CN112182773A - 一种基于线性调频z变换的飞行器舵机故障在线辨识方法 - Google Patents

一种基于线性调频z变换的飞行器舵机故障在线辨识方法 Download PDF

Info

Publication number
CN112182773A
CN112182773A CN202011106405.5A CN202011106405A CN112182773A CN 112182773 A CN112182773 A CN 112182773A CN 202011106405 A CN202011106405 A CN 202011106405A CN 112182773 A CN112182773 A CN 112182773A
Authority
CN
China
Prior art keywords
parameter
identified
equal
value
estimation value
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.)
Pending
Application number
CN202011106405.5A
Other languages
English (en)
Inventor
钟鸿豪
白文艳
黄万伟
郑总准
翟雯静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aerospace Automatic Control Research Institute
Original Assignee
Beijing Aerospace Automatic Control Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Aerospace Automatic Control Research Institute filed Critical Beijing Aerospace Automatic Control Research Institute
Priority to CN202011106405.5A priority Critical patent/CN112182773A/zh
Publication of CN112182773A publication Critical patent/CN112182773A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请公开了一种基于线性调频Z变换的飞行器舵机故障在线辨识方法，包括：针对飞行器纵向短周期运动的状态空间模型，选择一个关心频带；计算出所述关心频带中每个频率点的线性调频Z变换；计算前一个时刻的待辨识参数估计值，并且迭代得到待辨识参数的方差估计值；判断所述待辨识参数的方差估计值是否小于等于设定阈值；当方差估计值小于等于设定阈值时，认为舵机***未发生故障，进行待辨识参数更新，得到辨识结果；当方差估计值大于设定阈值时，则认为k时刻舵机***发生了故障，重启辨识。本申请能够有效减小测量噪声的影响，避免数值微分误差，而且能够较快地敏感参数变化，实现飞行器故障的在线辨识，对一般的飞行器具有较强的普适性。

