基于学习神经网络的航天器姿态重构容错控制方法技术

本发明专利技术公开了一种基于学习神经网络的航天器姿态重构容错控制方法，首先，考虑航天器执行机构故障、转动惯量不确定性和空间扰动的影响，建立航天器姿态跟踪动力学模型；然后，设计学习神经网络模型和学习神经网络观测器对执行机构故障进行精确重构；最后，基于故障重构结果，给出基于学习神经网络滑模算法的航天器姿态重构容错控制器方法，该方法能够实现航天器执行机构故障、转动惯量不确定性以及空间干扰影响时高精度姿态跟踪控制。所提基于学习神经网络的航天器姿态容错控制方案具有计算量小、容错能力强以及强鲁棒性等特点。容错能力强以及强鲁棒性等特点。容错能力强以及强鲁棒性等特点。

【技术实现步骤摘要】
基于学习神经网络的航天器姿态重构容错控制方法


[0001]本专利技术涉及一种基于学习神经网络的航天器姿态重构容错控制方法，主要应用于考虑航天执行机构故障、转动惯量不确定性和空间干扰时航天器姿态容错控制中。

技术介绍

[0002]航天器长期处于复杂的外太空环境中，受到太阳辐射、弱磁场、粒子辐照、真空等因素的影响，不可避免给航天器姿态控制系统保持安全性和高可靠性带来巨大的挑战。姿态控制分系统是航天器系统最基础、最关键的子系统之一，该系统的稳定工作与否决定了航天任务能否顺利进行。姿控系统故障轻则导致航天器控制精度降低，丢失期望姿态，重则使航天器的寿命缩短，甚至任务中断，带来巨大的经济损失。因此，通过航天器故障诊断和容错控制技术来提高航天器的可靠性和可维护性具有重要的学术研究价值和实际应用价值。
[0003]近年来，随着航天智能自主化发展需求，人工智能在航天领域的应用引起了各航天大国的重视。针对高可靠性航天器系统的研制需求，结合人工智能的快速发展，航天器在轨智能故障诊断与容错控制成为未来的发展趋势。考虑星载计算机有限的存储空间和计算能力，以及现有智能学习算法计算量大、诊断数据需离线训练等缺点，如何保证航天器在轨智能自主诊断仍值得研究。另一方面，考虑日益复杂的太空探索任务以及恶劣的在轨环境，如何在有效的处理未知非线性动力学同时，实现鲁棒航天器姿态容错控制也是值得研究的。

技术实现思路

[0004]针对在轨航天器在进行姿态跟踪的过程中存在执行机构故障、转动惯量不确定性和空间干扰影响的问题，提出了一种基于学习神经网络滑模的主动容错控制方法，能够在减小了星载计算机的计算压力的同时，可以保证航天器姿态容错跟踪控制的鲁棒性。
[0005]基于学习神经网络的航天器姿态重构容错控制方法，包括以下步骤：步骤1，考虑航天器执行机构故障、转动惯量不确定性和空间干扰的影响，建立航天器姿态动力学模型，并基于所述航天器姿态动力学模型建立航天器姿态跟踪动力学模型；步骤2，结合P型迭代学习算法和径向基函数RBF神经网络模型，建立用于非线性函数在线精确拟合的学习神经网络模型；步骤3，基于学习神经网络模型，设计一种用于航天器执行机构故障重构的学习神经网络观测器；步骤4，提出所述学习神经网络观测器的存在条件并计算相关参数；步骤5，基于所述学习神经网络观测器获得的执行机构故障重构信息，设计一种用于航天器姿态重构容错控制的学习神经网络滑模控制器，该控制器包括前馈补偿项、姿态跟踪控制器和故障调节容错控制器，在发生执行器故障和存在干扰的情况下，确保航天器
稳定精确地实现姿态跟踪；步骤6，提出所述学习神经网络滑模控制器的存在条件并计算相关参数，实现航天器姿态重构容错控制。
[0006]作为优选，步骤1中的航天器姿态动力学模型如下：（1）其中，J
S
∈R3×3表示刚性航天器的标称转动惯量矩阵；ω=[ω
x
, ω
y
, ω
z
]T
∈R3代表航天器本体坐标系相对于惯性坐标系的姿态角速度，上标
·
表示导数，为角速度的加速度；u
c
=[u
x
, u
y
, u
z
]T
∈R3为执行机构输出力矩；u
f
=[u
fx
, u
fy
, u
fz
]T
∈R3为执行机构故障；d=[d
x
, d
y
, d
z
]T
∈R3表示空间干扰力矩,
△
J∈R3×3为转动惯量矩阵的不确定性部分；假设联合干扰，考虑联合干扰u
dJ
其值未知但是有界，表示为
║
u
dJ
║
≤u
dJmax
, u
dJmax
定义为u
dJ
的上界，ω
×
为ω反对称矩阵。
[0007]作为优选，基于航天器姿态动力学模型（1），建立的航天器姿态跟踪误差动力学模型如下：（2）其中，ω
e
=[ω
ex
, ω
ey
, ω
ez
]T
∈R3为姿态角速度误差，为实际角速度ω=[ω
x
, ω
y
, ω
z
]T
∈R3和期望角速度ω
d
=[ω
dx
, ω
dy
, ω
dz
]T
∈R3之间的误差，即ω
e
=ω
‑
R(Q
e
)ω
d
；姿态四元数误差Q
e
=(q
e0
,q
e
)∈R4，有q
e0
∈R，q
e
=[q
e1
, q
e2
, q
e3
]∈R3，且q
2e0
+ q
eT
q
e
=1；R(Q
e
)为航天器期望姿态到实际姿态的姿态转换矩阵，满足：；定义为联合干扰, 其值虽然未知但是有界，可以表示为
║
u
d
║
≤u
dmax
, u
dmax
定义为u
d
的上界。
[0008]作为优选，步骤2中结合P型迭代学习算法和径向基函数RBF神经网络，构建一种对执行机构故障进行在线精确拟合的学习神经网络模型，所述学习神经网络模型如下：其中，为f(x)的估计值，为权重矩阵，h(x)为高斯基函数向量，p和m分别为节点和输入数，下标j为节点；所述学习神经网络模型能够在线精确拟合非线性函数f(x)。
[0009]作为优选，步骤2中RBF神经网络模型表示为：对于任意连续函数f(x)∈R
m
，存在一个理想的权重矩阵W∈R
m
×
p
，从而满足以下条件：f(x)= W
T
h(x)+ε（3）
其中x=[x1,
…
,x
n
]，为输入向量；p和m分别为节点和输入数；ε为近似误差；h(x)=[ h1(x)
…
h
p
(x)]T
为高斯基函数向量，其元素可以通过如下关系得到：
ꢀꢀ
（4）其中，c
i ∈R
n
表示RBF神经网络的第i个隐含层的中心参数，b
i
∈R表示第i个高斯函数h
i
(x)的宽度参数；其中，利用P型迭代学习算法对权重矩阵进行迭代升级更新， P型迭代学习算法结构形式如下：（5）其中α是学习率，e是观测器测量估计输出偏差或控制器控制偏差，Γ为增益矩阵；τ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于学习神经网络的航天器姿态重构容错控制方法，其特征在于，包括以下步骤：步骤1，考虑航天器执行机构故障、转动惯量不确定性和空间干扰的影响，建立航天器姿态动力学模型，并基于所述航天器姿态动力学模型建立航天器姿态跟踪动力学模型；步骤2，结合P型迭代学习算法和径向基函数RBF神经网络模型，建立用于非线性函数在线精确拟合的学习神经网络模型；步骤3，基于学习神经网络模型，设计一种用于航天器执行机构故障重构的学习神经网络观测器；步骤4，提出所述学习神经网络观测器的存在条件并计算相关参数；步骤5，基于所述学习神经网络观测器获得的执行机构故障重构信息，设计一种用于航天器姿态重构容错控制的学习神经网络滑模控制器，该控制器包括前馈补偿项、姿态跟踪控制器和故障调节容错控制器，在发生执行器故障和存在干扰的情况下，确保航天器稳定精确地实现姿态跟踪；步骤6，提出所述学习神经网络滑模控制器的存在条件并计算相关参数，实现航天器姿态重构容错控制。2.根据权利要求1所述的一种基于学习神经网络的航天器姿态重构容错控制方法，其特征在于：步骤1中的航天器姿态动力学模型如下：（1）其中，J
S
∈R3×3表示刚性航天器的标称转动惯量矩阵；ω=[ω
x
, ω
y
, ω
z
]
T
∈R3代表航天器本体坐标系相对于惯性坐标系的姿态角速度，上标
·
表示导数，为角速度的加速度；u
c
=[u
x
, u
y
, u
z
]
T
∈R3为执行机构输出力矩；u
f
=[u
fx
, u
fy
, u
fz
]
T
∈R3为执行机构故障；d=[d
x
, d
y
, d
z
]
T
∈R3表示空间干扰力矩,
△
J∈R3×3为转动惯量矩阵的不确定性部分；假设联合干扰，考虑联合干扰u
dJ
其值未知但是有界，表示为
║
u
dJ
║
≤u
dJmax
, u
dJmax
定义为u
dJ
的上界，ω
×
为ω反对称矩阵。3.根据权利要求2所述的一种基于学习神经网络的航天器姿态重构容错控制方法，其特征在于：基于航天器姿态动力学模型（1），建立的航天器姿态跟踪误差动力学模型如下：（2）其中，ω
e
=[ω
ex
, ω
ey
, ω
ez
]
T
∈R3为姿态角速度误差，为实际角速度ω=[ω
x
, ω
y
, ω
z
]
T
∈R3和期望角速度ω
d
=[ω
dx
, ω
dy
, ω
dz
]
T
∈R3之间的误差，即ω
e
=ω
‑
R(Q
e
)ω
d
；姿态四元数误差Q
e
=(q
e0
,q
e
)∈R4，有q
e0
∈R，q
e
=[q
e1
, q
e2
, q
e3
]∈R3，且q
2e0
+ q
eT
q
e
=1；R(Q
e
)为航天器期望姿态到实际姿态的姿态转换矩阵，满足；定义为联合干扰, 其值虽然未知但是有界，可以表示为
║
u
d
║
≤u
dmax
, u
dmax
定义为u
d
的上界。
4.根据权利要求3所述的一种基于学习神经网络的航天器姿态重构容错控制方法，其特征在于：步骤2中结合P型迭代学习算法和径向基函数RBF神经网络，构建一种对执行机构故障进行在线精确拟合的学习神经网络模型，所述学习神经网络模型如下：其中，为f(x)的估计值，为权重矩阵，h(x)为高斯基函数向量，p和m分别为节点和输入数，下标j为节点；所述学习神经网络模型能够在线精确拟合非线性函数f(x)。5.根据权利要求4所述的一种基于学习神经网络的航天器姿态重构容错控制方法，其特征在于：所述步骤2中RBF神经网络模型表示为：对于任意连续函数f(x)∈R
m
，存在一个理想的权重矩阵W∈R
m
×
p<...

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