Automatic Control of Aircraft in Lateral‐Directional Plane During Landing

The paper focuses on the automatic control of aircraft in the lateral‐directional plane during the landing approach phase, taking into account crosswind and sensor errors. Two new automatic landing systems are designed using the H‐inf control, dynamic inversion, optimal observers, and reference models. To validate them, we use the dynamics associated with the landing of a light airplane, we software implement the theoretical results, and analyze the accuracy of the results and the precision standards’ achievement with respect to the requirements of the Federal Aviation Administration for lateral error during the lateral‐directional motion of the aircraft during the landing approach phase.     

基于自适应逆的飞机空投纵向控制系统设计

针对现代飞机空投时对系统稳定性与鲁棒性的要求,采用自适应逆的控制方法对飞机纵向姿态保持系统进行了控制律设计;首先基于飞机动力学与运动学方程,建立了飞机空投的纵向非线性数学模型,然后分析了空投时所产生扰动对飞机稳定性的影响,并应用自适应逆的方法设计了飞机的纵向控制系统,最后对某型飞机纵向控制系统的输出特性以及姿态保持的效果进行了仿真验证;仿真结果表明,设计的控制系统响应迅速、跟踪精确,具有良好的控制效果和抗干扰能力。     

高超声速飞行器神经网络动态逆姿态控制器设计

以一类通用高超声速飞行器纵向模型为研究对象,推导了飞行器纵向姿态运动方程。考虑受到飞行器附加攻角扰动以及气动参数不确定性的影响,对运动方程中速率变化快慢不同的攻角和俯仰速率分别引入精确线性化动态逆反馈,并利用神经网络对系统逆反馈误差进行补偿,有效地抑制了模型参数摄动,实现了对攻角指令的精确跟踪。将设计的控制器对高超声速非线性模型进行系统闭环仿真,仿真结果说明所设计的姿态控制器具有抗参数摄动的性能,能够满足高超声速飞行器复杂飞行条件下的姿态控制要求,具有较强的鲁棒性。     

高超声速飞行器的神经网络动态逆控制研究

针对通用的高超声速飞行器的纵向动力学设计一个神经网络动态逆补偿控制方法,并对其进行了分析;这种飞行器模型具有高度非线性、多变量、不稳定的特性,包括6个不确定参数;在4.5903km高度和15马赫的平衡巡航条件下的仿真研究,评价了飞行器对高度和空速的阶跃变化的响应;阶跃变化为速度30 m/s,高度40 m;通过仿真结果表明,采用神经网络补偿逆误差,弥补了非线性动态逆要求精确数学模型的缺点,而且可以简化动态逆控制律的设计,改善整个控制系统的性能。     

基于新型动态神经元网络的逆系统方法

针对提高逆系统建模中神经网络的逼近效果和动态性能问题,根据PID神经元网络工作原理,提出一种具有动态激励函数的新型PID神经元模型—输出反馈型PID神经元(OFPID),输出激励采用连续的Sigmoidal函数,使神经元具有等效的IIR突触,采用梯度下降法实现OFPID神经元网络的权值调整,将其应用于非线性系统的神经网络逆控制系统,从而提高非线性系统的解耦效果和控制性能。仿真实验证明,提出的新型神经元网络是一种良好的非线性系统建模和控制工具。     

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。     

基于神经网络的一类非线性连续系统的稳定自适应控制*

本文将神经网络作为非线性系统的模型，提出能够对一类非线性连续系统进行有效控制的自适应控制结构和算法，该控制方案不仅能经类非线性系统的跟踪控制问题，而且由于将变结构控制技术动用于其中，整个闭环控制系统还能克服许多神经网络控制系统中存在的稳定性问题。由稳定性理论可推证整个闭环控制系统渐近稳定和参数和渐近收敛的特性。     

