CN103019099B - 一种卫星姿态模糊控制器参数优化方法 - Google Patents
一种卫星姿态模糊控制器参数优化方法 Download PDFInfo
- Publication number
- CN103019099B CN103019099B CN201210545164.3A CN201210545164A CN103019099B CN 103019099 B CN103019099 B CN 103019099B CN 201210545164 A CN201210545164 A CN 201210545164A CN 103019099 B CN103019099 B CN 103019099B
- Authority
- CN
- China
- Prior art keywords
- omega
- particle
- theta
- satellite
- magnetically levitated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种卫星姿态模糊控制器参数优化方法,属于航天控制技术领域,在卫星姿态参考坐标系下建立含有磁悬浮飞轮群的卫星动力学和运动学模型,基于磁悬浮飞轮群的航天器动力学模型设计姿态模糊控制器,引入改进的粒子群优化算法对所设计的姿态模糊控制器进行控制参数优化设计。本发明可以适用于卫星姿态模糊控制系统中,不仅提高模糊控制器设计效率,而且提高卫星姿态控制精度和稳定度。
Description
技术领域
本发明属于卫星控制技术研究领域。特别涉及一种基于卫星姿态模糊控制器参数优化方法。
背景技术
随着卫星技术的发展,现代卫星平台结构庞大复杂,系统的不确定性很强,而卫星姿态控制精度和稳定度要求更高。传统的姿态控制方法日益无法满足现代卫星平台所能达到的指标要求,因此以模糊控制为首的智能控制方法越来越得到重视和发展。智能控制基本不依赖控制对象的模型,并且具有自我学习的能力,因此具有很好的鲁棒性和自适应能力,对于处理卫星平台系统的模型不确定性和非线性性具有优势。
模糊控制器因其清晰明了的语言性描述和优越的控制性能在最近20年得到很大关注,但是由于模糊控制器的隶属度函数和模糊规则设定的复杂性,使得模糊控制器的优化设计一直是研究人员致力研究的问题。在卫星姿态模糊控制器设计中,一般采用手动试凑方式进行模糊隶属度函数和模糊规则的设计。这种手动试凑的方法效率极低,并且模糊控制器无法对控制对象的变化作出自我调整,自适应能力和鲁棒性都较差。
为了简化模糊控制器的设计工作,一系列参数优化方法被用于模糊控制器的设计,如模拟退火算法,粒子群优化算法等等。模拟退火算法是受退火这一物理过程启发而来,模拟退火算法的中心思想是将目标优化问题比拟成金属物体,随着温度的逐渐降低,不断求取目标函数的值,并依据Metropolis准则获得能量最小的理想状态,从而描述这样一个全局最佳寻优过程。粒子群优化算法是跟踪每个粒子拓扑邻居中的最佳位置,对粒子的速度和位置进行更新,使得粒子趋于分簇,并最终获得粒子个体的最优位置和全局最优解。
目前对卫星姿态模糊控制器的优化设计方法存在如下问题:(1)单独使用模拟退火算法进行卫星姿态模糊控制器设计时,模拟退火算法难以承担模糊控制器较大的计算量,优化设计过程效率低;(2)单独使用粒子群优化算法进行卫星姿态模糊控制器设计时,粒子群优化算法的位置和速度的更新公式容易导致优化进程过早收敛,使得算法进程陷入局部最优;(3)粒子群优化算法与其他优化算法相结合已经得到很多关注,但是这些算法仅仅是对于粒子群优化算法的位置和速度更新规则的改进,并没有对粒子的操作提出改革性的举措,对于解决大规模复杂问题时,不仅速度极慢,而且很难收敛。
