CN112597706B - 一种运载火箭执行机构故障在线诊断方法 - Google Patents
一种运载火箭执行机构故障在线诊断方法 Download PDFInfo
- Publication number
- CN112597706B CN112597706B CN202110004151.4A CN202110004151A CN112597706B CN 112597706 B CN112597706 B CN 112597706B CN 202110004151 A CN202110004151 A CN 202110004151A CN 112597706 B CN112597706 B CN 112597706B
- Authority
- CN
- China
- Prior art keywords
- fault
- rocket
- neural network
- attitude
- engine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种运载火箭执行机构故障在线诊断方法,通过BP神经网络+循环神经网络的分层作用,可依次准确获得运载火箭故障位置以及故障参数,大大简化神经网络结构,提高故障诊断网络的收敛性能;本发明所述方法不同于传统基于模型的故障诊断方法,无需精确获知运载火箭运动学及动力学模型即可准确辨识故障信息,辨识速度快,大大提高故障在线诊断能力。
Description
技术领域
本发明涉及一种运载火箭执行机构故障在线诊断方法,属于制导控制技术领域。
背景技术
运载火箭是执行空间运载任务,开展空间活动的必要保证。为了完成高稳定度、高精度的航天任务,现代航天对运载火箭的安全性和可靠性提出了很高的要求。姿态控制系统作为运载火箭重要分系统之一,它的可靠性、是否正常工作将直接决定运载火箭能否正常完成既定飞行任务。然而恶劣飞行环境以及部件老化等因素致使火箭部件不可避免地发生故障,现有资料表明,执行机构故障是运载火箭众多故障模式中发生几率最高、造成后果最为严重的故障模式,如果运载火箭执行机构故障不能及时、正确地被定位、隔离以及估计出来,则姿态控制性能将显著下降或系统稳定性将受到破坏,严重时将导致整个飞行任务失败,因此运载火箭执行机构故障诊断是运载火箭自主运行技术的基础,它已成为当今航空航天工程领域亟待解决的课题之一。另外,传统故障诊断方法存在有效工作范围较小、计算速度慢以及故障诊断精度低等问题,亟需进一步开展适用于运载火箭执行机构故障在线诊断的方法研究。
发明内容
针对运载火箭执行机构故障模式复杂多样的问题,充分考虑模型不确定性以及外界环境的干扰,提出一种基于分层次神经网络的运载火箭执行机构故障在线诊断方法,以提高运载火箭飞行稳定性及安全性。
一种运载火箭执行机构故障在线诊断方法,包括如下步骤:
步骤一、建立运载火箭运动学以及动力学模型,分析运载火箭执行机构常见故障模式;
步骤二、给定火箭总体参数及标准弹道,每次更改执行机构故障位置、发生时间以及故障模式进行弹道计算,基于步骤一的运动学以及动力学模型,获得一定时间内的火箭姿态角,姿态角速率及发动机摆角指令的时间序列;
步骤三、以设定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前故障位置为输出,构建故障位置判断样本库;采用BP神经网络对故障位置判断样本库中样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与当前故障位置的映射关系;
步骤四、以设定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前执行机构故障参数为输出,构建故障参数辨识样本库;采用循环神经网络对故障参数辨识样本库中样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与执行机构故障参数的映射关系;
步骤五、对于实际火箭飞行状态,滚动读取一定时间内的火箭姿态角、姿态角速率及发动机摆角指令的时间序列,并作为输入量;首先采用步骤三训练的BP神经网络得到执行机构故障位置;再采用步骤四训练的循环神经网络获取执行机构故障参数,最终实现运载火箭执行机构高精度故障在线诊断。
较佳的,所述故障模式包括卡死故障、松浮故障、随机漂移故障以及损伤故障。
较佳的,各种执行机构故障模式的数学模型可由下式表示:
其中,δci(t)为控制器输出期望指令,δconst为固定常数,δrandom为随机数,ki记为损伤因子,且0<ki<1。
较佳的,所述步骤三中对BP神经网络的训练方法包括:
步骤(1)、随机地对BP神经网络的权值进行赋值;
步骤(2)、确定BP神经网络的结构参数并给出相关变量的定义;
步骤(3)、输入训练样本;
步骤(4)、正向传播过程,具体为:根据给定的训练模式输入,计算出网络的输出模式,并将其与期望模式进行比较,如果存在误差就执行步骤(5);否则,返回步骤(6);
