基于SQP寻优的飞行轨迹规划方法研究

为了有效降低单位航程的燃油消耗,提出了基于SQP寻优的飞行轨迹规划方法.首先构建了适用于寻优的飞机数学模型和发动机数学模型,确定了寻优的目标函数;然后,以发动机推力范围和迎角等为约束条件,构建了寻优模型,基于SQP方法进行了飞行高度轨迹、飞行速度轨迹的寻优规划.仿真结果表明,SQP方法适用于飞机轨迹寻优规划,可以根据不同飞机起飞重量和飞行条件确定飞行高度轨迹与飞行速度轨迹,并可以明显降低飞行的燃油消耗.     

基于模糊神经网络的飞行仿真转台控制

针对飞行仿真转台系统的非线性问题，提出了基于模糊神经网络的自适应控制方法，并且提出了新的推理算法，该控制方法结合了神经网络和模糊推理的优点，可以更合理地选择初始权值，既可提高神经网络的学习过程又可在线寻优模糊规则，通过实验表明该控制方法可以明显提高控制系统的跟踪性能，并且具有很强的对外干扰和非线性因素的鲁棒性。     

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。     

飞控系统神经网络故障模式分类方法研究

无人机自主飞行需要高可靠性的飞行控制系统,针对系统进行故障模式分类可提高系统的可靠性.传统的故障诊断方法难以解决无人机的高维、非线性和不确定输出等问题,不利实时诊断.为了实时进行故障诊断,保证系统安全性能,提出一种改进的神经网络故障模式分类算法以克服上述问题,首先采用改进的共轭梯度优化算法进行BP神经网络学习,以改进网络收敛性能,改进算法分别对无人机飞行控制系统执行器、传感器和系统故障进行故障模式分类.用某无人机纵向自动驾驶仪系统进行仿真验证,结果表明算法结构简单,可以进行实时故障识别,保证系统的可靠性.     

融合摄像机位姿信息的模板匹配跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,由于图像旋转、成像视角和目标尺度的变化带来的跟踪漂移问题,提出一种利用摄像机的位姿信息的匹配模板校正和更新方法。根据摄像机与目标的相对位姿信息,建立目标透视成像模型以及不同摄像机位姿情况下的模板校正方程;将校正方程分解为实时图像旋转和模板仿射变换两部分减小模板变换的误差;通过设计与相关系数和距离信息相关的模板更新策略达到适应跟踪系统逐渐接近目标过程中目标的变化。采用基于视景仿真软件Vega Prime产生的模拟飞行视频对算法进行了验证。实验表明所提算法能够适应图像制导跟踪系统在跟踪过程中目标尺度、成像视角以及图像旋转的变化,减小跟踪漂移。     

无人旋翼飞行器自适应飞行控制系统设计与仿真

为了设计出能适应不同飞行任务的无人旋翼飞行器飞行控制系统,讨论了模型逆控制器原理.提出了神经网络补偿控制器及其权系数在线算法,分析了综合控制器稳定性.导出了无人旋翼飞行器旋转动力学逆控制器和平移动力学逆控制器,设计了姿态内回路控制器和轨迹外回路控制器,确定了共轴旋翼转速驱动电机的控制分配策略.规划了组合机动飞行科目来模拟自动飞行任务.通过仿真验证了自适应飞行控制系统对无人旋翼飞行器水平垂直运动、悬停和航向运动的飞行控制能力.结果表明,所设计的飞行控制系统具有自适应性和鲁棒性,能实现姿态与轨迹的稳定和跟踪控制.     

一种容错飞行控制的神经网络方法研究

文章提出了一种新的主动容错飞行控制系统设计方法,可同时进行飞控系统执行器的故障诊断和容错控制;首先建立飞机执行器故障模型,接着应用改进的BP神经网络算法,进行飞行控制系统模型辨识,实时进行故障诊断;然后根据故障诊断信息进行自适应容错控制,为了克服故障系统引起的模型误差和非线性因素的影响,设计了自适应神经网络PID参数整定和动态逆控制器,对飞行控制系统执行器故障进行容错控制,以实现系统的良好模型跟踪和动态性能;仿真结果表明,在保证闭环系统稳定的前提下,实现了执行器的在线故障诊断与容错控制,达到了理想的效果.     

