一种飞机大包线控制律增益调参方法

针对飞行控制系统大包线控制律中控制器参数规律难以拟合的问题,提出了一种包线范围内工作点的选择方法和按动压调参的控制器参数范围设置方法,按本方法所选择的工作点在包线范围内分布均匀,控制器参数随动压单调变化,便于拟合。为证明本方法的有效性,以某型运输机为例,对纵向控制增稳系统中的参数进行了调参规律拟合。仿真结果表明,所得控制律在整个包线范围内都具有良好的动态响应。

基于切换多胞模型的变体飞行器增益调参控制

针对一类可变后掠翼的变体飞行器,研究了全包线控制器的设计与综合方法.建立了基于切换多胞系统的变体飞行器模型,所提出的框架利用Lyapunov函数方法分析系统的稳定性,能够从理论上保证变体飞行器在全包线下的飞行稳定.给出了利用小凸包算法从三维飞行包线中选取设计点的方法,并对各设计点处的线性化模型设计了最优控制律.为继承传统增益调参方法的优势,提出了一种特殊的控制器插值方法,保证变体飞行器三维包线下的控制综合过程简便实用.仿真结果表明所提出的控制方法在飞行器快速变形和参数大范围快速变化的情况下仍具有良好的控制性能.

基于PSO算法的WNN大包线增益调参控制律设计

提出了一种基于粒子群优化算法的小波神经网络大包线调参控制律设计方法。该方法用小波函数代替了Sigmoid函数作为激活函数。由于结合了小波变换良好的高频域时间精度、低频域频率精度的性质和神经网络的自学习功能,因而具有较强逼近非线性函数的能力。为了克服局部极小值问题并进一步提高对非线性函数逼近能力,利用粒子群优化算法对小波神经网络进行参数训练,并利用该网络实现了大包线增益调参。飞行仿真结果表明,所设计的小波神经网络增益调参控制器具有优良的控制性能,不仅能够保证平衡状态下的控制效果,而且在未训练的平衡状态下依然具有良好的控制性能,并且在存在20%的建模误差时,最大超调量仅为6 m,仅是使用常规增益调参方法的18%。

无人机俯仰角增益调参控制律设计

针对传统增益调参控制系统设计过程中离线工作量大的问题,研究设计了无人机俯仰角增益调参控制系统。首先对无人机模型进行线性化和简化处理,得到俯仰角系统模型;其次针对不同特征点处的子模型,利用根轨迹法设计得到阻尼器,利用Ziegler-Nichols以及Signal Constraint方法整定得到PID参数,得到增益调度表;然后利用sftool工具箱生成全局控制器;最后对得到的无人机俯仰角控制系统进行仿真。仿真结果表明,所设计的无人机俯仰角控制系统在全局范围内具有良好的动态响应性能。

基于深度Q网络的飞行器增益调参技术研究

针对飞行器传统增益调参法依赖于人工经验繁琐费时、难以实现参数自整定的缺点,提出了利用强化学习中的深度Q网络算法与飞行环境状态的交互不断学习,实现对控制增益的自动调整动作。训练结果表明,该方法使高速飞行器能够自适应调整控制增益,稳定跟踪攻角指令,节省了人工调参步骤及时间,有效提高了控制系统自适应性。

大飞行包线控制律的神经网络调参设计

对于具有大飞行包线的现代电传飞行控制系统,给出了一种3层BP(BackPropagation)神经网络代替传统的根据动压、高度或马赫数单一调参的控制律,解决了大飞行包线内控制参数复杂、单一调参无规律性、在全飞行包线上特别是在平衡点之间的飞行状态的稳定性无法保证等问题.通过离线训练,得出了一组隐层只有6个节点的网络结构参数,输出为各平衡点设计的最优鲁棒反馈增益.利用该网络实现了大飞行包线的根据高度和马赫数的双参数增益调参.仿真表明,利用该神经网络可以保证在所有平衡点上原设计的最优反馈增益不变,响应过程不变,同时可以细化平衡点之间的控制参数,在较大建模误差(约50%)和平衡点间也可以具有较好的控制效果.

