基于模糊PID的直/气复合再入控制方法研究

升力式高超声速再入飞行器气动力、气动热耦合环境复杂,不确定性和干扰较大,一般采用直接力/气动力的复合控制方式。针对飞行环境特点和不同控制机理构成的复合控制模式,提出了一种基于模糊PID的直接力/气动力复合控制方法,该方法通过对气动力控制与直接力控制两个子系统分别设计模糊PID控制器,并设计了一种复合控制方案。最后针对某型升力式高超声速再入飞行器的纵向姿态复合控制进行了仿真验证,仿真中综合考虑了气动参数的误差、测量误差、大气干扰与大气环境的不确定性。仿真结果表明,所设计的模糊PID控制器较传统的PID控制器具有更好的控制性能,更强的鲁棒性和自适应能力。     

可重复使用航天器再入飞行在线可重构控制分配仿真研究（英文）

提出了带约束可重复使用航天器综合在线可重构再入控制分配方法。在给定可用控制力矩指令和舵面约束条件下,综合利用有效集理论,优化极值算法和链式控制方法,迅速生成包括气动舵面和反推力控制系统（RCS）发动机的控制指令,在线得到了满足所有控制约束且拥有高度精度的控制分配结果。可重构控制分配逻辑利用舵面失效参数特性,建立舵机状态监测系统,并依据分层消息处理机制得到重构控制指令,保证了航天器在舵面失效或操纵效能降低的情况下控制分配具有良好的精度。以某型可重复使用航天器为例,在考虑到舵面失效或操纵效能降低的情况下,通过不同算法的控制分配与仿真结果对比表明,该方法高效、快速、可靠。     

考虑不确定复合控制系统动态特性的前向拦截三维导引律

为实现高空高速目标的精确拦截,研究了考虑直接力气动力复合控制动态特性及不确定性的前向拦截三维导引律设计方法。对采用复合控制的慢旋导弹的动力学模型进行了线性化处理,在气动舵控制的基础上设计连续直接力,然后对其进行离散化处理,避免复杂的控制分配问题。在三维弹目相对运动模型和不确定导弹动力学线性化模型的基础上,利用时标分离的思想将系统划分为慢变子系统和快变子系统,应用基于李雅普诺夫稳定性理论的鲁棒控制方法对慢变子系统和快变子系统分别进行鲁棒动态逆设计,得到考虑不确定复合控制系统动态特性的前向拦截三维导引律。对单通道控制和双通道控制的情况分别进行了仿真研究,验证了本文方法的正确性和有效性。     

目标轨线迭代可变的非线性系统自适应学习控制

针对含有混合参数的非线性不确定系统,提出了一种自适应迭代学习控制方案。该方案利用Back-stepping方法和参数重组技巧相结合,可以处理目标轨线迭代可变的跟踪问题。通过引入微分-差分自适应学习律,设计了一种自适应控制策略,使得跟踪误差在一个有限区间上的积分渐近收敛于零;通过构造Lyapunov-like函数,给出了闭环系统收敛的一个充分条件。数值仿真验证了所提方法的可行性。     

基于GA优化的质量矩拦截弹模糊滑模姿态控制

质量矩控制是一种全新的飞行控制方法,与广泛应用的空气动力控制相比,可以避免飞行器在超高马赫数飞行时舵面的气动加热问题,而且,可以提高飞行器的机动性、敏捷性和制导控制精度。以所建立的质量矩拦截弹数学模型为基础,通过对模型合理的简化,得到一个耦合的非线性动力学系统,利用滑模控制设计了拦截弹飞行时的姿态控制系统,提出采用模糊逻辑算法抑制系统抖振的同时,把控制系统的多个设计目标转化为不等式约束,采用遗传算法优化控制参数,控制系统性能满足设计要求。仿真结果验证了这种方法的有效性。     

气动/推力矢量飞行器分阶段复合控制分配策略设计

以气动/燃气舵推力矢量复合控制反坦克导弹为研究对象,研究了不同飞行阶段下的气动/推力矢量复合控制分配策略问题。通过分析气动舵和燃气舵控制效率受导弹飞行速度变化的影响,并结合不同飞行阶段的飞行任务和特点,分别基于模糊逻辑以及链式递增理论,设计了适用于初始飞行段和末制导段的复合控制分配策略。仿真结果表明,设计的两种策略均保证了复合控制系统具有较快的响应速度和良好的控制精度,同时缩短了燃气舵的工作时间,减少了推力损失。     

