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。     

基于RBF神经网络的导弹鲁棒动态逆控制

讨论了一种基于神经网络的导弹鲁棒动态逆控制方法。导弹的基本控制律采用动态逆方设计,针对存在动态逆误差的慢回路设计神经网络鲁棒逆控制器。用RBF神经网络逼近导弹慢模态数学模型,并把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;鲁棒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精度的影响。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精度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。
     

基于自适应动态逆的高超声速飞行器姿态复合控制

考虑高超声速飞行器再入过程中存在气动舵低效的问题,提出了质量矩/气动舵复合控制方式,研究了这两类执行机构的复合控制分配问题,并针对高超声速飞行器强非线性和不确定性的对象特性,基于神经网络方法设计了自适应动态逆姿态控制系统。首先给出了质量块配置原则以及质量矩/气动舵复合控制模型;其次,为获得良好的控制分配精度并保证较小的执行机构能耗,基于二次规划方法设计了质量矩/气动舵复合控制分配策略;再次,利用神经网络权值的自适应调整来逼近系统中存在的不确定性,补偿动态逆误差,设计了基于神经网络的自适应动态逆控制器。最后,通过仿真验证了文中控制分配策略和自适应动态逆方法的有效性。     

自由漂浮空间机器人神经网络自适应补偿控制

针对更具工程价值的任务空间内的自由漂浮状态空间机器人模型不确定性末端控制问题,提出了一种自适应神经网络控制策略用于机器人末端控制.通过神经网络在线建模来逼近系统中的非线性模型,神经网络的逼近误差及外界有界扰动通过鲁棒控制器来消除,采用引入GL矩阵及其乘法算子"·"来直接辨识的各部分系统参数.该控制策略既不需要逆动态模型的估计值,同时也避免了求雅克比矩阵的逆,降低了计算量.基于李亚普诺夫理论证明了整个闭环系统全局渐近稳定.仿真结果表明了这种神经网络控制器对于任务空间的空间机器人末端控制在达到较高的精度的同时,能够满足实时性要求,具有重要的工程应用价值.     

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。     

欠驱动航天器编队重构的切换神经网络控制

针对圆轨道欠驱动航天器编队重构问题,将传统的自适应神经网络控制器和自适应滑模控制器相结合,设计了一种切换神经网络控制器,用以跟踪由伪谱法求解得到的航天器编队重构的最优开环控制轨迹。自适应神经网络控制器在活跃区域内工作,利用径向基神经网络(RBFNNs)近似动力学系统中的不确定项,自适应滑模控制器在活跃区域外工作,利用自适应律来估计近似误差上界,并采用李雅普诺夫方法证明了闭环系统稳定性。数值仿真结果表明切换神经网络控制器可在欠驱动条件下实现编队重构,与线性滑模控制器相比,实现了控制器快速、高精度、强鲁棒等控制性能。     

考虑重力影响的柔性关节空间机械臂任务空间神经网络控制

针对柔性关节空间机器人地面模拟及空间应用受到重力或微重力不确定项干扰的问题,提出一种基于奇异摄动的任务空间神经网络自适应控制算法。首先建立了考虑重力影响的柔性关节空间机器人的模型,通过奇异摄动方法将系统降阶处理后,转换到任务空间进行控制器的设计,利用神经网络自适应算法对系统的不确定性进行逼近,并针对逼近误差设计了鲁棒控制器补偿,最后将控制量转换为关节空间的控制力矩。对系统进行了稳定性分析和仿真校验,结果表明,控制器可以解决柔性带来的系统高频谐振和失稳问题,并能有效抵抗系统扰动,具有很好的跟踪性能。     

基于神经网络的飞行器抗饱和自适应控制

针对传统自适应控制在飞行器作动器具有幅值饱和与速率饱和的情况下难以实现良好飞行控制的问题,提出了一种基于神经网络与伪控制隔离的飞行器抗饱和自适应控制方法.首先根据模型参考自适应控制理论,结合动态逆与神经网络自适应方法,分析了系统的模型跟踪误差动力特征,并考虑飞行器具有参数不确定和未建模误差等动态逆误差,设计了在线神经网...     

高超声速飞行器输入受限自适应反演控制研究

针对输入受限和参数不确定时的高超声速飞行器控制问题,提出了一种基于径向基函数(RBF)神经网络补偿的自适应反演控制方法。建立了飞行器纵向运动模型,分析了由控制系统执行机构、弹性振动和避免发动机燃烧室热雍塞导致的燃料-空气比和升降舵偏角受限,通过设计辅助系统以保证受限时闭环系统的稳定性。分别采用动态逆和反演方法设计速度与高度子系统控制器,利用RBF神经网络逼近控制律的饱和特性,设计了一种非线性干扰观测器对模型不确定参数进行自适应估计,并在控制律中引入不依赖扰动上界的鲁棒项,对未观测的扰动部分进行自适应补偿,以保证控制律的强鲁棒性。引入跟踪微分器估计虚拟控制量的导数,解决了传统反演控制中"微分膨胀"问题。Lyapunov函数分析证明了闭环系统所有信号最终一致有界,闭环系统稳定。仿真结果表明:所提的控制策略能有效处理控制输入饱和问题,在受限情况下实现速度和高度对参考输入的高精度稳定跟踪,并对模型不确定性具较强的鲁棒性。     

