删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

角度测量下双机协同standoff目标跟踪

本站小编 Free考研考试/2021-12-25

无人机(UAV)能够协同执行多种任务,如边界巡逻、敌方监视、编队护航、灾难救援等任务[1],而目标跟踪则是UAV执行任务的关键技术之一.在敌对目标跟踪中,无人机必须与敌对目标保持一定安全距离以降低暴露风险,并且尽可能地提高目标观测信息,即广泛研究的standoff跟踪问题.
在过去的研究中,协同standoff跟踪已经取得一定的成果.Lawrence[2]第一次提出将李雅普诺夫矢量场用于standoff跟踪,Frew等[3]对李雅普诺夫矢量场进行扩展,其提出速度控制和航向角控制双层控制结构,将协同standoff跟踪分成相对独立的距离控制和角间距控制.Summers等[4]通过信息结构进一步扩展李雅普诺夫矢量场,通过设计可变空速控制器来实现多车辆协同控制中期望角间距控制.Chen等[5]第一次结合切向矢量场和李雅普诺夫矢量场形成复合控制结构,用以弥补切向矢量场控制当UAV在standoff圆内切线不存在的问题.除李雅普诺夫矢量场控制以外,Oh等[6]提出了一种基于微分几何方法的standoff跟踪导引律设计方法,通过引入目标速度项来提高跟踪精度.Ma和Hovakimyan[7]通过添加附加项的方式,结合角间距形成平衡圆编队用以实现协同standoff跟踪.此外,Oh等[8]通过航路构造的方法实现协同standoff跟踪;王树磊等[9]对参考点制导(RPG)法进行改进,提高UAV的整体跟踪效果.针对仅有角度测量的UAV,Ponda等[10]针对不同测量方式,对于距离误差和角度误差给出详细分析.Lee等[11]提出多UAV仅考虑一步信息量的反馈导引律设计实现最大化目标估计信息.Kim等[12]运用非线性模型预测控制(NMPC)实现协同standoff跟踪,将standoff距离和期望角间距引入性能指标,获得很好的跟踪效果.
目前standoff跟踪问题研究主要集中在控制律设计,但对UAV不同空间位置关系对目标位置估计精度的影响少有考虑.或者,尽管分析了UAV几何构型与目标位置估计精度之间的关系,但如何实现UAV最优构型下的控制律设计却很少涉及.
针对standoff跟踪过程中如何实现UAV的最优观测问题,本文提出了一种新的导引律设计思路.首先建立UAV协同观测空间构型与目标位置估计误差之间的关系;然后通过优化空间构型进而实现目标状态的最优估计.
1 目标跟踪问题描述1.1 无人机动力学模型假设所有无人机都拥有飞行控制系统可以有效跟踪控制指令,仅考虑在二维水平平面上的控制律设计,对应无人机运动学模型如下:
式中:x=[x y ψ v ω]T为无人机状态,(x,y)为惯性坐标系位置,ψ为航向角,v为速度,ω为偏航角速率;(τvω)为时间常数表征执行机构时延;u=[uv uω]T为速度和偏航角速率控制输入.基于无人机运动学模型,考虑如下约束[13]:
式中:v0为无人机的名义速度;vmaxωmax分别为速度和偏航角速度的最大变化范围.
1.2 目标运动模型由于地面运动目标可以通过调整速度和方向进行任意机动,所以一般的匀速运动模型无法准确表示目标的运动状态.因此本文中采用加速度模型[14]来表示目标运动方程如下:
式中:x(k)=[xk $\dot x$k $\ddot x$kyk $\ddot y$k $\ddot y$k]T为目标状态,对应为目标的位置、速度、加速度信息;Fk为目标的状态转移矩阵;η为均值为0、方差为σa2的高斯白噪声用以表征加速度噪声.
式中:${q_1} = \left( {{e^{ - \alpha Ts}} + \alpha Ts - 1} \right)/{\alpha ^2};{q_2} = \left( {1 - {e^{ - \alpha Ts}}} \right)/\alpha ;{T_s}$为采样时间;α为目标运动模型相对因子,α小则对应目标缓慢运动,反之对应目标快变运动.
1.3 传感器测量模型假设UAV对目标跟踪测量采用定高飞行,传感器模型为方位角测量传感器,模型如下:
式中:(xi,yi)为第i架UAV的位置信息;(xT,yT)为目标的位置信息;νi为均值为0、方差为σi2的高斯白噪声作为测量噪声.假设不同UAV之间的测量噪声彼此不相关.
1.4 扩展信息滤波考虑式(5)的传感器观测模型为非线性模型,采用扩展信息滤波[15]对目标状态进行估计,扩展信息滤波包括预测过程和估计过程[16].
预测过程:
估计过程:
式中:${y_{k,k + 1}}$和${Y_{k,k - 1}}$分别为预测信息和预测信息矩阵;${y_{k - 1,k - 1}}$和${Y_{k - 1,k - 1}}$为$k-1$时刻的信息状态和信息状态矩阵;${Q_k}$为测量噪声协方差矩阵;${H_{i,k}}$为第$i$架UAV测量方程Jacobian矩阵;${R_{i,k}}$为测量协方差矩阵;${z_i}\left( k \right)$为角度测量信息;${\hat x_{k,k - 1}}$为预测目标状态;${h_i}\left( * \right)$为传感器测量方程.目标状态估计信息${\hat x_{k,k}}$作为非线性模型预测控制的状态输入信息用以最优化控制输出.
2 目标位置估计精度分析2.1 均方根误差模型
如图 1所示,两架UAV跟踪地面运动目标,通过方位角测量传感器可以实现目标定位.由于角度测量传感器存在噪声,因此目标定位中存在位置误差.两架UAV的角度测量信息如下:
式中:(θ1,θ2)为真实方位角;($\tilde \theta $1,$\tilde \theta $2)为测量方位角;(ν1,ν2)为测量噪声.
图 1 角度测量下的协同目标观测Fig. 1 Only bearing measurement cooperative target observation
图选项


