CN117784616A - 一种基于智能观测器组的高速飞行器故障重构方法 - Google Patents

一种基于智能观测器组的高速飞行器故障重构方法 Download PDF

Info

Publication number
CN117784616A
CN117784616A CN202410202950.6A CN202410202950A CN117784616A CN 117784616 A CN117784616 A CN 117784616A CN 202410202950 A CN202410202950 A CN 202410202950A CN 117784616 A CN117784616 A CN 117784616A
Authority
CN
China
Prior art keywords
observer
speed
angular velocity
aircraft
designed parameter
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.)
Granted
Application number
CN202410202950.6A
Other languages
English (en)
Other versions
CN117784616B (zh
Inventor
丁一波
毕诚
岳晓奎
李聪
代洪华
孙军
李勰
刘传凯
李娜英
魏振岩
李文博
黄盘兴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202410202950.6A priority Critical patent/CN117784616B/zh
Publication of CN117784616A publication Critical patent/CN117784616A/zh
Application granted granted Critical
Publication of CN117784616B publication Critical patent/CN117784616B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种基于智能观测器组的高速飞行器故障重构方法，包括：构建飞行器姿态动力学模型；根据所述飞行器姿态动力学模型得到状态残差信息；基于神经网络算法对状态残差信息进行分类，得到分类信息；构建固定时间高阶滑模观测器（HOSM观测器）和迭代学习观测器；基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。本发明解决了现有技术中飞行器故障重构精确度低下的问题。

