具有未知载荷参数的漂浮基空间机械臂姿态、关节协调运动的模糊自适应补偿控制

讨论了载体姿态受控、位置不受控制情况下, 漂浮基空间机械臂载体姿态及机械臂 关节协调运动的控制问题. 利用拉格朗日方法并结合系统动量守恒关系, 建立了漂浮基空间机械臂完全能控形式的系统动力学方程. 以此为基础, 针对空间机械臂末 端爪手所持载荷参数未知的情况, 设计了一种基于标称计算力矩控制器附加模糊自适应补偿控制器的复合控制方案, 即通过模糊自适应补偿控制器来弥补系统未知参数对标称计算力矩控制器的影响, 以确保存在未知系统参数情况下整个闭环控制系 统的渐近稳定性. 文中提到的控制方案能够有效地控制漂浮基空间机械臂的载体姿态及机械臂关节, 可以协调地完成期望的轨迹运动, 并具有不需要反馈和测量空间机械臂载体 的位置、移动速度、移动加速度, 同时也不要求系统动力学方程关于系统惯性参数呈线性函数关系的显著优点. 通过系统数值仿真证实了方法的有效性.      

漂浮基空间机械臂姿态、关节协调运动的模糊小波神经网络控制

讨论了本体姿态受控、位置不受控制的漂浮基空间机械臂系统协调运动的动力学控制问题. 根据系统位置几何关系、动量守恒关系和第二类拉格朗日方程, 建立漂浮基空间机械臂系统的动力学方程. 在此基础上, 针对系统参数未知的情况, 设计了一种采用小波基函数作为模糊隶属度函数的模糊神经网络控制器, 以控制空间机械臂的本体姿态和机械臂两关节铰协调地完成各自在关节空间的期望运动. 其特点是不要求系统动力学方程关于惯性参数呈线性函数关系, 甚至不需要知道系统参数;而且网络权值是采用反向传播算法根据误差进行在线学习, 使模糊神经网络获得更强的自学习和自适应能力, 同时也节省了离线学习的时间. 系统数值仿真的结果证实上述控制方案是行之有效的.      

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.      

漂浮基姿态受控空间机械臂关节运动的自适应神经网络控制

讨论了载体位置无控、姿态受控情况下,空间机械臂姿态及关节协调运动的自适应神经网络控制问题.由拉格朗日第二类方法及系统动量守恒关系,建立了漂浮基空间机械臂的系统动力学方程.以此为基础,借助于RBF神经网络技术和GL矩阵及乘积算子定义,对空间机械臂系统进行了神经网络系统建模;之后针对空间机械臂所有惯性参数未知的情况,设计了空间机械臂载体姿态与机械臂各关节协调运动的自适应神经网络控制方案.提出的控制方案不要求系统动力学方程具有关于惯性参数的线性性质,且无需预知系统惯性参数的任何信息,也无需对神经网络进行离线训练和学习,因此更适于实时应用.通过对一个平面两杆自由漂浮空间机械臂系统的数值仿真,证实了方法的有效性.      

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...     

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.      

自由漂浮机械臂抓取翻滚目标的自适应控制策略

提出了一种自由漂浮机械臂抓取翻滚目标的自适应控制策略.抓取翻滚目标要求自由漂浮机械臂具有很强的轨迹跟踪能力,但是自由漂浮机械臂本身以及目标所存在的运动学和动力学参数不确定性使基于模型的控制器性能急剧下降,甚至变得不稳定.通过对参数的自适应逐步改善基于模型的控制器的性能,并且提出了一种新的自由漂浮机械臂关节空间自适应控制器.最后通过数值仿真对所提出的自适应控制策略进行了验证.     

机械臂的区间二型模糊超螺旋滑模控制

针对不确定性条件下机械臂的轨迹跟踪问题,提出一种基于区间二型模糊逼近扰动的超螺旋滑模控制方法.首先将机械臂的建模误差、摩擦项、外部扰动等均视为广义扰动,然后利用自适应区间二型模糊逼近广义扰动.接着通过一个嵌套自适应律来设计基于超螺旋算法的趋近律,进而提出超螺旋滑模控制器.通过Lyapunov稳定性理论验证了趋近律的稳定性,基于此证明了系统的稳定性,并导出了区间二型模糊自适应律.仿真实验表明,区间二型模糊具有更好的逼近效果,超螺旋滑模控制能够抑制系统的扰动,本文所提算法具有响应快速和鲁棒性强的优点.     

基于终端滑模和神经网络的多目标姿态跟踪鲁棒控制#br#

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.     

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.     

基于神经网络的电液转台非线性积分滑模控制

针对高精度电液飞行仿真转台具有高度非线性、参数不确定和不确定非线性等特点,提出了一种基于RBF（Radial Basis Function）神经网络的非线性积分滑模鲁棒控制方法.采用自适应RBF神经网络对该系统存在的参数不确定性和不确定非线性进行补偿,从而降低滑模控制器对切换项的增益的需求,进而减小系统抖振幅值.积分滑模面的设计能消除外部干扰对系统带来的稳态误差.根据积分滑模变结构控制器的特点,将控制律分为等效控制律和到达控制律.等效控制律使系统运动于滑模面附近,到达控制律可使处于状态空间内任意初始位置的系统趋近于滑模面,并进一步通过Lyapunov方法证明了系统的渐近稳定性.实验结果表明,所提出的非线性控制器不仅能满足电液转台的高精度跟踪性能的要求,且对参数不确定性和不确定非线性具有一定的鲁棒性.     

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.     

输入饱和情形下战斗机大机动动态面控制

针对战斗机大机动飞行输入饱和问题,提出了一种自适应神经网络动态面控制方法。采用径向基(RBF)神经网络逼近飞机系统的不确定性,利用双曲正切函数处理系统的输入饱和问题,根据饱和受限后的实际控制输入与期望控制输入之差定义新误差变量,结合该误差变量设计大机动飞行控制律,并构造鲁棒项抵消神经网络逼近误差、外部干扰和建模误差的影响,利用动态面控制技术避免对虚拟控制器的复杂求导并减小计算量。根据Lyapunov稳定性定理证明了闭环控制系统所有信号有界,且通过选择合适的设计参数能够使姿态角跟踪误差收敛到原点的任意小邻域内。通过仿真结果的分析,验证了所提方法具有较好的鲁棒性和稳定性。      

Adaptive neural network control of nonlinear systems with unknown dynamics

In this study, an adaptive neural network control approach is proposed to achieve accurate and robust control of nonlinear systems with unknown dynamics, wherein the neural network is innovatively used to learn the inverse problem of system dynamics with guaranteed convergence. This study focuses on the following three contributions. First, the considered system is transformed into a multi-integrator system using an input–output linearization technique, and an extended state observation technique is used to identify the transformed states. Second, an iterative control learning algorithm is proposed to achieve the neural network training, and stability analysis is given to prove that the network’s predictions converge to ideal control inputs with guaranteed convergence. Third, an adaptive neural network controller is developed by combining the trained network and a proportional-integral controller, and the long-standing challenge of model-based methods for control determination of unknown dynamics is resolved. Simulation results of a virtual control mission and an aerospace altitude tracking mission are provided to substantiate the effectiveness of the proposed techniques and illustrate the adaptability and robustness of the proposed controller.     

基于轨迹线性化方法的近空间飞行器鲁棒自适应控制

研究一种新的近空间飞行器鲁棒自适应飞行控制系统设计方案。利用单隐层神经网络的函数逼近能力和被控对象分析模型的有用信息构建一种单隐层神经网络干扰观测器,用以在线估计系统中存在的不确定性,具有自适应调节能力的鲁棒控制器用以克服估计误差。将所得单隐层神经网络干扰观测器与轨迹线性化方法结合形成新的非线性系统鲁棒自适应控制方案,严格的理论证明在给定的自适应调节律作用下闭环系统所有误差最终有界。该控制方案被用于近空间飞行器飞行控制系统设计,高超声速飞行条件下的仿真结果表明该方法不仅有效,而且能够提供高精度、高稳定度的控制性能。     

基于自适应神经网络的飞行器主动容错控制

针对飞行器非线性系统执行器故障,利用RBF神经网络和自适应控制律,提出了基于自适应神经网络的故障重构和容错控制方法。设计了自适应神经网络观测器,利用神经网络逼近故障,引入调节因子,设计自适应律以在线调整神经网络权重向量和中心向量。构造自适应神经网络控制器,结合神经网络设计补偿控制输入。利用Lyapunov稳定性定理证明了所提方法可以实现系统渐近稳定。仿真实验结果验证了所提的方法对故障系统具有良好的观测性能、控制精度和响应速度。     

Adaptive fuzzy neural network control for a space manipulator in the presence of output constraints and input nonlinearities

Space manipulator is considered as one of the most promising technologies for future space activities owing to its important role in various on-orbit serving missions. In this paper, a novel adaptive fuzzy neural network (FNN) control scheme is proposed for the trajectory tracking control of an attitude-controlled free-flying space manipulator in the presence of output constraints and input nonlinearities. The parametric uncertainties and external disturbances are also taken into the consideration. First, a model-based controller is designed by using the barrier Lyapunov function (BLF) to prevent the position tracking errors from violating the predefined output constraints. Then, an adaptive FNN controller is designed by using two FNNs to compensate for the lumped uncertainties and input nonlinearities, respectively. Rigorous theoretical analysis for the semiglobal uniform ultimate boundedness of the whole closed-loop system is provided. The proposed adaptive FNN controller can guarantee the position and velocity tracking errors converge to the small neighborhoods about zero, while ensuring the position tracking errors within the output constraints even in the presence of input nonlinearities. To the best of the authors’ knowledge, there are relatively few existing controllers can achieve such excellent control performance in the same conditions. Numerical simulations illustrate the effectiveness and superiority of the proposed control scheme.     

Stacked recurrent neural network based high precision pointing coupled control of the spacecraft and telescopes

In some space missions especially in the field of space gravitational wave detection, the telescope needs to point to a certain target through attitude movement and pointing control. In several mainstream gravitational wave detection missions, the detector usually consists of a cluster of three identical satellites, flying in a quasi-equilateral triangular formation with a big edge length, so every satellite needs two telescopes to point each other and constitute three giant Michelson-Type interferometers. Therefore, a satellite platform system with two telescopes is researched in this paper. This research helps to characterize the attitude motion of a telescope for space astronomical observation or space gravitational wave detection, provides new method on the telescope’s high-precision pointing control. For this purpose, we derive a satellite-telescope coupling attitude model, design the sliding mode controller for satellite and the stacked recurrent neural network adaptive controller for telescope. In the stacked recurrent neural network adaptive controller design, a sliding mode control technology is adopted. In addition, we propose a combinatorial optimization method for network weights in the stacked recurrent neural network training process, that is, the output layer is corrected by the adaptive law, and the correction of other layers adopt the error backpropagation method. Finally, a numerical simulation method verifies the effectiveness of the controller design.