“阿波罗”宇宙飞船的喷气控制系统

“阿波罗”宇宙飞船的三个舱体;指挥舱（CM）,服务舱（SM）和登月舱（LM）,每一舱体都具有自己的喷气控制系统（RCS）。每个喷气控制系统工作在自燃的双组元燃料,而燃料的供给是挤压式。 服务舱的喷气控制系统是用于在宇宙飞船与运载火箭——土星——V号分离后,在飞向月球的轨道上来控制飞船的姿态,以及在绕月球的等候轨道和返回地球轨道上来控制指挥舱和服务舱。登月舱的喷气控制系统是用于在绕地球的等候轨道上,来调整宇宙飞船与登月舱的连接形态,以及在下降到月面时和从月面起飞后与指挥服务舱交会对接时来控制登月舱。指挥舱的喷气控制系统是用于在再入大气层后,来控制指挥舱的姿态。登月舱和服务舱的喷气控制系统应能提供在三个轴方向上的位移,并同时在定向的控制状态中工作,而指挥舱的喷气控制系统仅用于定向的控制。     

大攻角下基于卡尔曼滤波的大气参数修正算法

针对新一代航空飞行器在大攻角飞行时大气数据系统测量精度严重下降问题,提出了基于卡尔曼滤波的大气参数修正算法。该算法利用大气数据测量信息和惯性导航信息,基于飞行器力学方程构建卡尔曼滤波器,通过卡尔曼滤波的方法实现对大气参数的修正。仿真结果表明,经卡尔曼滤波修正后的大气参数能够有效消除大攻角下原始大气参数的剧烈波动性误差,并与真实大气参数吻合较好,有效的提高了大气数据系统在大攻角飞行状态下的测量精度和可靠性。     

多层神经网络在跟踪式卡尔曼滤波器中的应用

本文将多层神经网络引入跟踪式卡尔曼滤波器,提高了估计的精确度。以前的跟踪式卡尔曼滤波器的估计精度与目标的运动状态有关,当目标的运动不能够用线性状态空间模型描述时,其估计精度将要下降。而多层网络的引入,改善了这一不足。多层神经网络经过训练以后,能够对卡尔曼滤波器的结果进行修正。仿真结果表明,多层神经网络的应用,使估计精度显著提高。     

登月舱的综合制导和控制系统的设计原理

一、序 言 登月舱的主要制导系统会有高性能的数字控制计算机,惯性测量组合和其它导航敏感元件,并能履行飞船稳定自动驾驶仪和控制系统的职能。过去,稳定和控制的功能通常是由含有角度和速率陀螺的模拟式系统来完成。最初的登月舱制导和控制系统具有在图1中所表示的结构形式。主要的制导系统和辅助制导系统,以及宇航员的所有数据都经过模拟式自动驾驶仪放大送到主发动帆的支架伺服系统和喷气控制系统中去（但仅在交换调头时,宇航员可通过模拟人自动驾驶仪直接操纵喷气控制系统的喷嘴来进行分离）。所提供的主要制导系统必须     

空间飞行器姿态控制系统设计中的状态估算

在空间飞行器的数字式姿态控制系统设计中被控对象的状态估算（在阿波罗飞船中称为状态判断组合）是一个不可缺少的环节,本文所介绍的极简化的估算方法,既能满足设计要求又不会给计算机增加很大工作量,最后以阿波罗登月舱数字稳定系统中的状态判断组合为例作了具体的演算。     

基于角速率输入的圆锥误差补偿算法

针对光纤陀螺姿态测量系统中利用角速率拟合角增量进行圆锥误差补偿精度下降的问题,在陀螺仪角速率输入下,采用参数解析法优化的三子样算法,直接利用陀螺的角速率输出进行圆锥误差补偿。同时考虑工程实际中滤波器的影响,推导滤波角速率输入下三子样误差补偿算法的具体表达形式。仿真分析表明：参数解析法优化的角速率输入圆锥误差补偿算法优于传统算法;而针对滤波器引入的不可忽略的算法误差,可通过修正圆锥算法系数进行补偿。     

推广的卡尔曼滤波应用于主被动混合定位

当飞行器被一个几何位置已知的雷达跟踪时,相对方位与仰角可用安装在飞行器上的角传感器来测量,相对高度数据可用无线电或激光高度表来获得。根据这些数据即可确定飞行器的位置。为提高定位精度,使用了扩展的卡尔曼滤波器,得到的位置参数被变换成射面坐标系。用计算机模拟的结果是良好的。     