基于CMAC的双足步行机器人逆运动学控制

针对双足步行机器人(Biped Walking Robot)腿部逆运动学模型求解问题,采用一种基于CMAC神经网络的机器人逆运动学控制方法,设计CMAC神经网络控制系统.控制系统采用2个CMAC神经网络控制器分别用来逼近步行机器人支撑腿与摆动腿的逆模型,跟踪通过三维线性倒立摆模型生成的给定腰部轨迹.建立步行机器人正运动学模型来调整CMAC神经网络权值,实现了步行器人腿部逆运动学映射.仿真结果表明,CMAC神经网络控制系统可以在保证机器人位姿良好的情况下跟踪给定的参考轨迹.三维运动学仿真结果进一步验证了控制算法的有效性.     

基于神经网络的全方位移动机器人运动稳定性研究

全方位移动机器人具有平面运动的3个自由度,运动灵活性高,被广泛应用到狭窄拥挤环境中.针对实验室开发的MY2轮在运动过程中的振动现象及轨迹误差问题,采用BP(反向传播)神经网络方法来解决.根据机器人的结构及运动特点,建立BP神经网络模型并分析及优化了BP神经网络参数.以BP神经网络模型为基础进行轨迹仿真实验,分析初值、不同速度及不同轨迹对模型的影响.结果表明基于合适的BP神经网络方法可以将轨迹误差控制在3 mm内,偏向转角误差小于3?,能够减缓机器人振动,提高轨迹精度.通过输入不同运动轨迹验证BP神经网络模型的普遍适用性,最后通过实验验证了仿真结果的正确性.     

融合Levy飞行和精英反向学习的WOA-SVM多分类算法

元启发算法-SVM是多分类评价模型的典型架构,在多分类综合决策判定中具有重要的理论与实践意义,为此提出了一种融合Lévy飞行和精英反向学习的鲸鱼优化算法(Lévy flight and elite opposition-based whale optimization algorithm,LFEO-BWOA)-SVM多分类评价算法.利用Lévy飞行策略替代螺旋轨迹策略更新位置信息,有效克服了鲸鱼优化算法易陷入局部寻优的不足;引入精英反向学习机制增加种群多样性,提高了鲸鱼优化算法全局寻优的能力.实验仿真结果表明,LFEO-BWOA-SVM算法在分类准确率上比传统SVM、BP神经网络分别提高17.84％和4.51％,准确率为98.73％,在训练时间上比标准WOA-SVM和PSO-SVM分别缩短了9.34％和84.94％.实验结果证明,LFEO-BWOA-SVM算法的寻优能力和收敛速度均有明显提升,准确率和快速性良好.     

基于改进GA的神经网络航班保障时间估计

准确估计航班保障服务时间可以极大提高地面航班保障服务效率。采用主成分分析(PCA)方法降低变量间的相关性,考虑到BP神经网络的网络结构难以确定,且网络初始权重、阈值随机,提出改进的遗传算法来优化BP神经网络的结构,初始权重、阈值,建立自适应多层遗传算法(AMGA)的BP神经网络航班保障服务时间估计模型。为验证所提AMGA-BP算法的性能,以国内某枢纽机场航班保障服务时间作为研究对象,与传统的GA-BP、BP两种算法做对比实验,进行航班保障服务时间估计,实验结果表明,AMGA-BP算法比BP算法和GA-BP算法精确度更高。     

飞控系统传感器故障诊断的神经网络方法研究

BP神经网络对于飞行控制系统传感器故障诊断是一种有效的故障模式识别方法;在标准BP神经网络的基础上,提出了一种新的BP改进算法——自适应FMBP算法(SAFMBP),用以消除标准BP网络收敛速度慢及易陷入局部极小等缺点,并且建立了飞行控制系统仿真模型和传感器常见故障模型,采用基于神经网络模式分类的故障诊断方法,应用改进的BP神经网络(SAFMBP)进行飞控系统传感器的故障诊断,最后给出了仿真诊断实例。     

多变量非线性飞行控制系统的神经网络动态逆控制方法

针对多变量非线性飞行控制系统,从理论上对其逆系统的解析形式进行了详细推导,根据神经网络逼近逆系统的原理分析,提出了一种由静态神经网络和积分器组成的动态神经网络,构造了多变量非线性飞行控制系统的神经网络动态逆控制系统,并利用动力伞飞行控制系统进行了仿真验证,结果表明这种控制方法完全满足控制要求,具有较好的抗干扰能力和鲁棒性能。     

BP神经网络在缺失数据估计中的应用

由于飞行参数记录系统所记录的数据很容易被污染,所以对飞参数据进行预处理已显得十分重要,而预处理的一项重要内容就是对缺失参数数据进行合理且有效地估计,真实地反映飞行器当时的状态.通过分析神经网络理论和飞参数据特征,提出了一种基于BP神经网络的缺失数据估计的方法,有效地解决了目前飞行参数记录系统记录数据时缺失数据的问题.利用某型飞机真实的数据进行仿真,结果表明了这种方法是可行且有效的.     

