-
公开(公告)号：CN118732511B
公开(公告)日：2024-11-22
申请号：CN202411230031.6
申请日：2024-09-04
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于智能控制技术领域，提出一种基于元学习的空间飞行器自适应预设性能控制方法。该方法充分考虑了系统的输入饱和问题，设计了一种灵活的预设性能控制器，使系统在满足预设性能指标的同时，有效应对输入饱和的限制。针对标称控制器，采用元学习方法对动力学模型进行离线训练，通过多种仿真情景逼近实际系统的动力学特性，提升模型的精度和泛化能力。根据离线模型，在不同仿真情景下优化控制参数，得到标称控制器的一组最优参数，增强控制系统对各种复杂环境的适应能力，实现更高效、更鲁棒的控制性能。
-
公开(公告)号：CN118732589B
公开(公告)日：2024-11-15
申请号：CN202411223841.9
申请日：2024-09-03
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，涉及一种知识与数据混合驱动高超声速变形飞行器智能控制方法。首先，建立基于知识的飞行动力学模型，并实现面向控制的模型转化。然后，设计基于神经网络补偿的基准控制律，为离线数据的训练和在线智能控制提供基本的控制架构。再利用离线部分的训练考虑不同变形模态、不同模型不确定性、多源扰动影响下的离线数据在基准控制框架下，作为数据样本开展训练。最后设计基于元学习的在线控制器设计方案，在充分利用离线训练的数据知识基础上，分别设计基于元学习的控制参数在线整定、基于先验知识的未知干扰补偿、以及基于元学习智能控制的在线应用。本发明能够解决高超声速变形飞行器在复杂干扰下的控制难题。
-
公开(公告)号：CN118915813A
公开(公告)日：2024-11-08
申请号：CN202411404578.3
申请日：2024-10-10
Applicant: 大连理工大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开一种面向多指标定制化的航空飞行器保性能控制方法，属于航空飞行器下滑控制领域。本发明面向控制器设计构建航空飞行器动力学模型与人为设计的飞行器参考模型作差获得跟踪误差动力学模型，而后通过设计预设性能控制中有限时间约束的性能函数以实现对航空飞行器下滑过程中状态量的约束，并借助动态逆控制进行控制器设计。借助在线气动参数辨识为控制器提供飞行器提供实时气动参数，同时引入自抗扰控制思想中的扩张状态观测器对系统总扰动进行观测补偿。本发明以多性能指标要求为出发点进行航空飞行器下滑控制器设计，并且综合考虑飞行器面临的复杂环境干扰等问题，有效提高航空飞行器下滑过程中的控制精度和鲁棒性，具有长远的应用前景。
-
公开(公告)号：CN118732511A
公开(公告)日：2024-10-01
申请号：CN202411230031.6
申请日：2024-09-04
Applicant: 大连理工大学
IPC: G05B13/04
Abstract: 本发明属于智能控制技术领域，提出一种基于元学习的空间飞行器自适应预设性能控制方法。该方法充分考虑了系统的输入饱和问题，设计了一种灵活的预设性能控制器，使系统在满足预设性能指标的同时，有效应对输入饱和的限制。针对标称控制器，采用元学习方法对动力学模型进行离线训练，通过多种仿真情景逼近实际系统的动力学特性，提升模型的精度和泛化能力。根据离线模型，在不同仿真情景下优化控制参数，得到标称控制器的一组最优参数，增强控制系统对各种复杂环境的适应能力，实现更高效、更鲁棒的控制性能。
-
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。
-
Patent Agency Ranking
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：CN119620665B
公开(公告)日：2025-05-16
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。
-
公开(公告)号：CN118965828B
公开(公告)日：2025-02-11
申请号：CN202411441473.5
申请日：2024-10-16
Applicant: 大连理工大学
Abstract: 本发明属于航空航天飞行器控制领域，涉及一种基于分层架构的高超声速变构型飞行器智能控制设计方法。本发明首先建立高超声速变构型飞行器动力学模型，用于智能控制的准备工作。之后，设计基于LSTM的智能决策算法，构建智能控制的基本框架，能够考虑到高超声速变构型飞行器模型的不确定性以及非线性，通过设计一种智能决策层，根据总体飞行任务、当前飞行状态、约束条件、优化指标来实时决策制导控制回路的指令。进一步，设计HMV智能控制算法，降低变构型引起的模型不确定性以及非线性对于高超飞行控制的影响，同时解决变构型引起的姿态动力学及质心动力学的耦合问题。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.031 seconds)
