GPS/INS超紧组合载波跟踪环路最优带宽在线设计

在全球定位系统和惯性导航系统组成的超紧耦合系统中,卫星信号的跟踪性能直接取决于载波跟踪环路的带宽。为提高最优带宽的计算精度,在对惯导辅助下载波跟踪环路跟踪特性进行分析的基础上,详细推导了载波多普勒频率估计误差、多普勒频率变化率估计误差的计算方式,建立了惯导辅助下的环路跟踪误差模型;在实时估计跟踪载噪比的基础上,应用离散牛顿二阶梯度法迭代解算最优带宽,并进行实时调整。仿真结果表明,所设计最优带宽迭代解算方法的计算精度能够在11次迭代内达到99.6%,以此作为环路的带宽,能够在弱信号、辅助信息精度较低的情况下有效提高环路的跟踪精度。     

基于微分平坦方法的三维制导律设计

针对强耦合条件下的三维制导问题提出了一种新的设计框架。滚动引起的俯仰、偏航通道之间的强耦合关系,使得双通道解耦的三维制导律设计困难,使用微分平坦方法可以克服这一困难。首先使用矢量建立了导弹的一般运动学描述,并由此证明导弹制导系统是微分平坦的。依据系统的平坦输出设计比例-微分(PD)控制律可以实现目标静止或机动时的制导。进一步,通过对PD参数的适当约束可以实现任意落角及任意入射方位角的制导。仿真结果验证了该设计的优点。     

基于Matlab／Simulink的航空发动机部件级建模与分析

借助Matlab搭建完整的双轴涡轮风扇发动机模型,对各部件进行封装,利用Simulink显示模块观察仿真结果。在动态仿真时,引入容积动力效应,避免反复迭代过程,提高模型实时性。与GSP仿真软件结果进行对比,结果表明：所建立的模型具有较高精度,可以准确捕捉航空发动机的动态响应和稳态响应。     

介质涂覆位置对球面收敛喷管电磁散射特性影响

外形设计和隐身材料使用是缩减目标雷达散射截面积(RCS)的两种常用方法。为了研究雷达吸波材料(RAM)对于球面收敛矢量喷管(SCFN)的RCS减缩效果,采用引入阻抗边界条件后的迭代物理光学(IPO)法,研究了球面收敛二元喷管及8种吸波材料涂覆方案的电磁散射特性,并获得了X波段下9种模型的后向RCS随探测角度的变化规律。研究结果表明:吸波材料涂覆可以有效地缩减球面收敛喷管的RCS;合理的涂覆方案可以在保证RCS缩减效果的基础上,降低吸波材料的使用量;相比全涂覆方案,仅在喷管出口和球面段进行涂覆,可以在吸波材料减少30%使用量的情况下,达到全涂覆方案80%的缩减效果。     

开闭环PD型快速迭代学习控制方法及其在直流电动机中的应用

针对一类非线性系统的学习控制问题,提出了一种开闭环PD型快速迭代学习控制方法。此学习控制方法利用了系统当前的跟踪误差信号和前次迭代控制的跟踪误差信号,以及它们的微分信号,同时采用可调比例系数,根据系统误差的变化及时地调节比例系数,从而使目标的跟踪能力得到提高。通过分析给出了此快速迭代学习算法收敛的条件,直流电动机的仿真应用说明了此学习控制方法对于非线性系统具有较强的有效性和较好的可行性。     

基于标准弹道点的最优制导方法

由于基于需要速度的显式制导方法要确定虚拟目标点,虚拟目标点的确定要对地球扁率和再入阻力的影响进行修正,存在着百米以上的修正误差,为此提出了基于标准弹道点的最优制导方法,即将标准弹道的某点作为目标点进行需要椭圆轨道计算及最优入轨控制。提供了采用弹上迭代制导方法实现最优控制,同时给出了预测关机参数的需要椭圆轨道终端约束校正方法。该制导方法无需进行地球扁率和再入阻力的影响修正,可以减少方法误差,仿真计算证明了这一点。     

一类不确定非线性系统的观测器设计

系统状态观测器在故障检测与状态反馈中起着重要作用,特剐是非线性系统状态观测器的构造已成为目前控制理论界一个重要研究课题。本文针对一类含有建模误差的非线性系统,提出了一种非线性状态观测器的结构形式,然后利用非线性变换,将含有建模误差的非线性系统变换为仅依赖原系统的输入、输出的规范形式,从而利用可测数据进行构造观测器。在此基础上,利用Lyapunov稳定性理论以及微分同胚的性质,分析了非线性动态误差方程的稳定性。理论证明,在建模误差为零时,估计状态收敛到其真实状态;在建模误差不为零时,估计状态与实际状态之差一致最终有界。最后进行了详细的仿真研究,结果表明了该方法的有效性。     

某型加力涡扇发动机特性的三层迭代模拟

基于发动机各种部件特性，应用总体匹配技术发展了混排涡扇发动机特性的数值模型，并针对某型涡扇发动机建立了相应的三层迭代模拟方法及相应的计算机程序，给出了该发动机在某一组合调节方案下的特性模拟结果，模拟结果与试验结果比较表明二者吻合较好。     

基于优化智能网络的发动机推力指令模型

针对航空发动机性能退化缓解控制中推力指令模型输入量有限问题,提出1种双智能网络串联的推力指令建模方法.其中子模型Ⅰ采用BP网络映射与推力密切相关的气路参数,其输出作为子模型Ⅱ的输入;子模型Ⅱ采用优化极端学习机(ELM)算法,输出为额定发动机推力,并以此推力为性能蜕化缓解控制指令.为了减小ELM网络规模,提高推力指令模型实时性,采用微分进化算法(DE)优化ELM初始网络参数.数字仿真验证表明:各飞行包线内推力指令模型预测值最大相对误差小于4‰,远优于单一神经网络最大8.17％和单一极端学习机最大14.5％的误差,模型推力指令计算时间仅需0.64ms,实时性好,验证了该推力指令模型的有效性.     

改进的P型迭代学习控制算法

针对多输入多输出的定常线性系统的迭代学习控制问题, 给出改进的P型迭代学习控制算法, 该算法中利用最新算出的控制分量代替旧的控制分量, 这样可以加快控制输入的收敛速度, 利用该算法进行学习控制, 使系统的实际输出以更快的速度收敛于系统的理想输出.