,自适应神经网络控制方法补偿作用显著,相当于系统具有一定的重构功能。     

航空发动机反馈神经网络自适应控制方法

根据反馈神经网络控制方法在发动机控制系统中的应用研究,建立了基于反馈网络的发动机控制系统。采用反馈神经网络辨识发动机模型参数,用动态自适应算法对神经网络权值进行了调整,并在飞行包线内各工作点对整个控制系统进行了仿真。结果表明,使用神经网络建立的发动机控制系统具有良好的控制品质和较强的自适应能力。     

基于模糊模型的鲁棒自适应重构飞行控制

提出了一种基于模糊模型的歼击机鲁棒自适应重构控制方案。整个控制方案基于T S模糊模型,将歼击机各飞行状态的局部线性调节器与鲁棒自适应神经网络重构控制器相结合,避免了传统的增益预置方法中控制律在不同工作点之间切换造成的参数突变对系统性能的影响,可以保证系统在全局上拥有局部工作点具有的期望性能,证明了重构系统的全局闭环渐近稳定性。所提出的带有补偿项的完全自适应RBF神经网络,通过在线自适应调整RBF神经网络的权重、函数中心和宽度,提高了神经网络的学习能力,同时通过自适应补偿项来在线估计神经网络的近似误差边界,可以有效地在线修正建模误差、外扰及操纵面故障等因素的影响,保证系统的操纵品质。仿真结果表明了所提出方法的有效性。     

基于自适应神经网络的飞行控制律设计方案

介绍了一种自适应神经网络控制方法,利用李亚普诺夫稳定性定理推导了神经网络权值的自适应规律,保证了闭环系统的稳定性。设计了针对滚转通道的神经网络,并应用某型号飞机进行了非故障和故障状态的仿真。结果表明,自适应神经网络控制方法补偿作用显著,相当于系统具有一定的重构功能。     

基于径向基神经网络干扰观测器的空天飞行器自适应轨迹线性化控制

 研究了一种自适应轨迹线性化控制策略并应用于空天飞行器(ASV)飞行控制系统设计。通过理论分析指明当前轨迹线性化控制方法(TLC)对系统中的不确定存在鲁棒性不足的问题。为了解决这一问题,首先研究了一种径向基神经网络干扰观测器(RDO)技术,严格证明了RDO对于系统中不确定因素具有良好的逼近能力。然后利用RDO输出得到一种新的基于RDO的自适应TLC控制策略。神经网络自适应律采用Lyapunov方法设计,保证了闭环系统所有信号有界。最后采用新方案实现了ASV飞控系统,仿真结果表明整个闭环系统在鲁棒性能方面得到很大提高。