红外遥控系统外文翻译

摘要：本文的目的是提出一个基于Matlab / Simulink的仿真环境的设计和测试发展间接和直接适应飞行控制律容错能力，以应对执行器和传感器故障的发生。设计/方法/方式- 模拟环境，采用模块化结构和详细的图形用户界面仿真方案最多。基于最优控制的设计和频域实施间接自适应飞行控制律参数估计。直接自适应飞行控制律包括非线性动态参考标称飞行条件下进行的反演人工NNS为补偿后，驱动器发生反转的错误和不正常的飞行条件下增强或传感器故障。依靠神经估计的故障检测，识别计划的制定和实施。仿真环境为容错飞行控制律的评价和验证提供了一个宝贵的平台。研究限制/影响，这种灵活性允许的，如各种设计问题调查：管制条例架构（包括神经类型的选择隆胸），调整神经网络的参数，参数识别技术的选择，反控制饱和技术的影响,选择和调整控制分配方案，以及故障检测和鉴定计划的选择和调整。独创性/价值 - 驻留在发展本研究工作的新颖性和集成一个全面的模拟环境允许非常详细的控制律验证核实执行器和传感器故障检测性能的目的，识别和适应计划。

关键词：容错，飞行模拟，飞行控制，神经网络

1.介绍

近年来对设计和开发的智能飞行能够处理故障和故障的控制律执行器和传感器已进行了广泛的研究工作。通过这些努力许多适应飞行控制方法已开发（斯坦伯格1999年）。基于适应飞行控制可以大概归类为间接，直接和混合。间接

方法（哈格曼等人，2003年摩纳哥等，2004;博斯科维奇等，2001）依靠实时参数通过重构控制律适应参数的识别（PID）。直接的方法（Calise和夏尔马，2000; Kaneshige等，2000;krishnakumar等，2003;威廉姆斯 -海耶斯，2005年）使用是适应和补偿为目的，而不是衡量误差。最近介绍了混合自适应控制方法（Nguyen，2006年，2007年）相结合的元素直接和间接方法。

制定一个全面的具有挑战性的任务，综合解决整个飞行包线的容错飞行控制中存在执行器和传感器故障需要广泛模拟支持的问题。一个仿真环境的设计，测试，直接和间接适应飞行控制和评价与容错功能已发展在国家航空航天局的支持西弗吉尼亚大学（西弗吉尼亚）智能飞行控制系统（政府间化学品安全论坛）的方案上（波音，1999年威廉姆斯 -海耶斯，2005年）。本文的目的是大纲的设计和发展的WVU政府间化学品安全论坛模拟器。

以下主要特点可在仿真环境存在：

●间接或直接自适应控制方法的选择;

●用间接方法选择不同的PID方法;

●用直接的办法选择不同的神经扩增

●选择不同的故障情况，包括选择作者发生故障的组件，故障类型，时间发生幅度;

●模拟输入/输出的选择......

2.仿真环境的一般架构

在西弗吉尼亚的FCS模拟器的设计旨在提供高可携性，多功能，灵活的工具，解决了自适应容错飞行控制系统的研究，开发，设计相关的各种问题。计算环境的选择是Matlabw 和Simulinkw。飞行动力学与控制（FDC）工具箱（Rauw，1998年）提供的解决，包括大气湍流运动方程的一般框架。图形显示和飞行员互动，动态模型接口与飞行员视觉设计模拟器（AVDS）仿真包（Rassmussen，2000年）。飞机的飞行动态模型可以使用操纵杆或一组预先录制的命令编程。图形用户界面（GUI）菜单用于设置模拟场景。

在西弗吉尼亚政府间化学品安全论坛模拟器的总体结构包括五大模块：

●飞机模型模块;

●控制系统模块;

●执行器和传感器故障模式;

●故障检测和鉴定（FDI）的计划;

●用户界面

概述的主要模块和它们之间的相互作用的一般框图如图1所示。

3.飞机模型模块

飞机模型模块包括三个主要部分组成：风和湍流模型，飞机运动的动力学方程，空气动力学数据库。工具箱，用于实现预先确定的方向和幅度的动荡和恒风德赖登模型。工具箱中

的“求解运动方程”进行了修改，以适应每个控制表面的气动力和气动力矩的计算。此特定功能的执行器故障建模的过程是必要的。气动数据库的结构与查找表，这是一个或多个动态变量的功能。神经网络（PTNN）作为非线性插值可以用来代替。

在政府间化学品安全论坛项目实施的空气动力学模型推导出一个高性能军用飞机从一个非线形分布由美国宇航局于1990年学术机构内的学生设计竞赛（Antoniewicz等，1988）的模型。模拟美国宇航局的政府间化学品安全论坛的F-15研究飞机的空气动力学造型除了通过定制的通用模型。集体和差动尾翼，差动副翼和方向舵的控制律生成的命令。查找表分为代表个别控制面的的气动贡献，包括双舵以适应执行器故障模型。

4.控制系统模块

4.1间接自适应控制律

间接适应控制法由两部分组成。第一部分确定的命令参数，如飞机的稳定性和控制衍生工具使用。在西弗吉尼亚政府间化学品安全论坛模拟器基准的实现依赖于随机最优前馈和反馈技术（SOFFT）（Halyo，1992）。这套控制律已提供飞行条件下可取的质量处理的名义，同时保持良好的性能（坎帕等，2004）。

馈组件SOFFT控制器的设计基于一个明确的命令模式下面的方法

其中x和z是植物和命令模式的状态向量，并且UZ是输入的命令模式

进行反馈控制的设计是独立使用馈厂最终导致输出反馈增益矩阵的Ky（坎帕等人，2004年）的计算模型标准输出反馈的LQR合成，这样

输出向量y其中包括横向和纵向加速度和角速度。

西弗吉尼亚的研究人员分离SOFFT版本（即独立的纵向和横向方向SOFFT控制器）和一个完整的（纵向T横向定向）版本，两个版本的控制器已经实施。脱钩版本计算能力的要求简单，并产生范围的命令。耦合的版本涉及不是更大的矩阵，因此，它是更复杂的计算。个别控制面偏转（左，右尾翼等）生成的命令，因此预计以更好地处理某些类型的故障发生后的交叉耦合。

第二部分的控制器基线参数的更新，防止飞机在整个飞行包线和/或异常的飞行条件下发生如执行器或传感器故障。通过网上进行PID控制技术稳定和控制衍生产品的更新。频域方法称为傅里叶变换回归方法（莫雷利，1999年）。

要估计的参数无论是在时域或频域的情况下，可表示不同程度的准确性结果（Perhinschi等人，2002年b）。PID算法的目的是最终提供状态空间系统矩阵更新SOFFT 控制器的参数控制飞机。在一般情况下，它可以识别直接状态空间系统矩阵，A，B，C和D （矩阵法），或先评估量纲的稳定和控制衍生产品，然后使用这些值来计算状态空间系统矩

阵。作者原来的PID计划已被修改，以适应任何以上所述的替代品的组合，导致四种可能性，受到用户的选择（Perhinschi等人，2002年b）。

对于任何这些版本中，根据飞行条件和情况下，用户可以选择估计高达67稳定性和控制衍生产品（包括衍生物，至差分全球和个人-左，右-控制面偏转）。还实施了一个简单的版本估计衍生工具（13）。

PID过程，SOFFT控制器参数更新触发只有当PID过程满足特定的趋同标准。这些标准的基础上估计的时间和计算的估计错误使用的的FTR算法（莫雷利，1999年）的标准偏差的历史。收敛标准要求，在一个给定的一个指定的时间窗口，开往各地的平均停留时间历程。用户施加的约束和时间窗的宽度。用户还可以选择气动参数之间的趋同标准（即67稳定性和控制衍生产品），为每个参数的估计误差的标准偏差，或两者（Perhinschi等，2002a）的。SOFFT控制器参数的更新，也可以进行在线神经网络（OLNN），而这又使收敛条件得到满足。

间接自适应控制律的框图如图2所示。请注意，“衍生更新”

图2框图的间接自适应控制律

4.2直接自适应控制律

基于非线性动态逆（NLDI）与人工神经网络（NNS）增加的直接自适应控制律如图3所示。使用“模型下面的”架构。这种架构而内部参数，包括神经网络的增益和输出跟踪误差补偿，保持有界（Calise和Sharma，2000）。

通过NLDI控制法律，试点棒和踏板位移转换成角速度命令。下一步，第一和第二阶参考模型，以确定所需的飞机响应的角速率及其衍生物等，1级的操纵品质保证（美国国防部，1980）。这些所需的角速率跟踪误差是用来提供比例，积分和微分的补偿。在线学习NNS产

生增强命令，反演误差补偿。跟踪误差补偿，神经网络的输出，用于获取，通用目前生产上的三个轴的挠度，通过NLDI的

L1，M1和N1的矩方程的非线形的条款和B是在一个特定的飞行条件下的计算状态空间系统控制矩阵。最后，控制面的实际挠度计算DACOM，分解，drcom根据控制分配算法。第一和第二顺序执行机构动力学模型也包括在内。矩阵B的元素，可以保持不变，或可以使用查找表或PTNNs（Perhinschi等人，2004年更新）。

图3自适应控制的直接法律框图

已实施的WVU政府间化学品安全论坛模拟器：扩展的最小资源分配网络-EMRAN（Lu等，2000），SigmaPi（Shin和戈什，1991年），和单隐层-连神经网络内三个不同类型的网上学习NNS（Calise等，1998）。

EMRAN是空间映射精度差，同时也避免了网络的过快增长，使改进的径向基函数网络。只有最活化的神经元的参数更新，因此，这一类神经增广最小的计算为高斯的基础功能，计算表达式：

其中x是输入向量，u为一组参数，包括高斯的中心位置，重量w，和差异小号。要同时满足两个不同的标准：估计错误，窗口估计错误。

SigmaPi神经网络是相当于一个自适应多项式映射。网络的输入是伪加速度控制命令，偏置条件，传感器反馈。对于每个通道，第一个神经层输出{CI}计算投入和上一步的神经网络输出功能。接下来，这些变量乘以对方，最终神经网络的输出作为这些产品的总和计算

其中F是计算从中间输出使用一个嵌套的Kronecker积{CI}。网络权使用适应以下的规律基础上改进的delta规则确定

网络的输出关系

其中W?{wij}隐藏和输出层之间的互连权重，五?{vjk}是输入和隐藏层，UVJ之间的互连权重，UWI偏见条款。有界的重量和神经网络的输出是一个Lyapunov分析的基础上，确保更新。

其中当然有错误和毛重;GV;LW;LV设计参数（学习率）。

5.执行器和传感器故障建模

5.1执行器故障模型

两类控制面故障已在模拟环境中建模和实施。第一故障类型对应到一个驱动器的机械故障。在故障发生在控制面，目前或在用户保持不变规定的位置。第二次故障类型对应一个物理破坏和/或变形的控制表面。它由气动恶化“效率”控制面开始发生错误的。用户可以选择不同的故障参数如类型，发生时间，位置和震级。任何个别八基线控制面飞机-它拥有鸭翼和双鳍舵，是左或右的水平尾翼，副翼，鸭翼，方向舵。

未涉及的控制面堵塞固定偏转不会改变空气动力特性控制面。然而，对在每个表面（左右）将有不同的变形和由此产生的时刻，必须单独计算。因此，气动查找表必须分为这样，每个人的控制面的贡献被隔离涉及的物理破坏的控制失败控制面可能会改变空气动力特性影响的自然举止，可以定性（参与气动现象）和定量（影响特征参数的大小）。

FX世界银行表示机翼的贡献，并机身的力和力矩，而FXC;fxu;富代表控制面的贡献。此外，从M控制面的贡献可表示为

其中EUK效率，必须定义/参数确定每个控制面。例如，在电梯或尾翼的效率参选择是的气动正常力量的衍生物左边和右边的电梯偏转，分别CZdeL和CZdeR涉及的物理破坏后，控制系统故障控制表面上的力和力矩的表达在飞机上可以表示使用

其中表面损伤参数SD模型的大小通过效率之间的比例的失败参数后和之前的故障发生的时刻

5.2传感器故障建模

所有的传感器通常用于在控制律反馈，如角速率，空气动力学的角度攻击

第一，高度和速度传感器已仿照简单一阶系统：

SA是一种无声的传感器输出与X是真实的输出结果的数学模型飞机传感器的建模，包括各类故障，会考虑以下的一般表达式测量：

其中，KS;KD，KN;和某人分别是，传感器的输出缩放因子，漂移因子，噪声放大器和偏置。在一般情况下，传感器的输出和噪声的比例因子由下列关系定义，其中TF是时刻故障的发生：

漂移系数被定义为：

传感器的输出偏差，可以更快地达到，被定义为：

通过正确选择的8个模拟参数值（KS，KD，KN，DT，SB，SMAX，SMIN和tf）以下类型可以模拟传感器故障：

●偏见与浮动利率的传感器输出;

●漂流输出;

●常数或饱和输出;

●增加输出噪声。

例如，正常运行对应toKs= 1，KD= 0，

这是仿照超过1.5秒的偏见，如果KS= 1，KD= 0，KN= 1，

SB= 10，和DT?1:5的：

6.故障检测和鉴定

执行器和传感器的直接投资计划旨在解决失败对任何的四个气动配对的控制表面和任何角速度传感器。没有任何一般性的损失，外国直接投资的计划，可以进行修改，以应付不同的驱动器和/或传感器故障。

特别是重点放在之间的分化传感器和执行器故障。内每个类别，在计划能够确定哪些元素已经失败。具体来说，一个驱动器发生故障，该计划可以指定它是否是在尾翼，副翼，或舵故障传感器故障事件的计划，需要正确地检测隔离失败的传感器。

一般的执行器和传感器的外国直接投资计划分为以下任务:

●初步检测（未指定的主要故障控制表面或传感器检测）;

●检测（故障关联到主控制表面或传感器）;

●初步鉴定（此阶段只适用于控制表面故障和评估由失败是一个纵向或横向方向的失败）●识别

高层次的直接投资计划的执行机构逻辑框图如图4所示。

差（MQEE）参数的实际测量：

定义：

间的差异：

使用这些参数，单独和与角速率的相关函数的加权组合，是基于固定和浮动阈值执行器和传感器的外国直接投资过程的所有四个阶段制定的标准。纳波利塔诺等人提出的发展和业绩的外国直接投资计划的更多细节。

7.用户界面

7.1一般模拟设置

用户友好的图形用户界面菜单设计设立的模拟场景。通过这些菜单提供的信息，可分为三大类:法律设置的控制，模拟输入模块，输出模块，如图5所示。

7.2控制法设置模块

对于间接和直接自适应控制律，用户可以选择模拟结构构件以下的组合：

●只有控制律;

●控制的法律和执行机构的外国直接投资计划;

●传感器的外国直接投资计划;

●和集成驱动器和传感器故障适应或不带传感器的外国直接投资计划。通过MATLAB脚本

文件提供的参数的外国直接投资计划。

7.2.1间接自适应控制律

用户可以选择其中几种可供选择的架构，允许把重点放在具体的研究问题。例如，onescenario设有飞机在开环条件下，连接到PID块，这样可以隔离和调查，PID的问题。另一种情况，包括SOFFT控制器具有实时更新基于PID的结果，一旦满足特定的趋同标准参数。网上学习，也可用于支持控制器参数更新后失败条件。

内在间接自适应控制法律类，用户可以选择在以下办法：

●脱钩或再加SOFFT控制法;

●PID参数的频率或时间域表示;

●矩阵方法或衍生工具的PID算法接近;

●变量参数列表内控制法估计和更新;

●severalPID趋同标准和相关参数。

如图6所示的间接自适应控制律的设置开发的交互式菜单的例子。

7.2.2直接自适应控制律

内在直接自适应控制法律类，用户可以选择维持在固定NLDI的初始飞行条件的参数，或在指定的时间间隔来更新这些参数。更新后的值，可以计算在线或规定由PTNNs。可以修改默认的初始飞行条件下的初始数据MATLAB脚本文件。根据神经的增强型，替代的配置包括：

●NLDI；

●NLDI和EMRAN神经网络；

●NLDI和SigmaPI神经网络；

●NLDI和双黄连神经网络；

直接自适应控制律结构设置开发的交互式菜单的例子，如图7所示。

7.3模拟输入模块

四个控制通道（纵向，横向，方向和油门）每个试点输入可以选择提供在线使用操纵杆或预先录制的（或其他建）棒位移的时间历程。试点输入菜单如图8所示

从主要控制法律设置菜单（图6和图7），用户可以选择的名义之间的飞行条件。如果故障的情况下被选中，那么它必须被指定失败是否会影响主控制面或传感器。如果用户选择执行器故障的情况下，用户可以设置不同的故障参数，控制面故障的情况下菜单（图9）。事实上，在此菜单中，用户可以选择不同的控制面和失败之间卡住的控制之中，缺少表面或两者兼而有之;此外，在当前位置，或在用户选定的位置卡住。失败的额外参数包括故障发生的时间，比例失踪，抗干扰位置。如果用户选择传感器故障的情况下，然后指导用户到另一个交互式菜单选择特定的陀螺仪故障，故障类型，发生时刻的影响。

图9为执行器故障的类型和参数设置“菜单

7.4模拟输出模块

用户有以下选项处理模拟输出：

●感兴趣的变量的时间记录（保存到MATLAB的工作区或磁盘上的文件）;

●期间或之后的变量范围使用Simulink模拟可视化;

●不一致的用户输入值，作为结果弹出警告。

用户可以保存使用在图10所示的菜单后仿真加工和分析信息。从图11中所示视化菜单，用户可以建立在模拟过程中，被监视的变量。此菜单后以及模拟变量的可视化模拟，让整个保持活跃。

图10设置时间历程输出

在一般情况下，为用户提供机会访问所有相关参数，如飞机的状态和控制变量，输出和控制律的参数，内部控制的法律，跟踪误差和他们的统计试点输入和中间处理在S＆AFDI参数，稳定和控制衍生产品的估计值和实际值（间接自适应架构），神经网络的输入，输出和自适应权（直接自适应架构）。

图11模拟输出可视化的设置

图12和图13显示的模拟环境中一般的图形，这是根据的AVDS意见和Simulink的范围为两种截然不同的情况。图12显示了从间接自适应控制SOFFT解耦控制的法律，时域推导，稳定和控制衍生产品估计法在标称的飞行条件下的模拟结果。这次试验的目的是分析的性能和收敛的PID进程，这是这种类型的控制的法律架构有关的最重要问题之一。例如，在左上角的范围显示CZA，这是气动力的飞机攻角沿垂直轴的身体的三维非衍生估计值的变化。此参数内的控制律起着重要作用。可以看出，估计后约3秒的瞬态收敛该实际价值-衍生工具-约24。

与直接自适应控制没有PTNN更新NN NLDI增强法律的模拟结果如图13所示。左尾翼故障发生在t= 20s时，控制面被锁定在修剪t88。

在图13中的范围栏显示的根据飞机的角速率的相关性。由此可以看出，立即发生了故障，俯仰速率和两个滚转和偏航率显着增加之间的相关性为基础，作为一个渠道，这是一个重要的尾翼故障指纹之间的耦合结果探测器。事实上，外国直接投资的计划，检测和正确识别作为一个尾翼故障和生产在右下角的图13所示警告。控制律设计遵循了优化处理质量的理想参考模型的输出，因此，在跟踪这个参考模型的输出误差控制法律的绩效评价指标。左侧的范围在图13显示参考模型的输出和实际值角速率。有显着差异，发生故障的时刻。经过短暂的瞬态，神经网络的增强是能够“学习”的条件和提供必要的补偿，以保持良好的跟踪性能。

图12西弗吉尼亚化学品安全论坛的仿真环境图形 -间接自适应飞行控制律

图13西弗吉尼亚化学品安全论坛模拟环境中的图形直接自适应飞行控制律

8.结论

已开发的设计和测试的直接和间接的容错能力的自适应飞行控制律飞机执行器和传感器故障检测，识别，并容纳一个基于Matlab / Simulink的仿真环境。

间接自适应飞行控制律实现最优控制器和频域的在线参数估计的基础上。包括人工NNS 增强参考标称飞行条件执行NLDI直接自适应飞行控制律。

模拟场景设置的一个详细的图形用户界面允许控制的架构，组件，和参数，以及一般的飞行条件，包括不同的故障情况下的选择。

由于其模块化，灵活性和快速重构能力的主要成分，模拟环境提供出色的容错控制系统的设计，测试，比较，评价手段。

参考文献

Antoniewicz, R.F., Duke, E.L. and Patterson, B.P. (1988),“User’s manual for interactive LINEAR, a Fortran program to derive linear aircraft models”, NASA Technical Paper 2835.

Boeing (1999), Intelligent Flight Control: Advanced Concept Program – Final Report, BOEING-STL 99P0040, The Boeing Company, Chicago, IL.

Boskovic, J.D., Li, S.M. and Mehra, R.K. (2001), “On-line failure detection and identification (FDI) and adaptive reconfigurable control(ARC) in aerospace applications”, Proc. of the American Control Conference, Arlington, VA. Calise, A.J. and Sharma, M. (2000), “Adaptive autopilot design for guided munitions”, AIAA Journal of Guidance, Control and Dynamics, Vol. 23 No. 5.

Calise, A.J., Lee, S. and Sharma, M. (1998), “Direct adaptive reconfigurable control of a tailless fighter aircraft”, Proc. Of the 1998 AIAA Guidance, Navigation and Control Conference, Boston, MA, AIAA 98-4108.

Campa,G.,Fravolini,M.L.,Napolitano,M.R.,Perhinschi,M.G. and Battipede, M. (2004), “A stochastically optimal feedforward and feedback technique for flight control systemsof high performance aircrafts”, Proceedings of the American Control Conference, Boston,MA, pp. 1713-8.

Hageman, J.J., Smith, M.S. and Stachowiak, S. (2003), Integration of Online Parameter Identification and Neural Network for In-flight Adaptive Control, Technical Report NASA/TM-2003-212028, NASA Dryden Flight Research Center, Edwards, CA.

Halyo, N., Direskeneli, H. and Taylor, B. (1992), “A stochastic optimal feedforward and feedback control methodology for superagility”, NASA CR 4471, November. Kaneshige, J., Bull, J. and Totah, J.J. (2000), “Generic neural flight control and autopilot system”, AIAA 2000-4281.

Krishnakumar, K., Limes,G., Gundy-Burlet,K. and Bryant,D. (2003), “An adaptive critic approach to reference model adaptation”, Proc. of the AIAA Guidance, Navigation, and Control Conference.

Lu, Y., Sundararajan, N. and Saratchandran, P. (2000), “Analysis of minimal radial basis function network algorithm for real time identification of nonlinear dynamic systems”, IEEE Proceedings on Control Theory and Application, Vol. 4 No. 147,

p. 476.

Monaco, J.F., Ward, D.G. and Bateman, A.J.D. (2004), “A retrofit architecture for model-based adaptive flight control”, Proc. of the AIAA 1st Intelligent Systems Technical Conf., Chicago, IL.

Morelli, E.A. (1999), “Real-time parameter estimation in the frequency domain”, Proceedings of the 1999 AIAA Atmospheric Flight Mechanics Conference, AIAA Paper 99-4043, Portland, OR.

Napolitano, M.R., Song, Y. and Seanor, B. (2001), “On-line parameter estimation for restructurable flight control systems”, Aircraft Design, Vol. 4. Napolitano, M.R., Younghawn, A. and Seanor, B. (2000), “A fault tolerant flight control system for sensor and actuator failures using neural networks”, Aircraft Design, Vol. 3 No. 2.

Nguyen, N.T., Bakhtiari-Nejad, M. and Huang, Y. (2007), “Hybrid adaptive flight control with bounded linear stability analysis”, Proc. of the AIAA Guidance, Navigation, and Control Conference and Exhibit, AIAA 2007-6422, Hilton Head, SC. Nguyen, N.T., Krishnakumar, K., Kaneshige, J. and Nespeca, P. (2006), “Dynamics and adaptive control for stability recovery of damaged asymmetric aircraft”, Proc. Of the AIAA Guidance, Navigation, and Control Conference and Exhibit, Keystone, CO.

Perhinschi, M.G., Napolitano, M.R., Campa, G. And Fravolini, M.L. (2004), “A simulation environment for testing and research of neurally augmented fault tolerant control laws based on non-linear dynamic inversion”, Proceedings of the AIAA Modeling and Simulation Technologies Conference, Providence Rhode Island. Perhinschi, M.G., Napolitano, M.R., Campa, G., Fravolini, M.L. and Seanor, B. (2007), “Integration of sensor and actuator failure detection, identification, and accommodation schemes within fault tolerant control laws”, Control and Intelligent Systems, Vol. 35 No. 4, pp. 309-18.

Perhinschi, M.G., Campa, G., Napolitano, M.R., Lando, M., Massotti, L. and Fravolini, M.L. (2002a), “A simulation tool for on-line real time parameter identification”, Proceedings of the AIAA Modeling and Simulation Conference, Monterey, CA, AIAA2002-4685.

Perhinschi, M.G., Campa, G., Napolitano, M.R., Lando, M., Massotti, L. and Fravolini, M.L. (2006a), “Modeling and simulation of a fault tolerant control system”, International Journal of Modelling and Simulation, Vol. 26 No. 1, pp. 1-10. Perhinschi, M.G., Lando, M., Massotti, L., Fravolini, M.L., Campa, G. and Napolitano, M.R. (2002b), “On-line parameter estimation issues for the NASA IFCS F-15 fault tolerant systems”, Proceedings of the American Control Conference, Anchorage, AK, pp. 191-6.

Perhinschi, M.G., Napolitano, M.R., Campa, G., Seanor, B., Burken, J. and Larson, R. (2006b), “An adaptive threshold approach for the design of an actuator failure detection and identification scheme”, IEEE Transactions on Control Systems Technology, Vol. 14 No. 3,pp. 519-25.

Rassmussen, S. (2000), Aviator Visual Design Simulator (AVDS) – User Manual,

Rassmussen Simulation Technologies, Columbus, OH.

Rauw, M.O. (1998), FDC 1.2 – A SIMULINK Toolbox for Flight Dynamics and Control Analysis, Delft University of Technology, Delft.

Shin, Y. and Ghosh, J. (1991), “The pi-sigma network: an efficient higher-order neural network for pattern classification and function approximation”, IEEE 7803-0164.

Steinberg, M.L. (1999), “A comparison of intelligent, adaptive, and nonlinear flight control laws”, AIAA 99- 4044, August.

US Department of Defense (1980), Military Specification – Flying Qualities of Piloted Airplanes, US Department of Defense, Washington, DC, MIL-F8785C. Williams-Hayes, P.S. (2005), Flight Test Implementation of a Second Generation Intelligent Flight Control System, Technical report NASA/TM-2005-213669, NASA Dryden Flight Research Center, Edwards, CA.