CN108681240B - 基于未知输入观测器的无人机分布式编队的故障诊断方法 - Google Patents
基于未知输入观测器的无人机分布式编队的故障诊断方法 Download PDFInfo
- Publication number
- CN108681240B CN108681240B CN201810206806.4A CN201810206806A CN108681240B CN 108681240 B CN108681240 B CN 108681240B CN 201810206806 A CN201810206806 A CN 201810206806A CN 108681240 B CN108681240 B CN 108681240B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- formation
- aerial vehicle
- fault
- distributed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000002411 adverse Effects 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 10
- 230000003416 augmentation Effects 0.000 claims abstract description 8
- 230000003190 augmentative effect Effects 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 5
- 238000005755 formation reaction Methods 0.000 claims description 70
- 239000011159 matrix material Substances 0.000 claims description 11
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 239000011717 all-trans-retinol Substances 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法。根据分布式控制***的层次概念,分别研究了单无人机和多无人机编队的控制器设计,保证小型无人机分布式编队的飞行稳定性。当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障。本发明通过将传统的未知输入观测器和增广***相结合,很好地实现了小型无人机分布式编队的故障检测、分离和估计。根据已知的小型无人机模型参数,可以建立数值模拟来进行执行器的故障诊断。本发明用于小型无人机分布式编队故障诊断。
Description
技术领域
本发明涉及一种基于未知输入观测器干扰解耦的小型无人机编队故障诊断方法,属于编队***技术领域。
背景技术
近几十年来,无人机技术已经发展的相对成熟,在军事和民用领域得到广泛应用。而无人机编队飞行技术作为其中一个核心概念,越来越得到人们的关注。因此,在实际应用中,来自外界的攻击或破坏和***内部执行器的故障都有可能严重影响***的性能。为了防止或降低外界干扰对***造成的影响,使整个无人机编队能有效安全的运作,有效的故障诊断方法是必不可少的。在分布式***中,集中式的故障诊断方法会受到各个无人机之间的信息传递的约束,运用分布式故障诊断方法能克服集中式方法的缺点。
传统的无人机编队大致可以分为领导者跟随者、基于行为的方式、分布式虚拟结构等。本发明采用的编队方式是在传统的领航跟随编队模式基础上,以基本的两机编队为单元,按照层级的概念把大规模的飞机编队分割成若干个两机编队。通过分布式控制实现对大规模机群的编队控制。它与传统的领航模式相比,减轻领航无人机控制器对大量数据不断处理、传递的负担,提高计算效率。同时,当领航无人机出现故障时,整个编队机群不会因为失去目标,处于混乱状态。因为这种编队方式的好处是,编队机群中每个无人机的传感器***和控制***都是一样的。这样的结果是无人机的轨迹跟踪控制器可以在期望轨迹(整个编队机群的飞行轨迹)和前向轨迹(处于之前位置的无人机的飞行轨迹)之间互相切换,对于突发情况的适应性比较好,通过设计控制算法可以在线更换主机、调整队形。如果飞行过程中其中一架无人机发生故障,机群中相对位置靠近的无人机可以继续执行飞行任务。
在分布式无人机编队***中,由于集中式的故障诊断方法会受到单一的计算节点有限的计算能力和通信带宽的约束,及***复杂的结构、传输信号的时间延迟,***各环节之间耦合关系错综复杂等问题,分布式***的故障诊断问题是有挑战性的。为解决的这一问题,采用方法能克服集中式方法的缺点。本文在基于未知输入观测器的基础上提出了一种分布式故障诊断方法。这种诊断方法不仅对未知输入呈现鲁棒性,而且只需要利用子***所获得的信息,大大提高了检测的效率。
发明内容
发明目的:针对上述现有技术,提出一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法,当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障。
技术方案:一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法,其特征在于:根据分布式控制***的层次概念,分别研究了单无人机和多无人机编队的控制器设计,保证小型无人机分布式编队的飞行稳定性。当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障,包括如下具体步骤:
