基于学习神经网络滑模的航天器编队轨道容错控制方法技术

本发明专利技术公开了基于学习神经网络滑模的航天器编队轨道容错控制方法，按以下步骤进行：1、考虑空间摄动和推力器故障，建立航天器编队系统的非线性相对动力模型；2、结合P型迭代学习算法、径向基函数神经网络模型和滑模算法，设计一种学习神经网络滑模观测器，对推力器故障进行鲁棒重构；3、结合学习神经网络模型和滑模控制算法，设计一种学习神经网络滑模容错控制器，实现航天器编队系统受到空间摄动和推力器故障时对标称构型的高精度维持控制。器故障时对标称构型的高精度维持控制。器故障时对标称构型的高精度维持控制。

【技术实现步骤摘要】
基于学习神经网络滑模的航天器编队轨道容错控制方法


[0001]本专利技术属于航天器故障诊断与容错控制领域，主要涉及基于学习神经网络滑模的航天器编队轨道容错控制方法，可应用于航天器编队系统故障重构与主动容错控制中。

技术介绍

[0002]随着航天器在通信、遥感等领域发挥着越来越重要的作用，将多颗航天器组成编队代替单一综合性航天器完成复杂的空间任务成为了空间技术发展的重要方向。航天器编队通过策略实现多颗子航天器的功能重组，实现单一航天器很难实现的功能，例如航天器编队系统突破了传统航天器结构大小的限制，使得成员航天器在相当大的范围内分布，可以形成很长的基线；对很多空间探测任务而言，还可以大大提高观测的灵敏度。
[0003]航天器编队可以通过组网工作满足复杂空间任务的严苛要求，然而在轨成员长时间运行于恶劣太空环境，不可避免地出现异常和故障，特别是姿轨控制分系统。控制系统出现故障会大大降低控制性能，甚至可能导致整个航天器编队失去控制，例如
ꢀ“
龙江一号”由于轨控推力器出现故障，未能及时关机，导致卫星进入了快速旋转状态，最后失联。因此，为了提高航天器编队系统的可靠性和可维护性，需要在航天器编队系统层次实施故障诊断与容错控制的技术方案。专利CN108614420B针对故障星簇级卫星编队系统，提出了基于非线性规划的容错控制方法，该方法通过非线性动态规划技术确定故障星离开及备份星加入的最优轨迹，实现了编队在故障情况下的构型重构。专利CN105404304A针对执行机构故障和输出饱和情况下航天器编队姿态协同控制问题，提出了基于归一化神经网络和滑模变结构的控制方法，以保证航天器编队姿态一致。
[0004]上述公开专利虽然对航天器编队容错控制方法进行了研究，但并未考虑航天器编队故障诊断与重构，属于被动容错控制范畴。此外，通过对现有技术的调研，并未发现学习神经网络滑模的理论研究以及在航天器编队故障诊断与容错控制方面的应用。本专利技术在编队层次上为航天器编队容错控制进行了探索，提出了一种新的解决方案，为我国的航天事业提供了必要的技术储备。

技术实现思路

[0005]本专利技术要解决的问题是：考虑到航天器编队系统在轨运行过程中受到的空间环境干扰以及轨控推力器故障情况，提供基于学习神经网络滑模的航天器编队轨道容错控制方法，实现了航天器编队系统推力器故障的鲁棒重构以及编队构型高精度维持控制。
[0006]技术方案：本专利技术提供了基于学习神经网络滑模的航天器编队轨道容错控制方法，具体包括如下步骤：步骤1，根据航天器编队系统非线性相对动力学模型，考虑空间摄动d(t)和航天器推力器可能出现的例如阻塞等偏差故障f(t)，建立主航天器在圆轨道上的航天器编队系统非线性相对动力学模型；确定系统的状态空间方程中的A、G、B、E、F、C等参数矩阵。
[0007]步骤2，结合P型迭代学习算法、径向基神经网络和滑模算法，设计一种用于推力器
故障重构的学习神经网络滑模观测器，得到故障重构信号，应用于学习神经网络滑模容错控制律中，以补偿推力器故障给编队构型带来的影响；步骤3，结合学习RBF神经网络模型和滑模控制算法，设计一种基于学习神经网络滑模的航天器编队构型维持容错控制器，并引入步骤2中观测器获取的故障重构信号给学习神经网络滑模容错控制器；步骤4，利用所设计的故障观测器和容错控制器完成闭环控制，实现航天器编队在空间摄动和推力器故障同时存在的条件下对期望标称构型的高精度跟踪保持。
[0008]作为优选，步骤1中主航天器在圆轨道上的航天器编队系统非线性相对动力学模型具体为：其中，q=[q
1T
,q
2T
]T
，定义q1=[x,y,z]T
、表示系统状态向量；u
c
(t)表示轨控推力向量；d(t)表示航天器所受到的空间摄动力向量；f(t)表示推力器偏差故障向量；y∈R6表示系统测量输出向量，R为实数；A、G、B、E、F、C为航天器编队系统的非线性状态空间模型中参数矩阵。
[0009]作为优选，学习神经网络滑模观测器基于实际编队系统的可测量输出y进行观测，通过学习神经网络模型对推力器的偏差故障f(t)进行在线估计，最终实现对实际编队系统的完整逼近。
[0010]作为优选，步骤2具体为：步骤2.1，基于P型迭代学习算法和RBF神经网络模型，构建用于推力器故障在线精确拟合的学习RBF神经网络模型：其中，上标^表示估计值，为推力器故障的重构值，通过利用RBF神经网络对其进行在线精确拟合；表示RBF神经网络的权重矩阵估计值，通过利用P型迭代学习算法对权重矩阵进行在线升级；τ为学习时间间隔；参数α∈(0,1)，L1∈R3×6是增益矩阵；学习RBF神经网络模型中，∈R3×1是高斯基函数向量；步骤2.2，基于学习RBF神经网络模型，构建学习神经网络滑模观测器：其中，上标^表示估计值，、分别为系统状态向量估计和系统非线性项估计；为步骤2.1得到的推力器故障的重构值，表示可测量输出的估计值；表示用于处理空间摄动力的滑模项。
[0011]作为优选，步骤3中学习神经网络滑模观测器的增益矩阵L和L1的求解方法如下：
T
adap
(t)其中，T
c
(t)是控制输入，T
norm
(t)、 T
adap
(t)为表示控制输入的算子，具体为：(t)为表示控制输入的算子，具体为：其中，且γ1∈（0,1）；表示综合干扰的估计项，利用学习神经网络模型对综合干扰进行在线精确估计，利用P型迭代学习算法对RBF神经网络模型权重矩阵进行在线升级。
[0013]作为优选，学习神经网络模型为：，其中，θ∈（0,1）为待定系数；K为待确认的矩阵参数，K=diag（K1,K2,K3）,且K
i
＞0，i=1,2,3，表示第i个对角线元素；φ(
·
)为以滑模面为输入量的高斯函数, W1为学习神经网络模型的权重矩阵，上标T表示矩阵的转置，上标^表示估计值，t表示t时刻，τ为学习间隔。
[0014] 作为优选，步骤4中学习神经网络滑模容错控制器的θ和K的求解方法为：航天器编队系统相对位置和相对速度跟踪误差最终一致有界，学习神经网络滑模容错控制器参数满足如下条件：其中，P2∈R3×3为正定对称矩阵，δ为正常数，基于上式求得θ和K。
[0015]有益效果本专利技术基于航天器编队系统的非线性相对动力模型提出了一种学习神经网络滑模观测器，对推力器故障进行鲁棒重构；提出了一种学习神经网络滑模容错控制器，实现航天器编队系统受到空间摄动和推力器故障时对标称构型的高精度维持控制，解决了空间环境干扰和推力器故障时高精度航天器编队构型维持控制问题。
附图说明
[0016]图1为本专利技术的基于学习神经网络滑模的航天器编队轨道容错控制方法的流程图；图2为航天器编队轨道重构容错控制方法的原理图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于学习神经网络滑模的航天器编队轨道容错控制方法，其特征在于，具体包括如下步骤：步骤1，考虑空间摄动和航天器推力器的偏差故障，建立主航天器在圆轨道上的航天器编队系统非线性相对动力学模型，并确定系统的状态空间方程中的相关参数矩阵；步骤2，结合P型迭代学习算法、径向基神经网络和滑模算法，得到故障重构信号，并基于故障重构信号构造用于推力器故障重构的学习神经网络滑模观测器；步骤3，结合学习RBF神经网络模型和滑模控制算法，构造一种基于学习神经网络滑模的航天器编队构型维持容错控制器，其中，基于步骤2中观测器得到的故障重构信号，进行容错控制律的设计，以补偿推力器故障给编队构型带来的影响，实现维持容错控制；步骤4，基于所述故障观测器和容错控制器实现航天器编队在空间摄动和推力器故障同时存在的条件下对期望标称构型的高精度跟踪保持。2.根据权利要求1所述的基于学习神经网络滑模的航天器编队轨道容错控制方法，其特征在于，步骤1中主航天器在圆轨道上的航天器编队系统非线性相对动力学模型具体为：其中，q=[q
1T
,q
2T
]
T
，定义q1=[x,y,z]
T
、表示系统状态向量，上标
·
表示求导；u
c
(t)表示轨控推力向量；d(t)表示航天器所受到的空间摄动力向量；f(t)表示推力器偏差故障向量；y∈R6表示系统测量输出向量，R为实数；A、G、B、E、F、C为航天器编队系统的非线性状态空间模型中参数矩阵。3.根据权利要求2所述的基于学习神经网络滑模的航天器编队轨道容错控制方法，其特征在于，所述学习神经网络滑模观测器基于实际编队系统的可测量输出y进行观测，通过学习神经网络模型对推力器的偏差故障f(t)进行在线估计，最终实现对实际编队系统的完整逼近。4.根据权利要求3所述的基于学习神经网络滑模的航天器编队轨道容错控制方法，其特征在于，步骤2具体为：步骤2.1，基于P型迭代学习算法和RBF神经网络模型，构建用于推力器故障在线精确拟合的学习RBF神经网络模型：其中，上标^表示估计值， 为推力器故障的重构值，通过利用RBF神经网络对其进行在线精确拟合；表示RBF神经网络的权重矩阵估计值，通过利用P型迭代学习算法对权重矩阵进行在线升级；τ为学习时间间隔；参数α∈(0,1)，L1∈R3×6是增益矩阵；学习RBF神经网络模型中，∈R3×1是高斯基函数向量，表示可测量输出的估计值；步骤2.2，基于学习RBF神经网络模型，构建学习神经网络滑模观测器：
其中，上标^表示估计值，上标
·
表示求导，、分别为系统状态向量估计和系统非线性项估计；为步骤2.1得到的推力器故障的重构值，表示可测量输出的估计值，表示用于处理空间摄动力的滑模项。5.根据权利要求4所述的基于学习神经网络滑模的航天器编队轨道容错控制方法，其特征在于，步骤3中学习神经网络滑模观测器的增益矩阵L和L1的求解方法如下：基于李雅普诺夫稳定性理论，学习神经网络滑模观测器满足如下条件：其中，P∈R6×6是...

【专利技术属性】
技术研发人员：贾庆贤，舒睿，高君楠，桂玉乐，于丹，吴云华，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：