基于小脑模型关节控制器的无人机集群快速终端滑模容错控制

针对受执行器故障和外界干扰影响的集群无人机（UAV）协同编队控制问题，提出了一种自适应快速非奇异积分滑模（FNISM）容错控制（FTC）方法。为使集群无人机在执行任务时具有良好的协同跟踪性能，通过对无人机实际飞行情况的分析，考虑了无人机编队飞行时的执行器故障和尾涡扰动等对跟踪性能的不利影响。采用小脑模型关节控制器神经网络（CMANN）来估计并消除外部干扰的影响，同时运用CMANN逼近补偿执行器故障。研究表明：所提出的容错控制方案可以保证无人机编队闭环系统在故障情况下的最终一致有界稳定，并且可以通过减小滑模设计参数提高收敛速度，通过增大虚拟和实际控制器参数提高控制精度。4架无人机的集群编队在该方法、基于径向基神经网络（RBFNN）的鲁棒动态面容错控制、比例微分（PD）滑模容错控制3种方法下的对比仿真结果表明该方法在无人机集群编队出现故障时具有更优异的协同控制性能。     

基于距离的无人机编队路径跟踪控制

针对复杂通信环境下无人机编队跟踪控制问题，提出了基于距离的无人机编队路径跟踪容错控制方法。基于刚性图编队控制框架，引入距离误差，实现编队控制，并针对无人机编队生成的收敛速度问题，引入预设性能技术，以指定跟踪性能生成无人机编队。针对无人机执行器可能出现的故障，利用自适应滑模容错控制技术，实现具有容错性能的编队控制。考虑无人机在飞行环境中遇到的不确定扰动和模型自身存在的未建模动态，引入神经网络控制器，提高控制算法的抗干扰能力。最后，基于Lyapunov理论证明了所设计编队控制系统的稳定性，仿真验证了控制方法的有效性。     

无人机近距离编队飞行模型建立及控制器设计

针对无人机编队飞行问题，提出了无人机近距离编队飞行的建模方法。采用全状态量反馈．同时将气动干扰作为非线性反馈，设计出一套适用于无人机近距离编队飞行的自动驾驶仪。通过仿真验证，表明此控制器能较好地稳定优化后的编队飞行结构，并具有良好的鲁棒性。     

无人机编队飞行问题初探

回顾了国内外无人机的发展历史和近年来的发展趋势，简要介绍了无人机在军事、国民经济和科学技术方面的作用。分析了单架无人机执行任务时面临的问题和编队飞行的优势，介绍了国内外在无人机编队飞行方面的研究状况，同时对保证无人机编队飞行的关键技术进行了探讨和分析。     

基于改进一致性算法的无人机编队控制

编队飞行是指多架无人机保持以一定队形进行飞行的状态,相比于单架飞机执行任务,无人机编队能够增加搜索面积,提高飞机飞行性能,增大完成任务成功率。编队控制是实现编队安全高效完成指定任务的前提。本文以一致性理论为基础,针对无人机运动模型的特点与实际飞行要求,对基本的一致性算法进行改进,提出了改进一致性无人机编队控制算法。首先利用纵向和横侧向解耦的自动驾驶仪模型给出了无人机的三自由度运动方程,根据机动性与飞行性能要求定义了各方向上的加速度、速度与角速度约束。基于一致性理论,将编队控制分为平面与纵向2个方向进行,在状态控制的基础上,利用各状态变量间的几何关系对无人机运动自由度进行转换,加入编队队形信息,设计了编队控制算法。为了使算法生成的指令信号满足约束条件,提出了"最小调整"约束条件处理策略。依据粒子群算法对各无人机的爬升加速度进行优化,以避免机间碰撞。仿真结果表明：提出的编队控制算法具备编队成形与变换功能,能够使无人机编队状态快速收敛到指定值,且保持指定队形,无人机飞行状态满足所有约束条件。     

无人机近距编队飞行建模与仿真

无人机编队飞行有着单架无人机无法比拟的优点,但属于较新的研究领域。从无人机未来发展需求出发,根据近距编队的特点,提出了一种近距编队控制方法,并以双机近距编队为基础对控制律设计和算法实现进行了研究。通过建立僚机旋转参考系下的双机编队相对运动模型,同时考虑长机翼尖涡对僚机产生的气动耦合效应,基于PI控制设计了一种无人机近距编队飞行控制器,通过仿真验证和比较分析,证明僚机可以很好地跟随长机的机动保持编队构型,验证了提出的编队飞行控制方法的可行性和有效性。     

