可重复使用运载器多约束鲁棒预测校正制导

针对可重复使用运载器(reusable launch vehicle, RLV)再入段常规约束、航路点约束、倾侧角速率约束和参数不确定问题, 提出一种多约束鲁棒预测校正制导方法。首先, 利用改进准平衡滑翔条件将常规约束转化为倾侧角幅值约束。其次, 提出基于二分法快速迭代确定倾侧角翻转位置的航路点制导律, 并将翻转速率约束转化为关于能量的约束, 引入预测校正的计算中。然后, 对于参数不确定鲁棒制导问题, 提出基于标称升阻比和能量剖面对迎角及横程误差走廊在线调整的策略。仿真实验表明, 在参数不确定情况下, RLV能够满足多约束条件和终端制导精度要求, 验证了方法的有效性和鲁棒性。     

基于深度学习的时间角度控制制导律

针对考虑导弹气动力的时间角度控制制导问题，设计了一种基于深度学习的时间角度控制制导律；设计预测模块对考虑气动力的飞行器剩余飞行时间进行预测，预测模块引入前馈环节融合深度学习方法与理论模型，使用理论模型估计剩余飞行时间，使用深度神经网络估计理论模型的预测误差，提高剩余飞行时间预测精度；将精确剩余飞行时间引入时间角度控制制导律，使飞行时间误差收敛至零附近，最终实现飞行时间和攻击角度的共同控制。通过仿真试验验证了所设计的制导方法能够实现时间角度控制，相对于基于常值速度假设提出的制导律具有更好的制导性能。     

基于简化模型的天线罩寄生回路稳定性分析

针对由天线罩误差引起的寄生回路影响制导系统稳定性的问题，提出了基于状态空间简化模型的天线罩寄生回路稳定性分析方法。为了准确分析天线罩误差特性对制导系统稳定性的影响，首先建立包含天线罩误差特性的导引头部件级模型，并采用低阶等效系统拟配方法建立导引头简化模型。该简化模型能够准确表征导引头的工作特性，并有效降低了制导回路状态空间简化模型的阶数；在此基础上，采用小扰动线性化方法建立制导/控制/弹体多回路线性时不变(linear time invariant, LTI)简化模型，并与导引头低阶等效模型结合，建立了包含天线罩误差斜率参数的制导回路，以简化模型状态空间描述形式。基于以上引入天线罩误差特性的制导回路状态空间模型，采用根轨迹方法分析确定了天线罩误差斜率的稳定域，分析了不同的天线罩误差斜率对制导系统稳定性的影响规律。最后，基于制导回路非线性模型进行仿真验证，仿真结果验证了基于简化模型的天线罩寄生回路稳定性分析方法的正确性。     

基于模型预测控制的跳跃式再入制导算法研究

针对深空探测跳跃式再入返回飞行任务,提出了一种快速的再入制导算法,该算法基于模型预测控制（model predictive control,MPC）理论和近似动态规划（approximate dynamic programming,ADP）技术,将再入制导问题转化为两点边值问题,然后采用高斯伪谱法（Gauss pseudospectral method,GPM）求解该问题,实现快速制导计算。同时为了达到制导精度和制导效率的综合最优,提出了一种数值预报校正（numerical predictor-cor-rector,NPC）制导算法和快速再入制导算法融合的分段混合制导策略,该策略能对快速制导算法带来的制导偏差进行及时的修正,从而保证制导精度。蒙特卡罗仿真实验表明,与传统的数值预报校正制导算法相比,快速混合制导算法不仅能保证较高的制导精度,而且大幅减少了平均制导计算耗时,具有极大的在线应用潜力。     

基于零化视线角速率的非线性预测制导律

利用非线性预测控制理论设计了一种零化视线角速率的预测制导律. 首先, 以弹目视线角速率为反馈项, 最小化预测误差为性能指标, 基于非线性预测控制理论和最优化理论推导出非线性预测制导律, 并对闭环回路的稳定性进行了证明. 其次, 针对制导律中含有的目标机动项信息, 设计了一种基于时间延迟控制理论的滤波算法, 并应用于预测制导律, 最后仿真考虑到导弹的延迟环节, 采用三阶自动驾驶仪模型, 验证了设计的制导律能够有效拦截机动目标, 与传统比例导引相比, 视线角速率变化平稳, 克服了末端视线角速率变化过快而导致过载饱和的情况, 降低了对执行机构的要求.     

