应用自组织模糊神经网络估计卫星姿态系统执行机构故障

合集下载

【国家自然科学基金】_故障观测器_基金支持热词逐年推荐_【万方软件创新助手】_20140730

科研热词故障诊断非线性系统自适应观测器线性矩阵不等式观测器稳定性模糊逻辑系统时滞系统故障调节故障检测故障估计容错控制主动容错控制鲁棒故障检测鲁棒性鲁棒高压直流输电预测观测器预测控制非最小相位系统非均匀采样重构起落架自适应状态观测器网络诱导时延网络控制系统网络化系统磁悬浮列车状态观测器特殊坐标基滤波器滑模观测器滑模测量数据丢失残差产生器模糊观测器模糊自适应容错控制未知输入观测器最小二乘法最小二乘支持向量机最优控制数据包丢失故障观测器故障检测滤波器支持向量机控制时滞系统控制效益执行器故障悬浮系统快速故障估计广义内模控制对偶原理
科研热词故障诊断观测器线性矩阵不等式故障检测非线性系统自适应观测器故障估计飞控系统网络控制系统滑模观测器滑模容错控制时滞系统数据包丢失故障的重构故障检测滤波器 t-s模糊模型 h∞控制鲁棒自适应观测器鲁棒性飞轮飞行控制系统飞行动力学风力机风力发电预测控制非线性网络控制系统递推学习观测器迭代建模迭代学习观测器迭代学习控制近空间高超声速飞行器近空间飞行器输出反馈自适应跟踪控制自适应调节自适应算法自适应控制重构自抗扰控制自动控制技术网络时滞网络时延网络化控制系统线性连续时变系统线性矩阵不等式(lmi) 线性参数变化鲁棒故障观测器电液伺服系统火炮位置伺服系统滑模变结构测量时滞水下机器人残差生成
推荐指数 11 9 8 5 4 4 4 3 3 3 3 3 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

卫星姿态再励学习的模糊神经控制

Key words: a t t itude con t ro l; neu ro 2fuzzy con t ro l; reinfo rcem en t lea rn ing; neu ra l netw o rk
模糊控制能够借助模糊规则有效地处理卫星的
不确定性[1], 但由于缺乏自学习能力而影响了控制精度Ζ 而模糊神经控制是智能控制领域里一个很有潜力的发展方向[2～ 4], 只是其在线学习样本的获得一直是一个比较困难的问题Ζ 作者把再励自学习的模糊神经控制引入到卫星姿态控制系统中[5]Ζ 用 T 2 S 模型代替文献[ 5 ]中 5 层的模糊神经控制器, 推导了该控制器的学习算法Ζ 其算法的特点是不需要被控对象的数学模型, 也不需要控制器在线学习样本, 而是根据对系统输出的评价信号在线调节模糊神经
关键词: 姿态控制; 模糊神经控制; 再励学习; 神经网络中图分类号: V 448122 文献标识码: A
Neuro-Fuzzy Con trol of Sa tell ite A ttitude by Re inforcem en t L earn ing
GU AN P ing, L IU X ing2qiao , CH EN J ia2b in
cl, 其中上标
l
代表规则数,
l= 1, 2, …, 25, 故该层有 25 个神经元Ζ 其输出激活
度 Βl 为
Βl=
A
1lA
l 2
Ζ
(10)
④ 输出层: 该层只有一个神经元
25
∑ M i=
Βlcl
l= 1
11412 A CN i 的学习算法
25
∑ ΒlΖ
l= 1
(11)
用 p 代表被调参数矢量: 即隶属函数参数 m ij ,

