基于干扰观测器的无人机着陆飞行逆控制器设计

基于干扰观测器设计了无人机着陆飞行逆控制器。根据时标分离的原则,将无人机系统分解为快慢不同的4个回路,采用动态逆的方法设计快回路、慢回路和非常慢回路控制器,并且在慢回路引入干扰观测器估计无人机所受的扰动和在线估计动态逆误差,降低控制器对干扰和模型精确度的要求,增强控制器的鲁棒性。仿真结果说明所设计的无人机着陆控制器是非常有效的。     

基于MAS的无人机纵向飞行控制

提出一种基于分层递阶多Agent的无人机自主飞行控制系统,并分别利用动态逆和改进型动态逆方法设计了纵向姿态控制Agent.首先建立了带推力矢量的无人机六自由度模型,并在此基础上推导出纵向控制方程;进而结·合奇异摄动理论,将无人机纵向飞行控制系统分成快慢两个回路,并为其分别设计了动态逆控制器和改进型动态逆控制器;最后用设...     

无人机自主低空突防航迹控制系统设计

设计了一种无人机自主低空突防航迹控制系统。提出了一种满足无人机低空突防要求的航迹预规划方法和航迹控制指令生成算法。针对动态逆方法需要被控对象精确数学模型的难点,在分析无人机误差动力学特性的基础上,采用神经网络在线动态补偿模型逆误差,并运用李亚普诺夫稳定性理论推导网络权值更新律,确保指令跟踪误差和网络权值的有界性。数字仿真结果表明,该系统满足无人机自主低空突防时航迹精确跟踪要求。     

模型不确定及干扰下固定翼无人机姿态控制

首先给出理想情况下固定翼无人机的姿态动力学模型,然后在此基础上根据动态逆方法设计出无人机姿态控制器,但基于此控制器并不适合实际情况下的无人机模型,原因在于无人机实际模型与理想模型之间存在一定的偏移,即模型不确定,而且在实际情况中还存在一定的干扰,因此,在原有无人机姿态控制器的基础上结合模糊神经网络,来补偿无人机运行过程中存在的模型不确定及干扰。     

神经网络动态逆在歼击机安全着陆中的控制

给出了基于神经网络动态逆的自适应跟踪控制方法,用以解决飞机着陆过程中的复杂非线性和出现舵机故障的情况.应用神经网络直接对非线性系统故障模型求逆,使得所设计的逆系统能够包含故障信息,克服了传统的控制设计中将过程模型线性化,从而将不可忽视的非线性关系用线性关系代替或忽略的弊端.对由于建模误差、不确定性因素等引起的非线性系统逆误差,通过自组织模糊小脑模型关节控制器(SOFCMAC)神经网络在线进行修正.并在此基础上对3个通道分别设计了参考模型和线性控制器,以实现对伪线性系统进行跟踪控制.通过将这种方法用于某型歼击机在着陆过程中发生平尾卡死故障控制的过程仿真,验证了该方法的可行性.     

DI/QFT控制器在四旋翼无人直升机飞行控制中的应用

首先建立了四旋翼无人机的非线性数学模型.然后针对该无人机数学模型的不确定性和非线性,采用动态逆(DI)和定量反馈理论(QFT)相结合的方法设计了该无人机姿态回路的鲁棒控制器.应用动态逆方法处理对象的非线性,将系统等效为一个解耦但存在不确定性的线性对象.鉴于动态逆控制在气动参数摄动的情况下不能满足控制要求的事实,设计了QFT控制器,QFT控制器能克服对象的参数不确定性,保障系统的鲁棒性.仿真结果表明,在气动数据变化±20%的范围内,DI/QFT控制器实现了对姿态角的精确控制.     

基于动态逆的队形保持控制器设计

研究了无人机之间存在气动耦合的编队飞行系统模型。对模型运用时标分离原则将其划分为快变和慢变两个子系统,并且快变子系统的输出作为慢变子系统的输入参与控制。两个子系统分别用动态逆设计控制器,并在慢回路用干扰观测器补偿逆误差和模型的不确定性。通过仿真说明所设计的紧密队形保持动态逆控制器是非常有效的。     

神经网络在无人机自动飞行控制系统中的应用

采用神经网络与PID控制相结合的方法，提出了一种基于BP神经网络Kp、Kl、KD参数自学习的PID控制器，较好地解决了传统控制方式对于对象模型过于依赖、参数在线整定困难等问题。同时对BP算法进行了深入分析，引入了神经网络的自适应学习速率和带死区控制，进一步提高了算法的收敛性。利用本文所提出的算法对某型无人机进行控制设计仿真实验，仿真结果表明：该算法在跟踪速率、控制精度上明显优于传统的PID控制器，对无人机具有良好的控制效果。     

基于在线神经网络的自适应鲁棒飞行控制

一般的自适应神经网络,因为没有长期学习性与全局适应性,只能适应当前的瞬时状态,满足不了导弹高精度飞行的要求.基于李亚普诺夫稳定理论和神经网络的非线性函数的拟合特性,设计了具有背景学习功能的在线自适应神经网络鲁棒控制器.首先分析了逆误差产生的原因,然后用神经网络来补偿系统逆模型误差,并利用李亚普诺夫稳定性理论推导了在线网...     

