空间非合作目标惯性参数在轨辨识

在空间冗余机械臂抓捕非合作目标的惯性参数辨识问题中,已有方法大都基于系统动量已知的假设,且辨识过程未考虑基座姿态稳定。针对目标动量未知的问题,设计了具有增量形式的惯性参数分步辨识算法。首先基于线动量方程得到关于质量和质心位置的第一组估计方程,采用增量形式消除未知线动量更新估计方程。辨识结果收敛后根据估计参数计算线动量估计值,代入以转动惯量为未知参数的第二组估计方程中,利用其增量表达式完成对转动惯量的估计。辨识过程中的激励由自适应零反作用控制输入提供,算法在保证基座姿态不受干扰的同时还能对惯性参数精确辨识。仿真结果表明,在30s以内算法已收敛,误差收敛到零的同时,基座姿态角速率控制精度在10^-3以下,说明算法收敛快,精度高,同时还能实现基座姿态稳定。     

组合航天器转动惯量在轨两步辨识标定

在轨辨识转动惯量参数是主动航天器与非合作空间目标构成组合体后实现高精度姿态控制的重要前提,文章提出了一种两步在轨辨识组合航天器转动惯量参数的方法。第一步以航天器本体坐标系滚动轴转动惯量为基准将转动惯量矩阵归一化,得到特殊的转动惯量比矩阵,建立与其相关的姿态动力学模型,提出了基于扩展卡尔曼滤波的在轨辨识算法,基于星上陀螺角速率测量信息在100s左右辨识出所有转动惯量比参数,克服了由于模型简单导致转动惯量信息辨识不完整的缺点;第二步基于第一步辨识得到的转动惯量比参数,采用最小二乘算法辨识得到滚动轴转动惯量值,计算量小,消耗能量少。最后给出仿真算例,辨识精度基本在1|之内,验证了方法的有效性。     

组合体航天器智能协同姿态控制研究

组合体航天器在姿态机动过程中的各单体卫星承受的控制力是不均匀的,局部控制力过大将会导致组合链接断裂而失效。应用多体动力学理论建立了组合体航天器间的相互作用模型,对内力、内力矩与整星姿态、控制力矩之间的关系进行了分析;仿真了极端情况下的内力矩分布,其大小可能超过常用对接机构的力矩承受范围;采用粒子群算(PSO)法对控制合力矩进行优化分配,通过预设初值和继承初值来加快PSO算法的收敛速度,实时调整各星控制力矩分配比例,减小星间相互作用力,实现组合体航天器的智能协同控制,保证组合体航天器的连接铰不因受力过大而损坏。算法仿真和Adams软件验证分析表明,本文建立的相互作用模型可准确计算出星间相互作用力,提出的智能协同姿控算法可显著降低姿控过程中的星间内力,确保组合体航天器的安全。     

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。     

基于参数辨识的大型航天器自适应角动量管理

航天器姿态控制/角动量管理(ACMM)通过调整航天器姿态使引起控制力矩陀螺(CMG)角动量积累的扰动力矩相互抵消,从而有效减小用于CMG卸载的燃料消耗.设计的基于在线参数辨识的自适应ACMM控制器由在线参数辨识回路和反馈线性化回路构成.反馈线性化回路通过状态变换以及相应的输入变换,将原ACMM系统精确等价为一线性系统,通过线性控制器的设计得到适用于原系统的非线性控制律.在线辨识回路利用闭环控制信息对航天器质量特性进行辨识,弥补了反馈线性化对系统模型参数敏感的不足.以空间站组合体舱段转移任务为例进行的数学仿真显示,控制器在力矩平衡姿态(TEA)远离对地定向姿态时具有良好控制性能.     

基于改进萤火虫算法的小卫星质量特性调整 #br#

摘要： 为了消除小卫星在轨运行过程中因燃料消耗等原因造成质量特性变化的影响,提出一种基于改进萤火虫算法的卫星在轨质心调整方法.该方法运用萤火虫算法对PID控制器的参数整定进行优化,针对收敛速度慢和容易陷入局部极小值的问题,引入自适应步长因子对算法进行改进.算法通过编程注入星载计算机,进而控制电机调整机构完成卫星在轨质心调整.依托于地面气浮平台进行半物理仿真实验,实验结果表明改进算法在第48次迭代完成PID参数整定,相较于其他算法具有更快的收敛速度和动态响应特性.基于改进算法的调整系统可在59 s将单轴质心偏移量减小到精度要求,验证了系统在小卫星质量特性调整上的实时性和稳定性.     