基于Q_学习的卫星姿态在线模糊神经网络控制

第 26 卷第 3 期 2006 年 3 月
北京理工大学学报 Transactions of Beijing Institute of Technology
文章编号 :100120645 (2006) 0320226204
Vol. 26 No. 3 Mar. 2006
基于 Q2学习的卫星姿态在线模糊神经网络控制
(1. College of Astronautics , Nort hwestern Polytechnical University , Xi’an 710072 , China ; 2. Shanghai Academy of Spaceflight Technology , Shanghai 200235 , China ; 3. Department of Automatic Control , School of Information Science and Technology , Beijing Institute of Technology , Beijing 100081 , China)
5
49
49
∑ ∑ u = βlcl
βl .
(5)
l =1
l =1
由于 Q 2学习动作评价网络直接输出状态 - 动
作对的 Q 值 ,而随机动作选择器根据 Q 值输出离
散的控制动作 ,所以构造基于实际控制策略 u′的标
准的三层前馈神经网络结构. 定义神经网络的权重
mij ( k + 1) ≈ mij ( k) +ηm sgn{ [ u′( k) - u ( k) ]Δ} ×
2基于q2学习算法的卫星姿态模糊神经网络控制系统结构如图2所示基于q2学习算法的卫星姿态模糊神经网络控制系统结构由三轴稳定卫星数学模型回报函数q2学习模糊神经网络控制器q2fuzzyneuralcontrollerfnc和随机探索4部分组成其中三轴稳定卫星数学模型按照文献4由采用反作用飞轮的卫星姿态动力学模型和卫星运动学模型组成

探讨KU波段卫星信号接收的技术问题

探讨KU波段卫星信号接收的技术问题陈步超民航西北空管局陕西省西安市710082摘要:卫星通信系统由于其覆盖面积大、通信频带宽、传输容量大等的独特优势，已经成为实现全球无缝隙个人通信和Internet空中高速通道的重要手段。

KU波段具有频带宽、干扰小、终端设备小等优点，可为高速卫星因特网、交互式多媒体通信等新业务提供更好的服务。

然而，由于在此波段的卫星通信中，除了与其它无线传输相类似的干扰外，电波在空间传输时来自自然界的很多干扰因素.本文就KU频段移动卫星通信的几个关键技术问题进行了阐述。

关键词：KU波段；接收天线；干扰中图分类号：TN82文献标识码：A文章编号：引言随着信息化社会的到来，卫星通信已经渗透到社会生活的各个方面。

在现代通信中，“全球个人移动通信”和“信息高速公路通信”需求迅速增长，极大地促进了世界卫星通信事业的发展。

同时，卫星通信相关技术的提高也促进了卫星通信在我国电信事业中的应用。

分。

卫星通信不仅用于国际间的通信，而且广泛利用于国内长途线路、专用线以及公共通信。

现在，卫星通信系统已经扩展到高速数字通信、小型地球站VSAT系统、移动卫星通信、个人卫星通信、多媒体服务等新领域。

使用频段从C频段(6/4GHz)、KU频段(24/1ZGHz)发展到Ka频段(30/Z0GHz)。

KU频段和C频段的卫星数字电视信号的接收方法一般来说大致相似，只是KU频段(尤其是直播卫星用)转发器功率高，其卫星等效全向辐射功率(EIRP)较大，因此卫星信号较强。

另外，由于KU频段下行频率高，地而接收天线(相同口径尺寸)KU频段的增益也高，因此其地面接收天线的波束也较宽。

此外，KU频段信号的接收不易受地面微波干扰的影响，本文对有关技术问题作如下讨论。

1、KU波段的接收特点KU波段是指，频率在12～18GHz的电波。

国际电信联盟将11.7～12.2GHz的频率范围优先划分给卫星电视广播专用。

从频率上看KU波段的频率为C波段的3倍，波长是C波段4GHz波长1／3。

飞行器的智能控制系统设计

飞行器的智能控制系统设计在现代科技的飞速发展下，飞行器的应用范围越来越广泛，从民用航空到军事领域，从太空探索到无人机快递，飞行器在我们的生活中扮演着越来越重要的角色。