Description

一种基于线性调频Z变换的飞行器舵机故障在线辨识方法
技术领域
本发明属于飞行器控制技术领域，具体涉及一种基于线性调频Z变换的飞行器舵机故障在线辨识方法。
背景技术
对于以空气舵作为执行机构的飞行器而言，空气舵的有效与否是影响飞行成败的关键因素。在飞行器飞行过程中，为保证控制指令的有效性，需根据实时飞行数据分析估计空气舵控制能力，从而制定相应的策略保证后续任务飞行安全。飞行器飞行过程中，空气舵一旦出现故障，就会导致飞行器的控制能力受损。但对于动力***，往往无法通过硬件冗余的方式提高其可靠性，当动力***、控制机构故障发生未预期的情况后，当前控制***缺乏自适应能力与自主性，不能对异常情况进行自主处理。
目前，传统时域的辨识方法，在测量噪声较小的情况下，能够得到较好的辨识结果，但是当测量噪声较大时，由于数值微分对测量噪声的放大作用，辨识效果会很差。而频域的递推辨识方法的噪声抑制能力强、计算量小、内存需求固定，在处理信号的微分时也非常简便。但其需要一定数据量的累积以减小频谱泄露，实时性较差，以往的频域辨识方法都假定参数在辨识过程中固定不变，对于参数时变的情形适应性相对较差。
针对现有技术中辨识结果受噪声影响适应性差的难题，尚无有效方法解决。
发明内容
为解决现有技术中的不足，针对飞行器***舵机故障辨识问题，本申请提出了一种基于线性调频Z变换的飞行器舵机故障在线辨识方法。本申请需要预设一个较大的滑动时间窗，在参数变化不大的情况下，使用缺省的时间窗，可以利用较大的数据量，提高辨识算法的去噪能力和稳定性。本发明给出的基于线性调频Z变换的飞行器舵机故障在线辨识方法，不但能够有效减小测量噪声的影响，而且能够较快地敏感参数变化，增强了频域辨识方法对于飞行器故障情形的适应性，可以实现飞行器故障的在线辨识，对一般的飞行器具有较强的普适性。
一种基于线性调频Z变换的飞行器舵机故障在线辨识方法，步骤如下：
针对飞行器纵向短周期运动的状态空间模型，选择一个关心频带；
在基于滑动时间窗的递推线性调频Z变换的基础上，对于每个时刻，计算出所述关心频带中每个频率点的线性调频Z变换；
基于线性调频Z变换结果，计算前一个时刻的待辨识参数估计值，并且迭代得到待辨识参数的方差估计值。
判断所述待辨识参数的方差估计值是否小于等于设定阈值；
当k时刻的所述待辨识参数的方差估计值，小于等于设定阈值时，利用递推线性调频Z变换结果，进行待辨识参数更新，得到待辨识参数的辨识结果；若待辨识参数的方差估计值大于设定阈值时，则认为k时刻舵机***发生了故障，为了提高线性调频Z变换的辨识精度，需要重启辨识。由于此时待辨识参数的准确值未知，参数辨识结果保持为上一拍的数值，并在下一个时刻，即k＝k+1时，重启参数辨识。对于待辨识参数的方差估计值小于等于设定阈值时，认为舵机***未发生故障，使用辨识结果替代待辨识参数。
所述关心频带为[f0,f1)，在所述关心频带内选择等间隔分布的M个频率点，即fi＝f0+iΔf,其中i＝0,1,...,M-1，i表示第i个频率信号，Δf表示相邻两个频率点的频率间隔。
所述迭代得到待辨识参数(即空气舵舵效)以及其方差估计值，步骤如下：
步骤S101：输入在线辨识信息作为序列；
步骤S102：判断累加时间序列长度length是否小于等于预设定长度阈值L，即进行线性调频Z变换的数据拍数是否小于等于预设定长度阈值L；
步骤S103：若为是，则对于时间窗内的每一拍的数据进行累加，求解每一个频率点的线性调频Z变换值，并且计算休眠时间，使得length＝length+1，转到步骤S105；
步骤S104：若为否，则此时累加时间序列长度length为L+1，需要去除最先加入时间窗的那一拍数据，加入最新一拍的数据，保证进行线性调频Z变换的数据拍数等于预设定长度阈值L，转到步骤S109；
步骤S105：判断此时刻是否小于休眠时间；
步骤S106：若是小于休眠时间，则令当前时刻的方差估计值等于初始方差估计值
Figure BDA0002727069320000031
另待辨识参数的辨识结果等于参数估计初值
Figure BDA0002727069320000032
转到步骤S102；
步骤S107：若是不小于休眠时间，则判断此时刻是否等于休眠时间；
步骤S108：若等于休眠时间，则令当前时刻的方差估计值等于初始方差估计值
Figure BDA0002727069320000033
并计算待辨识参数的辨识结果
Figure BDA0002727069320000034
其中(·)H表示共轭转置，转到步骤S102；
步骤S109：若不等于休眠时间，则计算待辨识参数的方差估计值；
步骤S110：判断所述方差估计值是否大于方差阈值；
步骤S111：若所述方差估计值大于方差阈值，则重启线性调频Z变换，并令前一时刻待辨识参数的辨识结果赋值给当前时刻，转到步骤S102；
步骤S112：若所述方差估计值小于等于方差阈值，则计算并输出当前时刻待辨识参数的辨识结果。
所述休眠时间ts0，使得待辨识参数的参数值在[iΔt,iΔt+ts0)时间内，不发生变化，沿用前一刻的参数估计值，并且***不再判断方差变化，保证***不会在休眠时间内再次重启。
所述在线辨识信息包括：姿态角速度、攻角、空气舵舵偏。
所述待辨识参数为空气舵舵效。
所述时间窗为随着时间变化的窗口，窗口内数据从1增加到L，并保持L个数据不变。
本申请所达到的有益效果：