设(x1,y1)和(x2,y2)分别为两架UAV真实位置,($\tilde x$T,$\tilde y$T)为含有误差的目标位置信息.由式(8)可以获得以下结果:
将式(9)表示为式(10)的函数形式,在(θ1,θ2)处进行泰勒展开并忽略二阶以上高阶项,可近似得到位置误差表达式:
由图 1可得UAV和目标的距离可表示为
结合式(11)和式(12)可得目标位置误差:
目标位置估计误差为
取均方根误差作为目标位置估计精度的参考准则[17],其定义如下:
式中:RMSExy为目标位置估计的均方根误差,其值越小,目标位置估计越准确,估计精度越高.设无人机角度测量噪声均值为0、方差为$\sigma _{\theta i}^2\left( {i = 1,2} \right)$.位置误差平方的期望值如下:
式中:$\left( {\sigma _{\theta 1}^2,\sigma _{\theta 2}^2} \right)$为UAV方位角测量方差.
将式(17)的结果代入式(16)中可得
可知目标位置估计均方根误差RMSExyri、$\sigma _{\theta i}^2$、β有关,即δpri、$\sigma _{\theta i}^2$、β直接相关.
2.2 standoff跟踪问题UAV协同跟踪过程中,ri总会有一定的距离约束Rmin,称为standoff距离(rd),即ri≥Rmin=rd.分析可知:当$\sigma _{\theta i}^2$一定时,ri=Rmin=rd,且β=θ2-θ1=90°时RMSExy最小,对应目标位置误差δp越小,目标定位越准确.依据式(18)可知standoff跟踪最优观测构型如下:
3 非线性模型预测控制基于第2节的分析,通过优化UAV的空间观测几何构型可实现对目标最优跟踪.文献[12]考虑standoff距离和UAV之间的角间距实现协同standoff跟踪.而本文则将目标位置估计均方根误差RMSExy作为目标跟踪评价指标,采用非线性模型预测控制实现对UAV几何观测位置构型优化:
式中:pNqr分别为第N步和第k步非线性模型预测性能指标函数相关系数;r1k和r2kk时刻UAV与目标之间的距离.
式(21)和式(23)反映了standoff跟踪过程中当前实际构型对应跟踪误差与最优期望构型对应跟踪误差之间的差值.
为避免复杂的角度计算,考虑做如下变换:
对应式(21)和式(23)可以变为
式中:r1kr2k为UAV当前位置指向目标位置向量(k=0,1,…,N,N为预测步长).从性能指标中可以看出,期望的UAV运动模式为在随机运动目标周围做协同standoff跟踪,即与目标距离尽可能保持r≥Rmin=rd,并尽可能接近Rmin,两架UAV的观测夹角保持90°,即使目标位置估计均方差误差RMSExy尽可能小,实现最优目标位置估计.
考虑UAV动力学模型,有如下等式约束:
考虑控制输入限幅,机间防撞,安全距离限制Rmin,在非线性模型预测中以不等式约束代入:

