基于RCMAC网络的动态逆再入制导方法研究

针对升力式再入飞行器的制导问题,首先利用准平衡滑翔原理给出标准的阻力加速度-速度剖面,并对阻力加速度跟踪制导原理进行分析,然后利用自回归小脑模型神经网络(RCMAC)网络良好的非线性逼近能力、泛化能力和自学习能力,采用基于RCMAC网络的动态逆方法实现对阻力加速度的跟踪,并证明闭环系统的稳定性.三自由度仿真结果表明,该制导方式降低了动态逆方法对模型的依赖,增强了制导系统的鲁棒性.

基于RCMAC干扰观测器的高超声速飞行控制

利用自回归小脑模型神经网络(recurrent cerebella model neural network,RCMAC)良好的非线性逼近能力和自学习能力,结合反馈线性化和反演控制方法,提出了一种自适应非线性控制策略,用于高速再入飞行器控制系统的设计。该方案将RCMAC干扰观测器(recurrent cerebella disturbance observer,RCDO)用于估计系统模型的不确定项,同时采用反演控制方式设计伪线性控制项,并利用符号函数逼近误差的上界,根据Lyapunov稳定性理论设计了权值更新规则,保证闭环系统信号有界。高速再入飞行器的六自由度仿真结果验证了方法的有效性和鲁棒性。

无人水下机器人在线故障辨识及滑模容错控制

针对复杂海洋环境中水下机器人的可靠性问题,提出了一种无人水下机器人主动滑模容错控制方法。在水下机器人简化动力学模型的基础上利用RCMAC递归小脑神经网络在线辨识机器人中出现的时变非线性故障,并根据故障辨识结果重新配置滑模控制器的控制律,使无人水下机器人在故障情况下仍然可以完成预定任务。仿真实验证明了该容错方法的有效性。

Model1000水下机器人容错控制

针对复杂海洋环境中水下机器人的可靠性问题,将在线学习的RCMAC递归小脑神经网络应用于水下机器人时变、非线性故障的辨识和容错控制中。在OUTLAND的ROV水下机器人Model1000上设置各种传感器和推进器故障进行水下故障辨识和容错控制实验,实验结果证明了RCMAC网络在水下机器人故障辨识和容错控制中的有效性。