步骤(5)、反向传播过程:
a、计算同一层单元的误差;
b、修正权值和阈值;
c、如果误差不满足要求,返回步骤(3);如果误差满足要求,则执行(6);
步骤(6)、训练结束。
较佳的,所述步骤四中循环神经网络采用长短时记忆网。
较佳的,所述步骤一中,充分考虑模型不确定性以及外界环境的干扰,建立运载火箭运动学以及动力学模型。
较佳的,所述步骤一中,运载火箭姿态运动学方程为:
较佳的,所述步骤一中,运载火箭姿态动力学模型为:
其中,分别表示三通道转动惯量,T1,T2,T3,T4分别表示四台发动机推力,r表示发动机安装半径,xR表示发动机铰链至火箭头部距离,xT表示火箭质心至火箭头部距离,δ1,δ2,δ3,δ4分别表示4台发动机摆角,D1表示模型未建模动态以及干扰力矩。
本发明具有如下有益效果:
1、通过BP神经网络+循环神经网络的分层作用,可依次准确获得运载火箭故障位置以及故障参数,大大简化神经网络结构,提高故障诊断网络的收敛性能;
2、本发明所述方法不同于传统基于模型的故障诊断方法,无需精确获知运载火箭运动学及动力学模型即可准确辨识故障信息,辨识速度快,大大提高故障在线诊断能力。
附图说明
图1为运载火箭发动机摆角安装关系;
图2为运载火箭执行机构故障模式;
图3为BP神经网络结构图;
图4为LSTM单元结构图;
图5为分层次神经网络故障诊断流程。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明的技术解决问题:针对运载火箭执行机构故障模式复杂多样的问题,充分考虑模型不确定性以及外界环境的干扰,提出一种基于分层次神经网络的运载火箭执行机构故障在线诊断方法,以提高运载火箭飞行稳定性及安全性。
本发明的技术解决方案:本发明首先分析运载火箭运动学模型、动力学模型以及典型故障模式,然后构建故障诊断样本库,设计分层次神经网络结构,采用BP神经网络对执行机构故障位置进行判断,采用循环神经网络对执行机构故障参数进行辨识,所述的基于分层次神经网络的运载火箭执行机构故障在线诊断方法主要包含如下五个步骤:
步骤一:充分考虑模型不确定性以及外界环境的干扰,建立运载火箭运动学以及动力学模型,确保能够真实反映运载火箭飞行特性,然后充分分析运载火箭执行机构常见故障模式,并采用统一的数学表达式进行表示;
步骤二:给定火箭总体参数及标准弹道,每次更改执行机构故障位置、发生时间以及故障模式进行弹道计算,获得一定时间内的火箭姿态角,姿态角速率及发动机摆角指令的时间序列;
步骤三:以一定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前故障位置为输出,构建故障位置判断样本库,采用BP神经网络对样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与当前故障位置的映射关系;
步骤四:以一定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前执行机构故障参数为输出,构建故障参数辨识样本库,采用循环神经网络对样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与执行机构故障参数的映射关系;
步骤五:对于实际火箭飞行状态,滚动读取一定时间内的火箭姿态角,姿态角速率及发动机摆角指令的时间序列作为输入量,首先采用步骤三训练的故障位置判断网络得到执行机构故障位置,再采用步骤四训练的故障参数辨识网络获取执行机构故障参数,最终实现运载火箭执行机构高精度故障在线诊断。
步骤一所述的运载火箭运动学和动力学模型建立如下:本发明以某型运载火箭为研究对象,其执行机构为4台采用“×”字型布局的发动机,双向摇摆,如图1所示。
运载火箭姿态运动学方程以矩阵形式可写为:
运载火箭姿态动力学模型以矩阵形式可写为:
其中,JX1,JY1,JZ1分别表示三通道转动惯量,T1,T2,T3,T4分别表示四台发动机推力,r表示发动机安装半径,xR表示发动机铰链至火箭头部距离,xT表示火箭质心至火箭头部距离,δ1,δ2,δ3,δ4分别表示4台发动机摆角,D1表示模型未建模动态以及干扰力矩。
运载火箭执行机构常见故障模式可划分为:卡死故障(locker in place);松浮故障(float);随机漂移故障(random drift);损伤故障(loss-effectiveness)。
在卡死故障的情况下,执行机构卡死在某个固定位置,不能响应控制器生成的指令信号;松浮故障是指执行机构自由作动,无法产生任何有效输出,相当于其卡死于零位置处;随机漂移故障是一种无规律的故障类型,此时执行机构的输出在正常值附近呈不规则的随机漂移状态,也称加性故障;损伤故障是指执行机构效益下降,控制作用偏离预期效果,导致控制性能降低。不同执行机构故障模式如图2所示。
各种执行机构故障模式的数学模型可由下式表示:
其中,δci(t)为控制器输出期望指令,δconst为固定常数,δrandom为随机数,ki记为损伤因子,且0<ki<1。
步骤三所述基于BP神经网络的故障位置判定流程如下:基于一定时间窗口内的姿态角偏差、姿态角速度偏差以及运载火箭摆角指令的时间序列量测数据,判断故障位置属于模式分类问题。本发明采用BP神经网络对故障位置进行判断,BP神经网络包含两个方面:信号的前向传播和误差的反向传播。即计算实际输出时按从输入到输出的方向进行,而权值和阈值的修正从输出到输入的方向进行。
BP神经网络结构如图3所示。xj表示输入层第j个节点的输入,j=1,2,…,M;wij表示隐含层第i个节点到输入层第j个节点之间的权值;θi表示隐含层第i个节点的阈值;φ(x)表示隐含层的激励函数;wki表示输出层第k个节点到隐含层第i个节点之间的权值,i=1,2,…,q;ak表示输出层第k个节点的阈值,k=1,2,…,L;ψ(x)表示输出层的激励函数;ok表示输出层第k个节点的输出。
基于BP神经网络的故障位置判定具体步骤如下:
(1)权值初始化:随机地给权值wmi(0)、wij(0)、wjp(0)赋予一组较小的非零数值;
(2)确定BP神经网络的结构参数并给出相关变量的定义:设输入向量为Xk=[xk1,xk2,…xkm],(k=1,2,…,n),该网络的训练样本的个数为n。Yk(n)=[yk1(n),yk2(n),…ykp(n)]为BP神经网络进行第n次迭代后的实际的输出。dk=[dk1,dk2,…dkp]为期望得到的输出;
(3)输入训练样本:依次输入训练样本集X=[x1,x2,…xp],假设这次学习的样本为Xk(k=1,2,…,n);
(4)正向传播过程:根据给定的训练模式输入,计算出网络的输出模式,并将其与期望模式进行比较,如果存在误差就执行(5);否则,返回(6);
(5)反向传播过程:a、计算同一层单元的误差;b、修正权值和阈值;c、返回(3),如果误差满足要求,则执行(6);
(6)训练结束。
步骤四所述基于循环神经网络的故障参数辨识流程如下:故障位置确定后的执行机构故障参数辨识属于回归分析问题。循环神经网络在时间序列数据回归分析中获得了广泛的应用。本发明针对各故障模式分别建立结构相同的循环神经网络以辨识故障参数。
传统循环网络结构在处理时间序列数据时会出现梯度爆炸现象,本发明采用长短时记忆(Longshort term memory,LSTM)结构可有效缓解这一问题。每个LSTM单元的结构如图4所示,图中z为输入模块,网络的前向计算方法可表示为:
it=σ(Wxixt+Whiht-1+Wcict-1+bi) (4)
ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf) (5)
ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc) (6)
ot=σ(Wxoxt+Whoht-1+Wcoct+bo) (7)
ht=ottanh(ct) (8)
式中,i,f,c,o分别代表输入门、遗忘门、细胞状态和输出门,W,b分别为对应的权重系数矩阵和偏置项,σ和tanh分别为Sigmoid和双曲正切激活函数。采用单LSTM层-批归一化层-全连接输出层的结构即可完成对故障参数的辨识。全连接输出层采用线性激活函数,并采用均方根误差作为网络的损失函数。综上,基于分层次神经网络的运载火箭执行机构故障在线诊断流程如图5所示。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种运载火箭执行机构故障在线诊断方法,其特征在于,包括如下步骤:
步骤一、建立运载火箭运动学以及动力学模型,分析运载火箭执行机构常见故障模式;
步骤二、给定火箭总体参数及标准弹道,每次更改执行机构故障位置、发生时间以及故障模式进行弹道计算,基于步骤一的运动学以及动力学模型,获得一定时间内的火箭姿态角,姿态角速率及发动机摆角指令的时间序列;
步骤三、以设定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前故障位置为输出,构建故障位置判断样本库;采用BP神经网络对故障位置判断样本库中样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与当前故障位置的映射关系;
步骤四、以设定时间窗口内的火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令作为输入量,以当前执行机构故障参数为输出,构建故障参数辨识样本库;采用循环神经网络对故障参数辨识样本库中样本数据进行训练,学习火箭姿态角偏差、姿态角速度偏差以及发动机摆角指令与执行机构故障参数的映射关系;
步骤五、对于实际火箭飞行状态,滚动读取一定时间内的火箭姿态角、姿态角速率及发动机摆角指令的时间序列,并作为输入量;首先采用步骤三训练的BP神经网络得到执行机构故障位置;再采用步骤四训练的循环神经网络获取执行机构故障参数,最终实现运载火箭执行机构高精度故障在线诊断。
