对失控翻滚目标逼近的神经网络自适应滑模控制

针对失控航天器在空间中自由翻滚的情况,研究追踪器对失控翻滚目标逼近的位置和姿态六自由度耦合控制问题。建立追踪器与目标器相对运动的姿轨一体化动力学模型,设计追踪器逼近过程的标称轨迹和标称姿态。综合考虑系统不确定性和外部干扰,设计无抖振的神经网络自适应滑模控制器。将滑模控制与神经网络逼近相结合,采用径向基函数(RBF)神经网络对系统未知部分进行自适应逼近。由Lyapunov方法导出神经网络自适应律,通过自适应权重的调节保证整个闭环系统的稳定性。数值模拟实例说明了所设计的标称轨迹和标称姿态的合理性,同时验证了神经网络自适应滑模控制器的有效性。     

Aircraft engine fault detection based on grouped convolutional denoising autoencoders

Many existing aircraft engine fault detection methods are highly dependent on performance deviation data that are provided by the original equipment manufacturer. To improve the independent engine fault detection ability, Aircraft Communications Addressing and Reporting System (ACARS) data can be used. However, owing to the characteristics of high dimension, complex correlations between parameters, and large noise content, it is difficult for existing methods to detect faults effectively by using ACARS data. To solve this problem, a novel engine fault detection method based on original ACARS data is proposed. First, inspired by computer vision methods, all variables were divided into separated groups according to their correlations. Then, an improved convolutional denoising autoencoder was used to extract the features of each group. Finally, all of the extracted features were fused to form feature vectors. Thereby, fault samples could be identified based on these feature vectors. Experiments were conducted to validate the effectiveness and efficiency of our method and other competing methods by considering real ACARS data as the data source. The results reveal the good performance of our method with regard to comprehensive fault detection and robustness. Additionally, the computational and time costs of our method are shown to be relatively low.     

基于神经网络的机动飞行器自适应控制方法

针对机动飞行器强耦合性、快时变性以及高不确定性的问题,建立了六自由度刚体运动数学模型,按照时间尺度将姿态运动模型分为快变子系统和慢变子系统并分别设计动态逆控制律。然后给出了神经网络自适应控制器的设计方法,对神经网络的逆误差补偿原理、输入的选择、权值矩阵更新规则进行分析。通过算例进行六自由度仿真,证明本文方法的跟踪精度较高。     

模糊控制和神经网络相融合的研究及其在家电产品中应用

综述了模糊控制和神经网络相融合的研究，列举了若干种由神经网络实现模糊规则和模糊控制器的方法．这些利用神经网络的模糊控制器，能自动地辨识控制规则和校正隶属函数．最后叙述了该方法在家电产品中的应用。     

基于神经网络和证据理论的火箭发动机故障诊断

针对运载火箭动力系统故障的复杂特性和故障模式的不确定性,提出了基于神经网络和证据理论的火箭发动机故障诊断。首先以火箭视加速度和角速度作为网络输入,故障类型矩阵作为网络输出,通过BP神经网络和RBF(径向基函数)神经网络进行故障诊断;之后通过D-S证据理论融合神经网络结果;最后通过滚动时域估计方法对火箭飞行状态特征量估计。仿真结果表明诊断准确率达到99%以上,表明提出的方法对于火箭发动机故障诊断具有较高的准确性和实用性。     

发动机数控系统智能容错技术的半物理仿真研究

提出基于自联想神经网络的发动机数控系统的智能容错技术。该方法不依赖系统模型,只需要发动机的测量值来离线训练网络。若发生性能蜕化,该方法能自动切入故障诊断与最优估计的综合逻辑。文中开展了半物理仿真实验,实验结果充分证明了该技术能适应实验现场多变的环境,能正确诊断发动机传感器故障并提供解析余度,具有较好的鲁棒性。     

Neural network-based model predictive control with fuzzy-SQP optimization for direct thrust control of turbofan engine

A nonlinear model predictive control method based on fuzzy-Sequential Quadratic Programming(SQP) for direct thrust control is proposed in this paper for the sake of improving the accuracy of thrust control. The designed control system includes four parts, namely a predictive model, rolling optimization, online correction, and feedback correction. Considering the strong nonlinearity of engine, a predictive model is established by Back Propagation(BP) neural network for the entire flight envelope,...     

防空导弹引信和导引头探测信息的融合优化研究

分析防空导弹引信和导引头探测目标信息的互补性和信息融合优化的可行性,提出了前馈神经网络MLSP的优化步长OBP学习算法.采用最优化的原理优化步长的选取很好的解决了传统BP算法收敛速度慢和产生振荡的缺点,构造了一个用于防空导弹引信和导引头探测目标信息的融合优化模型,并以某型防空导弹武器系统的引信和导引头分系统为例,仿真结果说明了该模型的有效性和可用性.     

弹道导弹显式制导的分析与研究

弹道导弹的制导方法是影响弹道导弹命中精度的关键因素。本文对此进行了深入研究。文章首先分析了影响制导精度和速度的原因。在此基础上，提出了一种基于神经网络的显式制导方法，这种方法利用神经网络进行弹道约束函数的解算，利用微分控制算法进行控制量求解，具有较好的应用价值，文中算例验证了算法的有效性。     

认知结构模型机动目标跟踪算法

针对复杂战场中环境特性复杂以及目标机动性能提升所带来的跟踪难题,提出一种基于人类认知机制的机动目标自适应跟踪算法。算法将人类“记忆”机制引入机动模型构建,利用神经网络对目标特征参数进行离线学习并存储,指导机动模型参数实时调整,使模型对运动状态的描述更加合理。为进一步提高跟踪性能,基于人类认知“感知-行动”循环理论,将雷达接收端经数据处理后的目标状态估计信息反馈至雷达发射端,以最小感知信息熵为代价函数,从波形库中自适应选择最佳波形来匹配目标。仿真对比实验表明,该算法对环境及目标的感知更加准确,融入波形选择的自适应目标跟踪算法要明显优于传统采用固定波形的跟踪算法。