式中:${S_v}\left( {{u_k}} \right)$为第k步非线性模型预测速度控制量不等式约束函数;${S_\omega }\left( {{u_k}} \right)$为第k步非线性模型预测角速度控制量不等式约束函数;${S_c}\left( {{u_k}} \right)$(xk)为第k步非线性模型预测机间防撞不等式约束函数;${S_r}\left( {{u_k}} \right)$为第k步非线性模型预测当前UAV与目标距离不等式约束函数;rc为机间防撞距离;|rre|为两机之间距离;|rk|为当前UAV与目标之间的距离.相应改进的性能指标如下:
式中:μv、μω、μcμr为非线性模型预测的不等于约束函数相关系数.
在式(31)的性能指标中对应有
由性能指标式(31),定义Hamiltonian函数:
对改进性能指标Ja求偏导数,可得到
由于等式约束的存在,所以λk可以任意选择.故可以选择:
将式(34)代入式(33)中,dJa可以表示为
(35)
式(34)中的λ的计算公式为
在式(36)、式(37)中对应项的计算公式为
式中:(xp,yp)为相对于本机另外一架UAV k时刻对应的位置信息.
采用基本的梯度理论最小化Hamiltonian函数Hk,每个迭代周期的控制命令更新如下:
式中:Δk为可变步长,k=0,1,…,N-1.
式(41)对应的计算项有如下表示公式:
式中:sgn为符号函数,对应的非线性模型预测控制运行步骤如下所示[18, 19, 20]:
WhileΔJ>ε do
利用扩展信息滤波获得的目标估计状态作为原始状态输入,结合UAV运动方程式(1)计算控制输入序列(u0,u1,…,uN-1)作用下无人机的状态传播{xk},k=0,1,…,N.
基于拉格朗日乘子的计算公式(36)和式(37)后向计算出{λk},k=N,N-1…,1.
基于每个{xk,uk,λk+1}集,计算Hamiltonian函数对于控制输入偏导数$\left\{ {\frac{{\partial {H_k}}}{{\partial {u_k}}}} \right\}$,k=0,1,…,N-1.
计算性能指标改进程度ΔJ=Jiter-Jiter-1.
If ΔJ<0
利用梯度方法更新控制序列{uk}.
Else减少Δk来确保性能指标改善.
End If
迭代次数iter+1;
End While
在每一个UAV结点上分别运行非线性模型预测控制算法,实现控制性能在线优化,比较集中式优化结构,分布式控制有效降低了计算量,提高了算法的实时性.假设无人机彼此通信没有延迟且不存在丢包现象,每一个控制周期内,每一架UAV都可以获得所有飞机的状态信息,用以优化性能指标并更新控制序列.每次优化出的控制命令作为当前的周期的控制输入,而下一周期的控制序列输入设定如下:
4 仿真结果与分析采用两架UAV跟踪一个地面随机运动目标,采用非线性模型预测控制优化控制输入序列.目标初始状态及估计值为
目标运动存在均值为0、均方差为0.02 m/s2的加速度噪声.两架UAV分别从(-1 500 m,0 m)、(0 m,-1 500 m)出发,对目标进行协同standoff跟踪,两架UAV的方位角测量噪声为均值为0、均方差分别为1.0°和0.7°的角度测量噪声.在仿真过程中两架UAV可以获取彼此相应的状态信息,用于非线性模型预测优化相应控制输出.具体的仿真结果参如图 2~图 6所示,具体仿真参数设置如表 1所示.
图 2 两架UAV与随机运动目标的绝对航迹Fig. 2 Absolute trajectories of two UAVs and random moving target
图选项



