飞行器任务规划技术综述

任务规划是各类飞行器尤其是军用飞行器成功遂行任务的有效支撑和重要保证。首先,介绍了飞行器任务规划的基本概念;其次,系统地分析和梳理了任务规划技术的体系结构,从研究方法及对象的角度,将其归纳为面向多飞行器任务分配及协同的行动规划、面向飞行器战术动作实施方法设计的战术动作规划和面向飞行路径生成的航线/轨迹规划3个层次;随后,阐述了国内外飞行器任务规划各层次的研究现状,在问题建模与求解上所形成的代表性方法及其特点,以及飞行器任务规划在军事领域的应用现状;最后,论述了飞行器任务规划的关键技术及发展趋势。     

威胁联网下无人作战飞机突防作战航迹规划

以复杂战场环境下无人作战飞机(UCAV)的自主突防作战为研究背景,以防空单元为威胁建立威胁联网模型,针对威胁联网的指挥控制组织结构和信息交互关系的特点,建立了一种威胁联网的信息交互数学模型,并且通过网络模拟器NS-2(Network Simulator Version 2)仿真验证了该数学模型的合理性与适用性,同时基于此提出了一种UCAV威胁代价评估模型;然后,结合UCAV动力学约束与制导武器攻击区约束,给出一种基于改进稀疏A*算法的自主突防与攻击航迹规划算法。仿真结果表明,该算法能够快速获得UCAV突防作战航迹,且由于采用了动态的威胁评估方法,对突发威胁有较好的适用性。     

基于人工势场法优化的蚁群无人机航路规划

针对复杂环境下无人机航路规划问题,提出一种势场法优化的蚁群航路规划算法。为了改善蚁群初始路径搜索过程中的盲目性,将人工势场法的规划结果作为先验知识,对蚁群初始到达的栅格进行邻域信息素的初始化,进而运用改进的蚁群算法完成航路搜索任务。仿真结果表明,新算法具有收敛速度快,规划路径短以及环境自适应的优点。     

发动机混装叶片纠正计划的制定方法

发动机叶片的混装问题影响了航空维修管理的效率,在最低成本下以恰当的时间完成纠正是航空维修企业面临的问题,针对此问题提出在飞机维修计划中增加发动机叶片的纠正活动,首先利用递推方法和选择规则确定发动机的维修备选时间点;然后采用0-1规划对备选时间点进行筛选以达到最低纠正成本的目的:最后通过Lingo软件开发了模型求解程序,并以20台发动机三种叶片的混装问题为例进行说明。     

基于改进蚁群算法的无人机路径规划

针对传统无人机路径规划算法存在规划效率低以及无法满足特定任务需求的缺点,提出了基于改进蚁群优化算法的无人机路径规划算法。首先,将待规划区域栅格化,给每一个网格按顺序编号;其次,在路径搜索时引入了一种双向搜索机制,对信息素的更新规则和下一步节点的选择方法做出改进;最后,提出了一种新的方法来整合两组蚂蚁生成的路径,并给出了若干仿真试验结果。结果表明,所提算法相比传统算法更能有效避免过早陷入局部最优,收敛速度加快,生成满足任务约束的最短路径。     

基于自适应粒子群优化算法的无人机三维航迹规划

针对传统的粒子群优化算法容易陷入局部最优解的问题,提出了一种自适应粒子群优化算法,在迭代寻优过程中自适应地调节惯性权重和2个学习因子的数值。建立了无人机在山区环境执行勘察任务的航迹规划环境模型,分析了无人机自身约束条件。设计了自适应粒子群优化算法的适应度函数和航迹规划算法流程。分别采用自适应粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所提出的自适应粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

固定翼无人机编队集结控制算法研究

针对固定翼无人机协同作战时的编队集结问题，提出了一种新的路径规划和位置分配方法，并设计了包括航迹跟踪、高度保持和速度控制在内的自动驾驶仪。该路径规划算法通过矩阵迭代得到一组较优的目标点分配方案，满足总航程较小和同时到达约束。根据得到的各无人机飞向目标点的航迹，算出无人机编队集结的代价矩阵。在每架无人机确定了应飞航路后，开始沿航路飞向目标点，在此过程中，纵向采用高度保持自动驾驶仪，横向采用航迹跟踪自动驾驶仪，控制无人机按规定航迹飞行。速度调节自动驾驶仪可根据速度指令调节油门大小加减速，跟踪上目标速度，进而实现编队集结。仿真结果验证了所提出的编队集结控制方法的有效性和可行性。     

基于数字模型的工艺设计与应用

国内外新一代飞机已全面采用数字化设计,制造工艺部门应以此为契机,改进数字化工艺设计手段,充分利用产品三维设计数据,全面推广基于数字模型的工艺设计方法和应用范围。提出了基于数字模型的飞机装配工艺协调设计,阐述了装配协调数据的定义方法,介绍了开展生产线三维工艺规划的方法和流程。提出了基于数字模型的全机和供应商制造构型设计模式。提出了基于数字模型的供应商交付规范的编制方法,阐述了三维装配工艺指令设计平台的功能、数字化装配工艺设计流程和虚拟仿真应用等内容。     

基于深度神经网络的机器人定位误差补偿方法

工业机器人由于高效率、低成本被广泛应用于智能制造业,但较低的绝对定位精度限制了其在高精度制造领域的推广应用。为提升机器人绝对定位精度并解决传统复杂的误差建模问题,提出了一种基于深度神经网络的机器人定位误差补偿方法。首先在笛卡尔空间进行拉丁超立方采样规划,获得目标点姿态对误差的影响规律;然后建立基于遗传粒子群算法优化深度神经网络(GPSO–DNN)的定位误差预测模型,实现对误差的预测和补偿;最后为验证该方法的准确性和优越性,与其他误差补偿模型进行对比。试验结果表明,基于GPSO–DNN的定位误差补偿方法的补偿精度最高,定位误差由补偿前的1.529mm减小为0.343mm,精度提高了77.57%。该方法能有效补偿机器人定位误差,大幅提高机器人的定位精度。