共查询到20条相似文献,搜索用时 250 毫秒
1.
空间非合作目标惯性参数的Adaline网络辨识方法 总被引:1,自引:1,他引:0
空间在轨操作中,航天器在对空间非合作目标的抓捕行动常常导致航天器本体的姿态和空间轨迹发生变化。为克服空间非合作目标对航天器本体动力学、运动学的影响,使控制系统做出精准及时的姿控策略调整,确保航天器正常在轨工作和轨迹姿态的高精度,需对抓捕的非合作目标的惯性参数进行辨识。针对传统辨识方法依赖广义逆求解导致的辨识过程运算量大,且数值容易产生剧烈振荡,造成辨识结果不稳定等不足,采用基于归一化最小均方(NLMS)准则的Adaline神经网络方法进行空间非合作目标惯性参数的辨识。首先,基于动量守恒理论建立抓捕后的航天器-机械臂-空间非合作目标系统模型;然后将辨识方程的系数矩阵作为网络的输入和输出,空间非合作目标的惯性参数作为神经网络的训练权重,基于迭代步长可变的NLMS准则实现对目标惯量参数的快速、准确辨识;最后,在构造的ADAMS/MATLAB联合仿真平台上进行了验证。仿真结果表明,基于NLMS准则的Adaline神经网络是一种快速、准确辨识目标惯量参数的有效方法。 相似文献
2.
带有空间机械臂的航天器系统惯性参数辨识 总被引:1,自引:0,他引:1
针对航天器惯性参数在轨辨识问题,文章以空间机械臂为研究对象,建立了带有空间机械臂的航天器系统动力学模型,并进行了空间机械臂的动力学分析。通过规划一种复杂的空间机械臂的运动轨迹,对机械臂各关节施加合适激励的方法,使空间机械臂做充分可变构型运动。该运动会改变航天器系统的惯性分布,从而引起航天器系统速度变化。然后,通过ADAMS(Automatic Dynamic Analysis of Mechanical Systems,机械系统动力学自动分析)软件建模测量这些速度变化,计算出空间机械臂的惯性变化,进而基于动量和动量距守恒的方法建立线性回归方程。最后,通过应用递推最小二乘法解线性回归方程组,辨识出了航天器的惯性参数。仿真分析结果表明了所辨识的航天器惯性参数的有效性和准确性。 相似文献
3.
参数不确定空间机械臂系统的增广自适应控制 总被引:9,自引:1,他引:9
讨论了载体位置与姿态均不受控制的漂浮基两杆空间机械臂系统的控制问题,为此对系统的运动学、动力学作了分析。结果表明 :结合系统动量守恒及动量矩守恒关系得到的系统广义Jacobi关系、以及系统的动力学方程将为系统惯性参数的非线性函数。证明了借助于增广变量法可以将增广广义Jacobi矩阵以及系统动力学方程表示为一组适当选择的惯性参数的线性函数。在此基础上,给出了系统参数未知时,空间机械臂末端抓手跟踪惯性空间期望轨迹的增广自适应控制方案。通过仿真运算,证实了方法的有效性。 相似文献
4.
间隙非线性气动弹性系统的辨识 总被引:1,自引:0,他引:1
间隙非线性气动弹性系统有非常丰富的动力学特征。由于工程实际中间隙不易准确测量甚至无法测量,通常需要通过辨识来建立其数学模型,其中间隙开关点位置是辨识问题中的难点。本文利用间隙开关点将间隙非线性系统区分为3个线性子系统,用Hammerstein模型表示其非线性部分,构造了开关点的迭代序列;并采用非迭代和迭代相结合的方法进行求解,从而成功获得包含间隙开关点在内的该系统所有模型参数;以间隙非线性的二元翼段为例,验证了该辨识方法的有效性。 相似文献
5.
6.
为了研究突风载荷对导弹主翼的垂直振动及俯仰倾角的影响,提出了对非线性动态系统做建模研究的Voherra泛函方法的任意高阶核估计方法.该方法在核理论基础上,构造线性空间,将求解Volterra泛函各阶核的问题转化为求输出观测向量在希尔伯特空间子空间上的分量,利用线性空间中向量内积的求解而间接辨识出复杂的非线性动态系统.相对于其他在时域或频域估计Volterra核的理论,该方法数学基础清晰、计算量不随辨识精度增高而增加、能够对任意高阶核进行估计,可对强非线性动态系统进行辨识,回避了计算量很大的计算流体力学(CFD).虽然对模型的喂给数据量有一定要求,但与随机和伪随机信号的随机响应法、Lee-Schetzen法和其他的统计量辨识方法比较,不需要对喂给数据量和概率分布有太高要求.通过该方法辨识出来的各阶核,可以立即得到系统的一阶幅相频响应和各阶广义频率响应.在NACA64-008A翼型加载线性扫频调幅拉伸力,将系统响应与辨识模型响应及Ijee-Schetzen法在不同喂给数据量下辨识结果做了对比和说明. 相似文献
7.
在空间机器人抓捕目标的过程中,整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变,这会严重影响整体姿态控制的精度。针对以上问题,提出了一种基于长短期记忆(LSTM)的系统惯性张量在轨实时辨识方法。首先,对于目标捕获前后的2个阶段,利用拉格朗日方程建立了空间机器人的动力学模型;然后,基于所建空间机器人模型采用域随机化方法生成足量训练数据,并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练;最后,使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明:所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量,所研究系统的主惯量平均相对辨识误差小于0.001,惯性积的平均相对辨识误差小于0.01。 相似文献
8.
