面向控制面故障的重构飞行控制设计与仿真

常规的飞行控制设计在实际中已得到了广泛的应用和验证,但其应对故障的能力欠佳.面向故障设计的重构飞行控制系统,如果完全取代常规的飞行控制系统,将面临着新系统验证的种种困难及随着而来的高昂成本.针对这种情况,提出了一种新的重构飞行控制设计结构,在保留常规控制系统的基础上,通过附加重构功能模块实现控制重构,从而最大限度保留常规控制器的优点,降低新系统的验证难度.将采用误差反向传播的前向神经网络应用于重构控制中,给出了前向神经网络 Lyapunov 稳定的条件.采用物理意义明确的 PID (比例积分微分)神经网络设计了重构飞行控制器,在设定的故障情况和控制目标下进行了设计和仿真,仿真结果表明在故障情况下,实现了预定的控制目标,证明所提出的重构控制方案可行.     

控制可重构飞机多变量鲁棒控制器设计

控制可重构飞机要求其基本飞行控制系统对舵面部分缺损故障具有强的鲁棒特性,在故障发生后保证飞机的稳定性,提供听时间进行故障的检测和隔离,为控制系统重构提供条件,本文采用高速采样ＰＩ控制器设计输出反馈跟随系统,给出了控制器的设计方法,并分析了它对于控制舵面部分缺损故障的鲁棒特性,仿真结果表明,这种控制器具有好的鲁棒特性。     

基于自适应逆的鲁棒容错飞行控制方法研究

研究飞行安全控制问题,可采用动态逆与神经网络模型参考自适应控制理论相结合,对飞机纵向自适应鲁棒容错飞行控制律进行设计,同时采用改进的粒子群算法优化神经网络参数,提高了自适应算法的效率.控制策略采用内-外环的控制结构,内控制回路以逆控制消除系统的非线性性和输出耦合;外控制回路基于模型参考自适应控制的思想,利用改进粒子群优化的神经网络设计前向自适应控制器,以消除逆控制的建模误差和对参数变化敏感的缺点,可使系统获得较好的动态性能和较强的鲁棒性.仿真结果表明采用的自适应鲁棒容错飞行控制方法有效抑制了操纵面故障,消除了对飞行任务的不良影响,保证了安全性能.     

飞机翼面损伤的L1自适应重构控制方法研究

进行飞机翼面损伤下的重构控制对提高飞机的安全可靠性具有重要的意义,根据飞机翼面损伤的特点,提出一种基于L1自适应控制的重构控制方法,首先根据翼面故障对飞机气动特性的影响,建立故障参数模型,然后根据L1自适应控制快速自适应和鲁棒性的特点,选择合适的自适应律和滤波器进行重构控制器的设计,最后根据飞机升降舵翼面损伤情况进行仿真分析,结果表明了本文所用方法可以进行部分翼面损伤的快速重构控制。     

可重构飞行控制律设计的混合特征结构配置方法研究

将特征结构配置与模糊控制理论相结合对飞机侧向飞行重构控制律进行设计.首先介绍了重构控制律中特征结构配置的原理和反馈增益矩阵的算法实现,在此基础上结合带优化修正参数的无量化模糊控制方法对闭环系统进行鲁棒控制器设计.该控制策略以特征结构配置作为故障后系统的内环控制器,模糊控制器作为外环控制器,使系统获得较好的动态性能和较强的鲁棒性.仿真结果表明系统有效抑制了内部参数摄动对飞行任务的不良影响.     

