刚体航天器姿态跟踪系统的自适应积分滑模控制

 采用自适应滑模控制(ASMC)技术进行姿态跟踪系统设计时,切换增益的整定不需要外部干扰及惯量阵不确定性的上界信息。但现有自适应滑模控制方法存在过度适应问题,产生的切换增益远大于控制所需值。为解决该问题,在自适应滑模控制框架内开展了刚体航天器姿态跟踪控制研究。首先对切换增益自适应机制进行分析,揭示了造成过度适应问题的原因。然后利用积分滑模控制的全局滑模特点,消除了初始跟踪误差对自适应过程的影响,提出了一种自适应积分滑模姿态跟踪控制方法。理论分析和仿真结果表明该方法能够有效减小切换增益。     

基于ANFIS的CFRP轴向钻削力预测

本文基于CFRP轴向钻削力试验研究,获得ANFIS样本数据通过对ANFIS的训练,建立钻头转速、进给量与轴向钻削力之间的映射关系,并进行验证试验,结果表明了该预测方法的有效性     

考虑输入饱和的航天器相对运动鲁棒自适应控制

 研究了在输入饱和约束条件下的航天器相对运动的姿态和轨道一体化控制问题。首先,基于单位对偶四元数给出了航天器6自由度相对运动的数学模型,利用误差对偶四元数来描述航天器的相对姿态和相对位置。接着,针对输入饱和问题,提出了一种对航天器模型参数不确定性和外部有界干扰具有较强鲁棒性的自适应控制器,并通过李雅普诺夫方法从理论上严格证明了整个闭环系统的全局渐近稳定性。最后,通过数值仿真来验证设计方法的有效性和可行性,并且与其他方法进行了比较,结果表明设计的方法能够抑制输入饱和的问题,在性能上具有更快的收敛速度和更强的鲁棒性。     

基于输入成形的挠性航天器自适应滑模控制

针对大型挠性航天器姿态机动过程中的振动抑制问题,提出一种输入成形(IS)与自适应滑模控制(ASMC)相结合的控制策略.该控制策略利用输入成形抑制标称挠性系统的残余振动,并通过滑模控制保证实际系统在参数不确定性和外部干扰的影响下实现对标称系统的跟踪,解决了输入成形对参数不确定性和外部干扰的敏感性问题.进一步采用自适应技术去除了滑模切换增益对参数不确定性和干扰上界的先验性要求.仿真结果表明,在参数不确定性和外界干扰的影响下,该控制方法能够保证在完成姿态机动的同时抑制航天器的挠性振动.     

导弹自适应模糊控制方法研究

用两种方法对导弹纵向通道过载控制系统进行了设计方法一将导弹过载模型转化为严格反馈形式,基于反演设计的思想分别对对象的各个子系统进行了自适应模糊控制器的没计,利用李雅普诺夫稳定性理论进行了控制器稳定性分析并得到了模糊参数的自适应调节律;方法二利用滑模控制的思想,通过建立的控制量动态滑而与状态量的动态滑而之间的关系,对典型的二阶过载系统进行了自适应模糊滑模控制器的设计,得到了具有滑模特点的参数自适应调节律.最后通过仿真对控制器的设计进行了验证.     

一种基于模糊补偿的自适应控制在液压转台中的应用

 针对仿真转台电液伺服系统的非线性特点,提出了一种基于模糊补偿的自适应控制方法。该方法把实际系统看成是由线性和非线性两部分所组成,对线性部分采用基于精确数学模型的控制方法,而对非线性部分主要采用以模糊自适应补偿为主的控制方式。为了提高模糊自适机构的补偿效果,采用了规则可调整的模糊控制器,仿真结果表明,该方法具有较高的控制精度和鲁棒性能。     

新一代歼击机超机动飞行的动态逆控制

 根据反馈线性化理论, 讨论了神经网络自适应非线性动态逆控制设计。首先根据时标分离原则, 采用动态逆方法设计快回路和慢回路控制器; 其次提出基于模型逆的神经网络非线性直接自适应控制方案, 设计一种在线神经网络用于补偿模型逆误差。仿真表明, 该控制方案具有较好的自适应能力和鲁棒性。     

液体火箭发动机地面试车故障检测的自适应阈值算法

提出一种自适应阈值故障检测算法,其检测阈值由实时估计的参数均值、标准差及由训练算法得到的带宽系数计算。用某发动机22次点火试验的试车数据进行离线故障检测,结果表明其综合性能优于红线系统和SAFD算法。     

X—38飞行器无粘绕流的非结构网格模拟

本文采用非结构网格，利用DLR所发展的计算软件TAU对X－38飞行器高超声速无粘绕流进行数值计算。为了生成有效的计算网格及提高对流场细节的分辨率，在求解过程中应用了网格自适应,并研究了网格密度对气动力的影响程度；同时与现有的实验结果和用结构网格得到的结果进行了比较，符合程度令人满意。     

图象序列中机动目标的形心跟踪

从边检测边跟踪的角度探讨了图象序列中机动目标的形心跟踪问题,深入分析了强高斯噪声背景下目标形心估计的统计性质及用于形心估计的图象预处理方法。指出经典的图象二值化变换分割后作形心估计的方法面临着估计偏差和方差的矛盾,提出了用自适应交互三模型(ATIMM)跟踪图象序列中机动目标的方法,同时发现在了解目标形状的条件下,空间匹配滤波,二值变换点集聚类和 ATIMM三者的结合对图象序列中的机动目标具有最好的跟踪性能。