而一个高效、稳定、智能的控制系统对于飞行器的性能和安全性至关重要。

本文将探讨飞行器智能控制系统的设计，从多个方面阐述其关键技术和实现方法。

一、飞行器智能控制系统的概述飞行器智能控制系统是一种能够自主感知环境、做出决策并执行相应动作的系统。

它融合了传感器技术、计算机技术、控制理论和人工智能等多个领域的知识，旨在实现飞行器的精确控制、优化性能和提高可靠性。

与传统的控制系统相比，智能控制系统具有更强的适应性和自学习能力。

它能够根据不同的飞行条件和任务需求，自动调整控制策略，以达到最佳的飞行效果。

例如，在遭遇强风或气流干扰时，智能控制系统可以迅速做出反应，调整飞行器的姿态和动力，保持稳定飞行。

二、飞行器智能控制系统的关键技术1、传感器技术传感器是飞行器智能控制系统的“眼睛”和“耳朵”，负责收集飞行器的各种状态信息，如位置、速度、姿态、加速度、温度、压力等。

常用的传感器包括惯性测量单元（IMU）、全球定位系统（GPS）、气压计、风速计等。

为了提高传感器的精度和可靠性，通常采用多传感器融合技术，将多个传感器的数据进行综合处理，以获得更准确的飞行器状态信息。

2、控制算法控制算法是飞行器智能控制系统的核心，它根据传感器收集到的信息，计算出控制指令，驱动飞行器的执行机构，实现对飞行器的控制。

常见的控制算法包括比例积分微分（PID）控制、模型预测控制（MPC）、自适应控制、鲁棒控制等。

近年来，随着人工智能技术的发展，基于神经网络、模糊逻辑和强化学习的控制算法也逐渐应用于飞行器控制系统中，取得了较好的控制效果。

3、通信技术良好的通信技术是保证飞行器智能控制系统正常运行的关键。

飞行器与地面控制站之间需要进行实时的数据传输，包括飞行器的状态信息、控制指令和任务信息等。

一种基于自适应模糊神经网络的畸变标定方法的研究

摘要摘要望远成像/准直测量光管用来对自准直仪的狭缝位置、星模拟器的星点目标位置以及棱镜的法线位置进行自适应识别和判读。

在望远成像/准直测量光管工作过程中，由于望远成像/准直光学系统的设计、加工、装调中存在的误差所致，会出现畸变现象，使实际像点的位置偏离理想成像位置，因此图像信息不能准确的反映三维空间位置信息，这将对性能检测的结果产生影响。

为了获取空间目标的位置与图像中对应像点位置的准确关系，就需要对望远成像/准直光学系统进行像面标定。

因此为了保障望远成像/准直测量光管的检测精度，本论文通过对基于神经网络的像面标定方法的研究实现对望远成像/准直光学系统中望远成像测量光路和准直测量光路的畸变标定。

本论文所做的具体工作主要有以下四个方面：1. 对现有的像面标定方法进行了分析，根据目前所有的像面标定方法中，线性标定方法精确度不高；非线性标定方法加入了畸变因素，提高了标定精度，但是所使用的相机成像模型难以完备的描述一个成像系统，而神经网络具有无限逼近任意非线性的特点，提出了本论文基于神经网络的标定方法，并说明了本论文标定方法的可行性。

2. 像面标定是从二维图像信息获取三维空间信息的过程，检测图像中的角点坐标信息是标定过程中的一个前期步骤，检测的坐标的准确度将会直接影响到最终标定结果的精度。

本论文在Harris角点提取算法的基础上，利用棋盘格中，角点与其附近像点的连线与该像素点的灰度梯度垂直这个客观现象来提取亚像素级坐标角点。

本论文通过MATLAB编程实现了该算法，验证了使用该算法提取的角点坐标可以达到亚像素。

3.针对本论文所提出的基于神经网络的标定方法中，神经网络的泛化能力对标定结果影响很大的问题。

与常用的均方误差（MSE）准则相比，最大相关熵（MCC）准则使网络泛化能力更强、预测精度更高。

本论文将基于最大相关熵（MCC）准则的自适应模糊神经网络系统引入到该标定方法中。

该神经网络系统可以更有效的解决高度非线性问题，同时具有良好的鲁棒性，更高的精确度和较快的运算速度，提高系统标定的精度。

基于T-S模糊建模方法的近空间飞行器姿控系统传感器故障调节技术研究

基于T-S模糊建模方法的近空间飞行器姿控系统传感器故障调节技术研究高志峰;王菊芳;禹长龙;仇计清【摘要】针对近空间飞行器从近空间空域返回地面再入大气层的飞行过程中其姿态控制系统发生传感器故障的情况,研究了基于广义扩张系统方法的传感器故障调节问题.首先,将再入飞行阶段的近空间飞行器非线性姿控系统用一组T-S模糊模型来表示,并基于此模糊模型引入传感器故障模型.然后,将含有传感器故障的T-S模糊模型利用广义扩张系统方法将其转化为T-S模糊奇异系统,进而设计一个全维状态观测器来得到被控系统的状态向量和传感器故障信号的估计值,并在此基础上提出了一个利用传感器故障补偿技术的反馈控制策略,使得闭环控制系统能够渐近调节传感器故障的影响.最后,通过数值仿真验证了所提方案的有效性.【期刊名称】《河北科技大学学报》【年(卷),期】2013(034)006【总页数】7页(P552-558)【关键词】近空间飞行器;传感器故障;故障调节;T-S模糊建模【作者】高志峰;王菊芳;禹长龙;仇计清【作者单位】南京邮电大学自动化学院,江苏南京 210046;河北科技大学理学院,河北石家庄 050018;河北科技大学理学院,河北石家庄 050018;河北科技大学理学院,河北石家庄 050018【正文语种】中文【中图分类】TP183所谓近空间, 一般指距地20～100 km高度的空域, 处于现有飞机的最高飞行高度和卫星的最低轨道高度之间，而近空间飞行器是指能够飞行在近空间空域执行特定任务的飞行器。

它集飞机、轨道战斗机, 甚至卫星、空间站等多方面优点于一体,是21世纪争夺制空/天权, 进行空/天作战的关键武器[1]。

由于近空间飞行器具有传统航空器与航天器所不具备的战略、战术以及效费比等优点，使其倍受世人关注，是目前世界各主要军事强国争夺空天权竞相发展的重点。

进入21世纪以来，国家自然科学基金委自2003年开始以来已连续两次设立有关近空间飞行器关键基础科学问题的重大研究计划，中国众多具有航空航天背景的高等院校和科研机构都以此为切入点相继展开对近空间飞行器相关技术的研究，经过10年的不懈努力，目前已取得了丰硕的研究成果[2-10]。

微小卫星姿态控制系统鲁棒自适应故障估计

微小卫星姿态控制系统鲁棒自适应故障估计
张科;韩治国;杨天社;王靖宇
【期刊名称】《西北工业大学学报》
【年(卷),期】2016(034)005
【摘要】针对具有非结构不确定项的非线性系统中存在的执行器与传感器故障，
采用一种基于描述系统的故障估计观测器设计方法。