基于约束规划的小天体接近段鲁棒制导控制方法

以小天体接近段任务为背景,提出了一种基于约束规划的鲁棒制导控制方法。该方法将目标天体引力模型引入轨迹规划过程中,并将具有控制约束与轨迹状态约束的非线性动力学路径规划问题转化为以优化燃耗为性能指标的二阶圆锥规划(second order cone program, SOCP)问题|同时考虑目标天体引力模型与外界干扰等不确定因素对轨迹跟踪的影响,基于模型不确定界设计鲁棒反馈控制律。数学仿真证明,在相同条件下,基于凸规划的制导控制性能无论在制导控制偏差或是状态与控制约束满足方面均优于传统多项式拟合制导控制算法。     

制导化改进的常规航空炸弹命中精度分析

针对常规航空炸弹制导化改进的作战需求,研究了制导控制系统采用稳定控制回路和弹体构成的闭环系统方案,提出了稳定控制回路的设计方法。首先,分析了影响制导化改进的常规航空炸弹命中精度的主要误差表现形式和分布规律模型。其次,给出了基于蒙特卡罗法的命中精度分析方法。最后,采用A、B两组试验仿真分析了落点分布规律对圆概率误差(circular error probability, CEP)值和命中精度的影响。结果表明,分析方法科学合理,控制系统的设计方案可行。     

基于动态逆和状态观测的制导控制一体化设计

针对空地导弹的制导控制一体化设计问题,给出了基于扩张状态观测器的动态逆设计方法。建立了导弹纵向通道的制导控制一体化模型,使用动态逆方法对导弹进行了制导控制一体化设计。为克服动态逆方法的缺陷,将制导控制系统的建模误差和未知扰动皆视为不确定性,设计了扩张状态观测器并对其进行估计。仿真结果表明,该方法具有较高的制导控制精度,并满足攻击角约束。     

基于进化ANFIS的制导炸弹智能控制系统研究

针对目前制导炸弹命中精度低的问题,首次提出一种基于进化自适应神经模糊推理系统(ANFIS)的制导炸弹智能控制系统。该系统不基于数学模型,用独特的空间分层方法建立若干模糊推理系统,依靠专家经验来获取控制信息。规则库是通过系统对训练数据进行自学习,并在自学习的过程中引入遗传算法进化调整系统结构和参数而建立的。通过计算机仿真,该智能控制系统具有精度高、泛化功能强且实现了调整智能化等优点。可以预见,这种智能控制系统在军事上有很好的应用前景。     

基于非奇异Terminal滑模的导弹末制导律研究

结合导弹拦截的精确末制导问题,提出了一种基于非奇异Terminal滑模的鲁棒末制导设计方法。基于Terminal滑模控制中滑模面上的跟踪误差能够在有限时间内收敛到零的思想,在末制导滑模中引入非线性项,代替传统线性变结构滑动模态的设计,同时将目标的机动加速度视为已知的有界扰动,并实时对极值进行自适应估计,推导出一种非奇异Terminal滑模制导律(TSMG)。导弹在TSMG制导律的导引下,弹目视线角速度可以快速收敛,从而保证导弹有很高的命中精度。仿真结果表明非奇异Terminal滑模制导律设计的有效性。     

弹性高超声速飞行器智能控制系统设计

针对气动舵受限下的弹性高超声速飞行器控制问题, 提出一种基于神经自适应的智能控制方案。在速度子系统的设计过程中, 为了降低对模型参数的依赖程度, 应用强化学习算法在线调整比例积分微分(proportional integral derivative, PID)控制参数, 给出智能PID控制策略。对于高度子系统, 考虑气动舵的动态特性, 利用神经自适应方法对模型未知函数及不确定项进行逼近。为了处理气动舵的约束问题, 以非线性模型预测控制为优化分配模板生成大量样本数据集, 经离线训练得到深度神经网络代替求解复杂优化问题和控制分配的过程。此外, 通过引入自适应超螺旋微分器处理外部扰动, 增强了系统的鲁棒性。利用Lyapunov方法证明了所设计控制器的稳定性, 并通过仿真验证了所设计控制方案能够快速计算控制指令, 实现高精度跟踪控制。     

Nonlinear Model Predictive Control-Based Guidance Algorithm for Quadrotor Trajectory Tracking with Obstacle Avoidance

This paper studies a novel trajectory tracking guidance law for a quadrotor unmanned aerial vehicle(UAV) with obstacle avoidance based on nonlinear model predictive control(NMPC)scheme. By augmenting a reference position trajectory to a reference dynamical system, the authors formulate the tracking problem as a standard NMPC design problem to generate constrained reference velocity commands for autopilots. However, concerning the closed-loop stability, it is difficult to find a local static state feedback to construct the terminal constraint in the design of NMPC-based guidance law. In order to circumvent this issue, the authors introduce a contraction constraint as a stability constraint, which borrows the ideas from the Lyapunov's direct method and the backstepping technique. To achieve the obstacle avoidance extension, the authors impose a well-designed potential field function-based penalty term on the performance index. Considering the practical application, the heavy computational burden caused by solving the NMPC optimization problem online is alleviated by using the dynamical adjustment of the prediction horizon for the real-time control. Finally, extensive simulations and the real experiment are given to demonstrate the effectiveness of the proposed NMPC scheme.     

