基于终端滑模和神经网络的多目标姿态跟踪鲁棒控制

研究了航天器编队飞行多目标姿态跟踪的鲁棒控制问题.主航天器由中心刚体和一个快速机动天线组成,星载相机跟踪某一特定目标,同时天线与从航天器保持通信.在考虑模型不确定性和外部干扰情况下,基于非奇异终端滑模技术和RBF神经网络,设计了多目标姿态跟踪鲁棒控制器.鲁棒控制器由RBF神经网络和一个自适应控制器组成.自适应控制器用于抵消神经网络的逼近误差和实现期望的控制性能. RBF神经网络用于逼近模型不确定部分与外部干扰力矩,并且根据非奇异终端滑模的有限时间收敛属性,提出了一种RBF网络的在线学习算法,提高了RBF网络的逼近效率.应用Lyapunov稳定性理论,证明了闭环系统稳定性.数值仿真结果表明所设计的控制器对外部干扰与模型不确定具有良好的鲁棒性.     

柔性空间机械臂系统的模糊滑模神经网络控制及柔性振动主动抑制

研究了参数不确定漂浮基柔性空间机械臂关节空间的轨迹跟踪及柔性振动主动控制问题.运用虚拟力概念,生成能同时反映柔性振动和刚性运动的虚拟期望轨迹,设计了一种自适应非奇异Terminal滑模控制器来跟踪该虚拟期望轨迹,以实现载体姿态及关节稳定跟踪运动轨迹并对所产生的柔性振动进行主动抑制的控制目标.所设计的控制器结合了Terminal滑模控制快速收敛性,模糊小波神经网络优良的函数逼近特性及鲁棒技术处理逼近误差的优势,利用自适应算法在线自适应调节模糊小波神经网络的所有网络权值和参数,使控制器具有很强的鲁棒性.仿真实验证明了所提控制方案的有效性.      

航天器编队飞行多目标姿态跟踪终端滑模控制

研究航天器编队飞行多目标姿态跟踪控制问题.为避免姿态大范围跟踪可能出现的奇点,采用欧拉参数描述航天器姿态.基于终端滑模技术,设计多目标姿态跟踪终端滑模控制器,并应用Lyapunov稳定性理论和扩展的Lyapunov有限时间稳定性理论证明控制系统稳定性和有限时间收敛性.该控制器参数方便调整,易于实现.由于没有对复杂多体航天器动力学进行线性化处理,从而保证了姿态跟踪控制精度.仿真结果表明,存在惯量参数摄动和外部干扰力矩的情况下,所设计的多目标姿态跟踪控制器具有良好鲁棒性和优越的跟踪性能.     

基于模糊神经网络干扰观测器的组合体航天器姿态控制

针对非合作目标存在对抗性力矩输出情况下的组合体航天器姿态控制系统,提出了一种基于模糊神经网络干扰观测器（Fuzzy Neural Network Disturbance Observer,FNNDO）的非奇异终端滑模（Nonsingular Terminal Sliding Mode,NTSM）有限时间控制策略。首先以服务航天器为基准,建立组合体航天器姿态数学模型,然后针对包含惯量不确定性、目标对抗性力矩等的等效干扰力矩,设计了一种具有自适应能力的FNNDO,可以实现对等效干扰的有效跟踪。在FNNDO的基础上,设计NTSM控制器,利用Lyapunov理论证明闭环系统的有限时间稳定性。最后,仿真实验结果表明了控制策略的有效性和观测器在观测性能上的优越性。     