Description

一种基于智能观测器组的高速飞行器故障重构方法
技术领域
本发明涉及飞行器故障重构技术领域，特别是涉及一种基于智能观测器组的高速飞行器故障重构方法。
背景技术
随着智能算法的发展以及人们探索宇宙空间的需求的增加，越来越多的智能算法被应用在飞行器设计中。故障诊断和重构作为飞行器控制的重要一环，需要在故障发生之后第一时间检测到故障的发生甚至估计出故障的程度，对故障进行精准的判断和预估，为后续的容错控制等设计打好基础，进一步为国家航天事业的安全发展和飞行器设计的智能化奠定良好的基础。
理论上，传统航天器姿态控制系统的故障重构主要针对线性系统模型，这显然不适用与实际飞行的非线性模型，需要针对实际飞行器复杂模型进行故障重构的方法研究。同时，传统的采用自适应观测器和滑模观测器的故障重构方法运算量较大，鲁棒性较为一般，这会加剧抖振问题，影响故障的精确重构效果。
发明内容
为了克服现有技术的不足，本发明的目的是提供一种基于智能观测器组的高速飞行器故障重构方法，本发明解决了现有技术中飞行器故障重构精确度低下的问题。
为实现上述目的，本发明提供了如下方案：
一种基于智能观测器组的高速飞行器故障重构方法，包括：
构建飞行器姿态动力学模型；
根据所述飞行器姿态动力学模型得到状态残差信息；
基于神经网络算法对状态残差信息进行分类，得到分类信息；
构建HOSM观测器和迭代学习观测器；
基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。
优选地，所述飞行器姿态动力学模型为：
；
其中，为姿态角速度矢量，其中，p为滚转角速度、q为俯仰角速度、r为 偏航角速度；为气动角度矢量，其中，α为示攻角速度、β为侧滑角速度、为速度 滚转角，为气动角度矢量的变化速度，为姿态角速度矢量的变化速度， 为控制力矩矢量，其中，Mx为x坐标的控制力矩，My为y坐标的控制力矩，Mz为z坐标的控制力 矩，和分别为标称惯性矩阵和惯性矩阵的不确定部分，为外部扰动转 矩矢量，为模型不确定性，矩阵R定义为：
矩阵定义为：
。
优选地，所述基于神经网络算法对状态残差信息进行分类，得到分类信息，包括：
基于神经网络算法，设计数据集训练BP神经网络，得到训练好的BP神经网络；
将所述状态残差信息输入至训练好的BP神经网络，得到分类信息。
优选地，所述HOSM观测器为：
；
其中，为当前时刻角速度实际值，分别为HOSM滑模观测器角 速度估计值的第一过程量、第二过程量、第三过程量和第四过程量，分别 为滑模观测器角速度估计值四个过程量的变化速度。为三轴控制指令，表示对飞行器 惯量矩阵取逆，分别为第一待设计参数、第二待设计参数、第三待设计参数和第四 待设计参数，分别为第五待设计参数，第六待设计参数、第七待设计参数和第八待 设计参数，分别为第九待设计参数，第十待设计参数，第十一待设计参数和第十二 待设计参数，分别为第十三待设计参数，第十四待设计参数、第十五待设计参数和 第十六待设计参数，矩阵定义为：
，其中，分别为滚转角速度、俯仰角速度、偏 航角速度的估计值过程量。
优选地，所述迭代学习观测器为：
其中，为当前时刻角速度估计值，为上一时刻角速度估计值，为当前时 刻角速度实际值，为上一时刻角速度实际值，为上一时刻故障估计值，为当前时刻 故障估计值，为三轴控制指令，为飞行器惯量矩阵。为角速度估计值的变化速度，为 待设计参数。矩阵定义为：
，其中，分别为当前时刻滚转角速度、俯 仰角速度、偏航角速度的估计值。
优选地，所述分类信息包括：
阶跃形式残差信号和正弦形式残差信号。
优选地，基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构，包括：
若所述分类信息为阶跃形式残差信号，则利用HOSM观测器进行故障重构；
若所述分类信息为正弦形式残差信号，则利用迭代学习故障观测器进行故障重构。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种基于智能观测器组的高速飞行器故障重构方法，包括：构建飞行器姿态动力学模型；根据所述飞行器姿态动力学模型得到状态残差信息；基于神经网络算法对状态残差信息进行分类，得到分类信息；构建HOSM观测器和迭代学习观测器；基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。本发明本实现观测器组较好估计角速度和故障值，估计误差渐近收敛到0，同时较好地实现基于智能观测器组和神经网络智能算法的故障重构，仿真验证了观测器对故障重构的有效性，提升了故障重构的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于智能观测器组的高速飞行器故障重构方法示意图；
图2为本发明实施例提供的一种基于智能观测器组的高速飞行器故障重构技术路线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于智能观测器组的高速飞行器故障重构方法，本发明解决了现有技术中飞行器故障重构精确度低下的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供了一种基于智能观测器组的高速飞行器故障重构方法，包括：