图 3 UAV与随机运动目标相对距离和相对角间距Fig. 3 Relative distances and angle spacing between UAV and random moving target
图选项



图 4 UAV与目标的瞬时相对轨迹和几何关系Fig. 4 Relative trajectories between UAV and target and their instantaneous geometric relationships
图选项



图 5 运动目标位置估计Fig. 5 Position estimation of moving target
图选项



图 6 目标位置估计的均方根误差Fig. 6 Root mean square error of target position estimation
图选项



表 1 仿真参数设置Table 1 Simulation parameters settings
参数数值
TS/s0.5
N4
仿真时长/s2 500
rd/m500
α/(m·s-2)0.3
vmax/(m·s-1)10
ωmax/(rad·s-1)0.15
τvω/s0.33
v0/(m·s-1)40
Δk0.2
rc/m40
误差限ε0.8
优化参数μvwcr1.0×10-3

表选项


UAV与目标之间绝对和相对运动轨迹分别如图 2~图 4所示,可以看出:两架UAV实现了对随机运动目标的协同standoff跟踪,两架UAV与目标相对距离都收敛于standoff距离(rd=500 m).两架UAV实际角间距都收敛到期望角间距90°.双机为实现稳定协同standoff跟踪需动态调整与目标之间的距离和相对角间距.由于动态调整,在过渡阶段可能会出现较大波动,但很快会收敛到最优观测构型(即r1=r2=rd,β=θ2-θ1=90°),从而形成稳定双机协同standoff跟踪.稳定协同standoff跟踪过程中两架UAV与目标相对距离和角间距都在期望值附近小幅波动,分析其原因主要是由于目标随机运动的不确定性所造成.
从图 5可以看出,图 5(a)为目标实际运动曲线与利用扩展信息滤波得到的位置估计曲线图,图 5(b)和图 5(c)中的虚线代表 3倍Cramer Rao误差限,实线为xy方向的估计误差.可以看出:随着两架UAV逐渐趋近期望构型,位置误差也逐渐减小,并且95%以上都处于3倍Cramer Rao曲线范围内,此时具有很好的位置估计效果[21].利用扩展信息滤波可以较好地估计出目标的位置信息,并作为非线性模型预测的初始状态输入,提高两架UAV协同standoff跟踪性能.
图 6为目标位置估计的均方根误差图,可以看出随着两架UAV在standoff跟踪中达到期望的构型,对应的目标位置估计的均方根误差逐渐减小并趋于平稳.
仿真结果表明:两架UAV的观测构型收敛于期望的最优构型,即UAV与目标的距离收敛于standoff跟踪距离rd,两架UAV的角间距收敛于90°,此时目标位置估计误差也达到最小.证明了所建立的目标位置估计误差与UAV几何观测构型之间关系模型的正确性,以及分布式非线性模型预测控制方法的有效性.
为考察本文所提出算法的实时性和有效性,利用MATLAB优化工具箱求解本文提出的问题,并与本文提出的方法进行对比,结果如表 2所示.本文提出的方法虽然牺牲了一定的控制精度(平均跟踪距离误差、平均跟踪角间距误差),但有效提高了算法执行速度,具有较好的实时性.
表 2 算法性能对照Table 2 Performance comparisons of algorithm
方法平均跟踪距离误差/m平均跟踪角间距误差/(°)运行时间/s
本文方法16.1073.80339.87
fmincon优化函数12.2582.0171 371.2

