一种动调陀螺运行环境温度监测系统设计

设计了一种基于DSP的用于动力调谐陀螺的温度监测系统,介绍了该设备的组成、温度测量、显示和设置等功能设计和系统软件设计。     

基于神经网络的BTT导弹逆控制方案设计

对基于神经网络的倾斜转弯(BTT)导弹逆控制进行了研究。用径向基函数(RBF)神经网络结构和最近邻聚类算法,对导弹系统逆动力学系统进行动态模型辨识,以辨识模型为控制器与BTT导弹控制系统串联构成动态伪线性系统;用逆系统法设计了一种用于BTT导弹非线性控制的经典控制与神经网络在线自学习综合控制方案,实现了导弹三通道的线性化控制和输出的渐近无差跟踪。仿真结果表明:该方案可根据设计指标要求实现对BTT导弹的非线性控制,且有较强的鲁棒性。     

复杂工况下的直升机行星传动轮系故障诊断

行星传动轮系是直升机动力传动系统的核心部件,是直升机健康和使用监测系统重要的监测对象。针对复杂工况下直升机行星传动轮系的故障诊断难题,提出了结合域对抗与深度编码网络的自适应域对抗深度迁移故障诊断方法。方法输入归一化频谱数据,基于堆栈收缩自动编码网络建立训练负载与测试负载编码网络,从训练域数据进行有监督学习提取高质量深度故障特征,并结合参数迁移和对抗学习策略,通过测试域数据无监督自适应优化测试域深度故障特征提取网络,以适应负载条件变化引起的样本数据分布差异以及恶劣噪声环境引起的样本数据波动的影响。方法在直升机行星传动轮系实验平台上通过故障注入试验进行了对比验证,证明了方法的有效性与健壮性。     

平流层飞艇控制与推进技术

飞艇作为平流层平台可以实现无线通信、空间观测、大气测量以及军事侦察等目的。本文主要结合平流层的环境特点对平流层飞艇动力推进系统的组成和概念进行初步分析,并对飞艇在升空、浮空、回收过程中的飞行控制策略进行探讨,同时简要分析了控制系统的组成、控制难点和飞艇应急控制问题。     

基于深度学习的空间站舱内服务机器人视觉跟踪

为提升舱内跟随服务机器人的任务辅助能力,解决机器人对航天员的视觉跟踪问题,提出了一种基于深度学习和概率模型的人体视觉跟踪算法。利用深度卷积神经网络实现了对穿着多样、姿态任意人体的稳定检测。结合人体检测结果,设计了运动预测概率模型,实现了对指定人员准确、连续的跟踪。算法对包含大多数航天员活动的多个数据集进行了验证。实验结果表明:提出的跟踪算法实现了对穿着多样、姿态任意人体的稳定跟踪,并有效避免了由于穿着相似、遮挡可能造成的误跟踪问题。该算法为空间站舱内跟随服务机器人对航天员的视觉跟踪提供了有效的解决方法。算法基于融合的RGB-D图像,工程上易于构建和实现,也可拓展到其他跟随服务机器人视觉跟踪任务中。     

面向航天异构平台的深度学习编译器加速技术优化

为了解决TVM编译器在航天应用过程中优化时间过长的问题,针对TVM的自动搜索框架Ansor,提出一种新的基于LightGBM算法的成本模型来预测代码的运行时间。LightGBM算法由于减少了分裂点数量、样本数量、特征数量,使得新成本模型有效地降低了计算量,在不损害准确率的条件下加快了模型的训练速度,缩短了优化时间。实验结果表明,在相同的优化任务下,具有新成本模型的Ansor在优化时间上提高了1.6倍,整体推理时间提高了6.1%。     

一种级间无动力飞行时间在线自适应确定方法

针对直接入轨固体运载火箭的多约束条件,为减小飞行攻角指令大小和飞行轨迹散布,以改善火箭飞行的力热环境和减小入轨点速度损失,提出了一种根据实际飞行情况在线确定级间无动力滑行时间的数值预测方法。首先,在合理的假设下,综合考虑计算精度和计算效率,建立了无量纲化的数值预测制导模型。随后,考虑飞行过程约束和入轨终端约束,制定了级间无动力滑行时间数值预测制导策略和流程。最后,通过数学仿真,表明所提方法在满足入轨点参数及控制精度要求的情况下,大幅减小了飞行攻角指令,缩小了飞行轨迹散布,具有较好的应用价值。     

基于深度Q网络的飞行器增益调参技术研究

针对飞行器传统增益调参法依赖于人工经验繁琐费时、难以实现参数自整定的缺点,提出了利用强化学习中的深度Q网络算法与飞行环境状态的交互不断学习,实现对控制增益的自动调整动作。训练结果表明,该方法使高速飞行器能够自适应调整控制增益,稳定跟踪攻角指令,节省了人工调参步骤及时间,有效提高了控制系统自适应性。     

基于射频指纹的测控地面站身份识别方法

卫星测控信道具有开放性特点,第三方容易截获测控信号,并通过特定信号分析手段获得通信编码体制甚至密钥,严重危害测控安全.为增强卫星的测控安全性,提出了一种基于射频指纹的测控地面站身份识别方法,即提取测控信号的射频指纹来验证测控指令是否来自于合法用户.使用卷积神经网络从21台发射机的变功率信号中识别特定发射机,识别精度高达...     

基于DDPG-PID的机器人动态目标跟踪与避障控制研究

针对机器人在动态复杂环境下的操作问题,研究机械臂跟踪运动目标及避障的运动控制方法。采用传统PID控制方法与DDPG强化学习算法相结合的方式,利用PID控制使得机械臂的工作平面快速接近目标物并与之重合,再使用DDPG算法让机械臂在平面内自主学习追踪目标物投影同时避开障碍物投影,最终在三维空间中实现跟踪与避障。该方法将机械臂作为一个智能体,智能体通过感知目标物和障碍物的距离偏差来自主学习避障跟踪策略。将本方法用于多自由度机械臂路径规划与避障任务中,对比单纯使用DDPG算法将机械臂作为智能体在空间中进行决策控制,仿真结果显示本文所提出的方法收敛效果和控制性能更好,机械臂能在训练后实现目标物的稳定跟踪和障碍物的躲避。