基于再励模糊神经网络的三轴稳定卫星姿态智能控制

将再励学习引入模糊神经网络的T-S模型,建立了模糊神经网络控制器和控制评估网络的再励学习算法,并应用于三轴稳定卫星的姿态控制。这种再励模糊神经网络不需要精确的卫星数学模型和学习样本,通过再励学习实现控制网络/评估网络参数的在线调节,具有比较强的适应性和学习能力。仿真结果表明,这种智能控制方法可以有效解决卫星的模型不确定性问题,提高了卫星姿态控制的精度和鲁棒性。     

改进RBF网络学习算法在卫星姿态控制中的应用

提出了一种基于神经网络扰动补偿的姿态控制方法，首先，针对RBF网络的常用学习算法－－正交最小二乘（OLS）算法，提出了改进的规范正交最小二乘（ROLS）算法：然后，基于某型小卫星的姿态控制问题，设计了高精度定向阶段的神经网络补偿控制器。仿真结果表明，改进的ROLS算法是有效的，神经网络补偿控制方案是可行的。     

基于RBF网络辨识的挠性卫星姿态自适应控制

为满足挠性卫星姿态控制的更高要求,提出了一种基于径向基函数（RBF）网络辨识的模糊自适应控制方法。根据卫星姿态动力学方程,将RBF辨识网络引入模糊神经网络的T-S模型,以辨识卫星,在线修改模糊神经控制器（FNC）参数,使卫星的姿态角度达到设定值。仿真结果表明：该法能有效克服卫星的不确定性,提高卫星姿态的控制精度。     

小型固体运载器起飞段姿态控制方法研究

针对控制系统,采用侧喷流发动机和栅格舵的新型小型多级固体运载火箭开展了起飞段姿态控制方法研究。给出了在低马赫数条件下侧喷流发动机的力放大因子和栅格舵的控制力矩,建立了运载器姿态控制模型。根据侧喷流和栅格舵的特点,设计了PID控制器与智能开关控制器相结合的新型控制器,运用神经网络算法实现了开关控制器参数的在线选择。仿真结果表明,所设计的控制器满足控制精度、稳定度和鲁棒性的要求,算法简便,具有工程可实现性,以侧喷流发动机和栅格舵为执行机构的控制系统能满足运载火箭起飞段姿态控制要求,为陆基或空射小型固体运载火箭姿态控制方法提供了一种新思路。     

基于自适应RBF神经网络的可重复使用运载器再入段姿态控制

针对再入段可重复使用运载器(Reusable Launch Vehicles,RLV)姿态控制问题,提出一种基于自适应径向基函数(Radial Basis Function,简称RBF)神经网络(ARBFNN)的姿态控制方法。首先,建立RLV的6-DOF非线性动态模型,并将旋转动力学模型变成严反馈形式。然后,设计了一种自适应RBF神经网络控制(ARBFNN)结构,可以减少神经网络逼近误差的影响。同时,通过李雅普诺夫和自适应控制的结合消除了控制器设计过程中的不确定影响,并验证了系统的稳定性。最后,通过仿真验证了所提算法在解决再入段RLV姿态控制问题上的有效性。     

基于归一化神经网络的航天器自适应姿态跟踪控制

针对以变速控制力矩陀螺（VSCMGs）为姿态控制执行机构的航天器在同时考虑惯性参数和执行机构不确定性情况下的姿态跟踪控制问题,提出了一种基于归一化神经网络的自适应姿态跟踪控制方法。设计一个非线性反馈控制器作为航天器姿态控制的基本控制器,利用归一化神经网络设计补偿控制器,用以在线估计和消除包含系统不确定参数的未知不确定函数的影响,避免了标准自适应控制方法需要进行大量不确定参数估计的缺陷。采用神经网络输入归一化技术,简化了闭环系统复杂的稳定性分析过程。理论分析证明了闭环系统的稳定性和姿态跟踪误差的收敛性。仿真结果表明,所提出的控制方法能满足航天器在惯性参数和执行机构不确定性及外干扰存在情况下的高精度姿态跟踪控制要求。
     

基于反馈线性化的动能拦截器姿态控制研究

动能拦截器进入末制导阶段时经常需要进行大角度姿态机动,这时拦截器姿态控制系统具有非线性、强耦合、多输入多数出(MIMO)的特点。现针对动能拦截器模型的非线性和不确定性,提出PID神经网络自适应逆控制方法对拦截器飞行姿态进行控制。首先基于精确反馈线性化方法将系统解耦成三个独立的子系统,然后应用基于PID神经网络的自适应逆控制方法分别设计每个子系统的姿态控制器。该方法将PID神经网络控制与自适应逆控制相结合,对于拦截器姿态控制系统中的建模误差以及外部干扰具有较强的适应能力。仿真结果证明了该方法的有效性。     

一种面向空天飞机再入的智能自适应复合控制方法

针对空天飞机再入横、侧向通道的姿态控制问题，设计了一种智能神经网络自适应复合控制方法，基于误差反馈学习准则在线更新神经网络权重以补偿全量姿态控制律输出的姿态控制指令。同时，面向再入过程横侧通道的强耦合问题，引入了耦合控制系数，以降低横、侧通道间的控制干扰。此外，提出了一种自适应链式控制分配律，在控制信号中引入正交优化多正弦激励，基于递推最小二乘方法对气动参数进行在线辨识，进而实时更新链式分配策略。最后，对空天飞机再入横侧向通道的神经网络自适应复合控制方法进行数学仿真校验，验证了该方法的有效性和鲁棒性。     