Autonomous Adaptive Control System for Airplane Landing

The paper presents a new autonomous adaptive system for the control of airplanes during landing in longitudinal plane. For the first stage of landing in longitudinal plane, the main variables to be controlled are the glide slope angle and longitudinal velocity; during the second main stage of landing in longitudinal plane, the vertical velocity error and the airplane's longitudinal velocity are controlled. The new robust control architecture has linear subsystems, for which the relative degrees are calculated; the new architecture will also consists of a dynamic compensator, a linear observer, and two reference models, their design being accomplished with respect to the calculated relative degrees. The signal estimated by the observer is useful for training a neural network – an adaptive subsystem of the architecture that provides the adaptive component of the control law. In the case of actuators having nonlinear dynamics, pseudo control hedging blocks are used to cancel the adapting difficulties of the neural networks. The new adaptive architecture is software implemented and validated by complex numerical simulations.     

大型飞机神经网络重构控制

介绍了一种通过神经网络在线进行飞行控制重构的方案.本文以非线性动态逆方法为基本控制律,通过设计的自适应神经网络,实时补偿因操纵面故障而引起的逆误差.最后的仿真结果表明,该方案是可行的.     

基于动态递归神经网络的自适应PID控制

提出一种基于动态递归神经网络的自适应PID控制方案,该控制系统由神经网络辨识器和神经网络控制器组成。辨识器采用单隐层的动态递归神经网络,网络结构为2-4-1;辨识算法为动态BP算法;控制器采用两层线性结构的神经网络,输入为系统偏差及其一阶、二阶微分,因此具有增量型PID控制结构。应用该控制系统对一非线性时变系统进行仿真研究,仿真结果表明该控制方案不仅具有良好的跟踪特性,而且对系统参数变化具有较强的鲁棒性。     

Quadrotor Control Via Robust Generalized Dynamic Inversion and Adaptive Non‐Singular Terminal Sliding Mode

A robust two‐loops structured control system design for quadrotor's position/attitude trajectory tracking is proposed. The aim of the outer loop is to provide the roll/pitch tilting commands to the inner loop, which in turns generates the tilting angles that control the quadrotor's center of gravity in the horizontal plane. The outer loop utilizes Robust Generalized Dynamic Inversion (RGDI) of a prescribed asymptotically stable differential equation in the deviation function of the horizontal position coordinates from their reference trajectories. The inner loop employs an Adaptive Non‐singular Terminal Sliding Mode (ANTSM) to control the tilting angles, in addition to controlling the yaw attitude angle and the vertical position coordinate. The proposed scheme solves the singularity avoidance problems of generalized inversion and terminal sliding mode control. The stability of outer and inner loop is ensured by utilizing positive definite Lyapunov energy function for stable tracking performance against parametric variations and bounded unknown external disturbances. Numerous simulations are conducted on a six Degrees of Freedom (DoF) quadrotor model in the presence of parametric variations, un modeled dynamics, and external disturbances.     

采用动态神经网络的多模型自适应重构控制方法

针对复杂的系统,提出一种基于多模型结构的自适应重构控制方法,使得系统可以在不同的运行环境下跟踪给定的信号,并且对特定的故障情况具有控制重构的能力;首先,由多个线性模型和一个模糊模型构成多模型控制结构,并设计多模型自适应控制器的权值调整规则,以获得当前最佳的控制输入,再引入动态自适应神经网络以保证系统的稳定性,并避免模型切换等噪声干扰;最后,对某型歼击机进行正常和故障状态下的控制仿真,结果表明所提重构控制方法是可行有效的。     

基于动态逆的动力翼伞自主飞行控制方法

针对动力翼伞精确数学模型难以获得,系统输入输出关系耦合复杂等特点,建立动力翼伞8自由度动力学模型,设计由静态神经网络和积分器组成的动态神经网络,利用神经网络的逼近能力和动态逆控制方法相结合,提出了基于神经网络动态逆方法的动力翼伞控制方案,并进行了飞行仿真验证,结果表明完全满足控制要求,具有较好的抗干扰能和鲁棒性能,对于...     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