基于混沌的白适应模糊PID参数寻优研究

针对自适应模糊PID控制器提出了一种基于混沌变量的优化算法.首先,利用混沌运动的遍历性特性,基于混沌优化方法进行PID控制器设计.在系统稳定的条件下,通过粗调和精确搜索可以找到具有最小参数的最佳控制器.这些参数被用来作为自适应模糊PID控制器的最佳参数.然后,按照自适应模糊控制方法,控制律及其参数可以被确定.仿真实验结果显示,该方法能够达到所要求的指标,其有效性得到了证明.     

单侧机翼损伤飞机的神经网络自适应鲁棒非线性控制

针对飞机飞行中单侧机翼突然损伤问题,结合对损伤飞机的特性分析,提出基于神经网络自适应补偿的鲁棒非线性模型逆控制方法。利用未损伤飞机模型伪控制量中的单隐层神经网络自适应项和鲁棒项,并联合e modification自适应律对模型误差、外界扰动、神经网络近似误差进行补偿。除此之外,利用动态非线性阻尼技术对上述伪控制律进行扩展,从而适应损伤机体未建模舵动态。最后对上述算法进行严格的稳定性证明,并推导了逆过程的实现方法。仿真结果表明在单侧机翼突然损伤并伴随外部扰动和未建模舵动态下,该控制方法具有较强的稳定性和鲁棒性。     

基于自抗扰与模糊逻辑的大攻角控制系统设计

针对直接力/气动力复合控制空空导弹的敏捷转弯问题,提出了一种基于自抗扰控制技术与模糊逻辑的自动驾驶仪设计方法。将导弹俯仰通道分解为攻角控制回路与俯仰角速度控制回路,使用自抗扰控制方法分别设计控制器,并将其串联组成完整控制回路。由攻角指令得到虚拟控制量,然后通过模糊逻辑将虚拟控制量分配给气动舵与直接力喷流装置。最后使用模糊控制方法对自抗扰控制器的反馈增益进行在线调整。仿真结果表明,所提出的控制方案对大攻角指令有良好的跟踪效果,适用于空空导弹的大攻角敏捷转弯控制。     

多操纵面交叉耦合的SQP控制分配策略

针对多操纵面飞机交叉耦合效应下易产生虚拟控制误差和舵效中和等问题,提出了一种基于改进序列二次规划的控制分配策略。以操纵面偏量为参数构建优化目标,基于舵效线性假设分别研究了基于线性规划和二次规划的多操纵面线性控制分配方法。进一步考虑非线性交叉耦合效应,分别建立了序列线性和序列二次规划的交叉耦合控制分配模型,并设计了改进的Hessian矩阵,以实现序列二次规划的优化求解。仿真表明,基于改进序列二次规划的控制分配策略能够合理地利用所有交叉耦合操纵面实现非线性分配,优于线性规划、二次规划和序列线性规划控制分配方法。     

基于非线性模型预测控制的火星大气进入智能制导方法

针对火星大气进入精确制导问题, 提出了基于非线性模型预测控制(nonlinear model predictive control, NMPC)的智能进入制导方法。首先, 考虑了进入制导约束, 采用NMPC方法设计制导算法。通过引入衰减记忆滤波器, 提出了基于误差信息估计的预测模型修正方法, 增强系统对模型误差的鲁棒性, 并利用变预测时域策略提高系统性能。然后, 以NMPC制导系统为制导模板, 在实际条件下生成大量样本数据集, 进行深度神经网络(deep neural network, DNN)的离线训练。最后, 在进入制导过程中利用DNN代替求解复杂优化问题和积分预测的过程, 在线快速解算控制量, 并结合横向制导实现智能制导。仿真结果表明, 提出的制导方法能够快速计算指令, 实现了高精度制导。     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

