【技术实现步骤摘要】
本专利技术属于动力学与控制，具体涉及一种基于bp神经网络与pid控制结合的无拖曳航天器控制方法。
技术介绍
1、pid控制是最早发展起来的经典控制策略之一，全称为比例-积分-微分控制，由比例控制、积分控制、微分控制三部分组成，它通过调整控制器的比例系数kp、积分系数ki、微分系数kd三个参数来调节三种控制所占比例，以实现对系统精确性、快速性、稳定性的控制。pid控制凭借其原理简单、可靠性强、鲁棒性高等优点在工业控制过程中占据主导地位，广泛应用于工业生产、化工、机械以及航空航天等领域。但pid控制也存在相应的局限性，过于依赖控制参数以及系统模型导致其在处理非线性、时变等系统时效果不佳。
2、无拖曳控制技术是获取超低扰动航天器平台的重要途径和关键技术之一，由lange等人在上世纪60年代提出，为空间科学实验、对地观测等有着高精度要求的研究提供了支持。无拖曳卫星的设计方案使引力波的探测成为可能，引力波探测科学卫星包含航天器平台及两颗检验质量，检验质量分别悬浮在电极笼中，夹角为60°，由于航天器系统本身存在高度非线性，空间中存在多种不确定的复杂扰动，且无拖曳航天器包含无拖曳控制回路与静电悬浮控制回路，回路之间存在耦合效应，因此传统的pid控制无法很好地逼进非线性模型，在面对不确定扰动时没有良好的自适应能力，无法满足引力波探测的超低微重力水平要求。
3、为克服传统pid控制算法的缺陷，更好地适应控制对象的复杂程度，pid算法也在不断被改进，随着近年来人工智能的快速发展，bp神经网络与pid控制结合的智能控制算法也随
技术实现思路
1、本专利技术提供一种基于bp神经网络与pid控制结合的无拖曳航天器控制方法，解决了现有技术中没有用于引力波探测的无拖曳航天器控制方法的问题，能够实现航天器在轨运行时的高精度目标，具有精度高、调节速度快、处理空间复杂扰动效果好的优点。
2、为达到上述技术效果，本专利技术的技术方案如下：
3、一种基于bp神经网络与pid控制结合的无拖曳航天器控制方法，包括以下步骤：
4、步骤一、建立无拖曳航天器与检验质量的动力学模型：首先建立惯性坐标系、航天器本体坐标系以及电极笼坐标系，通过受力分析，推导出航天器和检验质量的平动与转动动力学方程，经合理线性化转换为线性微分方程，作为控制系统的模型使用；由于在平面内，航天器与两个检验质量共9个自由度，在引力波探测科学模式下，检验质量敏感轴方向不设约束，共7个自由度，需输出7个控制力；
5、步骤二、生成bp神经网络初始结构：确定神经网络的层数以及各层节点数；首先神经网络的输入层节点数为21，其中包括7个微分方程的初值，每个方程对应3个节点，分别为目标值、实际值以及二者之间的误差，输出层节点数为21，其中包括7个微分方程的控制力，每个方程对应3个节点，分别为控制器的比例系数kp、积分系数ki、微分系数kd，为pid控制器的参数；神经网络的隐藏层数目n及各层节点数n＝[n1,n2...nn]需通过多次试验不断调整优化得到；
6、步骤三、初始化bp神经网络权重值：初步调整阶段采用随机生成的方法得到权重矩阵的初值，在经过多次试验后，可选取控制效果较好的一组初值作为之后的权重初值来使用；
7、步骤四、输入航天器位姿信息初值：将航天器与检验质量的初始位姿信息作为输入信号yout输入神经网络，设定目标值rin(一般设为0)，计算二者之前的误差error，由此得到神经网络的输入值，误差计算公式为：
8、error(k)＝rin(k)-yout(k)；
9、其中，k为迭代次数。
10、步骤五、神经网络前向传播：根据步骤四得到的神经网络的输入值以及步骤三得到的权重矩阵，逐层计算得到神经网络的输出信号；此步骤为前向传播，传播过程中需对各层节点进行正则化与归一化处理，考虑到网络的输出为pid的三个参数，这一值一般大于0，根据各类激活函数特征对比，选择tanh函数作为激活函数，其中中间层激活函数选择输出层激活函数选择其中x为该层节点的输入值。
11、步骤六、计算pid控制力：根据步骤四得到的误差以及步骤五得到的pid参数计算控制器输出的控制力大小；
12、步骤七、求解建立的动力学微分方程：采用步骤六得到的控制力大小，代入微分方程右端进行求解，得到的为微分方程的数值解，在matlab中可采用ode求解器进行求解，其中动力学方程中的扰动力赋值为一相同数量级的随机扰动；
13、步骤八、神经网络反向传播：根据步骤五得到的各层节点值，按照梯度下降的方法修正权重系数，学习算法如下：
14、损失函数：e(k)＝0.5(rin(k)-yout(k))2
15、按e(k)对加权系数的负梯度方法进行搜索，加上一个惯性项使搜索快速收敛，得到输出层权重的学习算法为：
16、
17、式中为η学习速率，α为惯性系数；逐层计算，可得更新后的权重系数；
18、步骤九、判断是否满足迭代终止条件：若满足，则退出，绘制结果图，若不满足，则用步骤七得到的位姿结果更新神经网络的输入信号，回到步骤五继续迭代；
19、步骤十、判断是否满足精度指标：若满足，则结束，若不满足，有两种可能，第一是随机生成权重矩阵初值不佳，陷入局部最优，此时需要回到步骤三改变权重矩阵的初值重新迭代；第二是神经网络的结构与模型不匹配，不能达到良好的拟合效果，此时需要回到步骤二根据结果调整网络结构，改变bp神经网络隐藏层层数及各层节点数，直至输出满足精度要求为止。
20、有益效果：本专利技术提供了一种基于bp神经网络与pid控制结合的无拖曳航天器控制方法，将bp神经网络智能算法与传统pid控制结合运用在无拖曳航天器上，形成的控制器可根据具体模型调整输入输出的数量以及网络结构，对无拖曳航天器多体多自由度系统能够进行精确动力学控制，在引力波探测的科学模式下解决了航天器与检验质量不同回路之间的耦合问题，面对空间随机扰动有较好的自适应能力，最终能够满足空间科学探测的高精度指标要求，实现超低微重力水平。
本文档来自技高网...【技术保护点】
1.一种基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤一的具体过程为：首先建立惯性坐标系、航天器本体坐标系以及电极笼坐标系，通过受力分析，推导出航天器和检验质量的平动与转动动力学方程，经合理线性化转换为线性微分方程，作为控制系统的模型使用；由于在平面内，航天器与两个检验质量共9个自由度，在引力波探测科学模式下，检验质量敏感轴方向不设约束，共7个自由度，需输出7个控制力。
3.根据权利要求1所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤二的具体过程为：首先神经网络的输入层节点数为21，其中包括7个微分方程的初值，每个方程对应3个节点，分别为目标值、实际值以及二者之间的误差，输出层节点数为21，其中包括7个微分方程的控制力，每个方程对应3个节点，分别为控制器的比例系数kp、积分系数ki、微分系数kd，为PID控制器的参数，神经网络的隐藏层数目n及各层节点数N＝[N1,N2...Nn]需通过多次试验
4.根据权利要求1所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤三中随机生成的权重系数在[-0.5,0.5]范围内。
5.根据权利要求1所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤四中误差计算公式为error(k)＝rin(k)-yout(k)。
6.根据权利要求4或5所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤五中前向传播过程中需对各层节点进行正则化与归一化处理，考虑到网络的输出为PID的三个参数，这一值一般大于0，根据各类激活函数特征对比，选择tanh函数作为激活函数，其中中间层激活函数选择输出层激活函数选择其中x为该层节点的输入值。
7.根据权利要求6所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤六中采用较为直观的位置式PID计算方法，位置式PID计算公式如下：
8.根据权利要求6所述的基于BP神经网络与PID控制结合的无拖曳航天器控制方法，其特征在于，步骤八的学习算法如下：
...【技术特征摘要】
1.一种基于bp神经网络与pid控制结合的无拖曳航天器控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于bp神经网络与pid控制结合的无拖曳航天器控制方法，其特征在于，步骤一的具体过程为：首先建立惯性坐标系、航天器本体坐标系以及电极笼坐标系，通过受力分析，推导出航天器和检验质量的平动与转动动力学方程，经合理线性化转换为线性微分方程，作为控制系统的模型使用；由于在平面内，航天器与两个检验质量共9个自由度，在引力波探测科学模式下，检验质量敏感轴方向不设约束，共7个自由度，需输出7个控制力。
3.根据权利要求1所述的基于bp神经网络与pid控制结合的无拖曳航天器控制方法，其特征在于，步骤二的具体过程为：首先神经网络的输入层节点数为21，其中包括7个微分方程的初值，每个方程对应3个节点，分别为目标值、实际值以及二者之间的误差，输出层节点数为21，其中包括7个微分方程的控制力，每个方程对应3个节点，分别为控制器的比例系数kp、积分系数ki、微分系数kd，为pid控制器的参数，神经网络的隐藏层数目n及各层节点数n＝[n1,n2...nn]需通过多次试验不断调...
【专利技术属性】
技术研发人员：韩炽，陈提，王延凯，杜笑剑，刘语诗，时公卓，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。