项目名称: 无尾飞翼布局飞行器的操纵面故障强化学习最优自适应补偿控制研究

项目编号: No.61473147

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 自动化技术、计算机技术

项目作者: 张绍杰

作者单位: 南京航空航天大学

项目金额: 83万元

中文摘要: 本项目在对无尾飞翼布局飞行器操纵面故障典型飞行特性分析的基础上,挖掘其蕴涵的科学问题,研究MIMO仿射非线性系统的执行器故障强化学习最优自适应补偿控制方法,改善容错控制系统的性能。首先,采用CATIA建模、CFD和AMS等分析方法研究无尾飞翼布局飞行器操纵面故障引起的空气动力不平衡和失速等飞行特性,总结主要容错控制问题。其次,针对具有执行器故障的MIMO仿射非线性系统,提出基于MMST的执行器分组方法和系统PPB动态性能分析方法。然后,将非线性系统的actor-critic结构强化学习自适应最优控制用于自适应补偿控制,提出了最优自适应补偿控制方案;针对存在执行器饱和的情况,基于扇形区域分析和双线性矩阵不等式方法设计抗饱和补偿器,实现系统的最优自适应补偿控制。最后,利用AMESim、Matlab和Visual C++等工具开发了无尾飞翼布局飞行器容错飞行控制仿真平台。

中文关键词: 无尾飞翼布局飞行器;非线性系统;最优自适应补偿控制;强化学习;执行器故障

英文摘要: Based on the scientific issues analyzing of typical fault tolerant flight control (FTFC) problems for tailess flying wing aircrafts with control surface failures, some control schemes which can improve the control performance of the fault tolerant control systems are proposed by reinforcement learning optimal adaptive compensation control method for multi-input multi-ouput (MIMO) affine nonlinear systems with actuator failures in this project. Firstly, the air dynamic imbalance and stall characteristics of tailess flying wing aircrafts with control surface failures are analysed by means of CATIA, CFD and AMS. Secondly, more effective actuator grouping way is proposed by means of multiple models switching and tuning (MMST) method, representation of the system dynamic performance is studied by prescribed performance bounds (PPB) analysis. Thirdly, a new control scheme named optimal adaptive compensation cntrol are proposed by using of actor-critic reinforcement learning adaptive optimal control and adaptive compensation control methods. Then, an optimal adatpive compensation control scheme is proposed for the system with actuator satuaration by anti-windup compensators. The anti-windup compensators of the controlled systems are designed with sector bound condition and bilinear matrix inequality analysis. Finally,the theoretical results are used to a tailess flying wing aircraft flight control system, and a fault tolerant flight control simulation platform is designed by AMESim, Visual C++ and Matlab.

英文关键词: tailess flying wing aircrafts;nonlinear systems;optimal adaptive compensation control;reinforcement learning;actuator failures

成为VIP会员查看完整内容
1

相关内容

【CVPR2022】基于渐进自蒸馏的鲁棒跨模态表示学习
专知会员服务
18+阅读 · 2022年4月13日
专知会员服务
27+阅读 · 2021年9月17日
专知会员服务
21+阅读 · 2021年6月26日
专知会员服务
133+阅读 · 2021年2月17日
专知会员服务
30+阅读 · 2020年12月21日
【ICML2020】用于强化学习的对比无监督表示嵌入
专知会员服务
27+阅读 · 2020年7月6日
元强化学习迎来一盆冷水:不比元Q学习好多少
AI科技评论
12+阅读 · 2020年2月27日
【工业智能】风机齿轮箱故障诊断 — 基于振动信号
设计和实现一款轻量级的爬虫框架
架构文摘
13+阅读 · 2018年1月17日
【无人机】无人机的自主与智能控制
产业智能官
48+阅读 · 2017年11月27日
李克强:智能车辆运动控制研究综述
厚势
21+阅读 · 2017年10月17日
强化学习族谱
CreateAMind
26+阅读 · 2017年8月2日
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月29日
Learning from Few Samples: A Survey
Arxiv
77+阅读 · 2020年7月30日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
小贴士
相关VIP内容
相关资讯
相关基金
国家自然科学基金
3+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员