多刚体卫星转动惯量在轨辨识

惯量辨识需要精确的动力学特性,针对动力学特性不可忽略太阳电池阵转动这一状况,提出一种惯量辨识方法,用于卫星本体惯量和太阳电池阵惯量的联合辨识.在建立多刚体姿态动力学基础上,针对辨识变量的耦合特性,推导带约束的优化辨识模型,再利用约束最小二乘算法求解.最后通过仿真计算验证了辨识方法的可行性.     

带变速控制力矩陀螺的航天器自适应姿态控制

航天器高精度姿态控制容易受到参数误差的影响,自适应控制能够合理地估计参数,使基于模型的控制器设计易于实现。自适应参数分为主星体惯量、变速控制力矩陀螺框架转子惯量及动摩擦系数3组,按参数分组对带变速控制力矩陀螺的航天器详细动力学模型进行变换,采用Lyapunov方法设计出姿态控制器、变速控制力矩陀螺群操纵律及参数自适应更新律,操纵律中引入加权矩阵以缓解陀螺奇异问题。理论分析和数值仿真表明闭环姿态控制系统全局一致最终有界稳定,参数自适应更新能有效减小角速度跟踪误差,使姿态四元数误差收敛更快。参数估计虽然不能准确收敛到其真值上,但均在可接受的范围内。     

航天器动力学特性参数在轨辨识技术

从结构模态参数的可识别性出发,结合结构自由响应识别技术和数字处理技术,开发出大型航天器动力学特征参数在轨辨识系统,包括硬件系统和软件系统,其中软件系统由C+ +和汇编语言组合编写,系统各部分均模块化,可适用于较复杂的工程任务.在此基础上设计了模拟在轨航天器的试验验证系统,检验辨识算法和设计软件的可靠性以及航天器在轨辨识的实时性.该试验系统包括一个对称的双梁结构,利用对称结构的弱耦合可得到多个密集模态,该结构可模拟大型航天器在太空失重条件下所特有的动力学特征.试验表明系统辨识算法可靠,精度达到设计要求.     

TSK模糊神经网络及其约束优化学习算法

针对非线性动态系统特点,提出了一种基于TSK(Takagi-Sugeno-Kang)模糊模型的动态回归模糊神经网络DRFNN(Dynamic Recurrent Fuzzy Neural Network),该模糊神经网络由静态网络和动态网络两部分组成,其中静态网络用来实现规则的条件部分和解模糊部分的计算,由FIR动态滤波器实现的内反馈回归网络用来实现规则的结论部分,为了加快网络收敛速度,给出了基于约束优化算法的网络参数迭代算法,把网络结构优化和参数学习作为一个约束优化问题来解决.应用于非线性系统的辨识和控制仿真试验说明了DRFNN网络及其算法对解决非线性系统问题的有效性.     

基于改进神经网络的空间机械臂阻抗控制方法

针对环境信息不确定和碰撞模型未知情况下的空间机械臂柔顺控制问题,提出了一种基于改进型神经网络的阻抗控制方法.以空间机械臂阻抗控制系统闭环方程为基础,分析了环境信息不确定和碰撞模型未知情况下不能实现精准力控制的原因.利用粒子群优化算法调整神经网络中的权值矩阵,以提高神经网络的收敛速度和寻优性能.基于改进后的神经网络设计阻...     

非线性系统的结构选择及其参数的集员辨识

基于支持向量回归和RBF(Radial Basis Function)神经网络,研究了带有未知但有界噪声的非线性系统的集员辨识问题.推导了噪声界以及支持向量个数与ε-不敏感参数之间的关系,给出了利用噪声界选择ε-不敏感参数的方法.描述了通过支持向量回归选择RBF神经网络规模的方法.该方法以Gaussian核函数作为径向基函数,支持向量作为径向基函数的中心构建RBF神经网络.运用改进的OBE(Optimal Bounding Ellipsoid)算法对RBF神经网络的权值进行辨识,得到与给定输入输出数据和噪声界序列一致的一类RBF神经网络.仿真算例验证了算法的有效性.     

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.     