步骤100：构建飞行器姿态动力学模型；
步骤200：根据所述飞行器姿态动力学模型得到状态残差信息；
步骤300：基于神经网络算法对状态残差信息进行分类，得到分类信息；
步骤400：构建HOSM观测器和迭代学习观测器；
步骤500：基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。
具体的，如图2所示，本实施例还提供了一种技术路线：
建立飞行器姿态动力学模型；
设计数据集训练BP神经网络；
设计固定时间高阶滑模观测器（HOSM观测器）进行故障估计；
基于神经网络算法的状态残差信息分类；
设计迭代学习观测器重构系统故障。
进一步的，所述飞行器姿态动力学模型为：
；
其中，为姿态角速度矢量，其中，p为滚转角速度、q为俯仰角速度、r为 偏航角速度；为气动角度矢量，其中，α为示攻角速度、β为侧滑角速度、为速度 滚转角，为气动角度矢量的变化速度，为姿态角速度矢量的变化速度， 为控制力矩矢量，其中，Mx为x坐标的控制力矩，My为y坐标的控制力矩，Mz为z坐标的控制力 矩，和分别为标称惯性矩阵和惯性矩阵的不确定部分，为外部扰动转 矩矢量，为模型不确定性，矩阵R定义为：
矩阵定义为：
。
进一步的，所述控制力矩矢量为：
；
其中，分别表示气动跨度和弦长，为参考表面积，分别为气动扭矩第 一系数，气动扭矩第二系数和气动扭矩第三系数，表示气动表面偏转矢量，Ma为马 赫数，表示气动表面个数。
进一步的，所述基于神经网络算法对状态残差信息进行分类，得到分类信息，包括：
基于神经网络算法，设计数据集训练BP神经网络，得到训练好的BP神经网络；
将所述状态残差信息输入至训练好的BP神经网络，得到分类信息。
具体的，所述设计数据集训练BP神经网络，具体方法为：
设计正弦信号和阶跃信号训练集，作为训练神经网络的数据集，基于数据集建立神经网络模型，设置训练参数，用数据集训练网络。具体训练流程为：
初始化，置所有权值为较小的随机数。
给定输入向量和期望的输出向量。
计算隐含层、输出层各神经元输出。
计算目标值和实际输出的误差。
用输出层加权系数增量公式计算误差反向传播后的输出层加权系数。
用隐含层加权系数增量公式计算误差反向传播后的隐含层加权系数。
进一步的，所述HOSM观测器为：
；
其中，为当前时刻角速度实际值，分别为HOSM滑模观测器角 速度估计值的第一过程量、第二过程量、第三过程量和第四过程量，分别 为滑模观测器角速度估计值四个过程量的变化速度。为三轴控制指令，表示对飞行器 惯量矩阵取逆，分别为第一待设计参数、第二待设计参数、第三待设计参数和第四 待设计参数，分别为第五待设计参数，第六待设计参数、第七待设计参数和第八待 设计参数，分别为第九待设计参数，第十待设计参数，第十一待设计参数和第十二 待设计参数，分别为第十三待设计参数，第十四待设计参数、第十五待设计参数和 第十六待设计参数，矩阵定义为：
，其中，分别为滚转角速度、俯仰角速度、偏 航角速度的估计值过程量。
具体的，指数按如下方式选取：，且，大于0且足够小，，且；其中增益矩阵：
；
为赫尔维茨矩阵。
进一步的，所述迭代学习观测器为：
；
其中，为当前时刻角速度估计值，为上一时刻角速度估计值，为当前时 刻角速度实际值，为上一时刻角速度实际值，为上一时刻故障估计值，为当前时刻 故障估计值，为三轴控制指令，为飞行器惯量矩阵。为角速度估计值的变化速度，为 待设计参数。矩阵定义为：
，其中，分别为当前时刻滚转角速度、俯 仰角速度、偏航角速度的估计值。
具体的，叉乘矩阵的表示如下：
；
进一步的，所述分类信息包括：
阶跃形式残差信号和正弦形式残差信号。
进一步的，基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构，包括：
若所述分类信息为阶跃形式残差信号，则利用HOSM观测器进行故障重构；
若所述分类信息为正弦形式残差信号，则利用迭代学习故障观测器进行故障重构。
具体的，通过Matlab进行仿真来说明本发明所述的一种基于智能观测器组的高速飞行器故障重构方法的具体计算过程：
仿真参数设置如下：
神经网络参数为：隐含层层数，最大迭代次数，目标训练误差为，学习率。
固定时间高阶滑模观测器参数为：，。。
迭代学习观测器参数为：
；
由角速度观测的仿真结果可知，所设计观测器组能够准确估计角速度值，使航天 器姿态角速度估计误差渐近收敛到0，观测误差稳定在较小的范围内。故障出现后曲线抖振 的幅度很小，在以内。
由故障观测的仿真结果可知，所设计观测器组能够稳定估计残差向量，且收敛时间小于3s，观测误差稳定在一定范围内。故障出现后曲线抖振的幅度很小，稳定在一定范围内。
从舵面故障重构仿真结果可以看出，基于智能观测器组的高速飞行器故障重构方法可以实现故障较准确重构。
本发明的有益效果如下：
