欧洲“伽利略”导航卫星系统浅析(上)

据欧空局网站2012年6月14日报道,第二批两颗"伽利略-在轨验证星"已经完成真空与太空极端温度试验,预计将于2012年9月28日发射升空。这两颗卫星与2011年10月21日发射的第一批两颗"伽利略-在轨验证星"几乎一模一样,     

改进的Sage—Husa滤波及在卫星姿态估计中的应用

基于极大后验估计原理,提出了一种改进的噪声估计器,以实现对噪声均值和方差的在线估计,抑制滤波器发散。对自适应扩展卡尔曼滤波算法在卫星姿态确定系统中的应用进行了仿真。结果表明新算法滤波精度优于扩展卡尔曼滤波（EKF）,与Sage—Husa自适应滤波算法相比,可阻止滤波器发散,提高系统滤波精度。     

一种适于典型发动机故障的自适应制导方法

为尽可能避免导弹固体发动机故障引发全弹自毁造成飞行失败,针对固体发动机喷管和喉衬故障常出现在关机附近的情况,采用子级弹体自毁方案,提出一种适用此方案的自适应制导方法,对导弹上面级发动机能量进行最优管理,在能量充足时确保导弹仍能成功完成打击任务。仿真结果表明,该自适应制导能量管理有效,方法误差小,证明了方法的正确性。     

复杂薄壁构件自适应加工工艺几何模型重构

随着制造理念和制造水平的不断提高,大量复合制造工艺背景下的近净成形叶片被应用到现役或在研的航空发动机中。该类叶片是典型的复杂薄壁结构零件,无精确定位基准,且成形一致性差。采用传统叶身定位,加工后的前/后缘、榫齿形状和位置精度均难以保证,从而导致产品一致性差,易超差与合格率低。针对以上问题,提出一种面向自适应加工的复杂薄壁结构零件工艺几何模型重构方法。首先,建立复杂曲面的采样点分布模型,快速获取叶片精确成型区域的位置和形状;其次,提出基于特征曲线相似变形的模型重构算法,精确重构前/后缘非精确成型区域的工艺几何模型;最后,通过精锻叶片自适应加工试验进行验证。试验结果表明：该方法可有效满足以精锻叶片为代表的复杂薄壁构件自适应加工要求。     

深空探测器接近段自适应滤波方法研究

天文导航是一种广泛应用于深空探测任务的全自主导航方法.基于状态模型和量测模型的非线性卡尔曼滤波方法在天文导航中被广泛使用.卡尔曼滤波要求状态和量测模型误差是高斯白噪声且先验协方差信息已知,但在深空探测器天文导航系统中,状态模型和量测模型噪声通常不能精确知道且是时变的.因此,自适应卡尔曼滤波器广泛用于解决状态和量测模型误差未知且时变的问题.本文首先结合火星探测器接近段的实际情况分析了火星探测器接近段模型噪声的时变特性,然后对三种常用的在线调节自适应滤波方法在火星探测接近段的滤波表现进行了仿真实验.      

基于MHSS算法的ARAIM完好性和可用性预测

传统的接收机自主完好性监视只能提供非精密进近阶段的完好性监视,无法实现对完好性要求更加严格的飞行阶段的监视,而高级接收机自主完好性监视（AdvancedReceiverAutonomousIntegrityMonitoring,ARAIM）可以在精密进近阶段为飞机提供满足航向信标性能垂直引导（LocalizerPerformancewithVerticalguidance,LPV）的完好性监视服务。文章基于多假设分组解算法,根据目前的星座环境,结合民航不同飞行阶段的应用需求,对ARAIM算法进行仿真研究。针对水平保护级（HorizontalProtectionLevel,HPL）和垂直保护级（VerticalProtectionLevel,VPL）的指标,在不同星座组合环境下,选取南北半球不同经纬度的5个观测机场,分别仿真了HPL和VPL的变化情况,并对全球HPL和VPL平均分布趋势,以及以99%的概率满足LPV-200进近可用性指标时,ARAIM可用性的全球覆盖率进行了仿真预测分析。仿真结果表明,不论是全球定位系统和格洛纳斯双星座还是增加北斗卫星导航系统后的三星座,5个观测机场的HPL和VPL均能满足LPV-200进近对完好性指标的要求;但在全球范围内,双星座条件下,ARAIM并不能完全支持LPV-200进近对完好性监视的要求,而三星座则可大大提高ARAIM的可用性,为民航用户提供满足精密进近的所需导航服务性能。     

基于自适应迭代学习的小行星绕飞容错控制

对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分：其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数（RadialBasisFunction,RBF）神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10^-2数量级内的较高姿态控制精度。     

自适应引导长度的无人机航迹跟踪方法

为保证无人机安全稳定的飞行,实现高精度的航迹跟踪,基于引导点的非线性制导算法,提出了一种引导长度自适应的航迹跟踪方法。首先建立无人机运动学模型,依此对非线性的制导算法进行理论分析与试验验证,建立无人机飞行速度与引导长度之间的关系。之后引出引导长度自适应的航迹跟踪方法,详细讨论方法的具体实现过程。最后通过各种情况下的仿真对比试验,验证所提出方法的有效性。仿真结果表明,所提出的方法能较精确地跟踪各种复杂航迹,同时在较大的初始偏差和航路点临时切换的情况下能稳定、快速地收敛到期望航迹,更好地满足各种实际飞行任务的需求。     

基于高斯过程的机器人自适应抓取策略

在机器人抓取作业时,目标物体的位姿经常发生变化。为了使机器人在运动过程中能够适应物体的位姿变化,提出了一种基于高斯过程的机器人自适应抓取策略。该方法建立了从观测空间到关节空间的映射,使机器人从样本中学习,省去了机器人视觉系统的标定和逆运动学求解。首先,拖动机器人抓取物体,记录物体的观测变量和机器人的关节角度;然后,利用记录的样本训练高斯过程模型,实现观测变量和关节角度的关联;最后,当得到新的观测变量时,通过训练的高斯过程模型得到机器人的关节角度。经过训练后,UR3机器人成功抓取了物体。     

基于自适应算法的Stewart平台微振动低频激励控制研究

针对空间微振动环境模拟的需求,以Stewart平台为对象,研究低频微振动激励控制.传统定增益控制器需要反复调节参数来获取满意的系统输出,同时由于摩擦等因素引起的非线性现象,导致难以在低频段建立精确的系统模型,以上问题均给控制器的设计带来困难.为此,设计一种自适应控制器加传统PID控制器的控制方案,并针对自适应控制器对于非参数不确定性等因素敏感的问题,采用dead-zone技术对自适应律进行修正,以提高控制器的鲁棒性.将此算法应用于Stewart微激励控制系统中,实验结果表明系统平台可以很好的输出单自由度与多自由度低频正弦激励,验证控制器在实际工程中的有效性.