基于神经网络观测器的飞控传感器在线故障诊断

为提高无人机飞行安全可靠性,针对飞行控制系统中常出现的传感器故障以及非线性气动力模型参数难以确定的问题,提出了基于BP神经网络观测器估计的故障诊断方法;引用LM改进算法对网络参数进行调整,构造了神经网络观测器模型逼近非线性系统,并运用于飞行控制系统进行在线数字仿真,对垂直陀螺输出卡死故障、恒偏差故障和恒增益故障分别进行仿真分析;仿真结果表明,所设计神经网络观测器可以有效估计系统输出,在线诊断传感器故障。     

Intelligent trajectory tracking of an aircraft in the presence of internal and external disturbances

This research deals with developing an intelligent trajectory tracking control approach for an aircraft in the presence of internal and external disturbances. Internal disturbances including actuators faults, unmodeled dynamics, and model uncertainties as well as the external disturbances such as wind turbulence significantly affect the performance of the common trajectory tracking control approaches. There are several fault‐tolerant control approaches in the literature to overcome the effects of specific actuator or sensor faults during the flight. However, trajectory tracking control of an air vehicle in the presence of unexpected faults and simultaneous presence of wind turbulence is still a challenging problem. In this paper, an intelligent neural network‐based model predictive control structure is proposed, where the prediction model is updated in each iteration based on a novel proposed online sequential multimodel structure. A hybrid offline‐online learning algorithm is adopted in the introduced online sequential multimodel structure to identify the time‐varying dynamics of the system. The proposed control structure can satisfactorily deal with unexpected actuator faults and structural damages as well as unmodeled dynamics and wind turbulence. The stability of the closed‐loop system is proved under some realistic assumptions. The simulation results demonstrate the high capability of the proposed approach for trajectory tracking control of a conventional aircraft in the simultaneous presence of system faults and external disturbances.     

基于神经网络与粒子滤波的柔性臂控制方法研究

基于奇异摄动法将单连杆柔性臂系统分解为慢变、快变子系统,采用混合控制方法;设计了基于粒子滤波的神经网络控制器来线性化慢子系统,使其跟踪期望轨迹;采用粒子滤波训练神经网络克服了BP算法收敛速度慢、易陷入局部极小值的缺陷,及扩展卡尔曼滤波方法带来的模型线性化损失;对于快变系统采用最优控制方法;仿真结果表明:在神经网络训练误差收敛速度及精度方面,粒子滤波要比BP及卡尔曼滤波要好;组合控制方法能有效地抑制柔性臂弹性振动,轨迹跟踪迅速准确,精度方面也是前者最优。     

基于神经网络观测器的船舶轨迹跟踪递归滑模 动态面输出反馈控制

针对三自由度全驱动船舶速度向量不可测问题,考虑船舶模型参数和外部环境扰动均未知的情况,提出一种基于神经网络观测器的船舶轨迹跟踪递归滑模动态面输出反馈控制方法.该方法设计神经网络自适应观测器估计船舶速度向量,且利用神经网络逼近模型参数不确定项,综合考虑船舶位置和速度误差之间关系构造递归滑模面,再采用动态面控制技术设计轨迹跟踪控制律和参数自适应律,并引入低频增益学习方法消除外界扰动导致的高频振荡控制信号.选取李雅普诺夫函数证明了该控制律能够保证轨迹跟踪闭环系统内所有信号的一致最终有界性.最后,基于一艘供给船进行仿真验证,结果表明,船舶轨迹跟踪响应速度快,所设计控制器对系统模型参数摄动及外界扰动具有较强的鲁棒性.     

Applications of adaptive neural network control to an unmanned airship

This paper represents an application of a neural network-based adaptive control to the Stability and Control Augmentation System(SCAS) of an unmanned airship whose maneuvers consist of diverse flight phases at low speeds. The neural network (NN) based adaptive SCAS is based on the inversion of a linear model of the airship at a nominal operating point and the adaptation of neural networks to unmodeled dynamics, parameter variations, and uncertain environments. This paper also presents an evaluation of the adaptive SCAS with flight test results and simulation results. In this evaluation, an outer-loop control is used. The autopilot is designed using a classical PID control algorithm for trajectory line tracking and altitude hold modes. Moreover, the adaptive SCAS approach showed superiority over the classical PID design approach in terms of the gain tuning process during a flight test.