步骤1)采取分布式控制策略:按照层级的概念把大规模的无人机编队分割成若干个两机编队,每个单元编队之间又是紧密联系的,最终实现多机的编队;考虑双机编队过程中的运动学模型,根据参考坐标系中标出了长机和僚机的瞬时位置和速度向量列出方程:
步骤2)对非线性小型无人机飞行控制***进行线性化,得到每个小型无人机飞行控制***的状态方程和输出方程建立具有执行器故障的***模型,将第i个智能体***模型表示为:
其中,状态变量为mi=[vi αi qi θi Hi βi φi pi ri ψi]T∈R10,它们分别为向前速度、迎角、俯仰角速度、俯仰角、高度、侧滑角、滚转角、滚转角速度、偏航角速度、偏航角,底层的单机输入变量是δi=[δie δiT δia δir]∈R4,分别表示升降舵、油门、副翼和襟翼。γi(t)是过程和执行器故障,代表干扰和噪声。Mij(mj)为第i个无人机与第j个无人机互相传递的信息。
步骤3)通过实现纵向与横航向的解耦建模之后,根据纵向和横向各个变量之间关系不同,分别设计了纵向控制器和横侧向控制器。
步骤3.1)纵向控制高度和速度。高度保持控制***的控制律表达形式为:
速度误差信号包括两部分,一部分是期望速度与实际速度输出的差值,另一部分是速度微分信号。其控制律的表达形式为:
其中,ΔV=Vg-V。
横向由偏航控制。飞机滚转产生侧力,使飞机发生偏航其控制律表达形式为:
其中,Δφ=φg-φ-kpp,Δ(ψ-β)=ψg-ψ-kψψ-(βg-β-kββ)。
注:下表为g均为已知的期望变量的值。
步骤4)通过步骤2)和步骤3),在编队控制器稳定的基础上,考虑了存在干扰和执行器故障的小型无人机编队的编队模型和单机模型。将飞机飞行控制***状态向量和故障向量扩充为一个增广向量之后,将第i个单机***模型表示为:
步骤5)当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。在故障诊断中,针对存在未知输入的情况,设计相应的观测器为:
其中,K是需要设计的。
由定理1:假设存在对称矩阵P,使得如下的矩阵R和Q正定,矩阵R:
R=-(NTP+PN)>0
其中,R为对称阵。
矩阵Q,
则可以证明观测器误差渐近收敛于零。
步骤6)根据得到一组基于未知输入观测器的小型无人机编队故障诊断观测器增益矩阵,可以重写故障估计算法为:
有益效果:一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法,根据分布式控制***的层次概念,分别研究了单无人机和多无人机编队的控制器设计,保证小型无人机分布式编队的飞行稳定性。当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障。具有如下具体优点:
①该方法基于未知输入观测器,充分考虑了分布式无人机编队***中***的耦合关系,对干扰的彻底解耦,消除了外界干扰对故障诊断过程的不利影响;
②该方法选择了分布式的编队方法,只需根据小型无人机自身的长机和僚机的信息来进行控制编队的稳定性和故障诊断,相比于其他的编队方法,减轻领航无人机控制器对大量数据不断处理、传递的负担,提高计算效率;
③本发明将未知输入观测器和增广***想结合,可以实现故障检测,隔离和估计的全过程,从而使故障诊断算法既具有较强的鲁棒性,又相对简洁明了。
本发明所提出的分布式编队***的故障诊断方法作为一种干扰解耦、故障检测、隔离和估计的改进方法,具有一定的应用意义,易于实现,实时性好,能够有效提高控制***安全性且可操作性强,可广泛应用于小型无人机编队的故障诊断的研究分析中。
附图说明
图1是本发明的方法的分布式控制小型无人机编队飞行控制***无向图;
图2~图6是无人机1~5的状态误差曲线图;
图7是无人机1存在执行器故障的状态误差曲线;
图8是执行器故障的真实值与误差值;
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明提出一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法,当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障。
步骤1)采取分布式控制策略:按照层级的概念把大规模的无人机编队分割成若干个两机编队,每个单元编队之间又是紧密联系的,最终实现多机的编队;考虑双机编队过程中的运动学模型,根据参考坐标系中标出了长机和僚机的瞬时位置和速度向量列出方程:
步骤2)对非线性小型无人机飞行控制***进行线性化,得到每个小型无人机飞行控制***的状态方程和输出方程建立具有执行器故障的***模型,将第i个智能体***模型表示为:
其中,状态变量为mi=[vi αi qi θi Hi βi φi pi ri ψi]T∈R10,它们分别为向前速度、迎角、俯仰角速度、俯仰角、高度、侧滑角、滚转角、滚转角速度、偏航角速度、偏航角,底层的单机输入变量是δi=[δie δiT δia δir]∈R4,分别表示升降舵、油门、副翼和襟翼。γi(t)是过程和执行器故障,代表干扰和噪声。Mij(mj)为第i个无人机与第j个无人机互相传递的信息。
步骤3)通过实现纵向与横航向的解耦建模之后,根据纵向和横向各个变量之间关系不同,分别设计了纵向控制器和横侧向控制器。
步骤3.1)纵向控制高度和速度。高度保持控制***的控制律表达形式为:
速度误差信号包括两部分,一部分是期望速度与实际速度输出的差值,另一部分是速度微分信号。其控制律的表达形式为:
其中,ΔV=Vg-V。
横向由偏航控制。飞机滚转产生侧力,使飞机发生偏航.其控制律表达形式为:
其中,Δφ=φg-φ-kpp,Δ(ψ-β)=ψg-ψ-kψψ-(βg-β-kββ)。
注:下表为g均为已知的期望变量的值。
步骤4)通过步骤2)和步骤3),在编队控制器稳定的基础上,考虑了存在干扰和执行器故障的小型无人机编队的编队模型和单机模型。将飞机飞行控制***状态向量和故障向量扩充为一个增广向量之后,将第i个单机***模型表示为:
单架无人机模型的变量矩阵如下:
步骤5)当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响。在故障诊断中,针对存在未知输入的情况,设计相应的观测器为:
1.设计未知观测器
那么可得
根据Y=P-1Y1,K=P-1K1,和
3.验证矩阵P是否使得矩阵R,Q满足要求。
因为R,Q都为正定矩阵,所以P是有效的。
步骤6)根据得到一组基于未知输入观测器的小型无人机编队故障诊断观测器增益矩阵,可以重写故障估计算法为:
无人机编队***的初始值:
m1(0)=[0.1 0.1 -0.15]T,m2(0)=[0.2 0 -0.1]T,m3(0)=[0.2 0.1 -0.2]T,
m4(0)=[0.15 0.15 -0.3]T,m5(0)=[0.1 0 -0.02]T。
未知输入观测器的初始值:
z1(0)=[0.3 0.3 -0.3]T,z2(0)=[0.3 0.3 -0.3]T,z3(0)=[0.3 0.3 -0.3]T,z4(0)=[0.3 0.3 -0.3]T,z5(0)=[0.3 0.3 -0.3]T。
对于无故障的无人机编队***,速度、高度和角速度的误差曲线如图2、3、4、5、6,误差最终稳定于0。
当时间t=20s,在仿真实验中加入执行器故障,无人机1的状态误差并没有趋近于0,仿真结果表明,带有故障的无人机1如图7。因为无人机编队采用的是双向传输的分布式控制策略,当单个执行器发生故障时,故障的无人机观测器可以很好的对故障进行诊断。
本发明不仅对执行器故障进行故障检测与分离,还对故障进行估计,执行器故障估计曲线如图8所示。
Claims (1)
1.对一类基于未知输入观测器的小型无人机分布式编队故障诊断的实现方法,其特征在于:根据分布式控制***的层次概念,分别研究了单无人机和多无人机编队的控制器设计,保证小型无人机分布式编队的飞行稳定性;当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响;然后,提出了将状态向量和故障向量扩充为一个增广向量的方法来估计故障,包括如下具体步骤:
步骤1)采取分布式控制策略:按照层级的概念把大规模的无人机编队分割成若干个两机编队,每个单元编队之间又是紧密联系的,最终实现多机的编队;考虑双机编队过程中的运动学模型,根据参考坐标系中标出了长机和僚机的瞬时位置和速度向量列出方程:
步骤2)对非线性小型无人机飞行控制***进行线性化,得到每个小型无人机飞行控制***的状态方程和输出方程建立具有执行器故障的***模型,将第i个智能体***模型表示为:
其中,状态变量为mi=[vi αi qi θi Hi βi φi pi ri ψi]T∈R10,它们分别为向前速度、迎角、俯仰角速度、俯仰角、高度、侧滑角、滚转角、滚转角速度、偏航角速度、偏航角,底层的单机输入变量是δi=[δie δiT δia δir]∈R4,分别表示升降舵、油门、副翼和襟翼,γi(t)是过程和执行器故障,代表干扰和噪声,Mij(mj)为第i个无人机与第j个无人机互相传递的信息;
步骤3)通过实现纵向与横航向的解耦建模之后,根据纵向和横向各个变量之间关系不同,分别设计了纵向控制器和横侧向控制器;
步骤3.1)纵向控制高度和速度;高度保持控制***的控制律表达形式为:
速度误差信号包括两部分,一部分是期望速度与实际速度输出的差值,另一部分是速度微分信号,其控制律的表达形式为:
其中,ΔV=Vg-V;
横向由偏航控制,飞机滚转产生侧力,使飞机发生偏航,其控制律表达形式为:
其中,Δφ=φg-φ-kpp,Δ(ψ-β)=ψg-ψ-kψψ-(βg-β-kββ);
下标g均为已知的期望变量的值;
步骤4)通过步骤2)和步骤3),在编队控制器稳定的基础上,考虑了存在干扰和执行器故障的小型无人机编队的编队模型和单机模型;将飞机飞行控制***状态向量和故障向量扩充为一个增广向量之后,将第i个单机***模型表示为:
步骤5)当单个无人机执行器故障发生时,提出了一种有效的未知输入观测器分布式***故障检测方法,对干扰的彻底解耦,彻底消除了外界干扰对故障诊断过程的不利影响,在故障诊断中,针对存在未知输入的情况,设计相应的观测器为:
其中,K是需要设计的;
由定理1:假设存在对称矩阵P,使得如下的矩阵R和Q正定,矩阵R:
R=-(NTP+PN)>0
其中,R为对称阵;
矩阵Q,
则可以证明观测器误差渐近收敛于零;
步骤6)根据得到一组基于未知输入观测器的小型无人机编队故障诊断观测器增益矩阵,可以重写故障估计算法为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810206806.4A CN108681240B (zh) | 2018-03-09 | 2018-03-09 | 基于未知输入观测器的无人机分布式编队的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810206806.4A CN108681240B (zh) | 2018-03-09 | 2018-03-09 | 基于未知输入观测器的无人机分布式编队的故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108681240A CN108681240A (zh) | 2018-10-19 |
