高精度SINS/CCD/GPS组合导航系统研究与仿真

选取捷联惯导系统误差作为系统状态,利用捷联惯导系统(SINS)与电荷耦合器件(CCD)星敏感器各自的姿态矩阵输出构造量测,设计SINS/CCD组合导航算法;利用SINS与全球定位系统(GPS)各自的速度、位置输出构造量测,设计SINS/GPS组合导航算法。然后,利用联邦型卡尔曼滤波技术,将各子滤波器输出的系统状态局部最优估计值送入主滤波器,通过全局最优融合算法计算得到系统状态的全局最优估计值。仿真结果表明,基于SINS/CCD/GPS的组合导航系统具有很高的导航精度,达到了3.5m的定位精度和9″的航向精度,非常适用于飞行器的高精度导航定位。     

一种基于DDFC的半物理仿真台滑模控制器设计方法

对高精度气浮台半物理仿真系统控制问题进行了研究,提出了一个基于DDFC(direct Direct dynamics Dynamics feedback Feedback compensationCompensation)的台体姿态控制方法.该方法使得系统的输入量为执行机构的转速.也就是使得执行机构工作在速率模式,这样可以避免高频噪声对控制系统的影响.提高系统的可靠性.这种方法物理概念清晰、数学过程简明,便于工程实现.仿真结果表明,台体的姿态角以较高的精度快速跟踪目标值,最终偏差满足要求.系统性能良好.     

卡尔曼滤波初始条件对捷联惯导对准的影响

针对捷联惯导对准卡尔曼滤波器初始条件无法很准确给定的情况,研究了卡尔曼滤波器初始条件对捷联惯导对准精度的影响。分析了错误先验假设条件下卡尔曼滤波算法的误差,推导了滤波器计算均方误差与实际均方误差的关系。对于一般多元回归系数估计问题,比较了卡尔曼滤波算法与最小二乘算法,给出了当先验假设不准确时卡尔曼滤波算法优于最小二乘算法的一个充分条件。对捷联惯导静基座对准问题进行了仿真,仿真结果表明:合理选择初始均方误差矩阵能大大改善卡尔曼滤波启动阶段性能。初始均方误差矩阵选择为真实初始均方误差矩阵的一个较小上界是合理的。     

摇摆状态下基于非线性误差模型的惯导对准研究

摇摆状态下无法使用传统解析方法完成粗对准。为避开摇摆基座的粗对准问题,提出 了基于捷联惯导非线性误差模型的直接精对准算法。推导了捷联惯导的非线性速度误差方程 和姿态误差方程,基于速度量测信息给出了非线性对准模型,通过UKF算法估计失准角完成 摇摆状态下的精对准。算法可允许初始姿态误差达到40°。通过计算机仿真和摇摆台试验 对算法进行了验证分析。在给定试验条件下,在600秒对准时间内达到水平 0.02° ,方 位0.1 7°的精度。同时计算机仿真结果表明需对惯导速度进行反馈校正来保证模型的工作精度。
     

面对称高超声速飞行器三通道耦合稳定性控制策略设计判据

针对面对称高超声速飞行器强耦合、弱阻尼的特点，研究了其耦合姿态的有效控制问题。首先，利用稳定轴系的概念推导出了姿态角加速度表达的面对称高超声速飞行器三通道失稳敏感性判别式。然后，给出了三通道耦合稳定性控制策略设计判据。最后，设计了某型面对称高超声速飞行器三通道耦合的姿态控制律，并进行了仿真。仿真结果表明，当控制律满足三通道耦合稳定性控制策略设计判据时，飞行器的姿态稳定；反之，则会出现各类耦合失稳问题。所提控制策略设计判据操作简单、实用性强。     

机场净空区域内临时障碍物高度规划与控制研究

文章提出了广义的净空保护范围，给出了基于运行安全的参考高度计算方法，根据拟建项目的位置可计算出飞行程序要求的高度作为拟建项目的控制高度。针对机场周边临时障碍物的净空审核问题，从支持城市发展和确保飞行安全的角度探讨了临时障碍物与永久性障碍物有差别的处理的可行性。通过评估手段证实了这种设想的可行性，提供了对于净空区域临时障碍物处理的新思路，并节约了工程建设成本，缓解了机场净空保护与城市发展的矛盾。     

基于环境历程的固体火箭发动机贮存可靠性计算方法

贮存可靠性问题是制约固体火箭发动机可靠性的重要因素，可靠性要求是贯穿整个贮存期的，长期贮存后的发动机可靠性会逐步下降，贮存期内必须要保证发动机的可靠性满足使用要求。首先定义了影响发动机常用材料贮存可靠性的环境因素并进行了分析，然后在各材料标准环境贮存参数的基础上，通过修正系数来确定实际环境的贮存参数，以确定部组件寿命，再根据不同贮存环境，建立发动机贮存中的标准贮存环境、恒定非标准贮存环境、多阶段贮存历程和已知初始可靠性的四种不同类型的贮存可靠性模型，形成了针对不同环境建立的材料贮存可靠性的通用计算方法，给出了贮存可靠性的计算公式，最终计算出发动机的贮存可靠性。     

基于DKF的IMU误差预测算法

作为导航领域常用的组合导航方式,全球导航卫星系统(GNSS)/惯性导航系统(INS)组合导航在GNSS信号失锁后,由于惯性测量单元(IMU)误差随时间迅速积累,其定位结果会偏离载体真实位置,导航精度下降.针对此问题,提出了一种长短期记忆网络(LSTM)辅助的算法,称之为深度卡尔曼滤波(DKF)算法.DKF算法的核心思想是使用LSTM训练IMU误差模型,然后通过训练出的模型预测IMU误差,最后将预测的IMU误差代入IMU数据以校正导航结果.仿真结果表明:在200s测试数据上,DKF算法将误差从1.1537m/s降低到0.3746m/s.与平均预测、卡尔曼预测和最小二乘估计等方法相比,DKF算法的误差最小,具有更优越的导航性能.