Fault-Tolerant Flight Control System Design by a Dual-Loop Control Strategy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper describes a dual-loop control scheme for fault tolerant flight control system design. The dual-loop controller consists of an outer loop controller–so-called adaptive neural sliding mode control (ANSC) and an inner loop controller designed by using nonlinear dynamic inversion (NDI) technique. The merits of adaptive neural network and sliding mode control scheme are that 1) the ability of adaptive neural network control to deal with unstructured uncertainty and 2) the ability of sliding mode control to guarantee transient response. Using timescale separation principal, the aircraft dynamics can be decomposed into fast and slow dynamics and the decomposed dynamics are inversed for NDI controllers. For real-time pilot simulation, one-stage inverse dynamics is used and the pilot inputs are translated to roll, pitch and yaw rate commands. For cascade NDI, two-stage dynamic inversion is used. The stability analysis of the proposed controller is performed using Lyapunov theory. To verify the effectiveness of the proposed control scheme, numerical simulation is performed for six degree-of-freedom nonlinear aircraft model while a failure occurs in longitudinal control surface. Simulation results demonstrate that closedloop system has good performance while encountering lock-in-place, partial destruction and floating actuator failures. Nomenclature stick long δ , stick lat δ , stick dir δ = pilot inputs for longitudinal, lateral and directional command dir lon lat K K K , , = sticks and pedal gains ref p , ref q , ref r = reference model rate commands cmd z n , cmd y n = normal and lateral acceleration command
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle