-
公开(公告)号：CN119167527B
公开(公告)日：2025-02-28
申请号：CN202411676109.7
申请日：2024-11-22
Applicant: 大连理工大学
IPC: G06F30/15 , G06F30/27 , G06N3/006 , G06F111/04 , G06F113/08 , G06F119/14
Abstract: 本发明属于飞行器轨迹优化技术领域，涉及一种基于粒子群算法的可重复使用飞行器再入轨迹优化方法。本发明建立了考虑地球自转的三自由度运动模型和飞行器的气动模型，并分析了飞行器的气动特性。在此基础上，通过规划迎角剖面，将过程约束进行数学变换，从而形成再入走廊。设计并简化参考剖面的优化参数，提出剩余参数优化基本原则，设计关于优化参数的多目标优化函数，将轨迹优化问题转换成参数优化问题。最后结合粒子群算法和轨迹参数解算算法优化再入轨迹。针对传统轨迹优化方法的缺点，本发明的轨迹优化方法随机生成初始值，解决了初始值敏感的问题，避免优化结果陷入局部最优，具有广阔的应用前景。
-
公开(公告)号：CN119047339A
公开(公告)日：2024-11-29
申请号：CN202411523205.8
申请日：2024-10-30
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/08 , G06F119/14
Abstract: 本发明涉及空间技术及振动控制领域，尤其是一种知识与数据双驱动的空间微重力隔振系统抑振控制方法。首先，构建空间微重力隔振系统动力学模型，并将其作为初始的知识驱动模块。然后，设计知识驱动的标称预设性能控制律；基于构建的隔振动力学模型，设计初步的抑振控制策略。其次，设计数据驱动的振动抑制策略与更新律。通过数据驱动模块，以及实时监测的振动数据，利用神经网络算法逼近当前环境中的不确定性和扰动情况。进一步，开展基于标称控制器的样本生成与网络训练，模拟不同扰动下的系统动力学行为。最后，基于知识与数据双驱动的在线训练与应用。本发明能够针对不同振动源进行自适应调整，提供高效、精准的振动隔离控制。
-
公开(公告)号：CN118915467A
公开(公告)日：2024-11-08
申请号：CN202411081139.3
申请日：2024-08-08
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于高超声速飞行器控制技术领域，涉及一种高超声速飞行器的数据驱动学习控制方法。本发明的目的是为了提供基于数据驱动的学习控制方法实现非最小相位高超声速飞行器稳定跟踪控制。该方法包括构建非最小相位高超声速飞行器的纵向动力学模型；通过对输出重定义实现系统的零动态重构；基于深度Koopman算子理论，使用预先收集的数据集训练径向基神经网络的权重，对输出重定义动态方程进行精确建模。设计基于数据驱动的输出重定义优化学习控制器，实现对参考指令的稳定跟踪。该方法是一种高超声速飞行器的数据驱动学习控制方法及系统，且具有广阔的应用前景。
-
公开(公告)号：CN118707858A
公开(公告)日：2024-09-27
申请号：CN202411207224.X
申请日：2024-08-30
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于航空航天飞行器控制领域，涉及一种弱模型依赖的高超声速变形飞行器智能控制方法。本发明首先建立面向控制的高超声速变形飞行器动力学模型，用于智能控制的准备工作。之后，设计弱模型依赖的积分强化学习算法，构建智能控制的基本框架，降低对变形飞行器的模型依赖程度。进一步，设计面向策略梯度的自适应学习律，通过策略梯度更新控制律中的关键部分，结合数据堆栈的更新思想，减轻在线更新的数据压力，提升控制系统的更新速度。该方法是一种降低控制方法对模型的依赖程度的智能控制方法，且具有广阔的应用前景。
-
公开(公告)号：CN119620665A
公开(公告)日：2025-03-14
申请号：CN202510151826.6
申请日：2025-02-12
Applicant: 大连理工大学
IPC: G05B19/042
Abstract: 本发明属于高超声速飞行器控制技术领域，涉及一种耦合信息驱动的高超声速飞行器智能控制方法。首先，建立弹性高超声速飞行器纵向动力学模型。然后，构建基于采样分析的耦合数据库，通过模拟不同飞行包线数据，利用采样统计算法计算耦合度矩阵，形成耦合数据库，以量化变量间相互影响。进一步，进行耦合数据驱动的深度神经网络训练，采用长短时记忆网络，利用耦合数据库作为数据样本进行离线训练，以提升飞行器在强耦合环境下的自主精细控制能力。最后，设计在线控制器实现耦合信息智能补偿方案，将飞行器机动控制分为速度回路和姿态回路，设计相应的控制指令和神经网络更新律，以实现实时、智能的飞行控制。
-
Patent Agency Ranking
公开(公告)号：CN118915467B
公开(公告)日：2025-02-07
申请号：CN202411081139.3
申请日：2024-08-08
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于高超声速飞行器控制技术领域，涉及一种高超声速飞行器的数据驱动学习控制方法。本发明的目的是为了提供基于数据驱动的学习控制方法实现非最小相位高超声速飞行器稳定跟踪控制。该方法包括构建非最小相位高超声速飞行器的纵向动力学模型；通过对输出重定义实现系统的零动态重构；基于深度Koopman算子理论，使用预先收集的数据集训练径向基神经网络的权重，对输出重定义动态方程进行精确建模。设计基于数据驱动的输出重定义优化学习控制器，实现对参考指令的稳定跟踪。该方法是一种高超声速飞行器的数据驱动学习控制方法及系统，且具有广阔的应用前景。
-
公开(公告)号：CN118963386B
公开(公告)日：2025-02-11
申请号：CN202411433234.5
申请日：2024-10-15
Applicant: 大连理工大学
Abstract: 本发明属于航空航天飞行器控制领域，涉及一种面向高超声速飞行器集群的预设性能编队合围控制方法。本发明首先建立面向高超声速飞行器集群控制的动力学模型，然后设计神经网络观测器设计，用来估计不可测的飞行状态变量。然后分别设计纵向和前向控制系统，同时设计各自系统的辅助控制器，考虑了在实际高超声速飞行器集群环境中至关重要的关键性能指标，包括稳态精度、收敛时间。在新型弹性预设性能函数的支持下，所提出的方法在高超声速飞行器集群控制下显示出卓越的性能。同时利用辅助系统处理输入饱和以及敏感性脆弱问题。结合所设计的新型神经观测器，以实现同时处理状态不可测和外部干扰影响。
-
公开(公告)号：CN119047339B
公开(公告)日：2025-02-07
申请号：CN202411523205.8
申请日：2024-10-30
Applicant: 大连理工大学
IPC: G06F30/27 , G06N3/08 , G06F119/14
Abstract: 本发明涉及空间技术及振动控制领域，尤其是一种知识与数据双驱动的空间微重力隔振系统抑振控制方法。首先，构建空间微重力隔振系统动力学模型，并将其作为初始的知识驱动模块。然后，设计知识驱动的标称预设性能控制律；基于构建的隔振动力学模型，设计初步的抑振控制策略。其次，设计数据驱动的振动抑制策略与更新律。通过数据驱动模块，以及实时监测的振动数据，利用神经网络算法逼近当前环境中的不确定性和扰动情况。进一步，开展基于标称控制器的样本生成与网络训练，模拟不同扰动下的系统动力学行为。最后，基于知识与数据双驱动的在线训练与应用。本发明能够针对不同振动源进行自适应调整，提供高效、精准的振动隔离控制。
-
公开(公告)号：CN118707858B
公开(公告)日：2024-12-13
申请号：CN202411207224.X
申请日：2024-08-30
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于航空航天飞行器控制领域，涉及一种弱模型依赖的高超声速变形飞行器智能控制方法。本发明首先建立面向控制的高超声速变形飞行器动力学模型，用于智能控制的准备工作。之后，设计弱模型依赖的积分强化学习算法，构建智能控制的基本框架，降低对变形飞行器的模型依赖程度。进一步，设计面向策略梯度的自适应学习律，通过策略梯度更新控制律中的关键部分，结合数据堆栈的更新思想，减轻在线更新的数据压力，提升控制系统的更新速度。该方法是一种降低控制方法对模型的依赖程度的智能控制方法，且具有广阔的应用前景。
-
公开(公告)号：CN118963386A
公开(公告)日：2024-11-15
申请号：CN202411433234.5
申请日：2024-10-15
Applicant: 大连理工大学
Abstract: 本发明属于航空航天飞行器控制领域，涉及一种面向高超声速飞行器集群的预设性能编队合围控制方法。本发明首先建立面向高超声速飞行器集群控制的动力学模型，然后设计神经网络观测器设计，用来估计不可测的飞行状态变量。然后分别设计纵向和前向控制系统，同时设计各自系统的辅助控制器，考虑了在实际高超声速飞行器集群环境中至关重要的关键性能指标，包括稳态精度、收敛时间。在新型弹性预设性能函数的支持下，所提出的方法在高超声速飞行器集群控制下显示出卓越的性能。同时利用辅助系统处理输入饱和以及敏感性脆弱问题。结合所设计的新型神经观测器，以实现同时处理状态不可测和外部干扰影响。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.029 seconds)