基于神经网络动态逆的飞艇定点控制及仿真

本文在分析飞艇自主定点控制重要性的基础上,采用神经网络动态逆控制设计飞艇水平面内的定点控制律。首先建立了飞艇水平面内的定点控制方程,然后利用神经网络补偿动态逆误差,建立了神经网络动态逆控制律,进行了仿真,并与未加入神经网络的动态逆控制方法进行了比较。仿真结果证明,在被控对象存在不确定性或者有外在干扰的情况下,本文设计的控制律控制律可以控制飞艇回到期望的定点位置,为以后进一步进行自主能力更高的定点控制律设计奠定了基础。     

基于神经网络动态逆的大攻角导弹解耦设计

空空导弹大攻角飞行时,由于出现非对称涡及涡破裂现象,导致强烈的通道间耦合并呈现非线性特性;为提高系统控制品质,实现通道间解耦,文中基于非线性动态逆系统原理,利用了RBF神经网络逼近逆误差,构造了基于神经网络动态逆的大攻角导弹解耦控制器;最后,对控制系统进行了仿真分析,实验结果表明了该方法的可行性。     

基于LabVIEW的神经网络自适应逆控制系统

目前基于人工神经网络的非线性自适应逆控制研究主要集中在Matlab仿真研究方面,无法直接推广为实际应用。为此,采用基于LabVIEW的动态神经网络非线性自适应逆控制方法,首先在LabVIEW中建立动态神经网络结构及在线学习算法,并依此建立非线性对象的辨识器和逆控制器等模型;然后构建完整的非线性对象自适应逆控制系统,并在LabVIEW环境中通过仿真验证了系统性能。通过配置相应的数据采集设备,该系统可以直接推广为实际应用。     

基于复合正交神经网络的自适应逆控制系统

目前,在自适应逆控制系统中常采用BP神经网络,而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足,但由于正交神经网络学习算法存在某些局限性,提出了一种复合正交神经网络,该正交网络结构与三层前向正交网络相同,不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数,该神经网络算法简单,学习收敛速度快,并能对网络的函数参数进行优化,为非线性系统的动态建模提供了一种方法。仿真实验表明,网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性,有线性、非线性逼近精度高等优异特性,非常适合于实时控制系统。     

基于BP神经网络的自适应控制

本文利用ＢＰ神经网络对被控对象进行在线辨识和控制。为实现自适应控制，本文对ｓｐｅｃｉａｌｉｓｅｄ ｌｅａｒｎｉｎｇ算法进行了改进，在此基础上，本文还提出了一种基于ＢＰ网络的自适应ＰＩＤ控制器。     

基于自适应动态规划的移动机器人视觉伺服跟踪控制

针对移动机器人视觉伺服跟踪控制问题, 提出一种基于自适应动态规划(Adaptive dynamic programming, ADP) 的控制方法. 通过移动机器人上的相机拍摄共面特征点的当前图像、期望图像以及参考图像, 利用单应性技术得到移动机器人当前的位姿信息与期望的位姿信息(即平移量与旋转角度), 从而通过当前与期望的平移旋转之间差值得到系统的开环误差模型. 进而, 针对此系统设计最优控制器, 同时做合适的控制输入变换. 在此基础上设计一个基于ADP的视觉伺服控制方法以保证移动机器人完成轨迹跟踪任务. 为求出最优控制输入, 采用一个评价神经网络近似值函数, 通过不断学习逼近哈密顿−雅可比−贝尔曼(Hamilton-Jacobi-Bellman, HJB)方程的解. 与以往不同的是, 由于系统存在时变项, 导致HJB方程也含有时变项, 因此需要设计具有时变权值结构的神经网络近似值函数. 最终证明在所设计的控制方法作用下, 闭环系统是一致最终有界的.