表选项


协同standoff跟踪能实现对目标传感器全覆盖,在最优观测构型下最小化跟踪误差.而相应的rdv0vmaxωmax等参数设置与UAV自身机动能力和传感器性能有关,并且与跟踪任务需求相关.显然UAV自身能力越强,standoff跟踪效果越好,形成稳定最优观测构型所需时间越短,反之亦然.
5 结 论主要针对仅有角度测量的UAV随机运动目标协同standoff跟踪问题进行研究.结论如下:
1) UAV仅有角度测量时,最大化目标位置估计精度对应的UAV最优观测空间构型为:保持设定的standoff距离同时保持90°的观测视线角间距.
2) 分布式非线性模型预测控制算法能够实现UAV之间的综合最优控制,在满足各种约束和控制性能的前提下有效提高对随机运动目标的协同standoff跟踪性能.
多机协同目标跟踪的最优空间构型分析以及无人机的协同最优控制问题是今后需要研究的问题.
参考文献
[1] Yang K, Kang Y, Sukkarieh S.Adaptive nonlinear model predictive path-following control for a fixed-wing unmanned aerial vehicle[J].International Journal of Control, Automation and Systems, 2013, 11(1):65-74.
Click to display the text
[2] Lawrence D A.Lyapunov vector fields for UAV flock coordination[C]//2nd AIAA Unmanned Unlimited Conference, Workshop, and Exhibit.Reston:AIAA, 2003.
Click to display the text
[3] Frew E W, Lawrence D A, Morris S.Coordinated standoff tracking of moving targets using Lyapunov guidance vector fields[J].Journal of Guidance, Control, and Dynamics, 2008, 31(2):290-306.
Click to display the text
[4] Summers T H, Akella M R, Mears M J.Coordinated standoff tracking of moving targets:Control laws and information architectures[J].Journal of Guidance, Control, and Dynamics, 2009, 32(1):56-69.
Click to display the text
[5] Chen H, Chang K, Agate C S.UAV path planning with tangent-plus-Lyapunov vector field guidance and obstacle avoidance[J].IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(2):840-856.
Click to display the text
[6] Oh H, Kim S, Shin H S, et al.Rendezvous and standoff target tracking guidance using differential geometry[J].Journal of Intelligent & Robotic Systems, 2013, 69(1-4):389-405.
Click to display the text
[7] Ma L, Hovakimyan N.Cooperative target tracking in balanced circular formation:Multiple UAVs tracking a ground vehicle[C]//American Control Conference (ACC).Piscataway, NJ:IEEE Press, 2013:5386-5391.
Click to display the text
[8] Oh H, Turchi D, Kim S, et al.Coordinated standoff tracking using path shaping for multiple UAV[J].IEEE Transactions on Aerospace and Electronic Systems, 2014, 50(1):348-363.
Click to display the text
[9] 王树磊,魏瑞轩,郭庆,等.面向协同standoff跟踪问题的无人机制导律[J].航空学报, 2014, 35(6):1684-1693.
Wang S L, Wei R X, Guo Q, et al.UAV guidance law for coordinated standoff target tracking[J].Acta Aeronautica et Astronautica Sinica, 2014, 35(6):1684-1693(in Chinese).
Cited By in Cnki (1)
[10] Ponda S S, Kolacinski R M, Frazzoli E.Trajectory optimization for target localization using small unmanned aerial vehicles[C]//AIAA Guidance, Navigation, and Control Conference.Reston:AIAA, 2009:10-13.
Click to display the text
[11] Lee W, Bang H, Leeghim H.A cooperative guidance law for target estimation by multiple unmanned aerial vehicles[J].Proceedings of the Institution of Mechanical Engineers, Part G:Journal of Aerospace Engineering, 2011, 225(12):1322-1335.
Click to display the text
[12] Kim S, Oh H, Tsourdos A.Nonlinear model predictive coordinated standoff tracking of a moving ground vehicle[J].Journal of Guidance, Control, and Dynamics, 2013, 36(2):557-566.
Click to display the text
[13] Zhu S, Wang D.Adversarial ground target tracking using UAV with input constraints[J].Journal of Intelligent & Robotic Systems, 2012, 65(1-4):521-532.
Click to display the text
[14] Mehrotra K, Mahapatra P R.A jerk model for tracking highly maneuvering targets[J].IEEE Transactions on Aerospace and Electronic Systems, 1997, 33(4):1094-1105.
Click to display the text
[15] 葛泉波,李文斌,孙若愚,等.基于EKF的集中式融合估计研究[J].自动化学报, 2013, 39(6):816-825.
Ge Q B, Li W B, Sun R Y, et al.Centralized fusion algorithms based on EKF for multisensor non-linear systems[J].Acta Automatica Sinica, 2013, 39(6):816-825(in Chinese).
Cited By in Cnki (15)
[16] Gasparri A, Pascucci F.An interlaced extended information filter for self-localization in sensor networks[J].IEEE Transactions on Mobile Computing, 2010, 9(10):1491-1504.
Click to display the text
[17] Purvis K B, Astrom K J, Khammash M.Estimation and optimal configurations for localization using cooperative UAV[J].IEEE Transactions on Control Systems Technology, 2008, 16(5):947-958.
Click to display the text
[18] Sutton G J, Bitmead R R.Performance and computational implementation of nonlinear model predictive control on a submarine[M]//Nonlinear Model Predictive Control.Berlin:Springer, 2000:461-472.
Click to display the text
[19] Shin J, Kim H J.Nonlinear model predictive formation flight[J].IEEE Transactions on Systems, Man and Cybernetics, Part A:Systems and Humans, 2009, 39(5):1116-1125.
Click to display the text
[20] Shin H S, Thak M J, Kim H J.Nonlinear model predictive control for multiple UAV formation using passive sensing[J].International Journal of Aeronautical and Space Science, 2011, 12(1):16-23.
Click to display the text
[21] Raol J R.Multi-sensor data fusion with MATLAB?[M].London:CRC Press, 2009:157-159.