该方法具有期望的鲁棒性能指标，能够在系统存在不确定项干扰的情况下实现对突变故障与时变故障等故障类型的精确估计。

根据Lyapunov稳定性理论推导了上述方法存在的充分条件，根据
线性化算法把上述充分条件转变为准线性矩阵不等式，应用迭代优化算法求得该充分条件的可行解。

最后，将该方法应用于微小卫星姿态控制系统中执行器与传感器故障估计，仿真结果证明了该方法的有效性。

【总页数】7页(P798-804)
【作者】张科;韩治国;杨天社;王靖宇
【作者单位】西北工业大学航天学院，陕西西安 710072;西北工业大学航天学院，陕西西安 710072;中国西安卫星测控中心，陕西西安 710043;西北工业大学航天学院，陕西西安 710072
【正文语种】中文
【中图分类】V448
【相关文献】
1.微小卫星鲁棒自适应姿态确定算法 [J], 邢艳军;王永富;陆亚东
2.基于鲁棒自适应观测器的线性系统故障估计 [J], 王洲辉;张科;韩治国
3.具有扰动的非线性系统鲁棒故障估计观测器设计 [J], 侯黎阳;黄睿睿;陈政权
4.基于并行学习鲁棒自适应的多操纵面飞机故障估计方法 [J], 刘静;丛岩;赵迪
5.一类不确定广义系统故障估计的有限时间鲁棒观测器设计 [J], 梁天添;刘鑫;郑祥;李科信;王茂
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｐｅｔｂａｔｏｆｆｕｌ— ｅｅｓｅｌｔｔｔｒｕｒｉｎｓｏａｔｆａｔｌｉｅａｔｉｕｄｅｄｙｎａｍｉｓｗｈｏｓｌｃ，ｅｏｕｔｐｕｔｉｈｏｅａｅｅｅｎｃｄｈｒｓｓｃｓｎａｒｆｒｓｅｔｅｈｏｌｏａｕｌｄｆｆｔ
文章编号：０５— ２７２１）１０７ —５２５８９（０００ —０２０
应用自组织模糊神经网络估计卫星姿态系统执行机构故障
程月华，姜斌杨明凯高志峰，，
１．南京航空航天大学自动化学院，南京２０１１０６２．南京航空航天大学高新技术研究院，南京２０１１０６
ａｔｔｄｅｄｎｍｉｓｉｌｔｏｅｕｔｅｏｓｒｔｈｔＳｔｉｕｙａｃ．ＳｍｕａｉｎｒｓｌｓｄｍｎｔａｅｔａＯＦＮＮａｏｄｄｎｍｉｓｐｒｏｍａｃｎｅｔｍａｉｈｇｏｙａｃｅｆｒｎｅｉｓｉｔｎｇｓ
Ａｂｔａｔｓｒｃ：Ｗｅｇｔｎｏｅｆｅ－ｒａｉｎｕｚｅｒｌｅｗｒＳＮＮ）ａｌｅｕｄｔｄｏｌｅｆｒｉｈｓｄｎｄｓｏｓｌｏｇｎｚｇｆｚｙｎｕａｔｏｋ（ｏＦａａｆｉｎｃｉｂｐａｅｎｉｎｏ
好地估计系统执行机构故障，比同定结构的模糊神经网络估计速度快，因此史具优越性．关键词：自组织模糊神经网络；障估计；＿星；行机构故『Ｊ执
中图分类号：Ｐ１３Ｔ８
文献标志码：Ａ