本申请采用基于线性调频Z变换的频域方法计算空气舵的气动参数，能够有效减小测量噪声的影响，避免数值微分误差，而且能够较快地敏感参数变化，实现飞行器故障的在线辨识，对一般的飞行器具有较强的普适性。
附图说明
图1为本申请实施例的一种基于线性调频Z变换的飞行器舵机故障在线辨识方法流程图；
图2为本申请实施例的迭代得到待辨识参数以及其方差估计值的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
一种基于线性调频Z变换的飞行器舵机故障在线辨识方法，如图1所示，步骤如下：
步骤S1：针对飞行器纵向短周期运动的状态空间模型，选择一个关心频带；本实施例选择一个离噪声较远的关心频带，进一步减弱噪声的影响，从而获得更好的辨识效果。
步骤S2：在基于滑动时间窗的递推线性调频Z变换的基础上，对于每个时刻tk＝kΔt，其中Δt表示采样时间，k表示时间拍数，计算出所述关心频带中每个频率点的线性调频Z变换；
Figure BDA0002727069320000041
其中，ωz1表示飞行器绕器体Z1轴的角速度，α表示飞行器的攻角，
Figure BDA0002727069320000042
表示飞行器空气舵的俯仰舵偏。
步骤S3：基于线性调频Z变换结果，计算前一个时刻(k-1)Δt的待辨识参数估计值
Figure BDA0002727069320000043
并且迭代得到待辨识参数的方差估计值。
所述方差估计值公式如下：
Figure BDA0002727069320000044
其中λ为方差遗忘因子，初值
Figure BDA0002727069320000045
可以根据经验设置，而e2(k)通过下面的式子计算：
Figure BDA0002727069320000046
其中，(·)H表示共轭转置，
步骤S4：判断所述待辨识参数的方差估计值是否小于等于设定阈值
步骤S5：当k时刻的所述待辨识参数的方差估计值，小于等于上个时刻的方差估计值Kt倍，即
Figure BDA0002727069320000047
时，则认为舵机***未发生故障，利用线性调频Z变换结果，进行待辨识参数更新，得到待辨识参数的辨识结果：
由于
Figure BDA0002727069320000048
则
Figure BDA0002727069320000051
步骤S6：若待辨识参数的方差估计值大于设定阈值时，则认为k时刻舵机***发生了故障，为了提高线性调频Z变换的辨识精度，需要重启辨识。由于此时待辨识参数的准确值未知，参数辨识结果保持为上一拍的数值，并在下一个时刻，即k＝k+1时，重启参数辨识。
所述关心频带为[f0,f1)，在所述关心频带内选择等间隔分布的M个频率点，即fi＝f0+iΔf,其中i＝0,1,...,M-1，表示第i个频率信号，Δf表示相邻两个频率点的频率间隔。
所述空气舵气动参数包括：俯仰通道姿态角速度、攻角、俯仰舵偏。
所述迭代得到待辨识参数以及其方差估计值，如图2所示，步骤如下：
步骤S101：输入在线辨识信息作为序列；
步骤S102：判断累加时间序列长度length是否小于等于预设定长度阈值L，即进行线性调频Z变换的数据拍数是否小于等于预设定长度阈值L；
步骤S103：若为是，则累加求解每一个频率点的线性调频Z变换值，并且计算休眠时间，使得length＝length+1，转到步骤S105；
步骤S104：若为否，此时累加时间序列长度length为L+1，需要去除最先加入时间窗的那一拍数据，加入最新一拍的数据，保证进行线性调频Z变换的数据拍数等于预设定长度阈值L，转到步骤S109；
步骤S105：判断此时刻是否小于休眠时间；
步骤S106：若是小于休眠时间，则另当前时刻的方差估计值等于初始方差估计值
Figure BDA0002727069320000052
另待辨识参数的辨识结果等于参数估计初值
Figure BDA0002727069320000053
转到步骤S102；
步骤S107：若是不小于休眠时间，则判断此时刻是否等于休眠时间；
步骤S108：若等于休眠时间，则另当前时刻的方差估计值等于初始方差估计值
Figure BDA0002727069320000054
并计算待辨识参数的辨识结果
Figure BDA0002727069320000055
转到步骤S102；
步骤S109：若不等于休眠时间，则计算待辨识参数的方差估计值；
步骤S110：判断所述方差估计值是否大于方差阈值；
步骤S111：若所述方差估计值大于方差阈值，则重启线性调频Z变换，并令前一时刻待辨识参数的辨识结果赋值给当前时刻，转到步骤S102；
步骤S112：若所述方差估计值小于等于方差阈值，则计算并输出当前时刻待辨识参数的辨识结果。
所述休眠时间ts0，使得待辨识参数的参数值在[iΔt,iΔt+ts0)时间内，不发生变化，沿用前一刻的参数估计值，并且***不再判断方差变化，保证***不会在休眠时间内再次重启。
所述在线辨识信息包括：姿态角速度、攻角、空气舵舵偏。
所述待辨识参数为空气舵舵效。
时间窗指的是，进行数据处理的窗口——对窗口内的数据进行处理，不关心窗口外的数据。该窗口随着时间变化，一开始窗口内数据个数从1增大到L，然后保持为L个不变。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (8)

1.一种基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于，所述包括以下步骤：
针对飞行器纵向短周期运动的状态空间模型，选择一个关心频带；
在基于滑动时间窗的递推线性调频Z变换的基础上，对于每个时刻，计算出所述关心频带中每个频率点的线性调频Z变换；
基于线性调频Z变换结果，计算前一个时刻的待辨识参数估计值，并且迭代得到待辨识参数的方差估计值；
判断所述待辨识参数的方差估计值是否小于等于设定阈值；
当k时刻的所述待辨识参数的方差估计值小于等于设定阈值时，认为舵机***未发生故障，利用线性调频Z变换结果，进行待辨识参数更新，得到待辨识参数的辨识结果；
当待辨识参数的方差估计值大于设定阈值时，则认为k时刻舵机***发生了故障，重启辨识。
2.根据权利要求1所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述重启辨识过程如下：所述辨识结果保持为上一拍的数值，并在下一个时刻，即k＝k+1时，重启参数辨识。
3.根据权利要求1所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述关心频带为[f0，f1)，在所述关心频带内选择等间隔分布的M个频率点，即fi＝f0+iΔf，其中i＝0，1，...，M-1，i表示第i个频率信号，Δf表示相邻两个频率点的频率间隔。
4.根据权利要求1所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述迭代得到待辨识参数以及其方差估计值，计算步骤如下：
步骤S101：输入在线辨识信息作为序列；
步骤S102：判断累加时间序列长度length是否小于等于预设定长度阈值L，即进行线性调频Z变换的数据拍数是否小于等于预设定长度阈值L；
步骤S103：若为是，则累加求解每一个频率点的线性调频Z变换值，并且计算休眠时间，使得length＝length+1，转到步骤S105；
步骤S104：若为否，则此时累加时间序列长度length为L+1，需要去除最先加入时间窗的那一拍数据，加入最新一拍的数据，保证进行线性调频Z变换的数据拍数等于预设定长度阈值L，转到步骤S109；
步骤S105：判断此时刻是否小于休眠时间；
步骤S106：若是小于休眠时间，则令当前时刻的方差估计值等于初始方差估计值
Figure FDA0002727069310000021
令待辨识参数的辨识结果等于参数估计初值
Figure FDA0002727069310000022
转到步骤S102；
步骤S107：若是不小于休眠时间，则判断此时刻是否等于休眠时间；
步骤S108：若等于休眠时间，则令当前时刻的方差估计值等于初始方差估计值
Figure FDA0002727069310000023
并计算待辨识参数的辨识结果
Figure FDA0002727069310000024
转到步骤S102；
步骤S109：若不等于休眠时间，则计算待辨识参数的方差估计值；
步骤S110：判断所述方差估计值是否大于方差阈值；
步骤S111：若所述方差估计值大于方差阈值，则重启线性调频Z变换，并令前一时刻待辨识参数的辨识结果赋值给当前时刻，转到步骤S102；
步骤S112：若所述方差估计值小于等于方差阈值，则计算并输出当前时刻待辨识参数的辨识结果。
5.根据权利要求4所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述休眠时间ts0，使得待辨识参数的参数值在[iΔt，iΔt+ts0)时间内，不发生变化，沿用前一刻的参数估计值，并且***不再判断方差变化。
6.根据权利要求4所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述在线辨识信息包括：姿态角速度、攻角、空气舵舵偏。
7.根据权利要求4所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，其特征在于：所述待辨识参数为空气舵舵效。
8.根据权利要求4所述的基于线性调频Z变换的飞行器舵机故障在线辨识方法，所述时间窗为随着时间变化的窗口，窗口内数据从1增加到L，并保持L个数据不变。
CN202011106405.5A 2020-10-16 2020-10-16 一种基于线性调频z变换的飞行器舵机故障在线辨识方法 Pending CN112182773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011106405.5A CN112182773A (zh) 2020-10-16 2020-10-16 一种基于线性调频z变换的飞行器舵机故障在线辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011106405.5A CN112182773A (zh) 2020-10-16 2020-10-16 一种基于线性调频z变换的飞行器舵机故障在线辨识方法