基于DCNN和全连接CRF的舌图像分割算法

针对中医舌诊中舌体分割不准确、分割速度较慢且需要人工标定候选区域等问题,提出了一种端到端的舌图像分割算法。与传统舌图像分割算法相比,所提算法可以得到更为准确的分割结果,并且不需要人工操作。首先,使用孔卷积算法,可以在不增加参数的条件下扩大网络的特征图谱。其次,使用孔卷积空间金字塔池化（ASPP）模块,令网络通过不同的感受野学习舌图像的多尺度特征。最后,将深度卷积神经网络（DCNN）和全连接的条件随机场（CRF）相结合,细化分割后的舌体边缘。实验结果表明:所提算法优于传统舌图像分割算法和主流的深度卷积神经网络,具有较高的分割精度,平均交并比达到了95.41%。      

基于图卷积网络的卷积神经网络耗时预测算法

通过可学习的预测算法获取卷积神经网络(CNN)在硬件上的推理耗时越来越受到研究者的关注。现有耗时预测算法主要面临2个问题：卷积神经网络设计空间采样复杂度高,数据采集成本高;无法准确预测硬件编译器的算子融合技术对推理耗时的影响。为了解决上述问题,提出了一种基于图卷积网络(GCN)的耗时预测算法,将整体网络耗时看作多节点耗时补偿的累加,并利用图卷积对结构算子融合产生的耗时影响进行建模。同时,提出一种新型差分训练方案,减少采样空间规模,提高算法的泛化能力。在HISI3559硬件平台上对MB-C连续空间采样模型的耗时预测实验表明：所提算法可将耗时估计的平均相对误差从传统算法的302%降低到5.3%。另外,通过将传统耗时预测算法替换成所提算法进行耗时评估,可以使网络结构搜索算法搜索到耗时更加接近目标的高精度网络。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于AI+神经网络的数字化故障电弧识别方案研究

线路故障电弧的特征随着电力电子技术的提高更趋复杂，传统的故障电弧识别方式已无法应对新型用电系统。对比传统故障电弧识别方案，研究故障电弧产生类型和新型检测技术，提出基于谐波因素、总谐波畸变率、电流零休时间、电流变化速率、电流周期性等典型时域、频域特征的AI+神经网络的数字化故障电弧识别方案。该方案运用回归算法向量机对特征图进行分类处理，通过正向传输运算、反向传输运算和迭代回归运算三个步骤执行卷积神经网络，频繁迭代回归以获得最佳特征识别图。本文以调光器的故障电弧识别为例，对故障识别方案进行验证，结果表明采用此方案可实现更高效、更精准、更稳定地识别故障电弧。     

结合自组织映射网络及三角形算法的星图识别方法

三角形方法是最经典且应用最广的星图识别方法之一,但是存在搜索范围大、匹配冗余、抗噪能力弱等问题。将神经网络技术应用到星图识别过程中,结合自组织映射网络（SOM）优秀的分类能力和三角形算法可靠的角距匹配能力,提出了一种新的识别方法。该方法基于邻近星的分布来构建每颗导航星的特征向量,将其作为SOM网络的输入向量,通过训练得到具有分类识别功能的网络及相应的三角形库。识别阶段,输入待识别星的特征向量,网络输出识别类,在该类对应的三角形库中应用三角形算法查找匹配三角形,完成星图识别。试验发现该方法减小三角形搜索范围、实现快速匹配的同时,提高了识别系统的抗噪能力,在全天识别过程中平均识别时间低于5ms,识别率在噪声标准差为0.025时仍高达99%。     

基于深度学习的大型陨石坑识别方法研究

陨石坑是天体表面最为显著的地形特征,传统陨石坑识别方法主要是对小型陨石坑正负样本的二分类问题研究,且效率和精度均不高。以星体宏观视角下的大型陨石坑作为研究对象,结合图像处理和神经网络等方面的知识,创建了来自不同数据源的陨石坑样本数据库,研究了数据源对网络模型泛化能力的影响,提出了一种效率更高的陨石坑多分类识别方法。在非极大值抑制（NMS）算法基础上,提出了一种精度更高的陨石坑检测算法。经过参数优化和实验验证,构建的基于深度学习的多尺度多分类陨石坑自动识别网络框架取得了较高的准确率,在同源验证集上识别率可达0.985,在异源验证集上识别率可达0.863,并且有效改善了目标检测时检测框冗余及误检测的问题。