大型液体运载火箭姿态控制参数智能设计方法

针对大型液体运载火箭控制参数设计依赖人工经验,设计过程耗时长,难以得出很好设计结果等问题,提出了一种控制参数智能设计方法。结合稳定裕度指标和截止频率约束,设计了一种分段式目标函数,避免单一稳定裕度值过大、其他稳定裕度很小甚至不稳定的情况。通过分析参数对系统频域特性的影响,将校正网络与控制增益分层优化,提出了一种基于优势更新的改进进化策略方法优化校正网络参数,基于Powell算法优化控制增益。仿真结果表明,提出的目标函数通用性强,提出的改进进化策略收敛速度快、收敛性好,优于其他启发式算法,优化结果优于人工设计结果,具有较高的工程应用价值。     

THAAD增程型拦截弹预测制导方法

根据公开资料对THAAD增程型拦截弹建模,针对大射程的特点规划了高抛弹道,生成标准弹道族。提出了迭代预测命中点法,利用解析方法计算剩余飞行时间,基于多项式拟合法寻找标准弹道,确定预测命中点,完成预测制导任务。将迭代预测命中点法与迭代飞行时间法进行对比,迭代预测命中点法初值选取容易,程序运行时间减少20%,制导过程中无需调用标准弹道文件,节省了计算机存储空间。通过改变射程、航路捷径对预测制导方法进行仿真验证,结果表明,拦截弹拦截射程可覆盖到600 km,并且能完成存在航路捷径时的拦截任务,平均脱靶量在200 m以内,应对气动不确定性的效果良好。      

运载火箭推力下降故障下的在线弹道重构方法

针对运载火箭推力下降故障下难以实现在线弹道重构的问题,提出了一种基于神经网络的剩余运载能力估计及程序角重构的算法。以线下基于工程实践的弹道优化方法生成的故障状态下最优弹道作为学习样本,针对程序角曲线的特点,分别使用不同学习方式学习一级飞行段程序角和其他飞行段程序角;分析不同超参数对神经网络训练过程的影响,利用随机搜索法选取超参数。该算法使用以神经网络为核心的机器学习思想,用基于数据的方式避免了因运载火箭动力学模型复杂而无法在线快速求解最优弹道的问题,能够解决大气环境下弹道重构的难题。仿真结果表明,该算法对剩余运载能力估计准确,重构程序角与最优弹道相比误差小,运算速度相比其他方法优势明显。