本发明提供了一种基于智能观测器组的高速飞行器故障重构方法，包括：构建飞行器姿态动力学模型；根据所述飞行器姿态动力学模型得到状态残差信息；基于神经网络算法对状态残差信息进行分类，得到分类信息；构建HOSM观测器和迭代学习观测器；基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。本发明本实现观测器组较好估计角速度和故障值，估计误差渐近收敛到0，同时较好地实现基于智能观测器组和神经网络智能算法的故障重构，仿真验证了观测器对故障重构的有效性，提升了故障重构的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，包括：
构建飞行器姿态动力学模型；
根据所述飞行器姿态动力学模型得到状态残差信息；
基于神经网络算法对状态残差信息进行分类，得到分类信息；
构建HOSM观测器和迭代学习观测器；
基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构。
2.根据权利要求1所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述飞行器姿态动力学模型为：
；
其中，为姿态角速度矢量，其中，p为滚转角速度、q为俯仰角速度、r为偏航角速度；/>为气动角度矢量，其中，α为示攻角速度、β为侧滑角速度、/>为速度滚转角，/>为气动角度矢量的变化速度，/>为姿态角速度矢量的变化速度，/>为控制力矩矢量，其中，Mx为x坐标的控制力矩，My为y坐标的控制力矩，Mz为z坐标的控制力矩，/>和/>分别为标称惯性矩阵和惯性矩阵的不确定部分，/>为外部扰动转矩矢量，/>为模型不确定性，矩阵R定义为：
；
矩阵定义为：
。
3.根据权利要求2所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述控制力矩矢量为：
；
其中，分别表示气动跨度和弦长，/>为参考表面积，/>为气动扭矩系数，/>表示气动表面偏转矢量，Ma为马赫数。
4.根据权利要求1所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述基于神经网络算法对状态残差信息进行分类，得到分类信息，包括：
基于神经网络算法，设计数据集训练BP神经网络，得到训练好的BP神经网络；
将所述状态残差信息输入至训练好的BP神经网络，得到分类信息。
5.根据权利要求2所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述HOSM观测器为：
；
其中，为当前时刻角速度实际值，/>分别为HOSM滑模观测器角速度估计值的第一过程量、第二过程量、第三过程量和第四过程量，/>分别为滑模观测器角速度估计值四个过程量的变化速度，/>为三轴控制指令，/>表示对飞行器惯量矩阵取逆，/>分别为第一待设计参数、第二待设计参数、第三待设计参数和第四待设计参数，/>分别为第五待设计参数，第六待设计参数、第七待设计参数和第八待设计参数，/>分别为第九待设计参数，第十待设计参数，第十一待设计参数和第十二待设计参数，/>分别为第十三待设计参数，第十四待设计参数、第十五待设计参数和第十六待设计参数，矩阵/>定义为：
，其中，/>分别为滚转角速度、俯仰角速度、偏航角速度的估计值过程量。
6.根据权利要求5所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述迭代学习观测器为：
；
其中，为当前时刻角速度估计值，/>为上一时刻角速度估计值，/>为当前时刻角速度实际值，/>为上一时刻角速度实际值，/>为上一时刻故障估计值，/>为当前时刻故障估计值，/>为三轴控制指令，/>为飞行器惯量矩阵，/>为角速度估计值的变化速度，/>为待设计参数，矩阵/>定义为：
，其中，/>分别为当前时刻滚转角速度、俯仰角速度、偏航角速度的估计值。
7.根据权利要求1所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，所述分类信息包括：
阶跃形式残差信号和正弦形式残差信号。
8.根据权利要求7所述的一种基于智能观测器组的高速飞行器故障重构方法，其特征在于，基于分类信息，根据所述HOSM观测器和迭代学习观测器进行故障重构，包括：
若所述分类信息为阶跃形式残差信号，则利用HOSM观测器进行故障重构；
若所述分类信息为正弦形式残差信号，则利用迭代学习故障观测器进行故障重构。
CN202410202950.6A 2024-02-23 2024-02-23 一种基于智能观测器组的高速飞行器故障重构方法 Active CN117784616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410202950.6A CN117784616B (zh) 2024-02-23 2024-02-23 一种基于智能观测器组的高速飞行器故障重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410202950.6A CN117784616B (zh) 2024-02-23 2024-02-23 一种基于智能观测器组的高速飞行器故障重构方法