变结构航天器模糊神经网络滑模控制器设计

变结构航天器是目前航天领域的重要发展方向，航天器结构的变化将导致质量分布发生明显变化，这对航天器动力学建模和控制器设计都提出新的问题。针对这种情况，采用混合坐标法和拉格朗日方程建立了航天器刚柔耦合动力学模型，利用几种典型工况的参数近似得到变结构过程中动力学参数的变化规律。设计滑模控制器对航天器变结构过程进行姿态控制，为提高滑模控制器的适应性，设计模糊神经网络（FNN）自适应调节滑模控制器参数，并利用径向基函数（RBF）神经网络逼近动力学模型，得到控制力矩与姿态变化之间的近似关系，用于FNN的优化。通过仿真得到航天器变结构期间无控、滑模控制和模糊神经网络滑模控制的姿态变化，仿真结果对比验证了模糊神经网络滑模控制对于滑模控制的优势，证明了其在变结构航天器姿态控制方面的有效性。     

多体航天器大角度机动鲁棒控制

研究了具有模型不确定性的多体航天器大角度机动控制问题。航天器姿态动力学方程具有不确定性和非线性。首先通过逆系统方法求得近似伪线性系统,然后应用H∞混合灵敏度方法和μ综合方法设计了两种鲁棒控制器。通过引入PD控制器,避免了H∞控制器设计时方程出现奇异。针对航天器中心体与天线同时跟踪不同目标的任务,进行了数值仿真。仿真结果表明在同等条件下两种鲁棒控制器都能满足鲁棒稳定性指标,其中μ控制器的鲁棒性能更好。     

基于RBF网络的导弹滑模动态逆控制律设计

讨论了一种基于径向基函数(RBF,Radial Basic Function)神经网络的导弹滑模动态逆控制律.导弹的基本控制律采用动态逆方法设计,对慢回路设计神经网络滑模控制器以补偿整个控制系统的不确定性.即用RBF神经网络逼近导弹慢模态不确定性的数学模型,并将逼近误差引入到网络权值的调节律以改善系统的动态性能;滑模控制器用于减弱模型不确定性及神经网络的逼近误差对跟踪的影响.所设计的控制器不仅保证了闭环系统的稳定性,而且使模型不确定性及神经网络的逼近误差对跟踪的影响减小到给定的性能指标.最后通过仿真分析,验证了该方法的有效性.      

四旋翼的改进PSO-RBF神经网络自适应滑模控制

针对非线性、强耦合并带有不确定性干扰的四旋翼无人机模型，提出了一种改进粒子群算法-径向基(PSO-RBF)神经网络自适应滑模控制器。在对RBF神经网络自适应滑模控制器进行控制量平滑改进的基础上，利用改进的具有全局寻优能力的PSO算法来调整RBF神经网络的拟合参数，从而进一步提升网络的拟合能力。根据实际四旋翼的模型参数，搭建四旋翼的动力学模型，通过Lyapunov理论验证了系统的稳定性。仿真结果表明：与RBF神经网络自适应滑模控制器和双闭环PID控制器相比，改进PSO-RBF神经网络自适应滑模控制器可以在一个控制周期内寻找到合适的控制量，其调节时间分别提升约50%和75%；改进PSO-RBF神经网络自适应滑模控制器具有轨迹跟踪速度快且准、抗干扰能力强和鲁棒性好的特点。     

基于干扰补偿的导弹增量式动态逆容错控制方法

针对导弹飞控系统存在外部干扰、执行机构故障等问题,本文运用一种鲁棒增量式动态逆被动容错控制方法,以避免主动故障诊断带来的计算效率问题,同时实现飞行姿态的可靠安全控制。针对外部干扰及执行机构故障等控制系统不确定性,建立导弹三通道姿态控制模型,基于干扰观测器对不确定性进行估计与补偿设计终端滑模控制律。为进一步增强导弹姿态控制系统的鲁棒性,给出导弹增量式动态逆容错控制律,结合终端滑模控制设计干扰补偿的增量式动态逆终端滑模控制律,并对系统残差进行分析比较。某典型全弹道姿态跟踪任务仿真表明,该方法在故障未知的情况下仍然保持姿态跟踪特性与容错能力,实现导弹姿态鲁棒精准快速控制。