基于深度强化学习的UAV航路自主引导机动控制决策算法

针对无人机(unmanned aerial vehicle, UAV)航路终端约束情况下航路自主引导机动控制决策问题,采用Markov决策过程模型建立UAV自主飞行机动模型,基于深度确定性策略梯度提出UAV航路自主引导机动控制决策算法,拟合UAV航路自主引导机动控制决策函数与状态动作值函数,生成最优决策网络,开展仿真验证。仿真结果表明,该算法实现了UAV在任意位置/姿态的初始条件下,向航路目标点的自主飞行,可有效提高UAV机动控制的自主性。     

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。     

基于控制参数估计的再入滑翔目标智能轨迹预测算法

再入滑翔目标的轨迹预测是一项困难且具有意义的技术, 现有利用简单函数拟合控制参数进行轨迹预测的方法, 拟合精度不高且对数据的关联性不强。针对该问题, 本文结合长短期时序网络提出了基于控制参数估计的智能轨迹预测算法。首先, 通过设计快速轨迹生成算法, 结合攻角走廊模型快速生成大量机动轨迹, 构建数据集。然后, 建立了包含末点修正网络、控制参数修正网络及预测网络的智能轨迹预测框架, 利用数据集对关键控制参数的变化规律进行学习。最后, 结合目标运动模型积分外推实现轨迹的准确预测。仿真结果表明, 所设计的预测算法在不同机动模式下的预测平均误差不超过1.4 km, 最大误差不超过2.5 km, 能够实现轨迹的快速预测, 且对大气扰动造成的模型不确定性具有一定的鲁棒性。     

基于深度网络的蓝军装备模型参数生成方法研究

蓝军装备的建模仿真是构建对抗仿真环境不可缺少的部分。针对蓝方系统可获取的参数有限、具有“贫信息”“小样本”特性的问题,提出一种基于深度网络的蓝军装备模型参数生成方法。通过设定信息注入蓝军装备的仿真模型,生成仿真数据,利用数据训练深度神经网络。得到的网络对该型装备的未知参数预测具有一定的泛化能力,可直接用于预测或作为迁移学习的源模型。以蓝军某型拦截弹的建模仿真为例对该方法进行应用验证,使用了多层感知机和循环神经网络2种网络对比例导引系数进行学习与预测,均获得了较好的效果。     

基于小波分析的随机交通流组合预测方法研究

针对单一交通流预测方法对短时随机交通流预测适用性不强的问题,为适应交通诱导和信号控制的需要,提出了基于小波分析的短时交通流RBF神经网络及Markov链组合预测方法。在充分分析短时交通流随机特性的基础上,建立了短时交通流组合预测模型,并进行了实例仿真分析,结果表明组合预测较单纯神经网络预测方法预测精度显著提高,在交叉口实时交通控制中具有较好的适应性。     

交通诱导系统智能化方案及其仿真研究

交通流过程是不确定性很强的复杂过程，用传统的理论方法已经不可能有效解决交通流控制与诱导问题，交通诱导系统（route guidance system,RGS)必须智能化，该文评述了基于动态交通分配模型的交通诱导方法，指出其存在着模型理想化、局限于解析模型和忽视了人的参与与作用等问题，提出了RGS的一种智能化方案，介绍了基于学习机制来实现交通流短时预测和推理得出交通诱导信息的原理，给出了交通诱导智能系统的结构，用仿真研究的结果说明了原理的有效性，得出了交通诱导智能化的方案比依赖某种确定的数学模型的方案更可行有效的结论。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。     

多输入混合深度学习网络的健康因子构建方法

工业大数据具有多类型、多维度的特点,单一类型的深度学习网络结构无法充分提取数据中包含的性能退化特征。针对上述问题,提出一种可同时融合处理一维时间序列数据和二维图像数据的多输入混合深度学习网络健康因子构建模型。根据输入数据类型特点搭建的混合深度学习网络包含时间特征提取层、空间特征提取层、融合层和全连接层。时间特征提取层主要由叠加的多个长短时记忆(long short-term memory, LSTM)网络构成,用于提取一维时间序列数据中蕴含的时间特征。空间特征提取层主要由深度卷积神经网络(deep convolutional neural network, DCNN)构成,用于提取二维图像数据中的空间特征。融合层将时间特征与空间特征融合。最后,利用全连接层输出健康因子值。滚动轴承全寿命周期试验结果表明:本文提出的多输入混合深度学习网络的健康因子构建方法能够深度挖掘不同数据类型包含的性能退化信息,有效降低了性能退化曲线的离散性,有助于减小剩余寿命预测结果的不确定性,同时在一定程度上提高了单调性和趋势性,提高了剩余寿命预测精度。