基于FLNDO的近空间飞行器鲁棒最优预测控制(英文)

针对有强烈干扰和不确定因素影响的近空间高超声速飞行器,提出了一种鲁棒最优广义预测控制律。控制律由最优广义预测控制律(OGPC)和一种新的泛函连接网络干扰观测器(FLNDO)构成。输出的有限时域预测由泰勒级数的展开实现。飞行中的未建模动态以及未知干扰由FLNDO来估计,并且文中也给出了FLNDO和闭环系统的稳定性分析。仿真结果表明对于姿态角和角速率的跟踪问题,设计的控制器达到了满意的控制效果,并且也成功实现了对干扰的抑制以及参数变化的鲁棒性要求。

高超声速飞行器自适应抗饱和再入控制

高超声速飞行器(Hypersonic vehicle,HSV)再入过程中易发生舵面饱和现象,并且其动力学模型具有强烈不确定的特征,这导致其姿态控制系统的设计极富挑战性。针对舵面受限的非线性控制问题,提出外部Antiwindup系统结合二阶Terminal滑模控制律的设计方法,能够实现对气动舵面饱和的控制补偿,使HSV快速平稳地跟踪指令信号。其次,针对HSV的强不确定控制问题,提出自适应滑模干扰观测器(Adaptive sliding mode disturbance observer,ASMDO)的方法来对再入气动参数不确定及强外界干扰进行估计,此方法无需干扰界已知且学习参数少,适合实时控制。最后,再入姿态控制的仿真结果表明了该控制方法的有效性和强鲁棒性。

ADAPTIVE PREDICTIVE CONTROL OF NEAR-SPACE VEHICLE USING FUNCTIONAL LINK NETWORK

A novel nonlinear adaptive control method is presented for a near-space hypersonic vehicle （NHV） in the presence of strong uncertainties and disturbances. The control law consists of the optimal generalized predictive controller （OGPC） and the functional link network （FLN） direct adaptive law. OGPC is a continuous-time nonlinear predictive control law. The FLN adaptive law is used to offset the unknown uncertainties and disturbances in a flight through the online learning. The learning process does not need any offline training phase. The stability analyses of the NHV close-loop system are provided and it is proved that the system error and the weight learning error are uniformly ultimately hounded. Simulation results show the satisfactory performance of the con- troller for the attitude tracking.

航空航天院校“系统辨识”课程的教学改革探讨

针对航空航天院校控制类专业学生的学习特点,研究和探讨了"系统辨识"课程的教学改革方法。通过教学内容的合理安排、教学思路的精心设计、实践教学力度的加强以及对学生创新性思维的培养,提高了该课程的教学质量,激发了学生的专业学习兴趣。

协同随机微粒群优化的神经网络预测建模

针对一类难以精确建立数学模型的非线性控制系统,提出了协同随机微粒群优化CSPSO的神经网络预测建模方法。CSPSO在协同微粒群算法CPSO执行之后引入随机微粒群优化SPSO的思想,促使CPSO摆脱了伪最小值现象,并且保证其以概率1收敛于全局最优值。通过采集对象输入/输出数据,将CSPSO应用到模型权值的离线训练中,并给出了实现的具体步骤。结果表明在实验的几种算法中,CSPSO训练的神经网络模型精度较高且算法学习的稳定性较佳。

基于滑模干扰观测器的近空间飞行器非线性广义预测控制

近空间飞行器(NSV)的飞行包络很大,特别在高超声速飞行过程中,系统将具有强烈非线性、耦合性和快速时变性,同时将受到较大的外干扰及不确定性影响,这对控制系统提出了很大的挑战。为此,提出了基于滑模干扰观测器(SMDO)的非线性广义预测控制(NGPC)策略,将滑模控制的强鲁棒性和预测控制良好的动态性能相结合,设计了高超声速条件下NSV的姿态制导控制律,进一步仿真实验,结果表明该飞控系统具有良好的控制性能和抗干扰能力。

一种基于反步法的鲁棒自适应终端滑模控制

针对不确定严格反馈块控非线性系统,提出了一种基于反步法的鲁棒自适应终端滑模变结构控制方法.系统的未知不确定及外界干扰由模糊系统在线逼近,利用反步法设计了变结构控制的终端滑模面,并由此得到了鲁棒自适应终端滑模控制器,使系统的跟踪误差在有限时间内趋于给定轨迹的任意小的邻域内.通过Lyapunov定理证明了闭环系统所有信号最终有界.对某战斗机6自由度机动仿真结果表明,该方法具有强鲁棒性.