相关话题/控制 信息 测量 运动 观测

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于模糊神经网络的MIMO系统自适应解耦控制
    多输入多输出(MultipleInputMultipleOuput,MIMO)非线性系统的控制问题在实际应用中非常普遍,比如飞行器控制、机器人控制以及复杂过程控制等,其主要难点在于输入与输出不是一一对应的关系,多个输入和多个输出之间存在着相互耦合的影响.传统的分通道控制方法不考虑这种相互耦合作用,强 ...
    本站小编 Free考研考试 2021-12-25
  • 电磁兼容测量天线系数温度误差修正方法
    为确保试验结果的准确性和可比对性,目前电磁兼容性(ElectromagneticCompatibility,EMC)试验大都在温湿度条件可控的微波暗室中进行.但大型设备系统级电磁兼容性试验[1]、现场快速干扰诊断排查、电磁环境监测等一般在外场进行,外场环境温度无法像内场(如屏蔽室)那样做到可控,如果 ...
    本站小编 Free考研考试 2021-12-25
  • 基于可编程控制网关的一体化网络体系结构
    随着Internet、移动通信和卫星通信技术的高速发展,涌现出了大量不同类型的通信网络,其中典型的网络有互联网、地面无线通信网络以及各种专用网络.其中互联网和地面无线通信网络以IP(InternetProtocol)技术为基础逐步走向融合.而非IP技术的专用网络,如战术数据链网络、基于国际空间数据系 ...
    本站小编 Free考研考试 2021-12-25
  • 漂浮基转台线性化状态反馈指向与跟踪控制
    两轴转台是卫星平台上光学端机等高精度载荷指向控制的关键支撑部件,如空间光通信端机、中继卫星、天线指向等,其末端指向有很高的精度和稳定性要求.在指向过程中,两自由度(DegreeofFreedom,DOF)转台与卫星平台进行角动量交换,使卫星姿态运动发生改变[1,2,3,4].由于指向机构以卫星平台为 ...
    本站小编 Free考研考试 2021-12-25
  • 基于模糊滑模控制的CAV再入标准轨迹制导
    标准轨迹制导发展较早,近阶段已经出现了多种制导方法,部分已在航天飞机上成功应用,但标准轨迹制导对状态初值过于敏感,且对不确定因素的影响调节能力有限,反馈增益系数的确定方法复杂,鲁棒性较差等问题一直有待改善.近些年,标准轨迹制导的研究取得了较大进展,Mease提出了阻力加速剖面的制导方法对其进行了改进 ...
    本站小编 Free考研考试 2021-12-25
  • MHD控制微电离等离子体射流
    工业等离子体主要是利用电弧加热和激波加热等技术产生局部热平衡状态等离子体,或者通过辉光放电和电晕放电等技术产生非平衡态等离子体;燃烧等离子体方案主要通过添加电离种子的方式强化燃气电离[1].低温气体只有在高能电极放电和电子束照射时才会出现微弱电离,这需要大量的外部能量输入,但只能获得很小的电离度和电 ...
    本站小编 Free考研考试 2021-12-25
  • 基于涡系相交不稳定性的飞机尾流控制方法
    飞机因其升力面的上下压力差形成翼尖涡并发展成为尾流,其特征为大尺度、高能量漩涡,强度与飞机起飞重量成正比.由于尾流能量集中,自然消散所需时间较长(平静大气条件下约为2~3min以上),当飞机误入前面飞机的尾流区时,轻者会出现机身抖动、下沉或上仰、瞬间飞行姿态改变,重则导致发动机停车,甚至机身翻转等现 ...
    本站小编 Free考研考试 2021-12-25
  • 无轴承异步电机无径向位置传感器控制
    异步电机因具有结构简单、成本低、气隙均匀等优点得到了广泛应用[1,2,3],但是其所使用的机械轴承不可避免地存在润滑、磨损等问题,这将导致电机气隙不均匀、绕组发热、温升增加,从而带来一系列的影响,比如工作效率下降、使用寿命缩减等[4].“无轴承电机”的出现改变了传统电机转子的支撑方式,开创了电机应用 ...
    本站小编 Free考研考试 2021-12-25
  • 多舱段载人航天器氧分压控制仿真分析
    载人航天器密封舱氧分压控制系统的作用是在密封舱内制造出与地面环境类似的氧分压范围,是支持乘员在轨驻留的最重要子系统之一.文献[1,2,3]对目前常见的载人航天器的氧分压控制系统设计进行了介绍,范剑峰和黄祖蔚[4]描述了载人飞船的氧分压控制系统设计,Antonacci等[5]介绍了自动转移飞行器(Au ...
    本站小编 Free考研考试 2021-12-25
  • 发动机-变量泵-变量马达驱动系统分层控制
    液压驱动系统布置灵活、功率密度大、能够实现大范围的无极调速,且由于其刚度大,应用于特种车辆(如装载机等特种车辆)传动系统可获得更高的行驶稳定性及安全性,相关技术于近20年来得到了飞速发展[1,2].但目前对于工程机械液压传动控制的研究,仍多停留于只对液压泵排量进行控制、不对马达排量进行控制(或进行两 ...
    本站小编 Free考研考试 2021-12-25