CN108681240B true CN108681240B (zh) | 2021-04-02 |
Family
ID=63800161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810206806.4A Expired - Fee Related CN108681240B (zh) | 2018-03-09 | 2018-03-09 | 基于未知输入观测器的无人机分布式编队的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681240B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491381B (zh) * | 2018-11-06 | 2020-10-27 | 中国科学技术大学 | 基于观测器的多移动机器人自适应编队跟踪控制方法 |
CN110058519B (zh) * | 2019-04-02 | 2020-07-07 | 南京航空航天大学 | 一种基于快速自适应技术的主动编队容错控制方法 |
CN110209148B (zh) * | 2019-06-18 | 2021-05-14 | 江南大学 | 一种基于描述***观测器的网络化***的故障估计方法 |
CN110262524B (zh) * | 2019-08-02 | 2022-04-01 | 大连海事大学 | 一种无人艇集群最优聚集控制器的设计方法 |
CN111472468B (zh) * | 2020-04-17 | 2021-10-12 | 南通大学 | 基于分布式故障诊断与协同容错的高层建筑减震控制方法 |
CN111806728B (zh) * | 2020-06-04 | 2021-10-29 | 南京邮电大学 | 具有执行器饱和的航天器多智能体姿态同步容错控制方法 |
CN112214036B (zh) * | 2020-10-14 | 2024-04-12 | 吉林化工学院 | 一种实用型主从机编队飞行控制方法 |
CN113176788B (zh) * | 2021-04-27 | 2022-08-16 | 北京理工大学 | 一种基于变前向距离los制导律的飞行器路径跟踪方法 |
CN113721478A (zh) * | 2021-08-02 | 2021-11-30 | 中国人民解放军军事科学院国防科技创新研究院 | 一种集群无人***推演及故障诊断方法、*** |
CN116126031B (zh) * | 2023-04-17 | 2023-06-30 | 西北工业大学 | 一种故障机的隔离方法、***及应用 |
CN116224807B (zh) * | 2023-05-08 | 2023-07-21 | 西北工业大学 | 一种基于分布式观测器的无人机编队故障检测方法 |
CN116893692B (zh) * | 2023-09-07 | 2023-12-08 | 北京航空航天大学 | 一种领导者丢失的无人机编队鲁棒控制***及控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011094592A1 (en) * | 2010-01-29 | 2011-08-04 | Tokyo Electron Limited | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
WO2014055352A1 (en) * | 2012-10-03 | 2014-04-10 | Shell Oil Company | Optimizing performance of a drilling assembly |
CN105204499A (zh) * | 2015-10-09 | 2015-12-30 | 南京航空航天大学 | 基于未知输入观测器的直升机协同编队故障诊断方法 |
CN106126543A (zh) * | 2016-06-15 | 2016-11-16 | 清华大学 | 一种关系型数据库到MongoDB的模型转换和数据迁移方法 |
CN106444701A (zh) * | 2016-09-14 | 2017-02-22 | 南京航空航天大学 | 领导‑跟随型多智能体***的有限时间鲁棒故障诊断设计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11198524B2 (en) * | 2015-03-02 | 2021-12-14 | Technion Research & Development Foundation Limited | Terrestrially observable displays from space |
-
2018
- 2018-03-09 CN CN201810206806.4A patent/CN108681240B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011094592A1 (en) * | 2010-01-29 | 2011-08-04 | Tokyo Electron Limited | Method and system for self-learning and self-improving a semiconductor manufacturing tool |
