XiaoMi-AI文件搜索系统
World File Search System控制律
基于模型的新型轻型飞机设计
I.简介 制造新的或修改现有的飞行器是一个复杂且耗时的过程。工程师必须就飞行器配置和飞行控制设计做出决策，以确保满足系统级规范。对硬件的任何更改都非常昂贵且耗时。因此，在构建任何硬件之前尽可能地完成和验证设计非常重要。基于模型的设计使工程师能够在设计过程的早期阶段测试和验证他们的想法，此时对设计进行更改仍然相对容易且便宜。在本文中，我们使用一种新型轻型飞机设计的示例来介绍一种快速迭代飞行器几何配置和飞行控制设计的方法。本文介绍了稳定性和控制工程师在设计过程的早期阶段通常要经历的步骤。这些步骤包括：定义飞行器的几何形状、确定飞行器的空气动力学特性、创建模拟以验证性能以及设计飞行控制律。这些步骤中的每一个都可能是一项耗时的任务。在本文中，我们介绍了简化这些步骤并确保快速迭代设计的工具和技术。我们首先讨论一种基于飞行器几何形状确定飞行器空气动力学特性的方法。我们讨论美国空军数字数据汇编 (Datcom) 软件，并介绍 Digital Datcom 对我们特定飞行器配置的分析结果。然后，我们演示如何快速轻松地将从 Digital Datcom 获得的结果导入 MATLAB® 进行进一步分析。我们说明了对空气动力学稳定性和控制系数及导数的初步分析可以揭示有关飞行器性能和稳定性的信息。然后，我们将展示如何快速创建飞行器的模拟。我们将讨论运动方程的建模、作用于飞机的力和力矩的计算、传感器和执行器等飞行器部件的建模，以及大气、重力和风阵等环境影响的建模。我们将演示如何在模拟中使用 Digital Datcom 的空气动力学系数来快速计算作用于飞行器的空气动力和力矩。接下来，我们将讨论飞行控制设计技术。我们还展示了如何针对纵向飞行控制的具体示例有效地设计内环和外环控制器。以我们飞机的纵向控制设计为例，我们展示了如何轻松地线性化仿真模型，以及如何设计满足时域和频域规范的控制器。
用于在轨服务的具有柔性附件的旋转漂浮空间机器人的控制
由于很难获得柔性动力学，因此提出了对未知扰动具有鲁棒性的控制器 [6]。在机械手操纵过程中实现姿态控制仍然是一项具有挑战性的任务，因为除了外部扭矩/力之外，机械手运动和附加物振动也可能导致不良的底座旋转。已经研究了通过工作空间调整策略 [7] 或同时控制全局质心和航天器姿态 [8] 来有效使用推进器来补偿机械手运动。同样，当仅控制机械手时，已经开发了反应零空间控制以减少机械手和航天器底座之间的相互作用 [9]。由于振动部分是由于机械手运动引起的，因此基于机械手刚体动力学和附加物柔性动力学之间的耦合因素，已经提出了一种控制策略来抑制振动 [10] 或优化机械手轨迹以最大限度地减少底座扰动 [11]。此外，未来的任务预计会有更长的寿命。除了飞行空间机械手的高效推进剂消耗策略外，一个有意义的延长寿命的方法是使用带电气的动能矩交换装置，这种装置被称为旋转自由浮动航天器机械手[12]。利用动能矩交换装置的优点来控制机械手引起了人们对处理相对较大质量和惯性的操纵的兴趣，比如在捕获或部署场景中。通过运动学指标，在控制机械手的同时控制航天器姿态可以提高其可操纵性[13]。已经研究了结合反作用轮和控制力矩陀螺仪来在机械手运动期间保持卫星平台固定[14]。本文旨在开发在轨部署应用中在结构扰动下航天器底座和机械手的通用控制。在考虑不同机械手配置的系统动量分布时，开发通用控制的兴趣凸显出来 [13]。本文的贡献在于将柔性动力学与刚性动力学相结合，从而可以开发扩展状态观测器来改善控制性能，而不是刚性系统的未知扰动观测器 [6]。然后使用 NDI 对系统进行解耦和线性化，包括对振动扰动和航天器漂移的估计。此外，还针对实际的大尺寸系统开发了控制律和观测器的综合。
机器人捕获航天器的联合控制和导航方法
在轨服务（IOS）可以延长卫星的使用寿命，而实施主动碎片清除（ADR）以有效解决空间碎片问题的必要性已在航天界广为人知。在新一代传感器和控制系统的发展的推动下，实现此类任务的技术解决方案研究正在蓬勃发展。除了私营公司、航天机构和大学之外，欧洲航天局（ESA）几十年来一直在开发该领域的技术。多年来，人们提出了多种安全捕获轨道物体的解决方案，其中大多数依赖于机器人系统。一个有前途的选择是使用配备高度灵巧的机械臂的自主航天器（追逐者），该机械臂能够与驻留的空间物体对接。这一操作在接近阶段和接触后都带来了复杂的技术挑战。在这方面，设计一个有效、可靠、稳健的制导、导航和控制 (GNC) 系统对于确保安全执行任务起着关键作用，该系统可以实现多种算法架构和硬件配置。这项工作展示了由与 ESA 签订合同的大学联盟开展的研究活动的成果，该研究旨在开发 GNC 系统的导航和控制子系统，用于控制配备冗余机械手的追赶者。研究中考虑了捕获前的最终接近阶段和捕获后的目标稳定阶段。提出的解决方案旨在实施联合控制策略。采用稳健控制方法来设计控制律，以应对追赶者的不确定、非线性动力学以及捕获后完整的追赶者-目标堆栈。选择基于视觉的解决方案，即依靠主动/被动光电传感器，进行相对导航。用于相对和绝对导航的完整传感器套件是 GNC 系统的一部分，包括用于机器人关节测量的传感器。为了正确验证提出的解决方案，已经开发了一个完整的数值模拟器。该软件工具可以全面评估系统性能，考虑所有相关的外部干扰和误差源。真实的合成图像生成器也用于相对导航性能评估。本文介绍了设计解决方案和初步数值测试的结果，考虑了三种任务场景，以证明该解决方案的灵活性及其对各种操作情况的适用性。
反对控制的遗传算法优化...