基于轨迹线性化方法的导弹动态逆控制系统设计

基于动态逆控制及轨迹线性化方法,研究了一种新的导弹鲁棒自适应控制系统设计方法.首先,基于导弹的非线性模型设计快、较慢回路的动态逆控制器,以实现其非线性解耦;然后,在较慢回路中设计鲁棒自适应轨迹线性化控制器,以补偿整个控制系统的不确定性及干扰,即在轨迹线性化控制的基础上,通过设计RBF神经网络在线估计系统中存在的不确定性...     

空间机器人神经网络自适应滑模目标操控轨迹跟踪控制

针对参数未知的空间目标操控问题,考虑空间机器人负载不确定性、系统动力学不确定性和环境扰动等因素,为实现操作过程的稳定控制及机器人轨迹的有效跟踪,提出一种基于径向基神经网络估计不确定项的自适应增益非奇异终端滑模变结构控制器。首先基于拉格朗日法建立空间机器人的刚体动力学模型。考虑空间机器人基座姿态主动控制模式,使用径向基神经网络对模型中的不确定项进行估计。进而提出基于神经网络估计的非奇异终端滑模控制器,并针对不确定性和扰动的估计误差设计自适应增益,以期实现空间机器人系统轨迹跟踪控制的收敛。仿真校验结果表明所设计的控制方法具有较好的误差收敛速度和控制精度。     

一类不确定非线性系统的回馈递推滑模鲁棒控制器设计

针对一类多输入多输出不确定非线性系统，用一个RBF神经网络获得未建模动态和外来扰动的估计值，将回馈递推思想与滑模控制相结合，逐步回馈递推，设计了鲁捧控制器。将这种方案用于某型侧滑转弯导弹的飞行控制系统设计。其中，为克服导弹作动器的位置饱和、速率饱和问题，改进了滑动面的符号函数，并采用模糊逻辑对滑动面的斜率进行实时调整。仿真表明了该控制方法的有效性。     

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。
     

航天器姿态跟踪系统的非线性鲁棒自适应控制

研究有未知惯量矩阵和干扰力矩的刚体航天器姿态跟踪。对此类多输入多输出、不确定非线性系统,提出了一种非线性鲁棒自适应控制策略,用Lyapunov直接法分析了闭环系统稳定性。理论分析表明,该控制器不仅保证闭环系统一致最终有界稳定,航天器姿态跟踪误差收敛至系统平衡点的一个较小领域,而且使闭环系统对航天器惯量参数有自适应能力,对有界干扰力矩具鲁棒性。仿真结果表明：所设计的非线性鲁棒自适应控制器有效。     

一类不确定非线性系统的反演自适应控制

针对一类包括非线性不确定性、未知间隙滞后特性等的不确定非线性单输入单输出系统,结合反演和自适应控制设计了反演自适应控制器,可使系统达稳定,并能保证系统信号的全局有界性,对非线性不确定性具一定的鲁棒性,且不要求干扰项有界.由仿真结果可知:设计的反演自适应控制器的控制效果较佳.对自适应控制系统有较大的参考意义.     

再入机动飞行器自适应轨迹线性化控制

针对一类多输入多输出模型不确定系统,提出了一种基于广义模糊神经网络的自适应轨迹线性化控制方法(ATLC).针对再入机动飞行器(MRV)进行了控制器设计和分析.MRV气动参数存在较大的不确定,这会导致轨迹线性化控制器(TLC)鲁棒性能下降.利用广义模糊神经网络(G-FNN)在线补偿系统的非线性建模不确定,改善了控制器性能.基于Lyapunov稳定性理论,证明了ATLC闭环控制系统的稳定性.仿真结果表明自适应轨迹线性化控制系统在飞行器气动参数大范围摄动时仍具有鲁棒性和稳定性,验证了所提出的控制策略的有效性.     

Adaptive attitude control of spacecraft using neural networks

An adaptive control technique can be applicable to reorient spacecraft with uncertain properties such as mass, inertial and various misalignments. A nonlinear quaternion feedback controller is chosen as a baseline attitude controller. A linearly added adaptive input supported by neural networks to the baseline controller can estimate and eliminate the uncertain spacecraft property adaptively. The normalized input neural networks (NINNs) are examined for reliable computation of the adaptive input. The newly defined learning rules of the neural networks are established appropriately for a spacecraft. To prove the stability of the closed-loop dynamics with the control law, Lyapunov stability theory is considered. As a result, the proposed approach results in the uniform ultimate boundedness in tracking error and robustness of the chattering and the singularity problems.