Publications (1)

Publication Number Publication Date
CN112182773A true CN112182773A (zh) 2021-01-05

Family

ID=73950460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011106405.5A Pending CN112182773A (zh) 2020-10-16 2020-10-16 一种基于线性调频z变换的飞行器舵机故障在线辨识方法

Country Status (1)

Country Link
CN (1) CN112182773A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649909A (zh) * 2016-08-29 2017-05-10 成都飞机工业（集团）有限责任公司 一种双余度补偿式尾翼舵面故障状态控制方法
CN111176263A (zh) * 2020-01-23 2020-05-19 北京航天自动控制研究所 一种基于bp神经网络的飞行器推力故障在线辨识方法
CN111241626A (zh) * 2020-01-02 2020-06-05 南京航空航天大学 一种基于快速原型的无人机拦阻着陆实时仿真方法
CN111258302A (zh) * 2020-01-23 2020-06-09 北京航天自动控制研究所 一种基于lstm神经网络的飞行器推力故障在线辨识方法
CN111538309A (zh) * 2020-04-03 2020-08-14 浙江大学 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法
CN111678699A (zh) * 2020-06-18 2020-09-18 山东大学 一种面向滚动轴承早期故障监测与诊断方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106649909A (zh) * 2016-08-29 2017-05-10 成都飞机工业（集团）有限责任公司 一种双余度补偿式尾翼舵面故障状态控制方法
CN111241626A (zh) * 2020-01-02 2020-06-05 南京航空航天大学 一种基于快速原型的无人机拦阻着陆实时仿真方法
CN111176263A (zh) * 2020-01-23 2020-05-19 北京航天自动控制研究所 一种基于bp神经网络的飞行器推力故障在线辨识方法
CN111258302A (zh) * 2020-01-23 2020-06-09 北京航天自动控制研究所 一种基于lstm神经网络的飞行器推力故障在线辨识方法
CN111538309A (zh) * 2020-04-03 2020-08-14 浙江大学 一种基于多变量非线性调频模态分解的工业过程厂级振荡检测方法
CN111678699A (zh) * 2020-06-18 2020-09-18 山东大学 一种面向滚动轴承早期故障监测与诊断方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钟鸿豪 等: "基于CZT 的变时间窗时变参数在线辨识方法及应用", 《航天控制》, vol. 37, no. 6, pages 20 - 22 *

Similar Documents

Publication Publication Date Title
CN112800616B (zh) 基于比例加速退化建模的设备剩余寿命自适应预测方法
Kim et al. Fault detection and diagnosis of aircraft actuators using fuzzy-tuning IMM filter
EP1418481A1 (en) Method for performing gas turbine performance diagnostics
US20080147290A1 (en) Method and system for identifying gas turbine engine faults
CN111708280B (zh) 一种考虑执行器故障的船舶路径跟踪事件触发控制器方法
Yang et al. Critical eigenvalues tracing for power system analysis via continuation of invariant subspaces and projected Arnoldi method
WO2005019955A1 (en) Intelligent database for performance predictions
CN111291471A (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN113468210A (zh) 基于特征工程的机器人故障诊断方法及***
Sun et al. Fault detection for aircraft turbofan engine using a modified moving window KPCA
CN112182773A (zh) 一种基于线性调频z变换的飞行器舵机故障在线辨识方法
CN115143954A (zh) 一种基于多源信息融合的无人车导航方法
Wu et al. Remaining useful life prediction for complex systems with multiple indicators of stochastic correlation considering random shocks
CN113821893B (zh) 一种航空发动机伺服作动***自适应状态估计方法
CN114391109A (zh) 使用不同的传感器信息确定物***置的方法
CN114877926B (zh) 传感器故障检测与诊断方法、介质、电子设备及***
CN116482579A (zh) 一种稳健的噪声量自修正的电连接器剩余寿命预测方法
CN116226613A (zh) 一种滚动轴承剩余寿命预测方法、设备及存储介质
WO2022190719A1 (ja) 物標認識装置
CN115659502A (zh) 一种基于神经网络自适应观测器的飞翼无人机操纵面故障诊断方法
CN112651087A (zh) 一种基于分布式估计的列车电机故障检测方法
CN113190960A (zh) 一种基于非等维状态混合估计的并行imm机动目标跟踪方法
CN115993075B (zh) 基于sslle和自适应阈值的导弹舵面故障检测方法
Dorey et al. Self-tuning control applied to the in-vehicle calibration of a spark ignition engine
JPH0943346A (ja) 追尾処理装置

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