1. 引言 在现代交通系统中，减阻对于减少能源消耗和污染物排放至关重要。正如 Cheng 等人 [3] 所述，交通运输部门占能源预算的 25%，却排放了全球 10% 以上的温室气体。表面摩擦是造成阻力的一个重要因素，对于商用飞机来说，其总阻力中高达 55% 是由表面摩擦引起的。在过去的几年中，人们提出了各种技术来通过实验和数值方法减少表面摩擦阻力（例如 [5]、[10] 和 [14]）。大多数减阻策略都侧重于壁面附近的相干结构，例如准流向涡旋 (QSV) 和速度条纹，这些结构与表面摩擦阻力密切相关。诸如喷出和扫掠等众所周知的事件都与 QSV 密切相关 [13]。最近的研究表明，可以使用相对简单的方案来控制近壁面湍流事件，从而减少表面摩擦。Choi 等人 [4] 对湍流通道流中的主动控制进行了直接数值模拟。他们发现，通过施加吹气和吸气来抵消壁面法向速度，可实现高达 25% 的壁面摩擦减少。此外，他们观察到当检测平面靠近壁面（y + ≈ 10 ）时，阻力会减小，而当检测平面距离壁面较远时，阻力会显著增加。Rebbeck 和 Choi [12] 对实时对抗控制进行了风洞实验。他们研究了当使用壁面法向射流对单个扫掠事件施加对抗控制时，边界层的近壁面湍流结构如何变化。他们的结果表明，扬声器执行器产生的壁面法向射流可以有效阻挡扫掠事件期间高速流体的向壁运动。这表明，对壁面湍流进行反向控制可以减少湍流边界层的表层摩擦阻力。最近，Yu 等人 [15] 开发了一种人工智能开环控制系统，用于操纵平板上的湍流边界层，以减少摩擦阻力。边界层的特征是基于动量厚度的雷诺数 Reθ ，等于 1450。该系统由合成射流、壁线传感器和用于无监督学习最优控制律的遗传算法组成。每个合成射流（从矩形流向狭缝中喷出）的速度、频率和驱动相位都可以独立控制。通过使用
用于对神经系统进行最优控制建模的计算机框架 Rückauer, BJ; Gerven, MAJ van 2023，文章 / 致编辑的信 (Frontiers i
我们提出了一个控制理论框架来研究嵌入在模拟环境中的生物驱动人工神经系统（Sussillo，2014）的稳定性和可控性。从高层的角度来看，这个框架模拟了脑-机-环境的相互作用。我们首先考虑建模一个神经系统在虚拟环境中执行行为任务的问题。用控制理论的语言来说，神经系统与环境过程形成一个闭环反馈控制器。在第二步中，我们模拟神经系统的退化（例如在传感器或执行器处）并添加一个二级控制器（假肢），目的是恢复行为功能。在此过程中，我们考虑了大脑模型中的不确定性、非线性、测量噪声以及可观察状态和可控神经元的有限可用性。神经系统，从单个神经元到大规模群体，都以复杂的动态为特征，建模和控制可能具有挑战性（Ritt and Ching，2015）。经典控制理论（Khalil，2002；Brunton 和 Kutz，2017；Astrom 和 Murray，2020）为设计控制律提供了强大的工具，并在神经技术领域得到广泛应用，例如机械臂或计算机光标的闭环脑机接口 (BMI) 控制（Shanechi 等人，2016）、癫痫发作缓解的模型预测控制（Chatterjee 等人，2020）以及大脑在认知状态之间转换的机制解释（Gu 等人，2015）。闭环控制的一个特别成功的应用是通过深部脑刺激治疗帕金森病。在那里，可以使用基于阈值、比例积分或自调节控制器将病理性 β 波段振荡活动抑制在所需的目标水平（Fleming 等人，2020a、b）。 Schiffi (2011) 建立了一种将控制理论与神经科学和生物医学联系起来的典型方法，其中时空皮质动态模型与卡尔曼滤波器相结合，以估计未观察的状态并跟踪未知或漂移的模型参数。神经形态社区中的团队最近通过实现生物学上合理的操作和学习状态估计和控制规则（Friedrich 等人，2021；Linares-Barranco 等人，2022）以及神经形态 BMI 电路（Donati 和 Indiveri，2023）为这项工作做出了贡献，这有望在低功耗运行时实现更好的生物相容性。在上述许多方法中反复出现的一些挑战是线性（可实现）或低维系统的假设、对底层动态的知识或所需目标状态的可用性（如帕金森病的 DBS）。本文针对这些局限性做出了两项主要贡献。首先，我们建议一致使用动力系统来模拟大脑、环境、和假肢。除了统一方法论之外，这种选择还可以灵活地对不同程度的真实模型进行实验。在这里，我们展示了循环神经网络 (RNN) 作为神经系统和假肢的简单、高度可扩展的构建块的使用。其次，我们逐步消除了线性、系统知识、完全可观测性和监督目标状态的假设，通过使用强化学习 (RL)（Sutton 和 Barto，2020 年）进行系统识别和合成假肢控制器。