飞行航迹动态逆跟踪控制的神经网络方法

针对用动态逆方法设计飞行控制系统在极慢模态设计中所遇到的完全非线性问题，以及飞行器在执行低空突防任务时所面临的程度无法精确控制的条件，提出了一种以前向神经网络为核心的解决方案。文中给出了神经网络的拓扑结构、样本采集方法以及动态逆控制器的构造方法，仿结果表明，该方案具有良好的指令跟踪能力。     

基于神经网络动态逆的歼击机自适应跟踪控制

基于神经网络动态逆方法,给出了一种非线性模型参考自适应跟踪控制方案。应用神经网络直接对非线性系统求逆方法解决了逆系统方法的两个“瓶颈”问题,并且克服了传统的控制设计中将过程模型线性化,从而将不可忽视的非线性关系用线性关系代替或者忽略的弊端。对由于建模误差、不确定因素等引起的非线性系统逆误差,通过自组织模糊小脑模型关节控制器(Self—organizing fuzzy cerebellar model articulation controller,SOFCMAC)神经网络在线进行修正。SOFCMAC神经网络扩大了寻优空间,使其能更好地重构系统逆误差,最终实现准确的鲁棒自适应跟踪控制。通过将这种方法用于某型歼击机姿态系统控制的仿真研究,表明了本文方法的有效性和可行性。     

基于神经网络的机器姿态逆解

首次实现自组织神经网络求解机器人姿态逆解,突破了文献局限于研究益逆解的状况,应用本文创新的自组织神经网络训练方法机器人运动学特性,建立了工业机器人姿态逆解的神经网络方法,对ＰＵＭＡ５６０机器人的计算机仿真结果表明,该方法姿态控制精度高。     

基于自适应逆最优控制的卫星容错控制

针对卫星在轨飞行过程中存在的一类执行机构故障,提出一种基于自适应逆最优控制原理的卫星姿态容错控制设计方法。考虑卫星执行机构出现故障的情况,将系统的不确定性参数作为估计的自适应参数,基于逆最优原理采用积分反推方法求解辅助系统的自适应控制Lyapunov函数,设计了能够确保原系统鲁棒稳定的自适应逆最优控制器。同时基于Lyapunov方法,从理论上推导了所设计出的控制律的稳定性,并通过仿真进行了控制算法验证。仿真结果表明,所设计的基于自适应逆最优控制的卫星容错控制方法能够保证执行机构出现故障时姿态控制系统稳定。     

神经网络自适应控制在攻击直升机中的应用

研究了神经网络自适应控制在直升机飞行控制系统中的应用。首先将直升机姿态角系统划分为快慢回路 ,并分别采用动态逆方法进行设计 ;针对动态逆方法的优点和不足 ,提出了小波神经网络自适应逆控制方案 ,把BP小波神经网络和基于李亚普诺夫稳定的小波神经网络分别应用于直升机飞行控制系统中 ;最后对典型机动飞行进行了仿真 ,说明小波神经网络方法应用的正确性和有效性。仿真结果证明 ,本文采用的小波神经网络自适应控制方法效果好 ,具有工程应用价值     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

基于神经网络的旁路活门自适应控制

ＦＬ－７风洞旁路活门非线性控制系统稳Ｍ数神经网络自适应控制中的网络拓扑结构,权值调整,自构性学习,及其实现方法表明,整个系统控制性能优良,不仅控制精度高,而且节省燃油,可靠性性能良好。     

采用TLC方法的超机动飞行控制系统设计

基于轨迹线性化控制(Trajectory linearization control,TLC)方法,研究了超机动飞机飞行控制系统的设计问题。首先简要介绍了TLC方法的设计思想;然后根据奇异摄动理论,将超机动飞行控制系统分成快慢两个回路,并为其分别设计了轨迹线性化控制器;最后分别用所设计的控制器和已有的动态逆控制器对某型歼击机进行了赫布斯特机动仿真。仿真结果和对比分析表明,所设计的TLC控制器是有效的,且比动态逆控制器具有更好的控制跟踪性能。     

基于逆仿真的直升机机动飞行科目数学模型及其应用

逆仿真可以驱动直升机仿真模型完成预定的机动科目,给出完成该机动的操纵输入规律和飞行状态变量的时间历程,因此建立机动科目数学模型是逆仿真的前提。本文提出了一个较通用的直升机机动科目分段函数描述方法,该方法可以对ADS－33E－PRF规定的大部分任务科目建立逆仿真所需的数学模型。以UH－60A“黑鹰”直升机为例,将以该方法所建立的机动科目“转向目标”、“障碍滑雪”数学模型应用于逆仿真,并依照ADS－33E－PRF的有关指标,根据仿真结果对“黑鹰”直升机驾驶品质的某些方面作出了评价,结果表明,该方法建立的数学模型能够真实有效地描述机动科目。     