高超声速再入飞行器的特征建模及自适应递推滑模控制

针对高超声速再入飞行器非线性程度高、参数不确定性大、快时变等特点，提出一种基于神经网络特征模型的自适应滑模姿态控制方案。首先，采用现有特征建模方法，将对象模型中的非线性、时变不确定性压缩至特征参量中；进一步，结合模糊神经网络，将快时变特征显式地表征在特征模型中，使得待估计的特征参量具有时不变特性，从而易于其自适应律的设计。然后，在该神经网络特征模型的框架下，设计递推形式的自适应滑模控制律，以进一步提高飞行控制系统的鲁棒性。最后，通过仿真校验了所提出控制方法的正确性和有效性。     

一种航天器姿态控制与振动抑制的优化设计方法

针对采用分布式角动量交换执行机构的挠性航天器,提出一种基于优化策略的姿态控制及振动抑制方法。考虑不同执行机构安装节点处采用相同的控制律,姿态控制和振动抑制问题可以转化为控制器参数的确定问题。姿态控制性能通过控制器参数的等式约束实现,振动抑制通过极小化包含各执行机构安装节点处振动状态的指标函数实现。求解优化问题获得控制律参数后,不同执行机构节点分别输出力矩以完成姿态控制及振动抑制任务。该方法同时处理了姿态控制及振动抑制问题,且可以实现振动抑制指标的最优,对分布式系统的控制设计具有较大的参考价值。仿真结果表明该方法可有效完成挠性航天器的姿态控制,并具有良好的振动抑制效果。     

某多挠性体卫星姿态的模糊神经网络控制设计

为改善多挠性体卫星的姿态控制系统,研究了一种基于模糊神经网络的控制器设计.根据某卫星的姿态和挠性动力学模型,给出了模糊神经网络控制器(FNNC)结构及其简化的带动量学习算法.仿真结果表明:FNNC能较好地适应卫星本体参数变化,对外界干扰的抑制能力良好,可满足高精度、高稳定度卫星的姿控要求.     

卫星CMAC神经网络姿态控制器设计及仿真

为提高传统卫星姿态控制系统精度,提出了一种基于小脑模型(CMAC)神经网络的比例-积分-微分(PID)的复合控制器。给出了具在线学习功能的复合控制器结构,并证明了神经网络学习收敛条件与最终控制目标的一致性。仿真结果表明,设计的控制器具有较好的自适应性和鲁棒性。与传统控制器相比,进入稳定状态的速度更快,指向精度更高。     

基于解耦三轴气浮台非线性模糊变结构的鲁棒控制

根据三轴气浮台非线性动力学模型,研究了一种基于解耦的模糊变结构控制方法。设计的控制器不仅避免了一般变结构控制中的抖振,而且具有实现简单、工程化容易的优点。仿真结果表明,该模糊变结构控制法对模型的不确定性和外来干扰有较佳的跟踪性能,其鲁棒性较优。     

挠性航天器高精度智能控制方案研究

从工程角度出发，研究了智能控制方案，旨在提高挠性航天器的姿态指向精度和稳定度。针对挠性模态不可测的特点，文中采用了输出反馈变结构控制来抑制挠性附件的振动，并用神经网络自适应控制来补偿系统的不确定性因素。智能控制的引入使得控制器具有很强的自学习和自适应能力，可降低不确定性因素对系统产生的影响，减小系统的稳态误差，从而达到高精度控制的目的。仿真结果证明了该方法的有效性。     

对失控翻滚目标逼近的神经网络自适应滑模控制

针对失控航天器在空间中自由翻滚的情况，研究追踪器对失控翻滚目标逼近的位置和姿态六自由度耦合控制问题。建立追踪器与目标器相对运动的姿轨一体化动力学模型，设计追踪器逼近过程的标称轨迹和标称姿态。综合考虑系统不确定性和外部干扰，设计无抖振的神经网络自适应滑模控制器。将滑模控制与神经网络逼近相结合，采用径向基函数(RBF)神经网络对系统未知部分进行自适应逼近。由Lyapunov方法导出神经网络自适应律，通过自适应权重的调节保证整个闭环系统的稳定性。数值模拟实例说明了所设计的标称轨迹和标称姿态的合理性，同时验证了神经网络自适应滑模控制器的有效性。     

自主交会逼近段的模糊/PID混合控制

采用模糊/PID混合控制技术,对自主交会逼近段的轨道控制进行了研究。将逼近段轨道控制解耦为三个独立通道的控制,并分别设计了逼近段轨道控制的模糊控制器、PID控制器和模糊/PID混合控制器。在考虑导航和控制误差情况下,对模糊控制器、PID控制器和模糊/PID混合控制器的轨道控制情况进行了数值仿真,并对三种控制器的轨道稳定性和燃料消耗情况进行了比较。仿真结果表明,模糊/PID混合控制器的最后逼近相对运动轨迹比模糊控制器更稳定,同时燃料消耗更少。