具有未知干扰的无人机鲁棒滑模飞行控制

研究无人机飞行稳定性控制问题,由于无人机飞行控制系统存在时变外部干扰,飞行过程中升阴比变化激烈,控制稳定性难度较大。利用滑模控制良好的鲁棒能力提出一种神经网络的鲁棒飞行控制方法。因神经网络有良好非线性逼近能力,可对无人机飞行系统中的不确定进行在线逼近,并将神经网络权值误差引入到权值的自适应律中用以改善系统的动态性能。利用神经网络的组合,设计无人机鲁棒滑模飞行控制器。控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器,能有效减小系统的跟踪误差。最后将所设计的鲁棒滑模控制对无人机飞行姿态控制进行仿真。仿真结果表明,新方法能提高无人机的鲁棒飞行控制能力且能实现无人机姿态的精确跟踪和稳定性控制。     

基于QFT的无人机纵向飞行控制系统设计

介绍了定量反馈理论(QFT)的基本原理和设计步骤;定量反馈理论作为一种新颖的频率域鲁棒控制技术,综合考虑了对象的不确定性范围和系统的性能指标要求,以定量方式进行分析设计,从而保证了设计结果具有稳定鲁棒性和性能鲁棒性;无人机飞行过程中具有较强的不确定性,气动参数会不断发生变化,运用QFT对无人机纵向飞行控制系统进行设计,可以很好解决飞行控制系统中的不确定性问题;仿真结果显示,QFT设计的控制器能够很好地满足无人机鲁棒稳定性指标和跟踪性能,符合纵向控制的要求。     

一种无人机大机动飞行控制方法

研究了无人机进行大机动的控制问题,提出了一种传统动态逆控制方法的改进方法.在外环的气流角控制器中,通过引入加速度反馈,避免了传统方法的气动力估算环节,从而提高了对气动数据不准确的鲁棒性.在内环的角速率控制器中,使用基于LPV(linear parameter-varying)系统鲁棒PI控制方法,从理论上保证了整个机动飞行过程中的鲁棒性.仿真结果表明,提出的方法能够实现无人机纵向和横航向同时进行机动的控制,同时具有较好的控制性能.     

基于模糊神经网络的滑模控制

研究了一类不确定性非线性系统的滑模变结构控制,提出了一种基于模糊神经网络（Ｆｕｚｚｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）的滑模变结构设计方法,设计了控制器的结构,利用动态反向传播算法实现滑模控制,这种方法与一般变结构控制相比不但具有强的鲁棒性而且还能有效地消除抖动现象,同时在设计中不需要知识系统中不确定性和扰动的上界,另外还运用Ｌｙａｐｕｎｏｖ函数从理论上分析上了系统的稳定性。仿真结果说明了本文所提     

基于神经网络的机器人二阶滑模控制

本文提出了一种基于神经网络与二阶滑模控制融合的控制策略用于非线性机器人控制,设计了一种新颖简易的二阶滑模控制方法,有效地避免了常规变结构控制的抖震问题,并采用神经网络辨识未知的机器人的非线性模型,通过Lyapunov直接法设计网络的权值更新率,确保了系统闭环全局渐近稳定性。最后,通过仿真验证了算法的有效性。     

无人机编队飞行神经网络自适应逆控制器设计

针对无人机编队飞行时存在的气动耦合和外部干扰等影响因素,提出基于“长-僚机”模式的神经网络自适应逆控制器设计方法.详细推导了气动耦合影响,建立了完整的编队飞行非线性数学模型,设计了非线性动态逆控制律,提出了改进的 BP 神经网络算法,自适应地逼近和在线补偿动态逆误差,改善了控制效果,并针对队形变换提出了简单有效的设计思想.仿真表明,该控制器能有效实现编队队形的保持或变换,控制系统结构具有良好的扩充性.     

无人机飞行控制仿真环境三维视景子系统设计

针对无人机飞行控制仿真环境以数据方式输出仿真结果不利于挖掘隐藏于数据中的本质特性的缺陷,借助虚拟现实技术的相关理论,设计实现基于无人机飞行控制仿真环境的三维视景子系统,实时动态再现无人机飞行运动全过程,为研究无人机飞行运动规律提供直观的事实根据。阐述了无人机飞行控制仿真环境三维视景子系统设计实现的目标,构造了系统结构并提出了三维视景系统的实现框架,对视景系统实现的主要技术进行了着重介绍,在视景系统的具体实现中对视景数据库设计、视景系统开发、视点切换、LynX Prim e和ACF配置文件、数据通信接口的具体实现进行了详细的论述。最后给出了系统的实施效果。     

面向小型无人机导航的滑模控制算法研究

设计一种简单、高效、稳健的导航算法对无人机来说非常重要。分析了无人机的运动学和动力学特性,提出了一种基于滑模控制理论的非线性导航算法。针对滑模控制中出现的抖振问题,重新进行了控制律设计,并对制导参数进行了优化。实际测试结果表明,所提出的导航控制算法具有良好的性能指标,可跟踪任意航路点,可实现无人机自主飞行。     

小型无人机飞行变结构控制

针对传统飞行控制系统的局限性,提出小型无人机飞行修正变结构控制策略．在 纵向轨迹控制系统中引入一饱和型变结构控制器,实现姿态角与高度的自主复合控制,解决 了小型无人机超低空飞行触地问题,同时提高了系统的可靠性．     