基于自适应逆的微型飞行器飞行控制系统

飞翼式微型飞行器由于尺寸小、速度低、气动布局特殊和飞行环境复杂多变,其飞行力学具有显著的非线性和非定常特性,传统的控制方法已不能满足要求.本文运用时标分离理论,设计了快变量和慢变量动态逆,同时引入在线神经网络补偿动态逆误差,并采用伪控制补偿器消除作动器和自适应单元之间的相互影响,在此基础上提出了飞翼式微型飞行器的自适应飞行控制系统,并与采用动态逆-PID控制方法设计的飞行控制系统进行比较.仿真结果表明:基于自适应逆的飞行控制系统,具有较强的鲁棒性和指令跟踪能力,比动态逆-PID飞行控制系统更适合于微型飞行器.     

基于神经网络的非线性自适应输出反馈控制

针对能够采用仿射非线性表示的含有未建模动态的SISO非线性系统,讨论了一种基于神经网络的自适应控制方法,该方法对受控对象的已知部分,有用反馈线性化方法设计控制器,用神经网络在线补偿未建模动态及外部干扰等引起的误差,从而实现自适应控制。对具有未建模动态的双车倒立摆设计了输出反馈自适应控制系统,仿真表明该方法是有效的。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法,并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计,对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明,神经网络通过补偿由于模型不准确引起的逆误差,弥补了非线性动态逆要求精确数学模型的缺点,提高了整个控制系统的鲁棒性,而且可以大大简化动态逆控制律的设计。     

神经网络控制在综合火力／飞行系统中的应用

提出了两种基于模糊控制的神经网络控制器的设计方案，并将这两种控制器应用于综合火力／飞行系统的耦合控制。两种方法的主要差别在于获取样本的方式不同。方案１是通过对模糊控制方法得到的响应曲线采样获取样本，由Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法训练神经网络，得到一组固定权值。神经网络控制器采用这组权值以“联想记忆”的方式工作。方案２则从用模糊控制算法得到的控制查询表中获取样本。因为模糊控制查询表比较大，采样时依据该表构成的相平面图的特点，对采样点数进行了压缩，使所设计的神经网络的规模可以接受，其余的设计步骤与方案１基本相同。仿真结果表明，采用这两种神经网络控制器的控制系统都具有良好控制性能     

直升机神经网络反馈线化飞行控制

以SH－2G为控制对象,采用基于神经网络的非线性系统反馈性化控制方法,进行直升机机动飞行仿真,仿真结果表明,所设计的神经网络具有逢适应能力,能够在线补偿反馈线性化所产生的逆变换误差,这种方法无须获得动态逆模型,而只需某一个状态下的动力学模型,就能在全包线提供有效的控制,既避免了传统方法的增益调参,又解决了难以获得动态逆模型及计算量大的问题,是一种很有发展潜力的智能控制方法。     

基于奇异摄动与神经网络的柔性臂控制

运用拉格朗日法建立了臂杆柔性的机械臂的动力学方程。为解决柔性臂末端位置的跟踪及克服柔性臂在运动中的振动问题。运用奇异摄动法将系统分解成快、慢两个子系统,设计混合控制器。通过设计神经网络控制器线性化慢系统。使其轨迹跟踪期望值。用线性状态反馈配置极点稳定快系统,抑制振动。一个单杆柔性机械臂的仿真算例表明,本文的控制方法保证了柔性臂刚性运动的精确跟踪,同时消除了弹性振动,避免了零动力学不稳定问题。     

基于神经网络的空间桁架结构建模研究

空间桁架结构的振动主动控制目前已成为振动控制领域研究的热点,为了研究空间桁架的主动控制方法,首先必须建立其准确的模型。神经网络固有的学习能力使其在模型辨识中得到广泛应用,针对空间桁架结构的非线性动态特性,本文采用了修正的Elman递归网络进行了模型辨识,结果表明,带有自反馈增益修正的Elman网络能很好地反映桁架结构的真实情况,适用于非线性动态系统的模型辨识。     

力控制反馈信号的神经网络法校正

对机器人的力反馈，主动柔顺控制和双向联想记忆的神经网络进行了综合研究，针对机器人腕力传感器输出信号的部分失真，提出了机器人擦洗平面玻璃力反馈信号神经校正的方法，并建立了相应的神经网络结构，在ＡｄｅｐｔＴｈｒｅｅ精密装配机器人上进行了试验验证，取得了满意的效果。