WO2014055352A1 (en) * | 2012-10-03 | 2014-04-10 | Shell Oil Company | Optimizing performance of a drilling assembly |
CN105204499A (zh) * | 2015-10-09 | 2015-12-30 | 南京航空航天大学 | 基于未知输入观测器的直升机协同编队故障诊断方法 |
CN106126543A (zh) * | 2016-06-15 | 2016-11-16 | 清华大学 | 一种关系型数据库到MongoDB的模型转换和数据迁移方法 |
CN106444701A (zh) * | 2016-09-14 | 2017-02-22 | 南京航空航天大学 | 领导‑跟随型多智能体***的有限时间鲁棒故障诊断设计方法 |
Non-Patent Citations (2)
Title |
---|
Sliding mode robust adaptive fault-tolerant control design for uncertain time-delay systems;Dong, Yan等;《IEEE Chinese Guidance, Navigation and Control Conference (CGNCC)》;20160814;第2143-2147页 * |
基于滑模观测器的无人机编队故障诊断;施俊鹏等;《物联网学报》;20170930;第1卷(第2期);第68-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108681240A (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681240B (zh) | 基于未知输入观测器的无人机分布式编队的故障诊断方法 | |
Yu et al. | Nussbaum-based finite-time fractional-order backstepping fault-tolerant flight control of fixed-wing UAV against input saturation with hardware-in-the-loop validation | |
Yu et al. | Composite adaptive disturbance observer-based decentralized fractional-order fault-tolerant control of networked UAVs | |
CN107608367B (zh) | 多变量干扰补偿四旋翼无人机轨迹与姿态协同控制方法 | |
CN104238357A (zh) | 一种近空间飞行器的容错滑模控制方法 | |
CN108647442B (zh) | 一种基于辅助输出的六旋翼无人机故障估计方法 | |
CN110703795A (zh) | 一种基于切换拓扑的无人机群协同安全控制方法 | |
CN110727198B (zh) | 一种导弹多驱动状态执行机构故障的容错控制方法 | |
CN109884902B (zh) | 一种基于区间观测器无人机编队***故障检测方法 | |
CN111781942B (zh) | 一种基于自构造模糊神经网络的容错飞行控制方法 | |
CN113342033B (zh) | 基于固定时间技术的固定翼无人机姿态同步容错控制方法 | |
CN113741188B (zh) | 执行器故障下固定翼无人机反步自适应容错控制方法 | |
CN115903908B (zh) | 一种基于快速终端滑模的蜂群无人机容错协同控制方法 | |
CN110058600A (zh) | 三旋翼无人机舵机堵塞故障下位姿***的容错控制方法 | |
CN107957682A (zh) | 一种四旋翼无人机***的增强型快速幂次趋近律滑模控制方法 | |
CN110262448A (zh) | 具有状态限制的高超声速飞行器升降舵故障容错控制方法 | |
Li et al. | Predefined-time formation control of the quadrotor-UAV cluster’position system | |
CN114035589A (zh) | 基于抗攻击策略的集群无人艇容错协同控制方法 | |
CN111435253A (zh) | 四旋翼飞行器有界输出控制 | |
CN111596688B (zh) | 基于连续通信的多无人机编队一致性控制方法 | |
CN116107339B (zh) | 一种推力损失故障下的蜂群无人机容错协同控制方法 | |
CN116382332A (zh) | 一种基于ude的战斗机大机动鲁棒飞行控制方法 | |
CN112327626B (zh) | 基于数据分析的飞行器通道耦合协调控制方法 | |
CN116736692A (zh) | 一种具有延迟状态约束的四旋翼无人机滑模容错控制方法 | |
Li et al. | Fault-tolerant aircraft control based on self-constructing fuzzy neural network for quadcopter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 |
|
CF01 | Termination of patent right due to non-payment of annual fee |