基于T-S模糊系统的空天飞行器鲁棒自适应轨迹线性化控制

 基于T-S模糊系统提出了鲁棒自适应轨迹线性化控制(RATLC)方法。利用T-S模糊系统逼近未知干扰和不确定性因素,并采用Lyapunov方法设计了鲁棒自适应控制律。不论系统状态的维数和用于逼近不确定的模糊系统规则数为多少,整个系统仅有两个参数在线调整。理论分析证明了闭环系统所有信号一致最终有界。应用提出的控制方案设计了空天飞行器(ASV)飞行控制系统,并在高超声速飞行条件下进行了仿真验证,仿真结果表明了控制方案的有效性和鲁棒性。     

神经网络专家系统在电源系统诊断中的应用

为了解决卫星这类复杂系统采用单一的智能故障诊断技术的诊断局限性问题,提出一种基于模糊综合评判的神经网络和专家系统相结合的诊断方法。选用改进的BP神经网络,添加动量因子和可变学习速率,并通过计算十个相同结构神经网络输出的标准差获得诊断结果的可信度。采用基于可信度的专家系统不确定性推理,给出了可信度计算方法。采用代数积与代数和模糊算子对两种诊断方法的结果进行综合评判。成功地应用于某卫星电源系统的故障诊断中。结果表明诊断的可信度和诊断的正确率得到提高。     

飞机外形参数的气动与隐身综合优化设计

以气动力及雷达散射截面参数为目标函数,主要优化对总体外形和飞机性能影响较大的机翼、尾翼的平面形状几何参数以及少数几个机身几何参数;根据第4代战斗机的设计要求,确定各个目标的理想值、最低可接受值,以及各个约束的满足区间,应用模糊优化理论,建立各个目标的满意度函数及各个约束条件的满足度函数,并使用多目标总满意度函数和常权、变权的不同组合,建立了5种外形参数模糊优化模型,使设计人员可以根据不同的设计思想和设计目的选择优化模型与翼面形状的组合.     

彩色图像分割算法研究与费歇算法应用

图像分割是图像分析和模式识别需要解决的首要问题和经典难题。彩色图像比灰度图像具有更多的视觉信息,因而受到了越来越多的重视。文中对各种彩色图像分割方法进行了系统论述,分析了各种方法的优缺点,重点介绍了费歇算法。该算法能有效地对彩色图像进行分割,在工业实践中取得了比较好的效果。     

基于灰色理论的复杂系统多故障模糊诊断

航天、核电等复杂系统源发故障概率通常难于获取,由此导致基于最大后验概率准则的诊断方法失效。针对上述问题,从测试可靠性先验概率入手,提出了一种基于相关矩阵和灰色系统理论的故障诊断方法,通过对系统建立故障-测试相关矩阵,生成有排序的测试报警概率矩阵,并利用灰色关联度衡量测试结果向量与故障特征向量的接近度,实现了对多发故障的模糊诊断。实验结果表明,该方法在诊断指标权重调整、诊断精细度、重点关注故障检出等方面优势明显,诊断结论正确率满足实用需求。     

一种新的自适应模糊控制器的设计方法

在分析现有的自适应模糊控制器不足之处的基础上,提出了一种新的自适应模糊控制器设计方法.为保证系统性能的一致性,在启动自适应模糊控制器前,采用监督控制将初始跟踪误差镇定到给定范围.自适应模糊控制器可在存在模糊逻辑系统逼近误差的情况下,使系统跟踪误差小于预先给定的任意常数.文中用仿真算例验证了本方案的有效性.      

民用航空发动机航线维修专家系统设计分析

为了缩短民用航空发动机航线维修的时间,提高航线维修效率,降低航班延误率,针对民用航空发动机航线维修工作的特点,提出了基于故障特征利用模糊技术建立专家系统的模糊知识库,并结合智能检索技术建立民用航空发动机航线维修专家系统的方法,该方法能够提高专家系统解决问题的准确性和时效性。重点阐述了专家系统模糊知识库构建和智能检索技术的逻辑思路。相比于以关键故障特征为知识点建立的数据库,模糊知识库包含了更全面的故障特征知识。智能检索基于概念或语义检索,相比于关键词检索,对自然语言有更好地理解,便于航线维修工作人员使用。     

高超声速飞行器地面颤振评估技术研究

针对高超声速飞行器飞行过程中颤振边界变动范围大、试验测试难的问题,本文开展了考虑气动热效应的翼面结构地面颤振试验技术研究。首先基于工程法对结构所受的气动加热进行了分析,在此基础上开展了结构的热颤振特性评估并作为地面颤振试验结果的参考标准。考虑实际飞行中结构温升效应影响,建立了基于多工况点的气动力综合优化降阶算法,确保了整个温升过程的气动力模拟的精度。通过建立基于模糊逻辑比例、积分和微分（Proportional integral derivative,PID）控制的多点协调控制系统,实现了温升过程中时变系统的激振力控制器设计。最终搭建了地面颤振试验系统,按照典型飞行状态对结构的热颤振特性进行了测试,试验测试结果与仿真结果对比相对误差约10%。     

改进BP算法在模糊神经网络中的应用

引入一种改进的BP算法——动量因子-自适应学习率算法.通过调节动量因子以及在学习过程中的学习率实现自适应,以提高学习速率和增强学习的平稳性.将该学习算法引入到串形结构的多层前向模糊神经网络中,通过学习确定了模糊映射关系,实现了对象的模糊故障诊断.在应用模糊神经网络进行故障诊断时,被监测的故障征兆信号与网络输入层相连,即将输入向量输入到网络中,经过模糊化处理,得到各故障征兆在所定义征兆的模糊子集上的隶属度向量,再利用神经网络的前向计算,得到故障原因的模糊隶属度向量,最后通过对向量的分析确定故障原因的类型.将上述模糊神经网络应用到空气静压轴承中,实现了设备的故障诊断,测试结果验证了该方法的有效性.      

基于模糊聚类的模糊神经网络在非定常气动力建模中的应用

建立了一种基于模糊聚类的模糊神经网络模型.该模型利用模糊聚类技术确定系统的模糊空间和模糊规则数,利用BP算法调整模糊神经网络的权系数.应用该模型对某飞机模型做俯仰-滚转耦合运动的非定常气动力进行了辨识.结果表明,基于模糊聚类的模糊神经网络计算速度快,辨识结果与实验结果符合较好.用模糊聚类技术可以解决模糊神经网络的结构辨识问题,基于模糊聚类的模糊神经网络可以很好地用于复杂机动飞行的非定常气动力建模.