2.如权利要求1所述的一种运载火箭执行机构故障在线诊断方法,其特征在于,所述故障模式包括卡死故障、松浮故障、随机漂移故障以及损伤故障。
4.如权利要求1所述的一种运载火箭执行机构故障在线诊断方法,其特征在于,所述步骤三中对BP神经网络的训练方法包括:
步骤(1)、随机地对BP神经网络的权值进行赋值;
步骤(2)、确定BP神经网络的结构参数并给出相关变量的定义;
步骤(3)、输入训练样本;
步骤(4)、正向传播过程,具体为:根据给定的训练模式输入,计算出网络的输出模式,并将其与期望模式进行比较,如果存在误差就执行步骤(5);否则,返回步骤(6);
步骤(5)、反向传播过程:
a、计算同一层单元的误差;
b、修正权值和阈值;
c、如果误差不满足要求,返回步骤(3);如果误差满足要求,则执行(6);
步骤(6)、训练结束。
5.如权利要求1所述的一种运载火箭执行机构故障在线诊断方法,其特征在于,所述步骤四中循环神经网络采用长短时记忆网。
6.如权利要求1所述的一种运载火箭执行机构故障在线诊断方法,其特征在于,所述步骤一中,充分考虑模型不确定性以及外界环境的干扰,建立运载火箭运动学以及动力学模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004151.4A CN112597706B (zh) | 2021-01-04 | 2021-01-04 | 一种运载火箭执行机构故障在线诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110004151.4A CN112597706B (zh) | 2021-01-04 | 2021-01-04 | 一种运载火箭执行机构故障在线诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112597706A CN112597706A (zh) | 2021-04-02 |
CN112597706B true CN112597706B (zh) | 2022-11-29 |
Family
ID=75207469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110004151.4A Active CN112597706B (zh) | 2021-01-04 | 2021-01-04 | 一种运载火箭执行机构故障在线诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112597706B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114153193A (zh) * | 2021-11-29 | 2022-03-08 | 北京航天自动控制研究所 | 结合扩张状态观测器和bp神经网络的极性故障识别方法 |
CN114036780A (zh) * | 2021-12-06 | 2022-02-11 | 航天科工火箭技术有限公司 | 一种受天基测控约束的火箭姿态角设计方法 |
CN117968836B (zh) * | 2024-03-28 | 2024-06-07 | 上海海维工业控制有限公司 | 基于数据监测的电动执行器老化试验方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
-
2021
- 2021-01-04 CN CN202110004151.4A patent/CN112597706B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082115A (zh) * | 2019-04-23 | 2019-08-02 | 哈尔滨工业大学 | 一种针对运载火箭的在线单发推力故障诊断方法 |
CN111259927A (zh) * | 2020-01-08 | 2020-06-09 | 西北工业大学 | 基于神经网络和证据理论的火箭发动机故障诊断方法 |
CN111505424A (zh) * | 2020-05-06 | 2020-08-07 | 哈尔滨工业大学 | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络和证据理论的火箭发动机故障诊断;孙成志等;《宇航总体技术》;20200715(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112597706A (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112597706B (zh) | 一种运载火箭执行机构故障在线诊断方法 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