串联谐振逆变器最佳死区的选择

理论上分析了串联谐振逆变器中死区处于不同位置时的工作过程 ;论述了不同死区宽度对逆变器换流过程的影响 ;提出了一种最佳死区的选择方法 。

智能自整定PID在药剂温度控制系统中的应用

针对一些工业控制对象中出现的纯时滞、大惯性、时变不确定性等问题 ,提出了基于模糊逻辑来智能调整PID控制器参数的方法 ,并且将其应用到了一类药剂温度控制系统当中 .另外 ,还给出了此方法的硬件和软件实现 .最后 ,实际系统的运行结果表明此方法能够降低被控量超调、提高控制精度并且增强系统的鲁棒性 ,证明其在一类过程对象的应用中优于传统的PID控制方法 .

变化风场下近空间飞行器机体/发动机一体化飞行力学建模与分析

近空间飞行器飞行包络大、环境变化复杂、参数变化激烈,对其开展飞行控制技术研究工作的首要问题是对此复杂系统基本物理规律准确把握和描述,并依此建立其机理运动模型。针对机体/发动机一体化设计的近空间飞行器,系统地进行了飞行力学分析,并推导了变化风场下近空间飞行器在高超声速条件下的完整的6-自由度12-状态的动力学方程和运动学方程,体现出变化风场的影响和推力矢量的作用。随后,对其在不同条件下的开环控制特性进行了仿真研究,直观表现了系统的快时变、强耦合、强非线性和不确定性等特点。所得结果可用于未来高超声速飞行器轨迹管理、飞行控制等问题的概念设计和仿真研究。

一类不确定系统基于滑模干扰补偿的广义预测控制

广义预测控制(GPC)是基于非线性机理模型的一种优化控制策略,但当系统存在内部不确定性、建模动态误差和外部干扰的情况下,采用基于标称系统模型的GPC方法的系统性能将显著下降.为此,针对一类不确定非线性系统,首先分析设计了一种基于不确定模型的理想GPC控制律;同时设计了一种滑模干扰补偿器(SMDC)对系统的复合干扰进行估计,将其输出作为补偿控制与标称GPC控制律结合以消除不确定性和外干扰的影响,并利用Lyapunov理论分析了闭环复合系统的性能;最后将其应用于一种高超声速飞行器(HSV)姿态控制系统,仿真结果表明该方法具有很好的鲁棒特性和干扰衰减特性.

近空间飞行器飞/推一体化模糊自适应广义预测控制

近空间飞行器(near-space vehicle,NSV)的飞行包络很大,特别在高超声速飞行过程中,系统将具有强烈的非线性和快速时变性。而且,由于机体和发动机高度一体化,气动和推进系统具有很强的耦合特性,这些都对控制器的设计提出了很大的挑战。考虑到NSV爬升和巡航的任务要求,首先分析了近空间飞行器的气动结构和动力配置,提出了NSV在高超声速条件下的气动/发动机一体化纵向运动控制模型,并采用输入-输出反馈精确线性化方法的思想将控制模型转化成仿射形式。结合一类不确定非线性系统,提出了一种基于滑动面的广义预测控制(generalized predictive control,GPC)方法,同时利用T-S模糊系统的通用逼近性,设计模糊自适应律来消除系统不确定性的影响,并通过Lyapunov方法分析了闭环系统的控制特性。这种方法被用于NSV纵向运动飞/推一体化控制中,仿真实验验证了该方法的有效性。

基于遗传算法学习的复合神经网络自适应温度控制系统

针对一类温度控制系统中存在的非线性和参数不确定等问题,提出一种复合神经网络自适应控制结构.在控制系统中构造了神经网络正模型来再现被控对象的动态特性,用神经网络控制器实现优化控制律的非线性映射.文中选用了被控对象80组历史数据作为样本集,并利用遗传算法的全局搜索能力及高效率来训练多层前向神经网络的权系数.最后用升降温工艺曲线作为输入对温度控制系统进行仿真.仿真结果表明,应用遗传算法能够提高神经网络的学习效率.保证神经网络全局快速收敛,从而克服了传统的误差反传学习算法的一些缺点.证明了采用这种神经网络自适应控制结构.使神经网络控制器的输出可以适应对象参数和环境的变化.使温度控制系统具有很好的学习和自适应控制能力,取得了良好的控制效果.

