自行高炮跟踪线的两轴角位移补偿式稳定

介绍了解决自行高炮跟踪线稳定的方法和实现跟踪线稳定的基本原理,在剖析了以往自行高炮两轴角位移补偿式跟踪线稳定存在的问题后,提出一种新的两轴角位移补偿式稳定跟踪方案     

姿控发动机布局方式优化分析

在液体推进剂动力系统质量模型的基础上,针对采用双组元推进剂和挤压式输送系统的小推力空间飞行器姿控发动机,在控制总冲量和总冲量矩相同的情况下,对动力系统总质量最轻的姿控发动机最优布局方式进行了优化分析     

反作用轮低速特性观测补偿方法

反作用轮在现代高精度卫星姿态控制中占据着重要的地位。但由于反作用轮工作于低速状态,其转速过零时摩擦力矩的非线性特征将会对姿态控制精度产生较大的影响,并影响卫星运行寿命。基于Dahl摩擦模型建立了直流电机驱动的反作用轮系统数学模型,在此基础上设计了用于改善反作用轮低速性能的补偿观测器,并将其应用于三正交结构姿态控制系统。数字仿真说明此方法可以有效地抑制反作用轮低速摩擦产生的扰动,从而大幅度改善卫星姿态控制精度及其姿态稳定性。最后探讨了该观测器方法同变结构控制方法的综合应用前景。     

控制分配在平流层飞艇姿态控制中的应用*(专题约稿)

针对平流层飞艇一般采用多控制机构的特点,提出了将广义逆控制分配方法应用到飞艇姿态控制系统中,并根据飞艇控制机构特性采用了加权伪逆控制分配算法。飞艇姿态控制仿真结果表明：设计的控制分配方法可以有效实现多控制机构的协调操纵,姿态角控制效果良好,避免了单一操纵舵面过早进入饱和状态的情况;合理调整控制分配权值可减少能量损耗,实时性较好,便于工程实现。     

坦克分队快速机动协同控制系统构想

作为一体化联合作战体系中重要的陆基栅格节点,坦克分队的快速机动能力对于顺利完成机动突击任务具有重要影响,而坦克分队的机动协同控制则是实现分队快速机动的关键。首先提出一种坦克分队协同控制系统架构,然后对该架构的组成及关键技术进行了探讨和分析,期望有助于提升新型坦克分队的快速机动能力。     

多旋翼无人机AHRS系统矢量乘积误差PI跟踪算法

针对多旋翼无人机对低成本姿态航向参考系统的实际需求,设计并实现了一种姿态航向参考系统。该系统采用陀螺仪积分出的载体姿态和已知的地球重力矢量,解算出地球重力矢量在载体系下的投影和加速度计测量出的地球重力矢量的矢量乘积结果作为水平姿态角的误差表征数值,并采用比例积分跟踪算法进行误差跟踪反馈,实现了准确的水平姿态角跟踪测量。利用陀螺仪积分出的姿态和已知的地球磁场信息,解出地球磁场矢量在载体系下的投影与磁力计测量的地球磁场矢量乘积结果作为航向误差角的误差表征数值,并采用比例积分跟踪算法进行误差跟踪反馈实现了对航向角的跟踪。转台实验表明:该系统水平姿态角跟踪精度约为1°,与EKF算法相比,运算速度提升了80%且精度好于EKF算法。     

单框架控制力矩陀螺部分失效时的空间站姿态机动方法

对金字塔构型单框架控制力矩陀螺(SGCMG)的失效特性进行分析。结合SGCMG部分失效的特点,构建运用Legendre伪谱法的重规划姿态机动路径求解方法。考虑SGCMG失效情况的不可预测性,设计自适应操纵律,该操纵律可以根据指令力矩与输出力矩的偏差对SGCMG的失效情况进行诊断,从而调节操纵律的内部参数,实现失效情况操纵律的自适应调节。仿真结果表明,采用姿态机动路径重规划算法与自适应操纵律,在控制力矩陀螺部分失效的情况下,仍可以实现空间站的大角度姿态机动。姿态机动方法可以有效应对空间站大角度姿态机动过程中可能出现的SGCMG部分失效情况,从而提高空间站姿态机动任务的安全性与可靠性。     

基于稀疏A*算法的微小卫星飞行姿态静环境规划

提高微小卫星的低可观测特性能够有效提升微小卫星的使用效率和生存能力,因此,设计了一种以稀疏A*算法(SAS)为基础的微小卫星低可观测飞行姿态静环境规划算法。通过对微小卫星的俯仰角,方位角和横滚角等姿态角进行调整,从而可以有效降低微小卫星在威胁雷达方向上的RCS值,提高微小卫星的低可观测特性。通过对工作频率在S波段和VHF波段的威胁雷达对微小卫星的威胁性进行仿真,结果显示规划后微小卫星的低可观测性能明显改善,满足飞行姿态规划的需求。     

采用压缩感知的卫星高频姿态确定方法

高频振荡通常会超过星载陀螺和星敏的测量频率范围,导致卫星姿态确定精度下降。因此,提出一种基于常规姿态传感器进行高频姿态确定的方法。将高频姿态抖动看作一个稀疏信号,通过压缩感知的方法将该信号从低频采样结果中恢复。利用低带宽姿态传感器和卡尔曼滤波器测量得到低频姿态数据并进行融合,再通过压缩感知算法从融合数据中恢复出高频姿态数据。通过仿真实验验证了该方法的有〖BHDWG8,WK10YQ,DK1*2,WK1*2D〗〖XCWP.TIF;%129%129〗听语音 聊科研与作者互动 效性。     

Autonomous maneuver decision-making for a UCAV in short-range aerial combat based on an MS-DDQN algorithm

To solve the problem of realizing autonomous aerial combat decision-making for unmanned combat aerial vehicles (UCAVs) rapidly and accurately in an uncertain environment, this paper proposes a decision-making method based on an improved deep reinforcement learning (DRL) algorithm: the multi-step double deep Q-network (MS-DDQN) algorithm. First, a six-degree-of-freedom UCAV model based on an aircraft control system is established on a simulation platform, and the situation assessment functions of the UCAV and its target are established by considering their angles, altitudes, environments, missile attack performances, and UCAV performance. By controlling the flight path angle, roll angle, and flight velocity, 27 common basic actions are designed. On this basis, aiming to overcome the defects of traditional DRL in terms of training speed and convergence speed, the improved MS-DDQN method is introduced to incorporate the final return value into the previous steps. Finally, the pre-training learning model is used as the starting point for the second learning model to simulate the UCAV aerial combat decision-making process based on the basic training method, which helps to shorten the training time and improve the learning efficiency. The improved DRL algorithm significantly accelerates the training speed and estimates the target value more accurately during training, and it can be applied to aerial combat decision-making.