Bateman et al. | Fault diagnosis and fault-tolerant control strategy for the aerosonde UAV | |
EP2570880B1 (en) | A method for real-time model based structural anomaly detection | |
Napolitano et al. | Aircraft failure detection and identification using neural networks | |
US5649064A (en) | System and method for modeling the flow performance features of an object | |
Aboutalebi et al. | A novel sensor fault detection in an unmanned quadrotor based on adaptive neural observer | |
CN110308735A (zh) | 一种针对输入时滞的欠驱动uuv轨迹跟踪滑模控制方法 | |
Wu et al. | Parametric identification and structure searching for underwater vehicle model using symbolic regression | |
CN108170127B (zh) | 一种无人机飞行控制系统的故障检测方法 | |
CN106681345A (zh) | 基于人群搜索算法的无人机自抗扰控制方法 | |
CN111007724A (zh) | 一种基于区间ii型模糊神经网络的高超音速飞行器指定性能量化跟踪控制方法 | |
Qin et al. | Sensor fault diagnosis of autonomous underwater vehicle based on LSTM | |
Roudbari et al. | Generalization of ANN-based aircraft dynamics identification techniques into the entire flight envelope | |
Kose et al. | Simultaneous design of morphing hexarotor and autopilot system by using deep neural network and SPSA | |
Boskovic et al. | A multi-layer autonomous intelligent control architecture for unmanned aerial vehicles | |
Yu et al. | Adaptive simplified surge-heading tracking control for underwater vehicles with thruster’s dead-zone compensation | |
Schultz et al. | Adaptive testing of controllers for autonomous vehicles | |
He et al. | Black-box modeling of ship maneuvering motion using system identification method based on BP neural network | |
RAUCH et al. | Fault detection, isolation, and reconfiguration for aircraft using neural networks | |
CN114462149B (zh) | 一种基于预训练与增量学习的飞行器气动参数辨识方法 | |
Qin et al. | Two-layer formation-containment fault-tolerant control of fixed-wing UAV swarm for dynamic target tracking | |
Gupta et al. | Advanced Advanced Advanced Methods of Model Structure Determination from Test Data | |
CN113959446B (zh) | 一种基于神经网络的机器人自主物流运输导航方法 | |
CN115933647A (zh) | 基于复合控制算法的omr轨迹跟踪控制方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |