CN112394645B - 一种航天器姿态跟踪的神经网络反步滑模控制方法和*** - Google Patents
一种航天器姿态跟踪的神经网络反步滑模控制方法和*** Download PDFInfo
- Publication number
- CN112394645B CN112394645B CN202110072484.0A CN202110072484A CN112394645B CN 112394645 B CN112394645 B CN 112394645B CN 202110072484 A CN202110072484 A CN 202110072484A CN 112394645 B CN112394645 B CN 112394645B
- Authority
- CN
- China
- Prior art keywords
- attitude
- spacecraft
- sliding mode
- error
- neural network
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 12
- 238000009795 derivation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000013459 approach Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect 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)
Abstract
本申请涉及一种航天器姿态跟踪的神经网络反步滑模控制方法、***、计算机设备和存储介质。所述方法包括:通过给定航天器的期望姿态和实际姿态,建立控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项;通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律;构造以不确定项的估计值作为输出量的神经网络逼近器;采用神经网络逼近器对动力学模型中的不确定项进行逼近,得到动力学模型的神经网络反步滑模姿态跟踪控制律,实现对航天器的姿态跟踪。本发明提高了姿态跟踪控制***的控制精度和适应性。
Description
技术领域
本申请涉及自动控制技术领域,特别是涉及一种航天器姿态跟踪的神经网络反步滑模控制方法、***、计算机设备和存储介质。
背景技术
随着航天技术的发展,航天器执行的空间任务越来越多,例如卫星监视、航天器编队飞行、在轨服务、交会对接等,同时空间任务执行难度也日趋复杂,复杂任务的实现依赖于高精度的姿态控制,这对航天器姿态控制***的控制精度提出了更高的要求。影响航天器姿态控制精度的因素越来越多,主要包括:重力梯度力矩、大气干扰力矩等空间环境干扰力矩、燃料消耗引起航天器转动惯量的变化等。由于航天器受到各种干扰力矩以及自身参数不确定的影响,航天器姿态控制***是一种多输入多输出的不确定非线性***。
航天器姿态跟踪是指航天器从任意给定的初始姿态出发,逐渐趋近并稳定跟踪给定的期望指令姿态,是航天器姿态控制的一种表现形式。现有文献中,众多研究人员针对航天器姿态跟踪控制问题,提出了PID控制,鲁棒控制,反馈线性化控制等方法,为航天器姿态跟踪控制提供了有效参考技术方案。但是,上述控制方法中是在一些限制条件下进行的,比如其假设***干扰是有界且上界已知的,且航天器是具有足够的控制能力进行姿态控制的。而在实际动力学***中,***干扰上界往往是很难获得的,此外航天器控制输入受限也是执行机构普遍存在的物理约束,忽略该约束可能会导致***控制性能下降甚至引发***的不稳定性。
因此,现有的航天器姿态跟踪技术存在控制精度低、适应性不佳的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高航天器姿态跟踪控制精度和适应性的航天器姿态跟踪的神经网络反步滑模控制方法、***、计算机设备和存储介质。
一种航天器姿态跟踪的神经网络反步滑模控制方法,所述方法包括:
根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;
通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;
将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;
根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
在其中一个实施例中,还包括:根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量为:
其中,表示姿态误差四元数;表示期望姿态四元数,表示期望姿态四元数的逆;表示实际姿态四元数;符号表示四元数相乘;表示姿态误差角速度;表示实际姿态角速度;表示基于姿态误差四元数的姿态转换矩阵;表示期望姿态角速度。
在其中一个实施例中,还包括:根据所述误差量建立航天器姿态误差的理论动力学模型,所述理论动力学模型包括外界干扰力矩不确定项;
将所述理论动力学模型中的转动惯量转换为转动惯量已知量和建模的转动惯量不确定项的和;
根据所述理论动力学模型和推力器提供的实际受限控制输入,得到控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项,所述不确定项包括外界干扰力矩不确定项和建模参数不确定项。
在其中一个实施例中,还包括:根据所述实际受限控制输入和所述计算控制输入的差值构建辅助***;
根据所述航天器的***状态,通过反步方式得到虚拟控制量;
根据所述辅助***、所述***状态和所述虚拟控制量,选取滑模面,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律。
在其中一个实施例中,还包括:根据所述辅助***、所述***状态和所述虚拟控制量,构建李亚普诺夫函数,根据所述李亚普诺夫函数验证所述反步滑模姿态跟踪控制律的稳定性。
在其中一个实施例中,还包括:根据所述神经网络逼近器在线估计所述不确定项,所述神经网络逼近器中包括神经网络估计权值的自适应律;
对所述神经网络逼近器的逼近误差上界设计逼近误差上界自适应律;
根据所述神经网络逼近器、所述神经网络估计权值的自适应律和所述逼近误差自适应律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律;
通过所述神经网络反步滑模姿态跟踪控制律对所述航天器进行姿态跟踪。
一种航天器姿态跟踪的神经网络反步滑模控制***,所述***包括:
误差量获取模块,用于根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
动力学模型构建模块,用于根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;
反步滑模姿态跟踪控制律确定模块,用于通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;
神经网络逼近器构建模块,用于将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;
神经网络反步滑模姿态跟踪控制律确定模块,用于根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;
通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;
将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;
根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;
通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;
将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;
根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
上述航天器姿态跟踪的神经网络反步滑模控制方法、***、计算机设备和存储介质,通过根据航天器的给定期望姿态和实际姿态,得到期望姿态和所述实际姿态之间的误差量;根据误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型;构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律;将误差量中姿态误差四元数的矢量部分、实际姿态中的角速度以及角速度的导数作为输入量,将动力学模型中的不确定项的估计值作为输出量,构造神经网络逼近器,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。本发明通过构造辅助***补偿控制输入受限的影响,可以解决航天器控制输入受限情况下的姿态跟踪控制问题,采用神经网络逼近器在线估计航天器未知模型,克服了实际过程中的动力学模型不确定问题,提高了姿态跟踪控制***的控制精度和适应性。
附图说明
图1为一个实施例中航天器姿态跟踪的神经网络反步滑模控制方法的流程示意图;
图2为一个实施例中航天器姿态跟踪控制姿态误差四元数结果图;
图3为一个实施例中航天器姿态跟踪控制姿态误差角速度结果图;
图4为一个实施例中神经网络逼近结果图;
图5为一个实施例中航天器姿态跟踪控制输入图;
图6为另一个实施例中航天器姿态跟踪的神经网络反步滑模控制方法的流程示意图;
图7为一个实施例中航天器姿态跟踪的神经网络反步滑模控制***的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的航天器姿态跟踪的神经网络反步滑模控制方法,可以应用于如下应用环境中。通过给定航天器的期望姿态和实际姿态,建立了控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项;通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律;将误差量中姿态误差四元数的矢量部分、实际姿态中的角速度以及角速度的导数作为输入量,将不确定项的估计值作为输出量,构造神经网络逼近器;采用神经网络逼近器对动力学模型中的不确定项进行逼近,得到动力学模型的神经网络反步滑模姿态跟踪控制律,实现对航天器的姿态跟踪。
在一个实施例中,如图1所示,提供了一种航天器姿态跟踪的神经网络反步滑模控制方法,包括以下步骤:
步骤102,根据航天器的给定期望姿态和实际姿态,得到期望姿态和实际姿态之间的误差量;航天器为控制受限航天器。
航天器姿态跟踪是指航天器从任意给定的初始姿态出发,逐渐趋近并稳定跟踪给定的期望指令姿态,是航天器姿态控制的一种表现形式。在航天器姿态跟踪过程中,航天器的实际姿态不能做到与给定的期望姿态完全一致,两者之间存在误差量,航天器姿态跟踪的控制就是针对存在的误差量进行调整控制。本实施例中,误差量是姿态误差四元数和误差角速度。
步骤104,根据误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项。
航天器控制输入受限是执行机构普遍存在的物理约束,忽略该约束可能会导致***控制性能下降甚至引发***的不稳定性。本实施例中,在构建航天器姿态误差动力学模型时,将实际过程中执行机构的输入受限问题考虑到其中,使得动力学模型更加准确。另外,在实际航天器姿态跟踪过程中,***存在外界干扰力矩,航天器的转动惯量也无法准确得知,因此控制受限航天器姿态误差动力学模型中存在不确定项,不确定项为包含外界干扰力矩和参数不确定项的总的未知项。
步骤106,通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律。
以计算控制输入和推力器提供的实际受限控制输入的差值作为输入,构造辅助***,对***控制输入受限产生的影响进行补偿,通过反步方法设计虚拟控制量,并选取合适的滑模面,设计滑模姿态跟踪控制律,使得***对模型不确定及外界扰动具有强鲁棒性。
步骤108,将误差量中姿态误差四元数的矢量部分、实际姿态中的角速度以及角速度的导数作为输入量,将不确定项的估计值作为输出量,构造神经网络逼近器。
由于实际过程中航天器受到外界干扰力矩和转动惯量不确定因素的影响,其模型中存在不确定项,其上界通常是未知的,难以根据反步滑模姿态跟踪控制律进行控制律解算保证***的稳定性,如果边界选取过大,则相应的控制增益也随之增加,进而产生严重的抖振现象,破坏动力学性能;如果边界选取过小,***稳定性条件可能难以保证,进而导致***失稳。因此,本实施例采用神经网络逼近器对不确定项进行逼近,进而在控制律中实现对不确定项的补偿。令姿态误差四元数的矢量部分、实际姿态角速度及其导数作为神经网络的输入变量,令不确定项的估计值作为神经网络逼近器的输出变量,构造神经网络逼近器。
步骤110,根据神经网络逼近器和反步滑模姿态跟踪控制律,得到动力学模型的神经网络反步滑模姿态跟踪控制律,实现对航天器的姿态跟踪。
在神经网络反步滑模姿态跟踪控制律中,神经网络逼近器通过设计自适应律估计实际不确定项与不确定项逼近误差的上界,将反步滑模姿态跟踪控制律中的控制增益由原来的干扰上界减小至逼近误差上界的估计值,极大地降低了滑模控制导致的抖振现象,提高了***的动态性能。
本实施例中的控制受限航天器姿态跟踪控制结果如图2-图5所示。图2和图3分别给出了航天器姿态跟踪控制姿态误差四元数与姿态误差角速度结果图,由图2和图3可以看出,在航天器存在模型参数不确定性和外界扰动、控制受限情况下,其姿态误差四元数和姿态误差角速度均逐渐收敛至0附近,表明本发明所提出的姿态跟踪控制方法能够准确地跟踪期望姿态,验证了本发明所提出的姿态跟踪控制方法的有效性和鲁棒性。图4给出了神经网络逼近结果,由图4可得,本发明所设计的神经网络逼近器能够准确的在线估计航天器动力学模型中的不确定项。图5给出了航天器姿态跟踪控制输入图,由图5可以看出,控制输入均在输入受限幅值范围以内,且控制输入未产生明显的抖振现象,抖振现象得到了有效抑制。
图中符号说明如下:
上述航天器姿态跟踪的神经网络反步滑模控制方法中,通过给定航天器的期望姿态和实际姿态,建立控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项;通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律;将误差量中姿态误差四元数的矢量部分、实际姿态中的角速度以及角速度的导数作为输入量,将不确定项的估计值作为输出量,构造神经网络逼近器;采用神经网络逼近器对动力学模型中的不确定项进行逼近,得到动力学模型的神经网络反步滑模姿态跟踪控制律,实现对航天器的姿态跟踪。本发明通过构造辅助***补偿控制输入受限的影响,可以解决航天器控制输入受限情况下的姿态跟踪控制问题,采用神经网络逼近器在线估计航天器未知模型,克服了实际过程中的动力学模型不确定问题,提高了姿态跟踪控制***的控制精度和适应性。
在其中一个实施例中,还包括:根据航天器的给定期望姿态和实际姿态,得到期望姿态和实际姿态之间的误差量为:
其中,表示姿态误差四元数,,其中和分别为四元数的标量部分和矢量部分;表示期望姿态四元数,,其中和分别为四元数的标量部分和矢量部分,上标T表示向量或矩阵的转置;表示期望姿态四元数的逆,;表示实际姿态四元数,, 和分别为四元数的标量部分和矢量部分;符号表示四元数相乘;表示姿态误差角速度,;表示实际姿态角速度,;表示期望姿态角速度,;表示基于姿态误差四元数的姿态转换矩阵,;其中表示维数为3×3的单位矩阵,对于向量,表示叉乘矩阵,即:
误差量包括姿态误差四元数和误差角速度。根据给定的期望姿态四元数和期望角速度以及实际姿态四元数和实际角速度计算姿态误差四元数和误差角速度。
在其中一个实施例中,还包括:根据误差量建立航天器姿态误差的理论动力学模型,理论动力学模型包括外界干扰力矩不确定项;将理论动力学模型中的转动惯量转换为转动惯量已知量和建模的转动惯量不确定项的和;根据理论动力学模型和推力器提供的实际受限控制输入,得到控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项,不确定项包括外界干扰力矩不确定项和建模参数不确定项。
实际过程中,航天器的转动惯量是无法准确获得的,本实施例中,将航天器的转动惯量转换为转动惯量已知量和建模的转动惯量不确定项的和,将转动惯量的不确定部分分离开来,以在后序的操作中对不确定项进行逼近。
具体地,建立航天器姿态误差的理论动力学模型为:
其中
实际过程中航天器受到外界干扰力矩和转动惯量不确定因素的影响,其模型中存在不确定项,其上界通常是未知的,将不确定的外界干扰力矩和不确定的转动惯量整合到一个不确定项中,再对不确定项的整体进行逼近,可以提高逼近效率。
在其中一个实施例中,还包括:根据实际受限控制输入和计算控制输入的差值构建辅助***;根据航天器的***状态,通过反步方式得到虚拟控制量;根据辅助***、***状态和虚拟控制量,选取滑模面,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律。
具体地,定义的辅助***为:
进行坐标变换
选取滑模面:
通过构造辅助***补偿控制输入受限的影响,克服了控制输入受限问题,通过反步方法设计虚拟控制量,并选取合适的滑模面设计反步滑模控制律,使得***对模型不确定及外界扰动具有强鲁棒性。
在其中一个实施例中,还包括:根据辅助***、***状态和虚拟控制量,构建李亚普诺夫函数,根据李亚普诺夫函数验证反步滑模姿态跟踪控制律的稳定性。
通过李亚普诺夫函数验证所设计的反步滑模姿态跟踪控制律能够保证闭环***的稳定性和姿态误差的收敛性。
在其中一个实施例中,还包括:根据神经网络逼近器在线估计不确定项,神经网络逼近器中包括神经网络估计权值的自适应律;对神经网络逼近器的逼近误差上界设计逼近误差上界自适应律;根据神经网络逼近器、神经网络估计权值的自适应律和逼近误差自适应律,得到动力学模型的神经网络反步滑模姿态跟踪控制律;通过神经网络反步滑模姿态跟踪控制律对航天器进行姿态跟踪。
具体地,1)选择输入输出变量
3)设计神经网络反步滑模控制律
采用神经网络逼近航天器不确定模型并设计自适应律估计逼近误差上界,提供了***的控制精度,同时降低了抖振现象。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种航天器姿态跟踪的神经网络反步滑模控制方法,给定期望姿态四元数和期望角速度,计算期望姿态与实际姿态之间的误差四元数和误差角速度,通过反步滑模姿态控制律设计计算***控制律,通过神经网络逼近器设计在线估计***不确定模型,判断飞行器状态是否满足***指标,当不满足***指标时,调整设计参数,直到通过神经网络反步滑模姿态跟踪控制律对飞行器姿态进行跟踪满足***指标。
在一个具体实施例中,提供了一种航天器姿态跟踪的神经网络反步滑模控制方法,步骤如下:
步骤二:姿态控制误差量计算
计算期望姿态与实际姿态之间的姿态控制误差量
步骤三:设计反步滑模姿态跟踪控制律:
1)建立控制受限航天器姿态误差动力学模型
航天器姿态误差动力学模型描述如下:
其中
式中
2)设计反步滑模控制律
为处理控制受限问题,定义如下辅助***:
进行坐标变换
选取滑模面:
由于实际过程中航天器受到外界干扰力矩和转动惯量不确定因素的影响,其模型中存在不确定项,其上界通常也是未知的,难以根据控制律式进行控制律解算保证***的稳定性。因此,须设计神经网络逼近器对不确定项进行估计,采用的估计值实现在控制律中对不确定项的补偿。
步骤四:构造神经网络逼近器,设计神经网络反步滑模控制律,具体步骤如下:
1)选择输入输出变量
3)设计神经网络反步滑模控制律
为估计逼近误差上界,设计如下自适应律:
在一个实施例中,如图7所示,提供了一种航天器姿态跟踪的神经网络反步滑模控制***,包括:误差量获取模块702、动力学模型构建模块704、反步滑模姿态跟踪控制律确定模块706、神经网络逼近器构建模块708和神经网络反步滑模姿态跟踪控制律确定模块710,其中:
误差量获取模块702,用于根据航天器的给定期望姿态和实际姿态,得到期望姿态和实际姿态之间的误差量;航天器为控制受限航天器;
动力学模型构建模块704,用于根据误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项;
反步滑模姿态跟踪控制律确定模块706,用于通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律;
神经网络逼近器构建模块708,用于将误差量中姿态误差四元数的矢量部分、实际姿态中的角速度以及角速度的导数作为输入量,将不确定项的估计值作为输出量,构造神经网络逼近器;
神经网络反步滑模姿态跟踪控制律确定模块710,用于根据神经网络逼近器和反步滑模姿态跟踪控制律,得到动力学模型的神经网络反步滑模姿态跟踪控制律,实现对航天器的姿态跟踪。
误差量获取模块702还用于根据航天器的给定期望姿态和实际姿态,得到期望姿态和实际姿态之间的误差量为:
其中,表示姿态误差四元数;表示期望姿态四元数,表示期望姿态四元数的逆;表示实际姿态四元数;符号表示四元数相乘;表示姿态误差角速度;表示实际姿态角速度;表示基于姿态误差四元数的姿态转换矩阵;表示期望姿态角速度。
动力学模型构建模块704还用于根据误差量建立航天器姿态误差的理论动力学模型,理论动力学模型包括外界干扰力矩不确定项;将理论动力学模型中的转动惯量转换为转动惯量已知量和建模的转动惯量不确定项的和;根据理论动力学模型和推力器提供的实际受限控制输入,得到控制受限航天器姿态误差动力学模型,控制受限航天器姿态误差动力学模型中包括不确定项,不确定项包括外界干扰力矩不确定项和建模参数不确定项。
反步滑模姿态跟踪控制律确定模块706还用于根据实际受限控制输入和计算控制输入的差值构建辅助***;根据航天器的***状态,通过反步方式得到虚拟控制量;根据辅助***、***状态和虚拟控制量,选取滑模面,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律。
反步滑模姿态跟踪控制律确定模块706还用于在通过构建辅助***对动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到动力学模型的反步滑模姿态跟踪控制律之后,根据辅助***、***状态和虚拟控制量,构建李亚普诺夫函数,根据李亚普诺夫函数验证反步滑模姿态跟踪控制律的稳定性。
神经网络反步滑模姿态跟踪控制律确定模块710还用于根据神经网络逼近器在线估计不确定项,神经网络逼近器中包括神经网络估计权值的自适应律;对神经网络逼近器的逼近误差上界设计逼近误差上界自适应律;根据神经网络逼近器、神经网络估计权值的自适应律和逼近误差自适应律,得到动力学模型的神经网络反步滑模姿态跟踪控制律;通过神经网络反步滑模姿态跟踪控制律对航天器进行姿态跟踪。
关于航天器姿态跟踪的神经网络反步滑模控制***的具体限定可以参见上文中对于航天器姿态跟踪的神经网络反步滑模控制方法的限定,在此不再赘述。上述航天器姿态跟踪的神经网络反步滑模控制***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种航天器姿态跟踪的神经网络反步滑模控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种航天器姿态跟踪的神经网络反步滑模控制方法,其特征在于,所述方法包括:
根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;所述控制受限航天器姿态误差动力学模型为:,其中为航天器姿态误差四元数的矢量部分、为航天器姿态误差四元数的矢量部分的一阶导数,和为根据所述误差量计算得到的中间变量,为控制器计算控制输入,为实际推力器提供的控制输入,表示所述不确定项;
通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;所述辅助***为,其中和为预设的正定矩阵,为控制器计算控制输入和实际推力器提供的控制输入的差值,和为所述辅助***定义的状态变量,和为定义变量和的一阶导数;
将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;所述神经网络逼近器的自适应律为:,其中为神经网络理想权值的估计值,为预设的正定对称矩阵,为隐含层输出,为控制器设计中选取的滑模面,表示向量转置;
根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
3.根据权利要求2所述的方法,其特征在于,根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型包括不确定项,包括:
根据所述误差量建立航天器姿态误差的理论动力学模型,所述理论动力学模型包括外界干扰力矩不确定项;
将所述理论动力学模型中的转动惯量转换为转动惯量已知量和建模的转动惯量不确定项的和;
根据所述理论动力学模型和推力器提供的实际受限控制输入,得到控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项,所述不确定项包括外界干扰力矩不确定项和建模参数不确定项。
4.根据权利要求3所述的方法,其特征在于,所述通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律,包括:
根据所述实际受限控制输入和所述计算控制输入的差值构建辅助***;
根据所述航天器的***状态,通过反步方式得到虚拟控制量;
根据所述辅助***、所述***状态和所述虚拟控制量,选取滑模面,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律。
5.根据权利要求4所述的方法,其特征在于,在所述通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律之后,还包括:
根据所述辅助***、所述***状态和所述虚拟控制量,构建李亚普诺夫函数,根据所述李亚普诺夫函数验证所述反步滑模姿态跟踪控制律的稳定性。
6.根据权利要求5所述的方法,其特征在于,根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪,包括:
根据所述神经网络逼近器在线估计所述不确定项,所述神经网络逼近器中包括神经网络估计权值的自适应律;
对所述神经网络逼近器的逼近误差上界设计逼近误差上界自适应律;
根据所述神经网络逼近器、所述神经网络估计权值的自适应律和所述逼近误差自适应律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律;
通过所述神经网络反步滑模姿态跟踪控制律对所述航天器进行姿态跟踪。
7.一种航天器姿态跟踪的神经网络反步滑模控制***,其特征在于,所述***包括:
误差量获取模块,用于根据航天器的给定期望姿态和实际姿态,得到所述期望姿态和所述实际姿态之间的误差量;所述航天器为控制受限航天器;
动力学模型构建模块,用于根据所述误差量和推力器提供的实际受限控制输入建立控制受限航天器姿态误差动力学模型,所述控制受限航天器姿态误差动力学模型中包括不确定项;所述控制受限航天器姿态误差动力学模型为:,其中为航天器姿态误差四元数的矢量部分、为航天器姿态误差四元数的矢量部分的一阶导数,和为根据所述误差量计算得到的中间变量,为控制器计算控制输入,为实际推力器提供的控制输入,表示所述不确定项;
反步滑模姿态跟踪控制律确定模块,用于通过构建辅助***对所述动力学模型中的控制输入受限进行补偿,采用反步滑模算法得到所述动力学模型的反步滑模姿态跟踪控制律;所述辅助***为,其中和为预设的正定矩阵,为控制器计算控制输入和实际推力器提供的控制输入的差值,和为所述辅助***定义的状态变量,和为定义变量和的一阶导数;
神经网络逼近器构建模块,用于将所述误差量中姿态误差四元数的矢量部分、所述实际姿态中的角速度以及所述角速度的导数作为输入量,将所述不确定项的估计值作为输出量,构造神经网络逼近器;所述神经网络逼近器的自适应律为:,其中为神经网络理想权值的估计值,为预设的正定对称矩阵,为隐含层输出,为控制器设计中选取的滑模面,表示向量转置;
神经网络反步滑模姿态跟踪控制律确定模块,用于根据所述神经网络逼近器和所述反步滑模姿态跟踪控制律,得到所述动力学模型的神经网络反步滑模姿态跟踪控制律,实现对所述航天器的姿态跟踪。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072484.0A CN112394645B (zh) | 2021-01-20 | 2021-01-20 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110072484.0A CN112394645B (zh) | 2021-01-20 | 2021-01-20 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112394645A CN112394645A (zh) | 2021-02-23 |
CN112394645B true CN112394645B (zh) | 2021-04-16 |
Family
ID=74625723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110072484.0A Active CN112394645B (zh) | 2021-01-20 | 2021-01-20 | 一种航天器姿态跟踪的神经网络反步滑模控制方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112394645B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113590654B (zh) * | 2021-06-22 | 2022-09-09 | 中国人民解放军国防科技大学 | 基于时空模式网络的航天器姿态***异常检测方法及装置 |
CN113485396B (zh) * | 2021-06-29 | 2023-11-10 | 北京控制工程研究所 | 一种航天器交会对接最后逼近段相对轨道与姿态跟踪控制方法 |
CN113619814B (zh) * | 2021-06-29 | 2023-06-06 | 北京控制工程研究所 | 一种交会对接最后逼近段相对姿轨耦合控制方法 |
CN113591220B (zh) * | 2021-08-02 | 2022-05-17 | 中国科学院微小卫星创新研究院 | 一种航天器地面姿态动力学建模仿真方法 |
CN114200950B (zh) * | 2021-10-26 | 2023-06-02 | 北京航天自动控制研究所 | 一种飞行姿态控制方法 |
CN115268480B (zh) * | 2022-06-27 | 2023-03-31 | 哈尔滨工业大学(深圳) | 一种基于李代数的欠驱动航天器姿态控制方法、设备和介质 |
CN115857342B (zh) * | 2022-11-28 | 2024-05-24 | 北京理工大学 | 基于自适应神经网络的航天器观测载荷随动机构控制方法 |
CN117472092A (zh) * | 2023-12-06 | 2024-01-30 | 深圳职业技术大学 | 一种飞行器姿态跟踪控制方法、***及计算机设备 |
CN117519257B (zh) * | 2024-01-04 | 2024-03-29 | 中国人民解放军国防科技大学 | 一种基于反步法的超声速巡航高度控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997208A (zh) * | 2017-05-10 | 2017-08-01 | 南京航空航天大学 | 一种面向不确定条件下的高超声速飞行器的控制方法 |
CN109283932A (zh) * | 2018-09-18 | 2019-01-29 | 浙江工业大学 | 一种基于积分反步滑模的四旋翼飞行器姿态控制方法 |
CN110543184A (zh) * | 2018-09-28 | 2019-12-06 | 浙江工业大学 | 一种刚性飞行器的固定时间神经网络控制方法 |
CN110618606A (zh) * | 2019-09-30 | 2019-12-27 | 哈尔滨工程大学 | 一种复合干扰下的欠驱动auv反步自适应模糊滑模控制方法 |
CN110687918A (zh) * | 2019-10-17 | 2020-01-14 | 哈尔滨工程大学 | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 |
WO2020073211A1 (zh) * | 2018-10-09 | 2020-04-16 | 华为技术有限公司 | 运算加速器、处理方法及相关设备 |
CN111781827A (zh) * | 2020-06-02 | 2020-10-16 | 南京邮电大学 | 基于神经网络和滑模控制的卫星编队控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190095764A1 (en) * | 2017-09-26 | 2019-03-28 | Panton, Inc. | Method and system for determining objects depicted in images |
-
2021
- 2021-01-20 CN CN202110072484.0A patent/CN112394645B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106997208A (zh) * | 2017-05-10 | 2017-08-01 | 南京航空航天大学 | 一种面向不确定条件下的高超声速飞行器的控制方法 |
CN109283932A (zh) * | 2018-09-18 | 2019-01-29 | 浙江工业大学 | 一种基于积分反步滑模的四旋翼飞行器姿态控制方法 |
CN110543184A (zh) * | 2018-09-28 | 2019-12-06 | 浙江工业大学 | 一种刚性飞行器的固定时间神经网络控制方法 |
WO2020073211A1 (zh) * | 2018-10-09 | 2020-04-16 | 华为技术有限公司 | 运算加速器、处理方法及相关设备 |
CN110618606A (zh) * | 2019-09-30 | 2019-12-27 | 哈尔滨工程大学 | 一种复合干扰下的欠驱动auv反步自适应模糊滑模控制方法 |
CN110687918A (zh) * | 2019-10-17 | 2020-01-14 | 哈尔滨工程大学 | 一种基于回归型神经网络在线逼近的水下机器人轨迹跟踪控制方法 |
CN111781827A (zh) * | 2020-06-02 | 2020-10-16 | 南京邮电大学 | 基于神经网络和滑模控制的卫星编队控制方法 |
Non-Patent Citations (1)
Title |
---|
"带有输入饱和的挠性航天器姿态跟踪鲁棒控制研究";肖冰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110515;正文第41-45,51-60页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112394645A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112394645B (zh) | 一种航天器姿态跟踪的神经网络反步滑模控制方法和*** | |
Peng et al. | Constrained control of autonomous underwater vehicles based on command optimization and disturbance estimation | |
Bu et al. | Nonfragile quantitative prescribed performance control of waverider vehicles with actuator saturation | |
Bai et al. | Adaptive reinforcement learning neural network control for uncertain nonlinear system with input saturation | |
Bu et al. | Tracking control of air-breathing hypersonic vehicles with non-affine dynamics via improved neural back-stepping design | |
Wu et al. | Nonlinear disturbance observer based robust backstepping control for a flexible air-breathing hypersonic vehicle | |
Bu et al. | Minimal-learning-parameter based simplified adaptive neural back-stepping control of flexible air-breathing hypersonic vehicles without virtual controllers | |
Zhang et al. | Bounded finite-time attitude tracking control for rigid spacecraft via output feedback | |
Shin | Adaptive dynamic surface control for a hypersonic aircraft using neural networks | |
Bu et al. | A new prescribed performance control approach for uncertain nonlinear dynamic systems via back-stepping | |
Tao et al. | Novel finite-time adaptive neural control of flexible spacecraft with actuator constraints and prescribed attitude tracking performance | |
Bu et al. | Guaranteeing preselected tracking quality for air-breathing hypersonic non-affine models with an unknown control direction via concise neural control | |
Yin et al. | Quasi fixed-time fault-tolerant control for nonlinear mechanical systems with enhanced performance | |
Wang et al. | Dynamic learning from adaptive neural control for discrete-time strict-feedback systems | |
Chen et al. | Adaptive optimal tracking control of an underactuated surface vessel using actor–critic reinforcement learning | |
Xiao et al. | Robust fault tolerant control for spacecraft attitude stabilization under actuator faults and bounded disturbance | |
Bu et al. | Robust tracking control of hypersonic flight vehicles: A continuous model-free control approach | |
Ye et al. | Anti-windup robust backstepping control for an underactuated reusable launch vehicle | |
Benosman et al. | Nonlinear control allocation for non-minimum phase systems | |
Li et al. | Finite-time composite learning control for trajectory tracking of dynamic positioning vessels | |
Li et al. | Prescribed performance trajectory tracking fault-tolerant control for dynamic positioning vessels under velocity constraints | |
Chen et al. | Robust trajectory tracking control of a marine surface vessel using asymmetric error constraints and output feedback | |
Nakamura-Zimmerer et al. | Neural network optimal feedback control with guaranteed local stability | |
Gao et al. | Tracking control of the nodes for the complex dynamical network with the auxiliary links dynamics | |
Zhang et al. | Barrier function-based prescribed-performance adaptive attitude tracking control for spacecraft with uncertainties |
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 |