发明内容
本发明需要解决的技术问题是:克服现有卫星姿态模糊控制器设计方法的不足,提供一种卫星姿态模糊控制器参数优化方法,采用基于改进的粒子群优化算法对基于磁悬浮飞轮群的卫星姿态模糊控制器进行设计,实现卫星高精度和高稳定度姿态控制。
本发明解决其技术问题所采用的技术方案为:一种卫星姿态模糊控制器参数优化方法,其特点在于建立基于磁悬浮飞轮群的卫星姿态动力学和运动学模型,基于动力学和运动学模型,建立卫星姿态模糊控制器,进一步引入改进的粒子群优化算法对姿态模糊控制器进行参数优化设计,实现卫星姿态的高精度和高稳定度控制。
具体包括以下步骤:
1、建立卫星载体固连坐标系和单个磁悬浮飞轮固连坐标系;
建立卫星载体固连坐标系(xb,yb,zb),坐标系原点位于载体质量中心,卫星固定有三个磁悬浮飞轮,以正交形式安装;建立第j(j=1,2,3)个磁悬浮飞轮固连坐标系(xwαj,ywβj,zwsj),其中zwsj表示第j个磁悬浮飞轮自转轴方向单位向量,xwαj和ywβj分别表示第j个磁悬浮飞轮径向轴方向单位向量;
2、基于步骤1建立磁悬浮飞轮群角动量模型;
自转轴平行于zb轴的磁悬浮飞轮w1相对于卫星载体固连坐标系的角动量为:
其中,Iws1为磁悬浮飞轮w1自转轴方向转动惯量,Ω1为磁悬浮飞轮w1自转角速度,α1和β1为磁悬浮飞轮w1转子径向偏移量。进一步建立磁悬浮飞轮w2和w3的角动量分别为:
其中,Iws2和Iws3分别为磁悬浮飞轮w2和w3自转轴方向转动惯量,Ω2和Ω3分别为磁悬浮飞轮w2和w3的自转角速度,α2和β2为磁悬浮飞轮w2转子径向偏移量,α3和β3为磁悬浮飞轮w3转子径向偏移量;考虑采用相同的磁悬浮飞轮,因此有Iws1=Iws2=Iws3=Iws;
3、基于步骤1和步骤2建立卫星总的角动量模型;
卫星总的角动量包括卫星本体的角动量以及磁悬浮飞轮群的角动量,卫星总的角动量为:
其中,J1,J2和J3为卫星三轴转动惯量;ω1,ω2和ω3为卫星三轴姿态角速度;
4、基于步骤1-步骤3建立基于磁悬浮飞轮群的卫星动力学模型;基于三个正交安装磁悬浮飞轮群的卫星动力学模型为:
其中,τe为外部干扰力矩,ω=(ω1,ω2,ω3)T为卫星姿态角速度向量,[ω×]为:
为卫星总的角动量的微分:
其中,和为卫星三轴姿态角速度的微分;和分别为磁悬浮飞轮w1,w2和w3自转角速度的微分;和为磁悬浮飞轮w1转子径向偏移量的微分;和为磁悬浮飞轮w2转子径向偏移量的微分;和为磁悬浮飞轮w3转子径向偏移量的微分;
5、在卫星姿态参考坐标系下建立卫星姿态运动学模型;
卫星姿态运动学中卫星欧拉姿态角和角速度的关系为:
其中,θ=(θ1,θ2,θ3)T为卫星三轴欧拉姿态角向量,为欧拉姿态角的微分,R(θ)和ωc(θ)分别表示为:
其中,ωo为轨道角速度;
6、基于步骤4和步骤5所建立的基于三轴正交安装磁悬浮飞轮群的卫星动力学和运动学模型,设计姿态模糊控制器;
模糊规则为:
如果x是Am,并且y是Bp,那么z是Cq;
其中,x和y是模糊控制器输入变量,x为卫星姿态误差eθ通过比例因子ke转换并限制在[-1,1]范围内,y为姿态误差的微分通过比例因子转换并限制在[-1,1]范围内;z是模糊控制器输出变量,通过比例因子ku转换为真实输出值;Am是输入变量x的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);Bp是输入变量y的模糊集语言变量,采用五种语言变量组成,包括NL(负大),NS(负小),O(零),PS(正小),PL(正大);Cq为输出变量z的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);模糊连接词“并且”根据模糊理论中代数积定义;设计控制系统性能目标函数为:
其中,eω为卫星姿态角速度的误差,tfinal为总时间;
7、基于步骤6所设计的姿态模糊控制器进行控制器参数优化设计,采用改进的粒子群优化算法,最终得到所有参数最优选取和最佳组合的姿态模糊控制器,进行基于磁悬浮飞轮群的卫星姿态控制,以实现卫星姿态高精度高稳定度控制性能。具体步骤为:
(1)初始化;
(1.1)将姿态模糊控制器中所有参数(所有参数包括隶属度函数,模糊规则,和比例因子)设为解向量s0,初始化参数解向量s0;
(1.2)初始化N个粒子,通过随机扰动初始向量s0为:
si=s0+λ·rand,i=1,2,...,n
其中si表示第i个粒子,rand为随机向量,其元素为平均分布在[0,1]间的随机数,λ是限制随机数取值范围的常系数;
(1.3)确定其他参数,包括Boltzmann参数β,总循环次数iter,以及粒子数N;
(2)评价粒子;
(2.1)基于目标函数评价每个粒子的适应度函数值,其中第t次重复中第i个粒子的适应度函数值记为ft(si);
(2.2)基于适应度函数值求出每个粒子权重为:
其中,wt(si)表示第t次重复中第i个粒子权重,表示关于的指数函数;
(2.3)基于(2.2)评价每个粒子对整体群的贡献率为:
其中,εt(si)表示第t次重复中第i个粒子对整体群的贡献,max[wt(s1),wt(s2),...,wt(sN)]表示wt(s1),wt(s2),...,wt(sN)中的最大值;
(3)选择精英粒子;
(3.1)随机生成一组随机数,每个随机数元素在[0,1]之间,每个元素表示为rt(si),表示第t次重复中第i个粒子位置上所对应的随机数;如果εt(si)≥rt(si),保留这个粒子,否则放弃这个粒子;首先选择M(M≤N)个粒子;
(3.2)继续选择粒子;更新粒子的贡献率为:
δt(si)=εt(s1)+εt(s2)+…+εt(si)
其中,δt(si)为第t次重复中第i个粒子更新后的贡献率;对每个粒子对应的随机数也进行相应更新:
rrt(si)=rt(s1)+rt(s2)+…+rt(si)
如果δt(si)≥rrt(si),保留这个位置上对应的原粒子,否则放弃这个位置上的粒子;
(3.3)重复(3.2)直到选到N个精英粒子,保证整体群中粒子总数不变;
(4)更新粒子群;
(4.1)基于步骤(3)中所选择的精英粒子组成的粒子群,更新粒子群为:
S(t+1)=S(t)+ζ·rand
其中,S(t)为第t次重复中所保留的粒子群,S(t+1)是t+1次重复中的新粒子群,rand为随机向量,其元素为平均分布在[0,1]间的随机数,ζ是限制随机数取值范围的常系数;
(4.2)当t达到最大重复数,进入步骤(5),否则,令t=t+1返回步骤2重复整个过程;
(5)输出最终解;
(5.1)整个优化过程结束后,基于最终获得的粒子群,采用加权平均法得到最优解向量为:
其中,si表示最终的粒子群S(iter)中的每个粒子,fiter(si)为第iter次重复中每个粒子的适应度函数值。最优解向量sfinal,其元素包含了姿态模糊控制器所有参数(包括隶属度函数,模糊规则,及比例因子),最优解向量也即姿态模糊控制器所有参数的最优选取和最佳组合,使得控制系统性能目标函数值最小,也即此姿态模糊控制器在进行卫星姿态控制时控制性能最优。
本发明的原理是:本发明基于改进的粒子群优化算法对卫星姿态模糊控制器进行优化设计,以卫星姿态控制总体性能最优为目标,实现高精度和高稳定度的卫星姿态控制性能。原理如图2所示,首先建立卫星载体固连坐标系和磁悬浮飞轮固连坐标系,基于所建立的参考坐标系,分别建立磁悬浮飞轮群的角动量,卫星总的角动量,以及基于磁悬浮飞轮群的卫星姿态动力学和运动学模型。进一步基于卫星动力学模型,设计姿态模糊控制器及控制系统性能目标函数,并引入改进的粒子群优化算法对模糊控制器参数进行优化设计。本发明基于改进的粒子群优化算法,首先将模糊控制器总体参数设计为解向量s0,即单个粒子,扰动单个粒子以建立含有N个粒子的粒子群,基于每个粒子求出对应的目标函数值,进一步基于Boltzmann概率因子评价每个粒子对粒子群的贡献率。引入Metropolis准则,将每个粒子的贡献率与随机生成的[0,1]间的随机数进行一一比较,挑选贡献率大于所对应的随机数位置上的原粒子,用于下一次粒子群的更新。经过多次删选,保留一组具有较高贡献率的粒子群,基于此粒子群采用加权平均法求出最终解。
本发明与现有技术相比的优点在于:(1)本发明采用改进的粒子群优化算法对姿态模糊控制器参数进行优化设计,提高控制器设计效率;(2)本发明中改进的粒子群优化算法引入Metropolis准则对粒子群中的粒子进行反复选取,组成贡献率较大的精英粒子群,并最终基于精英粒子群采用加权平均法求出最终解。利用Metropolis准则对粒子群优化算法中粒子的速度和位置更新规则进行改进,有效避免粒子群优化算法陷入局部最优而导致的过早收敛情况。
附图说明
图1为本发明中卫星姿态模糊控制器参数优化设计方法流程图;
图2为本发明中基于改进的粒子群优化算法的卫星姿态控制系统结构框图;
图3为本发明中基于磁悬浮飞轮群的卫星载体固连坐标系;
图4为本发明中单个磁悬浮飞轮固连坐标系;
图5为本发明中改进的粒子群优化算法概念图。
具体实施方式
如图1所示,本发明的具体实施方法如下:
1、建立卫星载体固连坐标系和单个磁悬浮飞轮固连坐标系;
如图3所示建立卫星载体固连坐标系(xb,yb,zb),坐标系原点位于载体质量中心,卫星固定有三个磁悬浮飞轮,以正交形式安装;如图4所示建立第j(j=1,2,3)个磁悬浮飞轮固连坐标系(xwαj,ywβj,zwsj),其中zwsj表示第j个磁悬浮飞轮自转轴方向单位向量,xwαj和ywβj分别表示第j个磁悬浮飞轮径向轴方向单位向量;
2、基于步骤1建立磁悬浮飞轮群角动量模型;
首先考虑自转轴平行于zb轴的磁悬浮飞轮w1相对于卫星载体固连坐标系的角动量为:
其中,Iws1为磁悬浮飞轮w1自转轴方向转动惯量,Ω1为磁悬浮飞轮w1的自转角速度,α1和β1为磁悬浮飞轮w1转子径向偏移量;进一步建立磁悬浮飞轮w2和w3相对于卫星载体固连坐标系的角动量分别为:
其中,Iws2和Iws3分别为磁悬浮飞轮w2和w3自转轴方向转动惯量,Ω2和Ω3分别为磁悬浮飞轮w2和w3的自转角速度,α2和β2为磁悬浮飞轮w2转子径向偏移量,α3和β3为磁悬浮飞轮w3转子径向偏移量;考虑采用相同的磁悬浮飞轮,因此有Iws1=Iws2=Iws3=Iws;
3、基于步骤1和步骤2建立卫星总的角动量模型;
卫星总的角动量包括卫星本体的角动量以及磁悬浮飞轮群的角动量,卫星总的角动量为:
其中,J1,J2和J3为卫星三轴转动惯量;ω1,ω2和ω3为卫星三轴姿态角速度;
4、基于步骤1-步骤3建立基于磁悬浮飞轮群的卫星动力学模型;
基于三个正交安装磁悬浮飞轮群的卫星动力学模型为:
其中,τe为外部干扰力矩,ω=(ω1,ω2,ω3)T为卫星姿态角速度向量,[ω×]为:
为卫星总的角动量的微分:
其中,和为卫星三轴角速度的微分;和分别为磁悬浮飞轮w1,w2和w3自转角速度的微分;和为磁悬浮飞轮w1转子径向偏移量的微分;和为磁悬浮飞轮w2转子径向偏移量的微分;和为磁悬浮飞轮w3转子径向偏移量的微分;
5、基于步骤1建立卫星姿态运动学模型;
考虑基于磁悬浮飞轮的卫星小角度姿态运动采用欧拉姿态角作为姿态描述的物理量,卫星姿态运动学中卫星欧拉姿态角和角速度的关系为:
其中,θ=(θ1,θ2,θ3)T为卫星三轴欧拉姿态角向量,为欧拉姿态角的微分,R(θ)和ωc(θ)分别表示为:
其中,ωo为轨道角速度;
6、基于步骤4和步骤5所建立的基于三轴正交安装磁悬浮飞轮群的卫星动力学和运动学模型,设计姿态模糊控制器;
模糊规则为:
如果x是Am,并且y是Bp,那么z是Cq;
其中,x和y是模糊控制器输入变量,x为卫星姿态误差eθ通过比例因子ke转换并限制在[-1,1]范围内,y为姿态误差的微分通过比例因子转换并限制在[-1,1]范围内;z是模糊控制器输出变量,通过比例因子ku转换为真实输出值;Am是输入变量x的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);Bp是输入变量y的模糊集语言变量,采用五种语言变量组成,包括NL(负大),NS(负小),O(零),PS(正小),PL(正大);Cq为输出变量z的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);模糊连接词“并且”根据模糊理论中代数积定义;设计控制系统性能目标函数为:
其中,eω为卫星姿态角速度的误差,tfinal为总时间;
7、基于步骤6所设计的姿态模糊控制器进行控制器参数优化设计,采用如图5所示的改进的粒子群优化算法,最终得到所有参数最优选取和最佳组合的姿态模糊控制器,进行基于磁悬浮飞轮群的卫星姿态控制,以实现卫星姿态高精度高稳定度控制性能。具体步骤为:
(1)初始化;
(1.1)将姿态模糊控制器中所有参数(包括隶属度函数,模糊规则,和比例因子)设为解向量s0,初始化参数解向量s0;
(1.2)初始化N个粒子,通过随机扰动初始向量s0为:
si=s0+λ·rand,i=1,2,...,n
其中si表示第i个粒子,rand为随机向量,其元素为平均分布在[0,1]间的随机数,λ是限制随机数取值范围的常系数;
(1.3)为优化算法确定其他参数,包括Boltzmann参数β,总循环次数iter,以及粒子数N;
(2)评价粒子;
(2.1)基于目标函数评价每个粒子的适应度函数值,其中第t次重复中第i个粒子的适应度函数值记为ft(si);
(2.2)基于适应度函数值求出每个粒子权重为:
其中,wt(si)表示第t次重复中第i个粒子权重,表示关于的指数函数;
(2.3)基于(2.2)评价每个粒子对整体群的贡献率为:
其中,εt(si)表示第t次重复中第i个粒子对整体群的贡献,max[wt(s1),wt(s2),...,wt(sN)]表示wt(s1),wt(s2),...,wt(sN)中的最大值;
(3)选择精英粒子;
(3.1)生成一组随机数,每个随机数元素在[0,1]之间,每个元素表示为rt(si),表示第t次重复中第i个粒子位置上所对应的随机数;如果εt(si)≥rt(si),保留这个粒子,否则放弃这个粒子;首先选择M(M≤N)个粒子;
(3.2)继续选择粒子;更新粒子的贡献率为:
δt(si)=εt(s1)+εt(s2)+…+εt(si)
其中,δt(si)为第t次重复中第i个粒子更新后的贡献率;对每个粒子对应的随机数也进行相应更新为:
rrt(si)=rt(s1)+rt(s2)+…+rt(si)