基于DMDE算法的前向神经网络设计

针对神经网络结构与参数并行优化问题,提出一种基于动态多群体差分进化算法的前向神经网络设计方法。采用分层递阶结构原理构造算法个体,根据控制基因信息将个体分成不同的动态群体。通过对个体进行重构,实现进化过程中个体信息的充分交换与共享。设计基于群体适应度的控制基因更新方法来优化网络拓扑结构,克服结构优化的盲目与低效问题。将所设计的神经网络应用于大包线飞行控制律参数拟合中。仿真结果表明,该算法能快速有效地确定神经网络的结构和权值,所优化的网络在调参控制中具有较好的泛化能力。

扩展分支分析方法在飞行动力学中的应用

将分支分析和突变理论方法扩展后,应用于飞机全包线范围内平衡特性的连续计算和稳定性分析,提出了以扩展分支分析方法为基础的反馈参数连续调参的控制律设计方法。研究结果表明,扩展分支分析方法不仅能获得飞行性能指标,而且可确定非线性飞行动力学系统的稳定特性,是综合进行性能计算、品质分析及控制律设计的一种有效方法。

基于小波神经网络的飞行控制律设计

研究战机稳定性能优化挖掘问题,由于飞行控制器增益要求实时调整,达到飞行稳定。为解决上述问题,提出了一种小波神经网络的大包线增益调参飞行控制器设计,根据神经网络的非线性泛化能力获得各个学习样本飞行状态间控制器参数的取值,利用小波神经网络来实现大包线增益调参飞行控制,可以提高收敛速度与逼近精度,并可利用免疫粒子群算法替代BP算法对小波神经网络中的参数进行优化。仿真结果表明,所设计的小波神经网络增益调参飞行控制器实现了大包线飞行控制,并且具有良好的稳定控制性能。

电传系统设计研究

研究了纵向电传系统前向指令回路非线性校正、过载指令的设计和综合、C*反馈回路的设计、调参规律的选取、校正网络特征、闭环系统稳定性、闭环系统相位补偿以及放宽静安定度补偿方法等,并对伺服弹性回路和人-机耦合回路的综合设计进行了研讨。

多操纵面飞机大包线控制律设计

针对多操纵面布局飞机,提出一种基于Kriging建模技术和鲁棒自增益调参控制器设计技术的大包线飞行控制系统设计方法。通过采用力矩控制形式,使调参控制器的输出为三轴所需力矩系数,从而便于采用力矩控制分配技术来发挥冗余操纵面的潜力,并提高系统鲁棒性;在设计使系统性能指标最优的控制律时,通过建立控制系统性能参数的Kriging近似模型,避免了多次进行耗时的控制器设计,提高了设计效率。

基于二次Lagrange插值模型的控制律设计及仿真

采用增益调参方法对飞机自动驾驶仪的纵向通道进行控制律设计。建立了二次Lagrange插值模型,研究了利用v-间隔度量方法选择工作点并设计了评价准则、以及增益调参设计的方法和原则,并采用此方法对某型号飞机进行了控制律设计和仿真,以评价该插值算法对自动驾驶仪性能和稳定性的影响。仿真结果表明,纵向自动驾驶仪的各个功能模式获得了良好的动态响应特性,满足了各项指标的要求。

基于稳定裕度的控制系统双回路增益优化方法

针对控制系统增益手工优化方法效率低且稳定裕度无法保证的问题,提出了一种双回路增益优化方法。将增益优化视为系统增益与频域稳定裕度之间的非线性最优化问题,基于频域稳定裕度指标构造目标函数,并采用广义拉格朗日乘子法将有约束的非线性最优化问题转化为无约束最优化问题。外回路通过罚因子和拉格朗日乘子逐步迭代来调整目标函数,内回路则基于单纯形算法直接求解无约束最优化问题,搜索控制系统增益最优解。仿真结果表明,该算法可有效改善控制系统的鲁棒性和稳定性,提高了传统手工增益优化方法的效率,可应用于多种研究对象,有一定的工程应用价值。