基于ABC广义逆优化算法的重构控制研究

为了确保飞机在操纵面故障后的飞行安全,提出了一种结合人工蜂群算法和广义逆法各自优点的重构控制方法。首先,介绍了基于广义逆控制分配方法的基本原理;然后,针对广义逆法存在分配效率较低的问题,采用人工蜂群算法对加权矩阵参数进行寻优,选择较高的转矩可达集体积,以提高基于广义逆控制分配法的分配效率;接着,针对操纵面3种典型故障,推导出对应的重构分配器;最后,通过仿真验证了所提出的控制重构方法能有效地重构飞机操纵面故障。     

神经网络直接逆控制在无人机飞控系统中的应用研究

针对无人机发生故障时系统的非线性耦合特性,提出了一种基于神经网络直接逆控制的飞行控制方法,用于在飞机发生故障时进行控制律重构以恢复对飞机的控制;根据无人机发生故障时非线性运动的特点,确定适当的神经网络结构建立无人机非线性系统的逆系统,并与被控对象串连可以对非线性耦合系统进行线性化解耦,然后引入PID反馈控制进一步提高神经网络逆控制系统的性能;仿真分析表明该方法在无人机发生故障采用传统PID控制失效时,在误差允许范围内可以用来对无人机进行控制。     

基于神经网络的鲁棒自适应逆飞行控制

提出基于在线神经网络的超机动飞行自适应动态逆鲁棒控制方法.超机动飞行的基本控制律采用非线性动态逆方法设计,对于建模误差或者控制面损伤等因素导致的不确定性逆误差采用神经网络进行自适应补偿.通过动态逆控制律简化计算和飞机控制面故障自适应修复的仿真表明,神经网络通过在线补偿逆误差,能够有效降低非线性动态逆对模型准确性的要求,增强控制系统的鲁棒性.     

基于自适应线性自抗扰控制的飞机防滑刹车系统重构控制

飞机防滑刹车系统是确保飞机安全起飞、着陆和滑跑的重要航空机电系统. 除了其动力学中的强非线 性、强耦合以及参数时变外, 潜在的执行器等组件故障也会严重降低防滑刹车系统的安全性与可靠性. 为满足故障 及扰动状态下系统的性能需求, 本文提出了一种基于自适应线性自抗扰控制的飞机防滑刹车系统重构控制方法. 根据飞机防滑刹车系统的组成结构及工作原理对其进行数学建模, 并对执行器注入故障因子. 设计了自适应线性 自抗扰重构控制器, 同时分析了整个闭环系统的稳定性. 该控制器将组件故障、外部干扰以及测量噪声等视为总扰 动, 根据状态误差反馈和系统输出信息, 利用BP神经网络在线优化更新扩张状态观测器和状态误差反馈律参数, 从 而更精确地观测与补偿总扰动带来的不利影响. 最后, 在不同跑道环境下的仿真结果验证了所提出重构控制器的适 应性和鲁棒性.     

飞机舵面损伤的简单自适应重构控制方法

针对飞行控制系统操纵面损伤故障,采用简单自适应控制算法进行重构飞行控制系统（FCS）的设计．在应用简单自适应控制时,尤其是在操纵面发生不同损伤程度故障时,必须确保闭环系统的几乎严格正实性．通过求解线性矩阵不等式的可行解问题,得出并联前馈补偿器,确保闭环系统的稳定性和增广系统的严格正实性．利用某型飞机的侧向飞行控制系统模型,将该方法应用于飞行控制系统的重构设计．仿真结果表明,简单自适应控制方法不仅适合于正常情况下的飞控系统设计,而且对操纵面损伤故障具有较强的适应能力．与常规的线性二次型反馈控制器相比,提出的自适应控制器具有更好的跟踪效果和重构控制效果．     

Direct adaptive neural flight control system for an unstable unmanned aircraft

A direct adaptive controller design using neural network is proposed for an unstable unmanned research aircraft similar in configuration to combat aircraft. The control law to track the pitch rate command is developed based on system theory. Neural network with linear filters and back propagation through time learning algorithm is used to approximate the control law. The bounded signal requirement to develop the neural controller is circumvented using an off-line finite time training scheme, which provides the necessary stability and tracking performances. On-line learning scheme is implemented to compensate for uncertainties due to variation in aerodynamic coefficients, control surface failures and also variations in center of gravity position. The performance of the proposed control scheme is validated at different flight conditions. The disturbance rejection capability of the neural controller is analyzed in the presence of the realistic gust and sensor noises. Hardware-in-loop simulation is also carried out to study the behavior of control surface deflections in real-time.     