反弹道式导弹最佳制导规律的确定

当弹道式再入飞行器的状态不确定时,防御弹道式再入飞行器的基本问题之一是制导拦截器问题。一般方法是先使用某种形式的卡尔曼滤波器估算再入飞行器的现时状态,然后预测它的作为时间函数的未来状态。如果知道再入飞行器的性能,就能够算出拦截器的发射时间和发射角,根据这些数据确定标称拦截点.一旦拦截器处于飞行中,由雷达测量结果,就     

舰船等速航行下基于FAKF的舰载机捷联惯导自对准技术

详细推导了舰船在等速航行下基于惯性系下重力加速度信息的舰载机捷联惯导系统的自主精对准状态空间模型,针对该状态下海况对舰船产生的大幅摇摆,使得自主精对准中滤波值的量测值产生较大的附加不确定干扰,可能导致卡尔曼滤波器发散、对准精度低的问题,根据量测方程中残差的均值和实际方差与理论方差的比值对量测方差阵的影响,设计了一种模糊自适应卡尔曼滤波器(Fuzzy Adaptive Kalman Filtering,简称FAKF)。在典型海况下的仿真结果表明,采用FAKF比常规卡尔曼滤波器能更好地抑制量测噪声干扰,且对准精度高,水平姿态误差角小于,0.01°方位姿态误差角估计误差小于0.1°。     

线性测量海上机动目标状态估值器

本文导出了在惯性坐标系内利用线性测量卡尔曼滤波器(LMKF)来估值海上机动目标的状态估值器。LMKF 可以用于非线性测量条件下的目标状态估值。同时,LMKF 的公式比延伸的卡尔曼滤波器(EKF)要容易推导得多。在飞机坐标系里用蒙特卡罗方法进行了大量的数学模拟。模拟结果表明,两种滤波器的估值误差相同,但是LMKF 只需要比较少的计算量。应用线性测量的方法,导出了在飞机地理水平面坐标系内的LMKF。该滤波器有较高的溶液精度和较少的计算量。     

基于水下地形匹配的捷联系统误差估计方法

潜器进入匹配区时捷联系统已积累了一定的误差,有效利用匹配信息对误差进行修正是保证后续航行精度的基础;通过建立水下地形匹配辅助导航系统误差模型,以地形匹配模块和深度压力传感器测量的位置信息和深度作为量测量,设计了卡尔曼滤波器。仿真研究证明:所设计的滤波器具有良好的估计精度;同时,通过设计潜器航行动作证明了相关误差量的估计效果与潜器运动激励有关,为匹配区内进行误差估计时潜器所采用的运动状态提供了参考。     

基于GPS相位差的炮弹滚转角测量方法

针对高速旋转炮弹滚转角的测量问题,在分析天线载波相位差与滚转角、滚转角速率关系的基础上,将GPS相位差作为量测输入,利用卡尔曼滤波器估计载体的滚转角和滚转角速率。仿真结果表明:该方法能很好地估计出载体的滚转角,具有一定的工程应用价值。     

机动宇宙飞船的协方差矩阵的快速估算

如果实现机动的时刻,推力向量值和方向对完成跟踪宇宙飞船的观察者是未知的,则对应用推力进行机动的宇宙飞船的轨道参量进行跟踪是一个复杂的问题。普通的递推滤波方框图[1-3]认为存在有关所加的速度脉冲值和时刻的预先信息,因此,它们在一般情况下对解决此问题是不能用的。对被动轨道运动的宇宙飞船跟踪时,估算误差的协方差矩阵和卡尔曼滤波器的传递系数趋向于零,而辅助测量对估算有较小的影响[l-4]。当被估算的轨道参量突然变化和卡尔曼滤波器的传递系数快速趋向零时,运动参量的估算开始很快发散,并与真实值相差很大。     

基于扩展多模型自适应估计的运载火箭伺服机构故障检测与诊断

针对运载火箭伺服机构故障,提出了一种基于扩展多模型自适应估计的故障检测与诊断算法。首先建立了考虑伺服机构故障的运载火箭姿态动力学模型,其次将故障角度作为状态变量得到增广状态空间模型,然后利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率,最后给出了基于扩展多模型自适应估计的故障检测与诊断算法流程。该方法的优点是只用一个扩展卡尔曼滤波器就可完成一个伺服机构的故障检测与诊断,从而大幅减小用于伺服机构故障检测与诊断的滤波器数量。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测,在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。     

动态加权的一致性多传感器数据融合算法

研究现有多传感器的加权融合算法,针对时变非线性系统状态估计的有效融合问题,提出了一种基于动态加权的一致性多传感器数据融合算法.对于多传感器量测,首先利用Unscented 卡尔曼滤波器得到局部状态估计值,然后基于层次分析法思想,构建反映局部状态估计结果相互支持程度的一致性矩阵,充分提取数据中蕴含的冗余和互补信息,最后通过对一致性矩阵的求解实现对权重的合理选择.经过蒙特卡罗仿真验证了该算法的有效性.     

