针对无动力飞行器再入过程中的编队控制问题,基于虚拟领导者的二阶系统一致性控制理论,优化了协调变量并引入过渡环节,提出了一种集结时间可调的分布式编队保持与切换控制算法。该算法结合飞行能力和编队任务需求,允许无动力飞行器的高程在一定范围内变化,在线实现对多无动力飞行器相对横程和相对纵程的精确控制。仿真结果表明,该算法在编队形成与保持、编队构型切换和编队横向规避场景下,均可实现对期望编队构型的精确控制,并且仿真过程还加入了地球曲率和自转效应对再入动力学的影响。算法同时能够适应偏差随机的气动系数和大气密度的组合拉偏,具有良好的鲁棒性。
根据弹道导弹的中段飞行特性,提出了一种基于命中点预测的攻击时间可控协同拦截末制导结构。采用预测命中点的模式,能够有效地将高速目标转化为固定或低速目标。考虑到实时性要求,提出了一种基于模拟退火与二分法结合的命中点预测算法,命中点预测较为准确,计算快速且计算量小,能够有效降低弹载计算机的计算负担。采用了“领弹-从弹”结构,领弹采用比例导引快速接近预测命中点,从弹通过调整自身的飞行弹道来改变剩余飞行时间,使之与领弹的估计剩余飞行时间相等。仿真结果表明,该制导结构能够使三枚拦截器同时击中目标。
针对四旋翼无人机在超特高压验电方式下的自抗扰定点控制问题,基于有限时间收敛的扩展状态观测器技术,提出了一种连续的自抗扰滑模控制方法。考虑到四旋翼无人机在飞行过程中难以获取精确的线速度和角速度信息,而且容易遭受外界时变扰动影响。该方法通过采用有限时间收敛的扩展状态观测器对未知线速度、角速度和集合干扰项进行实时估计,而且该方法能够有效降低四旋翼无人机位置与姿态跟踪误差,同时能够消除滑模控制抖振现象,并实现四旋翼无人机高精度定点控制。最后从理论和仿真充分验证了所提控制方法的有效性。
针对太阳帆航天器在轨飞行面临复杂不确定条件的问题,提出一种基于深度强化学习的轨道设计与制导一体化算法。该算法在太阳帆航天器轨道动力学基础上,将太阳光压力模型不确定性、导航误差、控制执行误差和随机触发的安全事件等作为不确定条件纳入到太阳帆航天器在轨飞行的马尔科夫决策过程建模中,设计反映太阳帆能量供应优化的最小太阳相角奖励函数,采用近端策略优化算法进行训练,实现复杂不确定条件下太阳帆航天器轨道优化设计与鲁棒制导。将其应用到太阳帆航天器探测近地小行星2019 GF1的日心转移任务中,仿真结果表明新算法能降低不确定条件下标称轨道跟踪飞行的终端到达精度,并减小日心转移轨道的太阳相角。
提出了基于目标相对运动轨迹的前馈补偿+闭环反馈的复合控制方法,以大幅改善卫星动态指向跟踪控制精度。首先,采用动态误差系数法和功率传递函数,分别从指向跟踪误差和敏感器测量噪声引起的稳定度偏差两个方面分析了反馈带宽的选取范围。然后,依据跟踪误差传递函数模型,提出了通过相对导航滤波计算目标星视线角速度和角加速度的前馈补偿控制策略,解决了由于星载探测设备仅能测量目标指向偏差信息,而无法直接进行复合控制的难题。最后,通过数学仿真验证系统的稳定性和姿态跟踪性能,并设计了地面气浮台试验对控制器的跟踪性能进行测试。该姿态控制器能够在不改变闭环反馈带宽的前提下,实现对不同输入指令下高精度动态跟踪。
为了提高液体火箭发动机工作的可靠性,针对液体火箭发动机故障诊断问题,提出一种基于核主成分分析(KPCA)和ICOA-BP算法的故障诊断模型。通过KPCA算法对测量参数进行特征提取和降维,保证在特征充足的情况下降低数据的复杂性,减少计算成本,并提出一种改进后的浣熊优化算法(ICOA)优化BP神经网络,旨在提高BP神经网络诊断精度。利用液氧甲烷火箭发动机试车数据对算法进行验证,实验结果表明,ICOA-BP算法相较于COA-BP算法表现出更快的收敛速度和更高的寻优精度。在KPCA特征提取的数据上,ICOA-BP算法诊断准确率可以达到96.5%,相较于BP神经网络和支持向量机(SVM)诊断准确率分别提高3.5%和3%。同粒子群算法(PSO)和遗传算法(GA)相比,ICOA-BP算法展现出更优秀的全局最优解的搜索能力。
