买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学;中国航空工业集团公司成都飞机设计研究所申请的专利考虑进气道不起动的高超声速飞行器保护控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121325728B 。

龙图腾网通过国家知识产权局官网在2026-03-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511882570.2，技术领域涉及：G05B19/042；该发明授权考虑进气道不起动的高超声速飞行器保护控制方法是由曾柏瑜;程曦;王冠;刘凯;闵强;张宇设计研发完成，并于2025-12-15向国家知识产权局提交的专利申请。

本考虑进气道不起动的高超声速飞行器保护控制方法在说明书摘要公布了：本发明属于高超声速飞行器控制技术领域，具体涉及考虑进气道不起动的高超声速飞行器保护控制方法。具体包括：建立准一维标称机理模型描述隔离段与燃烧室流场变化；采用物理信息神经网络构建降阶模型作为准一维模型的实时代理；设计双重扩展卡尔曼滤波算法实现模型参数与盲区状态的联合在线估计，并引入激波位置伪测量形成多回路反馈；构建模型通道和智能传感器通道的双通道融合预警系统，通过自适应权重实现鲁棒预警；设计连续自适应模型预测控制器，根据风险指标和参数不确定性动态调整控制策略，实现主动保护控制。

本发明授权考虑进气道不起动的高超声速飞行器保护控制方法在权利要求书中公布了：1.考虑进气道不起动的高超声速飞行器保护控制方法，其特征在于，步骤如下： 步骤1建立准一维机理模型与定义测量约束； 步骤2设计线模型修正估计器； 步骤3构建双通道融合预警系统； 步骤4设计连续自适应模型预测控制保护策略； 步骤2具体如下： 定义盲区状态向量为，包含燃烧室入口背压和激波串长度；定义已知输入向量为，包含来流马赫数、飞行高度、攻角、燃油当量比和隔离段入口马赫数的飞行状态和控制输入； 待辨识参数向量代表模型中的不确定性和时变特性，需要通过在线辨识跟踪其真实值；状态向量代表无法直接测量但对不起动预警至关重要的盲区信息；已知输入向量提供了流场边界条件和控制作用； 采用物理信息神经网络构建降阶模型PINN-ROM，作为准一维标称机理模型的快速代理；降阶模型建立从飞行状态和模型参数到盲区状态的直接映射： ； 式中，为物理信息神经网络降阶模型，输入为飞行状态向量和待辨识参数向量，输出为盲区状态向量；网络通过混合损失函数训练，同时优化数据拟合精度和物理方程残差； 测量模型建立盲区状态估计值、待辨识参数与可观测区传感器测量之间的映射关系；采用分段混合形式，根据激波串位置自动切换计算方法；估计的激波串前沿位置定义为： ； 式中，为模型预测的激波串前沿位置，为激波串长度估计值；对于第个传感器，其压力预测函数定义为： ； 式中，为第个传感器位置的压力预测值，为激波串内压力分布模型，为范诺流压力计算模型，为背压估计值，为激波串前沿压力估计值，为摩擦系数估计值；当传感器位于激波串内部时，使用激波串压力分布模型计算；当传感器位于激波串上游时，使用范诺流模型计算； 为充分利用传感器阵列的空间信息，在标准压力测量基础上引入激波串长度伪测量；通过压力阵列的最大空间梯度估计激波串前沿位置： ； 式中，为基于压力梯度推算的激波串前沿位置；基于估计的激波串前沿位置，推算激波串长度为： ； 式中，为传感器推算的激波串长度；定义增广测量向量和增广测量模型为： ； ； 式中，为增广测量向量，为增广测量函数，前个分量为各传感器位置的压力预测函数，第个分量为激波串长度预测；增广状态空间方程表述为： ； ； ； 式中，为时刻的参数向量，为时刻的状态向量，为参数过程噪声，满足，为状态过程噪声，满足，为增广测量噪声，满足，为参数过程噪声协方差矩阵，为状态过程噪声协方差矩阵，为增广测量噪声协方差矩阵； 双重扩展卡尔曼滤波包括参数滤波器和状态滤波器两个环节；参数滤波器利用前一时刻的状态估计和当前时刻的增广测量更新参数估计；预测步骤中，参数预测值和先验参数协方差矩阵为： ； ； 式中，为基于时刻信息对时刻参数的预测，为时刻的后验参数估计，为时刻的先验参数协方差矩阵，为时刻的后验参数协方差矩阵；参数预测假设参数在相邻时刻变化缓慢，先验协方差通过叠加过程噪声实现对参数时变性的跟踪能力；更新步骤中，计算增广测量模型对参数的雅可比矩阵、增广测量残差和卡尔曼增益矩阵为： ； ； ； 式中，为增广测量模型对参数的雅可比矩阵，为增广测量残差，为卡尔曼增益矩阵；参数更新和后验参数协方差矩阵为： ； ； 式中，为融合增广测量信息后的后验参数估计，为后验参数协方差矩阵，为与参数向量维度相同的单位矩阵；状态滤波器利用修正后的参数和当前时刻的增广测量估计盲区状态；预测步骤中，状态预测值和先验状态协方差矩阵为： ； ； 式中，为基于更新后参数和当前输入对状态的预测，为状态的先验协方差矩阵，为降阶模型输出对参数的雅可比矩阵，定义为 ； 状态预测协方差考虑了参数不确定性通过降阶模型传播至状态预测的影响；更新步骤中，计算增广测量模型对状态的雅可比矩阵、增广测量残差和卡尔曼增益矩阵为： ； ； ； 式中，为增广测量模型对状态的雅可比矩阵，为增广测量残差，为卡尔曼增益矩阵；状态更新和后验状态协方差矩阵为： ； ； 式中，为融合增广测量信息后的后验状态估计，为后验状态协方差矩阵，为与状态向量维度相同的单位矩阵； 步骤3具体如下： 模型通道基于模型修正估计器的后验状态估计构建风险指标；正激波极限压力由隔离段入口条件通过正激波关系式计算： ； 式中，为正激波极限压力，为截面静压，为k时刻隔离段入口马赫数；定义压力裕度和长度裕度为： ； ； 式中，为压力裕度，为背压估计值，为长度裕度，为激波串长度估计值；模型风险指标定义为： ； 式中，为模型风险指标，取值范围为[0,1]；采用最小值算子确保风险指标由最紧约束主导； 智能传感器通道仅使用观测区传感器的时间序列，不依赖任何模型或扩展卡尔曼滤波信息；并行提取空间梯度特征、压力比特征和时间波动特征三个特征刻画激波串的特征指纹；空间梯度特征量化激波陡峭度： ； 式中，为时刻的最大压力空间梯度；压力比特征量化激波位置： ； 式中，为最下游传感器与最上游传感器的压力比；时间波动特征量化激波抖动： ； 式中，为最下游传感器压力的短期波动均方根，为时间窗口长度，为窗口内平均压力；三个特征归一化至[0,1]区间后加权融合得传感器风险指标： ； ； 式中，为归一化特征值，为原始特征值，和分别为该特征在正常工作范围内的最小值和最大值，为传感器风险指标，、和为权重系数，满足归一化条件； 最终风险指标通过自适应权重融合两个通道： ； 式中，为最终风险指标，为模型通道权重，满足；模型通道权重基于双重扩展卡尔曼滤波状态滤波器的后验状态协方差矩阵自适应计算；定义模型不确定性指标为： ； 式中，为模型不确定性指标，表示矩阵的迹；自适应权重采用指数衰减函数： ； 式中，为参考不确定性水平，是根据系统特性预先标定的阈值参数； 基于最终风险指标定义两级阈值预警机制。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学;中国航空工业集团公司成都飞机设计研究所，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。