多模式下无人机紧密编队飞行控制仿真研究

针对复杂场景下固定翼无人机紧密编队的飞行控制问题,提出了使用三种不同飞行模式的控制策略以及对应控制参数的优化整定方法。首先建立了考虑涡流效应的紧密编队飞行非线性模型,然后针对不同飞行场景设计了协同飞行模式、队形变换模式和花式飞行模式,最后使用爬山-遗传算法对编队控制器的参数进行了优化。仿真结果表明,所设计的编队控制方法和优化参数可以稳定并有效地进行不同模式下的无人机编队飞行控制。     

面向无人机编队队形保持的航路规划技术研究

针对无人机编队快速转弯时队形难以保持的问题,提出一种基于编队方向角变换的编队航路规划方法,使编队飞行过程中各无人机满足队形保持要求以及自身运动学约束。首先围绕编队保持问题构建编队数学模型,并结合无人机运动学约束构建编队飞行过程中的最优控制问题。然后,利用伪谱法对最优控制问题进行求解,从而获得编队协同飞行航路。仿真结果表明,规划出的编队航路在满足编队队形保持要求的同时,能够保证各无人机满足自身运动学约束。     

基于MAS的无人机编队飞行智能优化控制

 针对无人机编队飞行的实际背景和限制条件,提出了一种基于多智能体系统（MAS）技术的编队飞行的智能优化控制策略和实现算法。利用多Agent之间的交互作用,以灵活便捷的方式进行各单机之间的协同优化,从而可实现多架无人机的自主编队飞行。考虑到leader-follower原理的支配机制,对面向编队飞行的僚机控制律与实现算法进行了重点研究,设计了僚机编队控制器,通过仿真实验验证了其鲁棒性和稳定性。最后针对编队队形的变换与躲避威胁等特殊情况对无人机编队单元之间的协调优化进行了仿真验证和分析。     

多无人机飞行控制系统设计与轨迹规划

为解决无人机单机任务的不足,提出了一种多参数分段式无人机轨迹规划方法,并基于此完成了四种编队队形的设计,设计并实现了多无人机编队飞行控制系统。通过开展编队飞行试验验证发现,轨迹跟踪偏差小于0. 16m,多自由度飞行速度平均误差0. 0093m/s,多无人机间距远大于无人机轴间距的2倍,验证了编队飞行控制系统的有效性。     

模糊神经网络在过失速机动飞行中的应用

模糊逻辑控制技术和神经网络有机的结合 ,拓宽了模糊逻辑方法和神经网络方法的适用领域。利用神经网络具有自学习能力的优势 ,采用反向传播学习算法 ,通过对传统模糊逻辑控制器中的模糊逻辑控制规则和隶属函数有关参数进行训练学习 ,设计了模糊神经网络控制器 ,应用于飞机的过失速机动“里程碑”之一—— 70°迎角定常飞行仿真计算 ,获得了令人满意的结果。     

基于多模型方法的全包络鲁棒飞行控制器设计

利用新一代歼击机不同平衡点的多个非线性子模型对其机动飞行的全包络模型进行逼近。对于每一个子模型,设计相应的动态逆控制器,应用模糊神经网络产生控制器切换决策,实现不同飞行状态下不同模型控制器之间的相互切换。同时为了提高多模型飞行控制效果,对各模型控制器的输入及输出采样并作为神经网络的学习样本,形成一个全包络内的多模型统一神经网络控制器。最后通过歼击机的大迎角机动仿真来验证所设计的基于多模型的统一神经网络控制器的有效性,仿真结果表明所设计的统一神经网络控制器是有效的。     

先进武装直升机一种新型组合智能飞控系统和火/飞综合系统的设计与仿真

讨论了模糊逻辑控制与神经网络相结合的一种控制方法,给出了一种增益自适应调整的模糊控制方法和ＢＰ网络自适应变步长学习算法,提高了系统精度,改善了系统品质,并将这种方法成功地用于直升机飞控系统和综合火／飞系统的设计。同时,针对某型直升机用数字仿真证明了这种方法的优点和良好效果。     

弹道导弹飞行时间的BP神经网络控制方法

时间协同攻击是提高弹道导弹突防能力和作战效能的一种重要手段。由于发动机推力偏差等干扰因素造成导弹的飞行时间偏差较大,为精确控制弹道导弹的飞行时间,运用BP神经网络算法,建立了一种适用于较大飞行时间偏差修正的飞行时间调控模型。该模型用视加速度偏差表征推力偏差等干扰的影响,根据视加速度偏差调整导弹飞行中某一时段的程序角来实现对飞行时间的精确控制。由BP神经网络建立满足飞行时间偏差要求下视加速度与飞行程序角速率、转弯结束时间之间的映射关系。导弹实际飞行时,根据实际视加速度,由BP神经网络在线计算出飞行程序角速率及转弯结束时间,使导弹在干扰条件下仍以预定飞行时间到达目标。最后,通过仿真验证了该模型的有效性和可行性。     

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。     

模糊神经网络实现飞行数据的智能处理

利用模糊神经网络实现了根据飞行数据识别出飞行过程中所做的基本动作 ,推理过程使用了一种特殊的模糊规则 (fuzzyrule) ,权值学习采用负梯度下降 (Gradientdescentweightadaption)法。首先对每帧飞行数据进行特征检测(Featuredetect) ,将根据专家经验模糊处理得到的隶属度矢量作为模糊神经网络的输入 ,经过该网络决策 ,获得该帧数据的基本动作模式 ,由此 ,得到飞行过程中的基本动作。而实际的飞行动作就是由这些基本动作的组合而成 ,所以 ,实际上也就实现了飞行动作的自动识别。经大量实际飞行数据检验 ,该方法准确、有效。     

MIMO系统模糊控制及其在飞行控制中的应用

提出了ＭＩＭＯ系统最优模糊控制规则自学习方法,并采用传统动态规划法确定出全局最优模糊控制规则,这些规则满足使模糊性能性能最小的要求,同时还讨论了规则的复杂性和工程实用性等基本问题。研究结果证明了该方法的正确性与实用性。     

用自适应小波神经网络辨识动态实验数据

在气动动态实验中，往往飞行器气动模型是非线性的，很难对动态系统进行正确建模，因此无法得到准确的气动参数值。而采用自适应小波神经网络，无需对该动态系统建模，就可准确地辨识出气动动稳定特性，同时，精度较高、收敛速度较快。采用该方法对某导弹模型风洞自由飞实验结果进行了辨识与动稳定性分析，结果表明用自适用小波神经网络辨识安全可靠。     

基于神经网络自适应动态逆的结冰飞机飞行安全边界保护方法

考虑到飞机带冰飞行的安全问题，对结冰飞机进行安全边界保护成为一种有效的解决手段。基于神经网络自适应动态逆跟踪性能好、鲁棒性强的优点，提出了以安全关键飞行参数限制值作为神经网络自适应动态逆的输入，获取可用舵面偏转角的边界保护方法。建立了飞机本体动力学模型，采用高精度的数值模拟方法获得结冰数据库。设计了神经网络自适应动态逆控制律，通过在动态逆环节引入单隐层神经网络，对不确定性逆误差进行自适应补偿，增强了控制系统的鲁棒性。以俯仰姿态保持模式为例设计了结冰飞行闭环安全边界保护系统。以结冰飞机最小平飞速度的估算值作为飞机最低飞行速度，设计自动油门控制系统，实现对飞行速度的保护。通过仿真验证了设计的控制律具有较强的鲁棒性。对结冰严重程度线性增加情形下飞机状态参数的动态响应进行了分析。仿真结果表明，所设计的结冰边界保护系统，能够实现飞机在容冰飞行过程中对安全关键参数如迎角、飞行速度的实时保护。     

Prediction of nonlinear pilot-induced oscillation using an intelligent human pilot model

This paper proposes a method to predict nonlinear Pilot-Induced Oscillation (PIO) using an intelligent human pilot model. This method is based on a scalogram-based PIO metric, which uses wavelet transforms to analyze the nonlinear characteristics of a time-varying system. The intelligent human pilot model includes three modules: perception module, decision and adaptive module, and execution module. Intelligent and adaptive features, including a neural network receptor, fuzzy decision and adaptation, are also introduced into the human pilot model to describe the behavior of the human pilot accommodating the nonlinear events. Furthermore, an algorithm is proposed to describe the procedure of the PIO prediction method with nonlinear evaluation cases. The prediction results obtained by numerical simulation are compared with the assessments of flight test data to validate the utility of the method. The flight test data were generated in the evaluation of the Smart-Cue/Smart-Gain, which is capable of reducing the PIO tendencies considerably. The results show that the method can be applied to predict the nonlinear PIO events by human pilot model simulation.