Publications (2)

Publication Number Publication Date
CN117784616A true CN117784616A (zh) 2024-03-29
CN117784616B CN117784616B (zh) 2024-05-24

Family

ID=90389429

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410202950.6A Active CN117784616B (zh) 2024-02-23 2024-02-23 一种基于智能观测器组的高速飞行器故障重构方法

Country Status (1)

Country Link
CN (1) CN117784616B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3432165A1 (de) * 1984-08-31 1986-03-06 Messerschmitt-Bölkow-Blohm GmbH, 8012 Ottobrunn Einrichtung zur automatischen rekonfiguration einer intakten geraetekombination
CN103488092A (zh) * 2013-10-16 2014-01-01 哈尔滨工业大学 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法
CN104647378A (zh) * 2015-01-21 2015-05-27 江南大学 一种单关节机械臂系统的迭代学习故障诊断方法
CN105353615A (zh) * 2015-11-10 2016-02-24 南京航空航天大学 一种基于滑模观测器的四旋翼飞行器的主动容错控制方法
CN106292681A (zh) * 2016-09-19 2017-01-04 北京航空航天大学 一种基于观测器和在线控制分配的卫星主动容错控制方法
CN113485304A (zh) * 2021-07-22 2021-10-08 北京航空航天大学 一种基于深度学习故障诊断的飞行器分层容错控制方法
CN114879515A (zh) * 2022-07-12 2022-08-09 南京航空航天大学 基于学习神经网络的航天器姿态重构容错控制方法
CN114879512A (zh) * 2022-07-06 2022-08-09 南京航空航天大学 基于学习神经网络滑模的航天器编队轨道容错控制方法
CN116088556A (zh) * 2023-02-27 2023-05-09 西北工业大学 一种基于深度强化学习的飞行器智能容错控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3432165A1 (de) * 1984-08-31 1986-03-06 Messerschmitt-Bölkow-Blohm GmbH, 8012 Ottobrunn Einrichtung zur automatischen rekonfiguration einer intakten geraetekombination
CN103488092A (zh) * 2013-10-16 2014-01-01 哈尔滨工业大学 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法
CN104647378A (zh) * 2015-01-21 2015-05-27 江南大学 一种单关节机械臂系统的迭代学习故障诊断方法
CN105353615A (zh) * 2015-11-10 2016-02-24 南京航空航天大学 一种基于滑模观测器的四旋翼飞行器的主动容错控制方法
CN106292681A (zh) * 2016-09-19 2017-01-04 北京航空航天大学 一种基于观测器和在线控制分配的卫星主动容错控制方法
CN113485304A (zh) * 2021-07-22 2021-10-08 北京航空航天大学 一种基于深度学习故障诊断的飞行器分层容错控制方法
CN114879512A (zh) * 2022-07-06 2022-08-09 南京航空航天大学 基于学习神经网络滑模的航天器编队轨道容错控制方法
CN114879515A (zh) * 2022-07-12 2022-08-09 南京航空航天大学 基于学习神经网络的航天器姿态重构容错控制方法
CN116088556A (zh) * 2023-02-27 2023-05-09 西北工业大学 一种基于深度强化学习的飞行器智能容错控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YIBO DING: "Review of control and guidance technology on hypersonic vehicle", 《CHINESE JOURNAL OF AERONAUTICS》, vol. 35, no. 7, 24 November 2021 (2021-11-24), XP087083241, DOI: 10.1016/j.cja.2021.10.037 *
张众正;叶东;孙兆伟;: "基于迭代学习观测器的卫星姿态滑模容错控制", 国防科技大学学报, no. 01, 28 February 2018 (2018-02-28) *
李慎霞;方舟;李平;: "小型无人机舵面故障的控制重构设计", 计算机工程与应用, no. 07, 1 March 2011 (2011-03-01) *

Also Published As

Publication number Publication date
CN117784616B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN102749851B (zh) 一种挠性高超声速飞行器的精细抗干扰跟踪控制器
CN109144084B (zh) 一种基于固定时间收敛观测器的垂直起降重复使用运载器姿态跟踪控制方法
CN114281092B (zh) 一种基于滑模干扰观测器的高超声速飞行器协调姿态控制方法
CN109614633A (zh) 一种复合式旋翼飞行器非线性建模方法及配平方法
CN107390531B (zh) 参数学习有限时间收敛的高超声速飞行器控制方法
CN113485304B (zh) 一种基于深度学习故障诊断的飞行器分层容错控制方法
CN109635494A (zh) 一种飞行试验与地面仿真气动力数据综合建模方法
CN113505434B (zh) 基于气动力数学模型的飞行器设计制造方法及其飞行器
CN102880052A (zh) 基于时标功能分解的高超声速飞行器执行器饱和控制方法
CN116382071B (zh) 深度学习网络修正补偿的气动参数智能辨识方法
CN106843261A (zh) 一种变体飞行器过渡段的张量积插值建模与控制方法
CN111695193A (zh) 一种全局相关三维气动力数学模型的建模方法及系统
CN112580241A (zh) 一种基于结构降阶模型的非线性气动弹性动响应分析方法
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
CN112560343A (zh) 基于深度神经网络与打靶算法的J2摄动Lambert问题求解方法
CN115220467A (zh) 一种基于神经网络增量动态逆的飞翼飞行器姿态控制方法
CN113656920B (zh) 一种可降低舵机功率冗余的导弹舵面铰链力矩设计方法
CN117289709B (zh) 基于深度强化学习的高超声速变外形飞行器姿态控制方法
CN114611420A (zh) 非定常气动力计算精度评估及修正方法
CN117708985A (zh) 一种基于机器学习的高速双旋弹非定常气动力预测方法
CN117784616B (zh) 一种基于智能观测器组的高速飞行器故障重构方法
CN115407294B (zh) 面向双站雷达体制的飞机动态雷达散射截面仿真方法
CN115048724B (zh) 一种基于b型样条的变体空天飞行器气动系数在线辨识方法
CN116360258A (zh) 基于固定时间收敛的高超声速变形飞行器抗干扰控制方法
CN115328185A (zh) 一种飞行器非线性非定常气动载荷修正系统

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