NSG水位神经自适应PID控制与仿真研究

核动力蒸汽发生器(NSG)是一个高度复杂的非线性时变系统。由于蒸汽发生器在瞬态、启动和低功率下的“收缩”与“膨胀”现象引起的逆动力学效应,使蒸汽发生器的水位控制变得复杂。本文针对传统的核动力蒸汽发生器水位PID控制方法存在的缺点,将神经网络方法与PID控制的结构结合起来,提出了核动力蒸汽发生器水位神经自适应PID控制方法。采用BP学习算法调整控制器神经网络的连接权值,实现了控制器参数的在线整定。仿真研究表明,所设计的控制器具有良好的控制性能,且结构简单,易于实现。     

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.     

Nonlinear Fly‐By‐Throttle H∞ Control Using Neural Networks

A neural network approach to gain scheduling H∞ controllers for propulsion controlled aircraft (PCA) systems is introduced. The PCA system is applied to backup control of aircraft experiencing control surface failure. The H∞ technology is applied to the problem of matching the crippled aircraft and the nominal model. Various H∞ controllers at various flight conditions are used to train radial basis function networks (RBFN), which can then be used as the nonlinear controller. Simulation on an L‐1011 under fly‐by‐throttle control demonstrates that the RBFN controller can stabilize the crippled airplane to obtain the desired model and possesses robustness against the engine delay.     

考虑时间特性影响的控制系统可重构性定量评价方法研究

故障诊断时间和控制重构延时严重影响了控制系统的实际重构性能,然而目前缺乏相关研究.基于该现状,本文针对执行器快变偏差故障,重点考虑时间特性影响,结合能量与输入约束,对控制系统可重构性的定量评价问题展开了研究.首先,以基于观测器的故障诊断算法和控制重构方案为例,建立了重构系统模型;然后,以该模型为对象,通过对重构过程中关键时刻的分析,深入研究了系统故障后的动态特性,并综合考虑故障引起的状态偏差、资源浪费以及诊断误差,设计了用于描述故障系统性能下降程度的二次型性能指标;其次,利用Lyapunov稳定性理论,定量求解了性能指标关于时间的一般表达式,进而求得该指标在整个时域中的最优解;最后,基于最优性能指标,引入了可重构度的概念,实现了对控制系统可重构性的理论判定以及定量描述,并通过数值仿真验证了所提可重构性分析方法的有效性.     

等离子喷涂过程的BP神经网络自适应控制*

分析了ＢＰ网络辨识器和控制器的常规训练方法存在的不足之处及其限制，提出了一种通过网格辨识器的灵敏度网络反传对象的误差来训练ＢＰ网络控制器的新方法，根据ＢＰ网络放自适应控制的相容性，提出了一种新的ＢＰ网络自适应控制结构，并利用ＢＰ网络辩识器的灵敏度网络训练ＢＰ网络控制器的思想，来调整ＢＰ网络控制器的参数，等离子喷涂过程控制模型的训练研究表明其效果良好。     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

Control surface failure detection and accommodation using neuro-controllers

The ability of neural networks to learn from repeated exposure to system characteristics has made them a popular choice for many applications in linear and non-linear control. In this paper, the capabilities of neural networks in detecting and accommodating control surface failures for a modified F/A-18 super-manoeuverable fighter aircraft are examined. To detect and accommodate a failure in the thrust vectoring vane during a pitch manoeuvre, a hierarchical neuro-controller is designed using thrust vectoring, symmetric leading edge flap and the throttle. This neuro- controller is then used as the fault accommodating neuro- controller. A separate neural network is trained to detect failures in the thrust vectoring vane. The performance of the controller and fault-detection networks are verified using a numerical simulation of a longitudinal model of the aircraft.