基于反步滑模算法的无人机姿态鲁棒控制系统设计

针对传统无人机姿态鲁棒控制系统易受到外部干扰影响,无法精准控制姿态角、左侧舵面角和右侧舵面角,导致系统不稳定的问题,设计了基于反步滑模算法的无人机姿态鲁棒控制系统;使用TMS320F28335芯片的串级PID控制器,控制无人机中央处理机;选择MS-S3型伺服驱动器保证电机高速运动时的高转矩运行;使用STM32f407VGT6型号姿态控制器,控制旋翼姿态;在软件流程设计过程中,构建无人机动力学模型,引入反步滑模算法构建考虑姿态角动态方程,选择Lyapunov函数计算误差变量,设计滑模控制律,借助Visual C++6.0实现软件程序编写,完成无人机姿态鲁棒控制系统设计;由实验结果可知,在时间为5 s时,该系统姿态角达到6°、左侧舵面达到0.40°、右侧舵面角达到0.20°,与实际控制结果一致,具有精准控制效果。     

基于RBF神经网络滑模控制的车辆横向控制研究

针对车辆横向控制系统中滑模控制器存在的抖振现象对转向机械结构带来的损耗问题,提出了一种基于RBF神经网络的滑模控制算法。利用RBF神经网络较强的自学习能力实时在线调节滑模控制器的切换项增益参数,增强系统的抗干扰能力与动态性能。将车辆实际参数代入仿真数学模型中,在Simulink仿真环境中进行对比仿真实验,仿真结果表明:该控制算法跟踪性能好,能够有效降低滑模控制器的抖振,满足车辆横向控制要求。     

无人机飞行控制系统模拟器设计

提出了一种基于工业控制计算机开发的某型无人机飞行控制系统模拟器设计;详细介绍了系统设计原理，给出了硬件构成方案、软件功能模块组成和程序流程图，最后分析了测试结果；该模拟器充分利用了当前计算机技术、自动控制技术、系统实时仿真技术和面向对象编程技术，具有功能强大、界面友好、操作灵活的特点。可用于无人机系统先期设计验证或后期测试维护；实际使用情况表明该系统性能良好，完全能够代替真实飞行控制系统进行实时仿真试验。     

基于模糊神经网络的机器人滑模自适应控制

滑模控制（SMC）响应快,对系统参数和外部扰动呈不变性,可保证系统的渐近稳定性,但其缺点是控制存在很强的抖动;而模糊神经网络（FNN）具有模糊系统和神经网络共同的特点。将滑模控制和模糊神经网络控制有机结合,利用简单得到的学习信号对模糊神经网络进行在线学习,通过平滑切换函数实现直接自适应控制策略。对两连杆机械手的仿真研究表明,在存在模型误差和外部扰动的情况下,该方案既能达到高精度快速跟踪的目的,又能有效减小滑模控制的抖动问题。     

基于FNN的滑模自适应控制

研究一类不确定性非线性系统的直接自适应控制方法。该方法由滑模控制器和模糊神经网络构成，通过平滑切换实现自适应控制策略。仿真结果表明，这种方法既有强鲁棒性，又能有效地消除高频颤动。     

基于输入输出模型的模糊神经网络滑模控制

1　引言在实际系统中,一般难以取到系统的状态.因此,如何仅利用输入输出模型来控制系统一直是控制理论工作者关注的话题.Narendra等人[1]通过加入两个‘状态’滤波器设计了一种基于输入输出的模型参考自适应控制方案,提出了一个很好的思想.在其后的数十年中,基于输入输出?..     

基于自回归小波神经网络的感应电动机滑模反推控制

为了提高感应电动机控制的鲁棒性, 提出了一种新颖的感应电动机解耦模型. 基于感应电动机的解耦模型, 利用滑模控制和反推控制设计电动机的虚拟转矩和磁链电压控制器. 滑模开关增益的大小是造成系统抖振的关键, 采用自回归小波神经网络(Self-recurrent wavelet neural networks, SRWNN)在线估计滑模开关增益的大小可以有效降低滑模控制造成的抖振. 仿真结果表明基于SRWNN在线估计滑模开关增益的滑模反推控制方案可以有效提高感应电动机控制的鲁棒性, 同时降低了滑模控制造成的抖振.     

基于神经网络的拍翅式微型飞行器姿态控制

对于拍翅式微型飞行器姿态的控制,提出了一个基于BP神经网络和平均力矩的控制方案. 每个拍动周期结束后,依据姿态误差通过神经网络控制器来确定迎角的调整量, 微型飞行器在下一周期获得所需的姿态控制平均力矩. 对控制系统进行了仿真,仿真结果表明该系统具有鲁棒性.     

基于模糊神经网络的非线性大系统滑模自适应控制

针对一类非线性大系统，基于模糊神经网络，提出了一种分散滑模自适应控制方法。由模糊神经网络实现滑模控制，平滑了控制切换信号，消除了滑模控制中出现的颤动现象且使系统有强的鲁棒性，同时在控制器的设计中不需要知道系统中的不确定性和扰动的上界。利用Ｌｙａｐｕｎｏｖ稳定理论证明了闭环系统是稳定的且跟踪误差收敛到零的一个邻域内。