基于L1自适应控制的四旋翼无人机姿态控制

针对四旋翼无人机模型中存在非线性因素和不确定干扰的姿态控制问题,采用基于投影算子的L1自适应控制方法进行四旋翼无人机姿态控制律设计。首先根据四旋翼无人机运动原理建立多入多出的非线性姿态运动模型,然后针对模型中存在的陀螺力矩干扰、质量分布不均引起的力矩干扰、环境干扰和自身非线性影响,设计L1自适应控制器,分析了系统的鲁棒性能。仿真结果表明了控制系统在满足良好动态性能的同时能够保证良好的鲁棒性。     

基于视觉的空中加油定位技术研究

空中加油作为增加飞行器续航能力的一种有效手段,正受到越来越多的关注和研究,而具有低成本、无源性等优点的视觉导航技术为自动空中加油的实现提供了可靠的解决方案。首先介绍了空中加油的基本概念,包括软、硬两种不同方式以及从交会到脱离的过程;然后以加油锥套、受油接口、飞行器机体三种不同的研究主体为切入点,梳理了针对自动空中加油问题的视觉定位解决方案,着重阐述了其中基于视觉的检测跟踪和位姿估计过程,总结了其中可用的视觉定位算法;最后讨论了当前该领域待解决的问题,并展望未来的研究方向。     

一种基于数据驱动的执行机构健康管理技术研究

应用健康管理方法可大大提高设备的安全和可靠性,针对飞机的执行机构,文章提出一种基于数据驱动的健康管理方法;首先根据电液伺服执行器的特点建立故障参数模型,然后应用动态k均值聚类算法进行故障特征提取,根据故障特征状况,应用模糊聚类方法进行健康状况评估,根据健康状况的发展划定健康等级,最后根据健康评估结果应用卡尔曼估计方法进行健康预测;仿真结果表明了算法的有效性。     

一种基于杂草克隆的多目标粒子群算法

多目标粒子群算法(MOPSO)在优化函数时,尤其对于Pareto前沿是分段不连续的优化函数,存在收敛速度慢,种群多样性差的缺陷。针对此问题,将杂草克隆机制引入MOPSO,提出了一种新的多目标粒子群算法,称之为IWMOPSO。该算法利用改进的档案维护策略和不可行解增强多样性和均匀性,通过标准测试函数验证,能够使所求得的Pareto最优解逼近整个Pareto真实前沿,收敛性和多样性明显优于MOPSO和NSGA-Ⅱ,具有较强的应用性。     

基于分段信号假设检验的方差估计算法

针对传感器测量噪声变化导致加权数据融合精度下降的问题,提出一种新的方差估计算法.方差估计采用自适应移动数据窗,窗口长度由多元假设检验的结果决定.假设检验环节首先应用信号分段处理方法与中心极限定理,使得检验统计量满足正态分布,简化了后续计算与理论推导.然后根据马尔可夫状态转移理论和最大后验概率准则,实现测量噪声方差变化的快速检测.通过与典型算法的仿真对比,验证所提算法克服了典型方法的局限性,能够保证加权数据融合具有更高精度.     

基于有向图的BIT级联虚警分析

机内测试(BIT)是一种提高系统测试性和诊断能力的重要技术,然而系统部件之间及部件内部存在的关联耦合关系往往导致BIT虚警;采用基于有向图的方法对BIT进行虚警分析,在系统级联图中对一种耦合关系提出同胚的概念,并给出了优化方法,给出BIT虚警分析步骤,分析报故部件的故障可信度和虚警可信度;仿真算例表明该方法可有效地应用于BIT虚警的分析。     

基于神经网络改进算法的飞控系统故障诊断

应用神经网络技术对复杂的飞行控制系统进行故障诊断对提高飞机的可靠性和容错能力具有重要意义。为了提高网络的学习效率和稳定性,该文提出一种改进的径向基神经网络学习算法,使用混合共轭梯度优化算法对网络参数进行调整。利用神经网络对某型飞机的飞行控制系统进行故障诊断,仿真结果表明该神经网络具有较强的故障识别能力。     

基于无迹卡尔曼滤波的迎角/侧滑角估计方法

迎角和侧滑角是飞控系统的重要参数。针对迎角和侧滑角不能够精确测量(尤其在大机动情况下)的问题,研究了一种综合惯导系统数据和飞机的非线性动力学方程,利用无迹卡尔曼滤波来估计飞机的迎角和侧滑角的方法,实现了依靠算法代替传感器获得飞行参数,克服了对硬件(迎角、侧滑角传感器)的依赖性。该方法对系统数学模型的准确性有着较高的要求。仿真验证表明,该方法结构简单。且具有估计精度高、实时性好、抗干扰能力强的特点。     

一种基于反馈和共享机制的自适应进化策略*

为提高进化策略的搜索精度和全局搜索能力,提出了一种基于反馈和共享机制的改进进化策略,将各代当前最优搜索结果和反映种群个体聚集程度的共享度信息反馈到变异步长的更新式中,以保证种群中的部分个体在搜索后期仍保持较大的跳出局部极小的能力,从而达到提高算法全局搜索能力和搜索精度的目的。为了对比改进后进化策略与常规进化策略的优化效果,利用三个测试函数对两种进化策略进行了仿真测试。测试结果表明,与常规进化策略相比,提出的基于反馈和共享机制的进化策略具有更高的搜索精度和更强的全局搜索能力。     

一种自适应混合多目标粒子群优化算法

文章针对多目标粒子群优化算法多样性损失和收敛性不好的问题,提出了一种自适应混合多目标粒子群优化算法。首先,使用Sobol序列映射决策变量初始值,使得初始解集在全决策空间范围有更均匀的分布。使用线性递减权重法调整粒子群算法的权重,增强算法收敛性。提出了使用基于多样性指标SP的自适应变异算子增加种群多样性的同时,还提出了在最优档案集中,使用基于改进的世代距离指标GD的自适应混沌搜索增强算法局部搜索能力。最后,将文中提出的改进算法与MOPSO(基本多目标粒子群优化算法)和NSGA2对比,结果显示出该算法能够在保持优化解收敛性的同时获得更好的多样性。