ＳｌＯｒａｚｎｚｙＮｅａｅｗｏｋＢａｅｃｕｔｒＦａｌｅｆ－ｇｎｉｉｇＦｕｚｕｒｌＮｔｒ－ｓｄＡｔａｏｕｔＥｓｉａｉｎｆｔｌｉｅＡｔｉｕｙｓｅｓｔｍｔｏｏｒＳａｅｌｔｔｔｄｅＳｔｍ
ａｔａｏｕｔｒｔｅｃｎｉｅｅｙａｃｔｘｅｎａｏｓｎｙｔｍａａｔｒｕｃｒａｎｉｓｃｕｔｒｆｌｓｆｈｏｓｄｒｄｄｎｍｉｓｗｉｈｅｔｒｌｉｅａｄｓｓｅｐｒｍｅｅｎｅｔｉｔｅ．Ｃｏｐｒｄａｏｎｍａｅｗｉｈｆｅ — ｔｕｔｒｄＦＮＮ．ｈｒｐｏｅ０ＦＮＮａｄａｔｇｓｉｓｉａｉｎｓｅｄｔｘｄｓｒｃｕｅｉｔｅｐｏｓｄＳｈｓａｖｎａｅｎｅｔｍｔｏｐｅ．Ｋｅｙｗｏｄｓｅｆｏｇｎｚｎｕｚｅｒｌｅｗｏｋ，ａｌｓｉａｉｎ，ａｅｌｅａｔａｏｒ：ｓｌｒａｉｉｇｆｚｙｎｕａｔｒｆｕｔｅｔｍｔｏｓｔｌｔ，ｃｕｔｒ＿ｎｉ
ｄｔｃｉｎ．ＢａｅｎＳＯＦＮＮ１ＳＦＮＮ２ｉｏｓｒｔｄｔｓｉｔｃｕａｏａｌｓｏｃｒｉｇｉｈａｅｌｔｅｅｔｏｓｄｏ，Ｏｓｃｎｔｕｃｅｏｅｔｍａｅａｔｔｒｆｕｔｃｕｒｎｎｔｅｓｔｌｅｉ
ＣＨＥＮＧｅｈ一ＪＡＮＧｎＹｕ — ｕａ，，ＩＢｉ，ＹＡＮＧｉｇｋｉＭｎ — ａ，ＧＡＯ —ｅＺｈｉｆｎｇ
１ｏｌｅｏｕｏｔｎＥｎｉｅｒｇＮａｊｎｎｖｒｉｆＡｅｏａｔｓａｄＡｓｒｎｕｉｓ．ＣｌｇＡｔｍａｉｇｎｅｉ，ｎｉｇＵｉｅｓｙｏｒｎｕｉｎｔｏａｔ，ｅｆｏｎｔｃｃ
Ｎａｊｎ１０６ｈｎｎｉｇ２０１，Ｃｉａ
２ｃｄｍｙｏｒｎｉｒＳｉｃ，ｎｉｇＵｉｅｓｙｏｅｏａｔｓａｄＡｓｒｎｕｉｓ．ＡａｅｆＦｏｔｃｅｅＮａｊｎｎｖｒｉｆＡｒｎｕｉｎｔｏａｔ，Ｎａｊｇ２０１，Ｃｉａｅｎｔｃｃｎｉ１０６ｈｎｎ
ｎｔｒｔｕｔｒｐｉｚｔｏｅｗｏｋｓｒｃｕｅｏｔｍｉａｉｎ．ＴｈｓｐｐｒｓｕｉｓａｒｂｓａｌｄａｎｓｉｐｏｃａｅｎｔＯＦＮＮｓｉａｅｔｄｅｏｕｔｆｕｔｉｇｏｔｃａｐｒａｈｂｓｄｏｗｏＳｏｌｓｆｓｔｌｔｔｉｕｅｄｎｍｃ．ＴｈｅｉｎｄＳｆｒａｃａｓｏａｅｌｅａｔｔｄｙａｉｓｉｅｄｓｇｅＯＦＮＮ１ｉｕｅｏｅｔｍａｅｕｎｅｔｉｔｅｎｘｅｎｌｓｓｄｔｓｉｔｃｒａｎｉｓａｄｅｔｒａ
摘要：白组织模糊神经网络可以根据系统状态枉线更新权值和调整节点，优化网络结构．中针对某卫星姿态文
控制系统提出了基十两个白组织模糊神经网络的执行机构故障诊断方法．网络ＳＮＮ１ＯＦ用十健康系统的离线训练，估计｝系统的不确定项和扰动项，网络输出结果作为故障检测的阈值参考．网络ＳＮＮ２｛ｊＯＦ在网络ＳＮＮ１ＯＦ的基础上估计执行器故障．仿真表明，在噪声十扰和系统参数不确定的情况下，在线自组织模糊神经网络结构的方法能很
第２８卷第１期
２０１０１
学
报
Ｖｏ１８Ｎｏ．１．２
Ｊｎ．０１ａ２Ｏ
ＪＵＲＮＡＬＯＦＡＰＰＬＩＤＯＥＳＣＩＮＣＥＳ — ＥｌｃｒｎｃｎｎｏｍａｉｎＥｎｇｎｅｉｇＥ — ｅｔｏｉｓａｄＩｆｒｔｏｉｅｒｎ