基于S函数调节的非线性自适应动态面控制

针对一类控制增益未知的多输入多输出(MIMO)非线性系统,提出了一种基于神经网络的鲁棒自适应动态面控制方法.利用动态面控制解决反推法的计算膨胀问题;同时在参数自适应律中引入S(Sigmoid)函数,动态调节神经网络的收敛速度,解决了自适应初始阶段的抖振现象.利用李亚普诺夫稳定性定理,证明了闭环系统所有信号最终有界,系统的跟踪误差最终收敛到有界紧集内.仿真结果表明了该方法的有效性.

简化的鲁棒自适应模糊动态面控制及其应用

针对不确定严格反馈块控非线性系统,提出了一种简化的鲁棒自适应模糊动态面控制方法。利用T-S模糊系统在线逼近系统的不确定及外界干扰,简化自适应参数调整方法,解决了动态面控制自适应参数过多的问题。基于Lyapunov方法及小增益理论证明了闭环系统半全局一致最终有界。该方法设计的控制器复杂性低且具有最少的在线调整自适应参数,易于工程实现。最后对所提出的方法进行了某推力矢量战斗机的Herbst机动仿真,结果表明了方法的有效性。

一类过程控制对象的神经网络建模及仿真

针对一类典型过程控制系统中存在的非线性和参数不确定问题,提出了神经网络的建模方法。辨识结构采用串并联形式,并分别使用改进BP算法和浮点式遗传算法进行了网络的训练。仿真结果表明遗传算法的全局搜索能力及高效率对神经网络的权值优化具有相当明显的效果,它不仅学习速度快而且稳定性好,可以作为一种良好的优化方法运用到神经网络建模和控制当中。

药剂温度控制系统的智能PID控制方法与实现

针对药剂温度控制系统 ,提出了一种基于模糊系统的自整定 PID控制器 ,用于解决系统中出现的纯时滞、大惯性、时变不确定性等问题。实际运行结果表明 ,这种方法达到了良好的控制效果 ,降低了被控量超调 ,且增强了系统的鲁棒性。

“航天器再入返回控制”项目式教学探索与实践

本文基于“航天器再入返回控制”课程的教学特点,开展了项目式教学改革的探索与实践工作。以航天器再入返回控制系统的设计为项目背景,组建了课程的理论知识体系,将“项目引导,任务驱动”等特征贯穿于教学目标、教学内容、教学方法、思政教育以及考核评价五方面的教学设计当中。通过多个子项目以及综合项目的教学与实践,来促进学生知识、能力和素质的培养,并增强学生多学科理论知识的融合能力和项目设计与实践能力。

面向复杂多任务的异构无人机集群分组调配

针对复杂多任务下的异构无人机(unmanned aerial vehicle,UAV)集群分组调配问题,提出一种基于改进K均值和延迟接受(deferred-acceptance,DA)算法的先聚类后匹配方法。在任务聚类分组环节,通过离群点检测和固定初始聚类中心的方法来提高K-means聚类的精度,并设计余量裕度下的分组均衡性调整策略,在最优性的前提下提高分组的均衡性。在集群匹配分组环节,改进了DA算法,通过任务倾向的偏好列表快速生成预中选方案,并设计两阶段冲突消除来保证匹配的稳定性和收敛性。仿真实验表明,所提方法能够快速有效地解决复杂多任务下的UAV集群分组调配问题,具备良好的最优性和时效性。

基于FTDO的RLV再入段鲁棒容错姿态控制

针对可重复使用运载器(RLVs)再入过程中的不确定、舵面失效及饱和的容错控制问题,提出了一种基于固定时间干扰观测器(FTDO)结合辅助抗饱和系统的反步控制策略。首先,设计一种基于超螺旋理论的固定时间干扰观测器,除保证对系统中干扰、不确定和舵面失效作用的准确估计外,还能有效提高对变频干扰的估计精度。其次,针对RLV再入时舵面易发生饱和故障的问题,设计辅助补偿系统以使舵面尽快退出饱和状态。仿真结果表明,该容错控制方法有效解决了舵面的部分失效及饱和问题,对干扰和不确定有较强的抑制作用,能够提高RLV再入段姿态控制系统的控制精度和鲁棒性能。