›› 2017, Vol. 37 ›› Issue (1): 1-10.doi: 10.16708/j.cnki.1000-758X.2017.0002

• 研究探讨 •    下一篇

基于自适应迭代学习的小行星绕飞容错控制

 黄怡欣1,2,李爽1,2,*,江秀强1,2,   

  1. 1南京航空航天大学航天学院,南京210016
    2南京航空航天大学航天新技术实验室,南京210016
  • 收稿日期:2016-09-13 修回日期:2016-12-23 出版日期:2017-02-25 发布日期:2017-01-24
  • 作者简介:黄怡欣(1991-),女,硕士研究生,hyx_92@126.com,研究方向为航天器姿态控制、容错控制 *通讯作者:李爽(1978-),男,博士,教授,博士生导师,lishuang@nuaa.edu.cn,研究方向为航天器动力学与控制,深空探测技术,航天技术新概念
  • 基金资助:

    国家自然科学基金(61273051,11672126);上海航天科技创新基金(SAST2015036);中国科学院太空应用重点实验室开放基金(LSU-2016-04-01,LSU-2016-07-01);江苏省普通高校研究生科研创新计划(SJLX15_0136)

Adaptiveiterativelearningbasedfaulttolerantcontrolforasteroidorbiting

 HUANG  Yi-Xin1,2,, LI  Shuang1,2,*,JIANG  Xiu-Qiang1,2,   

  1. 1CollegeofAstronautics,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China
    2LaboratoryofSpaceNewTechnology,NanjingUniversityofAeronauticsandAstronautics,Nanjing210016,China
  • Received:2016-09-13 Revised:2016-12-23 Online:2017-02-25 Published:2017-01-24

摘要: 对于小行星绕飞任务的探测器姿态控制问题,已有方法大都考虑了干扰力矩和参数不确定等因素,而忽视了执行器故障情况。针对执行器故障条件下的小行星探测器姿态控制问题,提出了一种基于自适应迭代学习的容错控制方法。所设计的控制器包括两部分:其一针对执行器故障,设计了自适应迭代学习控制器,采用类滑模的思想和自适应迭代学习算法对控制器参数进行调整,进而补偿执行器故障带来的影响,保证系统在控制输出不足情况下的高精度姿态稳定性;其二针对探测器参量变化、外部环境干扰等不确定情况,设计了基于自适应神经网络的迭代学习控制器,采用径向基函数(RadialBasisFunction,RBF)神经网络对系统非线性部分进行逼近,同时对控制器参数进行自适应迭代学习调整,进而保证系统在不确定情况下的动态性能。数值仿真结果表明该控制器能够有效抑制外部环境干扰和内部参数变化带来的不利影响,在执行器部分失效甚至完全失效故障情况下,仍能保证系统的鲁棒性并实现误差在10-2数量级内的较高姿态控制精度。

关键词: 小行星探测器, 容错控制, 自适应迭代学习, 神经网络, 执行器故障

Abstract: Consideringtheprobeactuatorfailures,parametricuncertaintiesandexternaldisturbances,anadaptiveiterativelearningbasedfaulttolerantcontrolmethodwasdesignedforasteroidorbiting.Thecontrollerwasdividedintotwoparts:robustiterativelearningcomponentandneuralnetworkiterativelearningcomponent.Fortherobustiterativelearningcomponent,asliding-mode-likestrategywithadaptiveiterativelearninglawwasappliedtomaintainthestabilityandimprovetheattitudetrackingaccuracyincaseofactuatorfailures.Fortheneuralnetworkiterativelearningcomponent,aradialbasisfunction(RBF)neuralnetworkbasedadaptiveapproximationwasintroducedtoestimatethesystemuncertainty,withparametersadaptedonlinetomaintaindynamicperformance.Inaddition,numericalsimulationsshowthatthemethodachievedtheerrorintheorderof10-2magnitudeundertheactuatorfailureconditions,highlightstherobustandhighprecisionattitudetrackingperformance.

Key words: asteroidprobe, faulttolerantcontrol, adaptiveiterativelearning, neuralnetwork, actuatorfailures