基于神经网络的反步自适应大机动飞行控制

针对飞机大机动飞行时模型非线性和参数不确定性的特点,提出了一种基于全调节神经网络的反步自适应控制方法。飞机模型不确定部分由全调节径向基函数(radical basis function, RBF)神经网络在线补偿,控制律及神经网络参数自适应律由反步法回馈递推得到,并利用一种自适应参数策略的混沌粒子群算法优化控制器固定参数,改善动态性能,最后通过加权伪逆控制分配方法得到最终控制信号。仿真结果表明：在较大的模型气动参数不确定及控制增益矩阵未知时,所设计的控制律仍能理想地跟踪飞机大机动指令飞行,神经网络参数估计误差指数收敛到有界紧集,系统具有快速的收敛性和良好的鲁棒性。     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

敏捷导弹复合控制策略

建立了敏捷导弹的动力学模型,引入力和力矩放大因子来描述横向喷流的干扰作用。针对直接力/气动力复合控制模型,提出了一种基于模型参考的自适应控制分配方法。引入了加权分配策略,该方法将复合控制系统分解为气动力和直接力两个子系统,使设计问题得到简化。采用遗传算法(genetic algorithm, GA)对加权因子进行了多目标优化设计。仿真结果表明,所设计的复合控制系统能够快速稳定地跟踪输入指令,解决了直接力和气动力子系统的加速度分配问题。     

基于深度强化学习的驾驶仪参数快速整定方法

针对深度强化学习方法对驾驶仪控制参数训练速度慢、奖励函数收敛性不好等问题,以三回路驾驶仪极点配置算法为核心,提出一种将三维控制参数转换为一维设计参量的智能训练方法,构建离线深度强化学习训练叠加在线多层感知器神经网络实时计算的智能控制架构,在提高深度强化学习算法的效率和奖励函数收敛性同时,确保在大范围飞行状态变化条件下控制参数的快速在线自整定。以典型再入飞行器为例,完成深度强化学习训练和神经网络部署。仿真结果表明,强化学习动作空间简化后的训练效率更高,训练得到的驾驶仪对控制指令的跟踪误差在1.2%以内。     

常规飞机的神经网络逆模型

推导了用低维的神经网络实现常规飞机逆模型的公式。先通过气动方程将飞机的角加速度转换为气动力矩系数,然后根据已知的气动力矩系数与状态变量和舵面偏转量的关系,得到低阶的逆模型方程。接着通过仿真研究了离线训练sigma-pi网络实现F16逆模型的方法。     

大型轮式工程车辆转向系统的神经网络PID控制

根据大型轮式工程车辆转向系统的对象特点和操纵方式，提出采用基于RBF神经网络控制器来改进常规PID控制器实现系统控制性能。该控制系统结构中，RBF神经网络辨识器(RBFNNI)实现对被控对象的Jacobian矩阵信息的辨识，神经网络控制器(NNC)是基于RBF神经网络实现的单神经元的PID控制器。在对算法进行改进的基础上设计了神经网络结构，并进行了被控对象的仿真分析。实际结果表明该控制方法具有较好的实用性和鲁棒性，可以用于多操纵模式工程车辆转向系统的控制。     

基于反步法及控制分配的导弹直接侧向力/气动力复合控制

基于L2最优控制分配策略,提出一种直接侧向力与气动力复合控制导弹自动驾驶仪设计方法。导弹复合控制系统由控制分配策略和虚拟控制律2个部分组成。基于干扰抑制不变集的分析思想,采用反步法设计虚拟控制律。将虚拟控制律产生的控制量通过L2最优策略分配给实际执行机构。设计过程中,考虑了执行机构的动特性以及外界干扰的影响。仿真结果表明,导弹复合控制系统对过载跟踪指令响应快速且平稳。跟踪过程中,直接侧向力与气动力之间相互配合,验证了控制方法的有效性。     

塔式起重机的神经网络滑模防摆控制

针对塔式起重机存在的负载摆动, 分析塔式起重机的动力学模型, 提出了一种基于遗传算法的塔式起重机神经网络滑模防摆控制新方法. 利用RBF神经网络输出逼近系统的不确定项, 并运用遗传算法优化滑模控制器的参数, 使得参数的收敛速度加快. 该方法削弱了滑模控制系统的高频抖振, 提高了系统的控制性能, 改善了系统的控制品质. 仿真结果表明方法的有效性和可行性.