9.
模块更换方式在轨加注任务面向不同类型的多个待加注目标与推进剂模块,过程中涉及航天器对接与分离、推进剂模块拆卸与组装等多种操作,研发时需要考虑系统中质量特性变化复杂,以及地面验证中存在的全周期、遍历性的任务级微重力模拟试验难以实现的问题。首先,针对地面调试良好时在轨加注空间操作臂系统可能被掩盖的非线性动力学特性,分析了一定参数范围下,任务执行过程中负载和基座质量特性变化对空间操作臂动力学特性和控制性能的影响。随后为实现对控制对象及环境改变的自适应性,基于惯性矩阵分解与重力载荷矩阵线性化,设计g的自适应律,并扩展系统状态变量,建立系统的Hamilton模型,进而基于能量函数整形与阻尼注入的无源性控制思想,设计预置镇定控制律,提出一种可对不同工况下的系统非线性实现自适应镇定的控制方案。最后,通过仿真研究验证了所提控制方案的有效性。 相似文献
10.
11.
12.
13.
针对一类非线性不确定离散动态系统 ,提出了一种新型鲁棒故障诊断方法。该方法不但能够对被诊断系统进行故障检测 ,而且同时能够实现故障的分离和辨识。它首先通过构造一个辅助系统 ,将故障的辨识问题转化为min max问题 ,并且通过巧妙设计辅助系统的输出增益矩阵 ,使得辅助系统与被诊断系统的状态差值方程和输出差值方程稳定 ,然后将min max问题转化成LMI问题 ,最后通过求解LMI问题来实现故障诊断。分析了故障诊断方法的鲁棒性、灵敏度和故障的辨识误差。仿真结果验证了该方法的有效性。 相似文献
14.
15.
16.
本文研究有向切换拓扑条件下无领导者的Lur'e型非线性多智能体系统的动态一致性问题。设计了基于协同邻居输出信息的观测器类型的动态一致性算法,可以保证在邻居状态信息未知情况下系统达到一致。利用Laplacian矩阵的特殊性质以及Laplacian矩阵的降维变型形式,提出了一种新的拓扑依赖的多重Lyapunov函数构建方法,进而将切换拓扑下的一致性问题转换为低维切换系统的稳定性问题。该方法放宽了对拓扑条件的约束,实现了网络拓扑依赖矩阵和系统动态依赖矩阵的独立设计。再利用多重Lyapunov函数法结合线性矩阵不等式方法对系统进行稳定性分析,给出动态一致性控制器的反馈矩阵的求解方法,得到了平均驻留时间条件。结果表明,提出的方法可使得Lur'e型非线性多智能体系统达成一致,只要满足每个候选拓扑中都包含有向生成树且切换拓扑的平均驻留时间大于一个指定的阈值。 相似文献
17.
针对一类上界未知的不确定非线性时滞系统,采用模糊控制的方法,基于松散稳定性条件,讨论了系统的自适应H∞控制问题.首先设计出基于观测器的自适应模糊控制器,然后利用Lya-punov稳定性理论分析了系统的鲁棒稳定性,得到了利用线性矩阵不等式表示的闭环系统稳定的充分条件,观测增益矩阵和反馈增益矩阵可以通过求解线性矩阵不等式得到.最后通过一个实例验证了所给结论的有效性. 相似文献
18.
航天器姿控系统的PD型学习观测器故障重构 总被引:1,自引:0,他引:1
针对满足Lipschitz条件的航天器姿态控制系统这一非线性系统中存在的执行器加性故障、空间干扰与测量噪声问题,提出了基于PD型迭代学习观测器的故障重构方法。该方法具有期望的鲁棒性能指标,能够在系统存在空间干扰与测量噪声情况下实现对突变故障与时变故障等故障类型的精确重构。基于线性矩阵不等式技术给出系统化PD型迭代学习观测器的设计方法,并根据Lyapunov稳定性理论对上述设计方法的稳定性条件进行了理论证明,同时利用鲁棒技术抑制空间干扰与测量噪声对执行器故障重构的影响,通过线性矩阵不等式工具箱求解观测器参数矩阵。最后,将该方法应用到航天器姿态控制系统中,仿真结果证明了该方法的有效性。 相似文献
19.
针对一类未知非线性大时延系统,利用SVM特有的表达任意非线性映射能力,辨识得到非线性系统的α阶逆模型,然后将其串在原系统前组成SVMα阶伪线性复合系统.以此复合系统为被控对象,用预测控制方法实现对其有效控制.该方法不仅将非线性系统简化成伪线性系统,而且具有良好的控制效果,控制器设计简单. 相似文献
20.
针对一类未知非线性大时延系统,利用SVM特有的表达任意非线性映射能力,辨识得到非线性系统的α阶逆模型,然后将其串在原系统前组成SVMα阶伪线性复合系统。以此复合系统为被控对象,用预测控制方法实现对其有效控制。该方法不仅将非线性系统简化成伪线性系统,而且具有良好的控制效果,控制器设计简单。 相似文献