基于模糊干扰观测器的无人机自主着陆逆控制器设计

针对具有显著非线性和不确定性的无人机自主着陆系统,提出基于模糊干扰观测器的非线性动态逆的控制方法,用于降低控制器对不确定性的要求。基于时标分离原则,将无人机自主着陆系统分为快回路、慢回路、非常慢回路和极慢回路,通过在快回路、慢回路和非常慢回路设计动态逆控制律使状态解耦,设计直线下滑和指数拉平的着陆轨迹,并在极慢回路进行跟踪。设计基于模糊系统的干扰观测器,以逼近外部干扰和内部不确定性等复合干扰,基于李雅普诺夫理论证明系统稳定性。最后给出了无人机自主着陆轨迹跟踪控制仿真,仿真结果表明设计控制器具有良好鲁棒性,完成无人机在外界干扰下的自主着陆控制。     

Adaptive fuzzy neural network control for motor-toggle servomechanism

In this study, the dynamic responses of an adaptive fuzzy neural network (FNN) controlled toggle mechanism is described. The toggle mechanism is driven by a permanent magnet (PM) synchronous servo motor. First, based on the principle of computed torque, an adaptive controller is developed to control the position of a slider of the motor-toggle servomechanism. Since the selection of control gain of the adaptive controller has a significant effect on the system performance, an adaptive FNN controller is proposed to control the motor-toggle servomechanism. In the proposed adaptive FNN controller, an FNN is adopted to facilitate the adjustment of control gain on line. Moreover, simulated and experimental results due to a periodic sinusoidal command show that the dynamic behaviors of the proposed adaptive and adaptive FNN controllers are robust with regard to uncertainties.     

Sliding-mode-controlled slider-crank mechanism with fuzzy neuralnetwork

The dynamic response of a sliding-mode-controlled slider-crank mechanism, which is driven by a permanent-magnet (PM) synchronous servo motor, is studied in this paper. First, a position controller is developed based on the principles of sliding-mode control. Moreover, to relax the requirement of the bound of uncertainties in the design of a sliding-mode controller, a fuzzy neural network (FNN) sliding-mode controller is investigated, in which a FNN is adopted to adjust the control gain in a switching control law on line to satisfy the sliding mode condition. In addition, to guarantee the convergence of tracking error, analytical methods based on a discrete-type Lyapunov function are proposed to determine the varied learning rates of the FNN. Numerical and experimental results show that the dynamic behaviors of the proposed controller-motor-mechanism system are robust with regard to parametric variations and external disturbances. Furthermore, compared with the sliding-mode controller, smaller control effort results and the chattering phenomenon is much reduced by the proposed FNN sliding-mode controller     

基于卷积神经网络的反无人机系统图像识别方法

针对无人机的无证飞行和随意飞行严重影响和威胁公共安全的问题,提出了反无人机系统。识别无人机是反无人机系统实现的关键之一,为此提出了一种基于卷积神经网络的图像识别无人机方法。运用自制光学系统采集设备采集了不同型号的无人机图片以及鸟类图片,设计了针对无人机小样本识别的卷积神经网络和支持向量机。运用设计的卷积神经网络分别对MNIST数据集、无人机图片以及鸟的图片进行了识别,同时也运用支持向量机识别无人机和鸟的图片,进行了对比实验。实验结果表明,设计的卷积神经网络在MNIST数据集上识别准确率为91.3%,识别无人机准确率为95.9%,支持向量机识别准确率为88.4%。对比实验表明,提出的方法可以识别无人机和鸟以及不同类型的无人机并且识别结果优于支持向量机,可用于反无人机系统识别无人机,给同类研究提供了借鉴。     

一种基于神经网络的超稳定自适应控制算法

提出了一种用于控制复杂非线性系统的超稳定自适应控制算法。使用波波夫超稳定性原理设计控制器。用神经网络在线辨识系统的建模误差及不确定性因素，辨识结果作为补偿信号以实现系统的鲁棒控制。对一双输入双输出非线性系统的仿真结果表明，所提出的超稳定自适应控制算法具有较好的性能。     

基于模糊神经网络的异步电机DTC研究

针对异步电机直接转矩控制在低速时脉动大、开关频率不固定等缺陷,提出了一种基于模糊神经网络的直接转矩控制方案,该方案采用模糊神经网络调节器分别对转矩和磁链进行控制。该控制方法综合了模糊控制和神经网络的优点,原理简单、无需大量专家经验、具有优良的非线性逼近和自适应能力。最后通过仿真实验证明,采用该控制器的异步电机系统动态性能良好、低速脉动小。     

飞机自动着陆的一种非线性鲁棒控制器设计

将一种直接基于非线性模型的带神经网络补偿信号的逆系统方法用于具有强非线性和受不确定扰动干扰的飞机自动着陆控制,并对神经网络补偿的方式进行了改进。采用神经网络补偿动态逆反馈线性化后伪系统的逆误差,使得非线性系统在参数受到摄动或外部扰动的情况下仍能保持良好的控制效果。可以证明该方法在理论上是收敛的,对于任意的状态初值和给定的期望输出信号,能控制到指定的精度。神经网络的权值是局部收敛的,同时大量仿真表明,经过较少的神经网络离线训练,即能够获得很好的控制效果。最后通过飞机着陆下滑段的仿真验证表明,该方法具有强的鲁棒性和良好的跟踪精度。