一类含动态扰动的随机非线性系统的FNN控制

针对一类非仿射且带有动态扰动的纯反馈随机非线性不确定系统,在随机Lyapunov稳定性理论框架下,利用自适应Backstepping方法并结合模糊神经网络( FNN),设计出保证闭环系统所有信号概率意义下有界的自适应控制器。在控制器设计中,对系统动态扰动进行参数化处理,并对系统不确定性进行FNN逼近,以四层神经网络为基础构架,引入模糊逻辑对网络进行推理,其输出权值可自适应调整,设计方法有效地减少了可调参数的数量,数值仿真结果也表明设计方法的有效性。     

核热源功率测量系统冷端温度控制策略

基于核热源功率测量系统冷端温度控制需要,建立系统动态特性模型.在开环仿真分析的基础上,分别设计了PID（proportion integration differentiation）控制、模糊控制以及支持向量机(SVMsupport vector machines)智能预测控制3种控制算法,并完成了其仿真研究,验证了测量系统控温的可行性.结果表明:将SVM优秀的非线性函数逼近能力与预测控制相结合来拟合被控非线性系统模型,并通过支持向量机的预测结果进行反馈校正,使系统具有良好的鲁棒性和稳定性,易于工程应用.      

一种新型模糊自适应Kalman滤波器在组合导航中的应用

针对光纤陀螺捷联惯导(FOG SINS)/GPS组合导航系统实际工作环境中,由于系统噪声与量测噪声模型发生变化而带来的滤波器发散的问题,提出一种新型模糊自适应Kalman滤波器(FSHAKF).通过引入IMU精度因子与GPS水平精度因子,构造模糊推理系统(FIS),实时更新自适应参数,有效地解决了传统Sage-Husa自适应滤波器(SHAKF)估计模型不准确、系统噪声与量测噪声无法同时估计以及滤波器长时间易发散的问题.仿真实验表明,本文提出的FSHAKF算法相较于SHAKF算法,估计精度得到明显提高,且避免了滤波器的发散.     

相对失控翻滚目标悬停的自适应模糊滑模控制

研究了含有系统不确定性和外部干扰的追踪器相对失控翻滚目标悬停的六自由度耦合控制问题。首先,在追踪器本体坐标系中建立了非线性的六自由度耦合的一体化动力学模型,将悬停控制问题转化为相对位置和相对姿态控制问题。再基于模糊逼近原理设计了一种自适应的模糊滑模控制器,该控制器能够有效克服系统的模型不确定性和外部干扰的影响,并能消除传统的抖振问题。由Lyapunov方法导出了模糊自适应律并证明了闭环系统的稳定性。数值仿真验证了所提的自适应模糊滑模控制器的有效性。     

嵌入式大气数据传感系统的模糊逻辑建模方法

为克服传统的大气数据传感系统的不足,对嵌入式大气数据系统展开了研究。以某飞翼布局飞行器为研究对象,通过风洞试验和CFD数据,研究了针对嵌入式大气数据系统的模糊逻辑建模方法。以模型表面若干测压点的压力或压力系数作为模糊逻辑系统的输入,以迎角、侧滑角、来流速度和海拔高度作为输出,分别采用自适应和固定形状参数的隶属函数作为模型组成部分,混合使用梯度下降法和最小二乘法来识别模糊逻辑系统的参数,从而建立针对该嵌入式大气数据系统的模糊逻辑模型。建模结果表明,相比以往仅使用梯度下降法和固定形状参数的隶属函数的模糊逻辑模型,自适应隶属函数的引入使得模型精度与求解速度得到提高。     

机载综合热管理系统控制特性分析

以简化的机载综合热管理系统作为研究对象,对系统在不同控制模式下的变化特性进行分析,为系统控制方案的研究提供了理论依据.利用数学模型和计算机模型相结合的方法建立起一种以燃油为主要热沉,具有空气/燃油换热器、燃油/PAO(聚α烯烃)换热器等主要元器件的机载综合热管理系统整体模型,并提出一种模糊自整定的PID(比例-积分-微...     

基于分层模糊系统的间接自适应控制

为解决模糊控制器中规则数目随系统变量的个数呈指数增长的问题,利用分层模糊系统设计了一类非线性系统的间接自适应控制器,并证明了所提出的设计方法不但能够保证闭环系统的一致有界性,而且可使跟踪误差收敛到原点的小邻域内.通过对倒立摆控制的仿真研究验证了方法的有效性.      

飞机全电刹车系统研究

提出了全电刹车系统的初步设计方案,制定出刹车控制规律并对整个电刹车系统进行数字仿真分析.在系统设计部分中详细写出电机控制部分与结构部分的设计方案;新的刹车控制规律运用了较先进的模糊控制方法;为了分析新的控制规律,对比在各种情况下飞机刹车系统的工作情况,快速找出各个部件参数对系统性能的影响,针对模糊控制规律进行了数字仿真与分析.通过在分析中设置各项部件参数和条件,可以快速的获得分析结果,对新部件的研制提出合理地设计要求.      

基于PNN与FNN模型神经网络控制器设计与分析

模糊神经网络和预测神经网络分别是基于经验和学习的新型神经网络控制系统,通过在卧式电液仿真转台中框控制器上分别采用这2种控制方法来研究它们的控制特性和应用范围.其中,模糊神经网络结合了模糊控制的经验和神经网络的学习能力,但控制精度取决于人为经验;所研究的预测神经网络采用了基于非线性自回归滑动平均模型建立预测模型,实现在线学习和在线控制,但初始阶段控制精度不高.仿真研究证明,根据具体的控制对象采用适当的控制方法或是将2种方法合理地结合起来将会达到较高的控制精度.      

基于模糊逻辑的再入RCS控制方法

针对 RLV (Reusable Launch Vehicle)的再入控制提出了一种基于模糊逻辑的RCS(Reaction Control System).详细分析了RCS控制特性,建立了基于效率系数以及继电特性的RCS模型,提出了一种基于Mamdani模型的模糊逻辑三通道RCS控制器,该控制器利用专家控制经验,根据姿态角及角速率的偏差,产生不同的RCS控制指令输出给三通道对飞行器进行姿态控制.通过六自由度非线性仿真,验证了该控制系统与PID(Proportional-Integral-Differential)控制器相比具有更好的跟踪性能,且RCS的控制输出效率也更高.