自适应交互式多模型滤波在被动制导中的应用

首先给出了一种更加简单的关于BOM问题的变增益函数的推导,新的增益形式比原先的形式更具有数字稳定性.然后考虑当模型具有不确定性时的被动制导仿真.当模型具有参数不确定时,一般的单模型滤波器已经不能满足制导的性能要求.采用交互式多模型算法,与修正增益扩展卡尔曼滤波器结合,并使用能实时估计量测噪声的Sage-Husa估值器,设计出一种新型自适应交互式多模型修正增益扩展卡尔曼滤波,将其应用到被动制导中,仿真结果表明该方法的优越性和实用性.     

“阿波罗”指挥舱和指挥舱/登月舱飞行器推力矢量控制数字自动驾驶仪

“阿波罗”指挥舱和指挥舱/登月舱飞行器推力矢量控制用的数字自动驾驶仪是由麻省理工学院仪表试验室研制的,这个飞行器的俯仰和偏航是通过将火箭发动机安装在常平架上的办法来控制,而飞行器的横滚则通过点燃控制系统的喷气发动机来控制。 喷气发动机点火用的较简单的相平面开关逻辑线路可以控制飞行器的横滚。但是,对俯仰和偏航的控制,由于飞行器的弹性振动,燃料的晃动,推力不重合以及控制回路的交联影响等一系列问题,需要更精心的设计。 本文阐述了用于研制俯仰和偏航自动驾驶仪的设计途径和分析方法。这种设计具有很多重要的特点,如由宇宙航行员控制的高-低带宽工作状态,时变增益,多种取样速率,用可清除系数实现滤波的广义滤波器,推力不重合校正回路以及双增益控制回路。 本文还说明了这些自动驾驶仪的工作特点和实现方法,并分析了它们的稳定性和控制特性。     

神经网络辅助多目标跟踪数据融合

多目标跟踪(MTT)算法包括卡尔曼滤波和数据关联算法等,而数据关联算法又是最重要、最困难的方面.联合概率数据关联(JPDA)算法对单传感器多目标跟踪是一种良好的算法,但对于多传感器多目标跟踪的情况,特别是目标较为密集时,计算量剧增.提出了一种改进的方法,一方面将神经网络引入到卡尔曼滤波器中,提高滤波器的自适应能力,减小卡尔曼滤波器的估计误差从而改善多目标跟踪精度;另一方面用神经网络辅助JPDA提高正确关联概率,减小计算量.经仿真研究表明,该方法是行之有效的.     

用于跟踪机动目标的交互式加速度补偿算法

两级卡尔曼估计器研究针对在有随机偏差的情况下的状态估计,通过把目标加速度视为一偏差向量,用于对机动目标的跟踪。此时,目标加速度作为一个偏差,第一级估计器包含了一个常速机动模型,由其估计出目标位置和速度,而第二级估计器则估计目标加速度。当目标机动被检测出时,则该加速度估计用于修正第一级估计器中的估计。本文介绍的交互式加速度补偿算法(IAC)能克服对两级估计器明显机动检测的要求。此IAC算法被视为是一个具有两个加速度模型的两级估计器:零加速度的等速度模型和等加速度模型。交互式多模型算法(IMM)用于计算加速度估值,以补偿等速滤波器的估值。仿真结果表明,IAC算法的跟踪性能和IMM算法的性能相当,而计算量大约是IMM算法的50%。     

运载火箭伺服机构故障检测与诊断的扩展多模型自适应方法

针对运载火箭伺服机构故障,提出一种基于扩展多模型自适应估计的故障检测与诊断算法。建立考虑伺服机构故障的运载火箭姿态动力学模型;将故障角度作为状态变量得到增广状态空间模型;利用扩展卡尔曼滤波器进行状态向量和故障参数的非线性估计,并基于传感器测量数据采用假设检验算法在线计算故障发生的概率;给出基于扩展多模型自适应估计的故障检测与诊断算法流程。仿真结果表明,该方法在无故障时可对伺服机构进行健康监测;在单台伺服机构故障下,可以及时准确判断出哪一台芯级伺服机构发生故障,并可准确估计出伺服机构故障下的发动机摆角角度。