如果δt(si)≥rrt(si),保留这个位置上对应的原粒子,否则放弃这个位置上的粒子;
(3.3)重复(3.2)直到选到N个精英粒子,保证整体群中粒子总数不变;
(4)更新粒子群;
(4.1)基于步骤(3)中所选择的精英粒子组成的粒子群,更新粒子群为:
S(t+1)=S(t)+ζ·rand
其中,S(t)为第t次重复中所保留的粒子群,S(t+1)是t+1次重复中的新粒子群,rand为随机向量,其元素为平均分布在[0,1]间的随机数,ζ是限制随机数取值范围的常系数;
(4.2)当t达到最大重复数,进入步骤(5),否则,令t=t+1返回步骤2重复整个过程;
(5)输出最终解;
(5.1)整个优化过程结束后,基于最终获得的粒子群,采用加权平均法得到最优解向量为:
其中,si表示最终的粒子群S(iter)中的每个粒子,fiter(si)为第iter次重复中每个粒子的适应度函数值。最优解向量sfinal,其元素包含了姿态模糊控制器所有参数(包括隶属度函数,模糊规则,及比例因子),最优解向量也即姿态模糊控制器所有参数的最优选取和最佳组合,使得控制系统性能目标函数值最小,也即此姿态模糊控制器在进行卫星姿态控制时控制性能最优。
对上述步骤方法给出实施例说明具体实施步骤:
i、建立卫星载体固连坐标系和单个磁悬浮飞轮固连坐标系;
建立卫星载体固连坐标系(xb,yb,zb),坐标系原点位于载体质量中心,卫星固定有三个正交安装的磁悬浮飞轮;建立第j(j=1,2,3)个磁悬浮飞轮固连坐标系(xwαj,ywβj,zwsj),其中zwsj表示第j个磁悬浮飞轮自转轴方向单位向量,xwαj和ywβj分别表示第j个磁悬浮飞轮径向轴方向单位向量;
ii、基于步骤i建立磁悬浮飞轮群角动量模型;
其中,hw1为自转轴平行于zb轴的磁悬浮飞轮w1的角动量,hw2为自转轴平行于xb轴的磁悬浮飞轮w2的角动量,hw3为自转轴平行于yb轴的磁悬浮飞轮w3的角动量;Iws1为磁悬浮飞轮w1自转轴方向转动惯量,Iws2为磁悬浮飞轮w2自转轴方向转动惯量,Iws3为磁悬浮飞轮w3自转轴方向转动惯量;Ω1为磁悬浮飞轮w1自转角速度,Ω2为磁悬浮飞轮w2自转角速度,Ω3为磁悬浮飞轮w3自转角速度;α1和β1为磁悬浮飞轮w1转子径向偏移量,α2和β2为磁悬浮飞轮w2转子径向偏移量,α3和β3为磁悬浮飞轮w3转子径向偏移量;采用相同的磁悬浮飞轮,有Iws1=Iws2=Iws3=Iws;
iii、基于步骤i和步骤ii建立卫星总的角动量模型;
其中,J1,J2和J3为卫星三轴转动惯量;ω1,ω2和ω3为卫星三轴姿态角速度;
iv、基于步骤i-步骤iii建立基于磁悬浮飞轮群的卫星动力学模型;
其中,τe为外部干扰力矩,ω=(ω1,ω2,ω3)T为卫星姿态角速度向量,[ω×]为:
为卫星总的角动量的微分:
其中,和为卫星三轴姿态角速度的微分;和分别为磁悬浮飞轮w1,w2和w3自转角速度的微分;和为磁悬浮飞轮w1转子径向偏移量的微分;和为磁悬浮飞轮w2转子径向偏移量的微分;和为磁悬浮飞轮w3转子径向偏移量的微分;
v、基于步骤i建立卫星姿态运动学模型;
其中,θ=(θ1,θ2,θ3)T为卫星三轴欧拉姿态角向量,为欧拉姿态角的微分,R(θ)和ωc(θ)分别表示为:
其中,ωo为轨道角速度;
vi、基于步骤iv和步骤v所建立的基于三轴正交安装磁悬浮飞轮群的卫星动力学和运动学模型,设计姿态模糊控制器;
模糊规则为:
如果x是Am,并且y是Bp,那么z是Cq;
其中,x和y是模糊控制器输入变量,x为卫星姿态误差eθ通过比例因子ke转换限制在[-1,1]范围内,y为姿态误差的微分通过比例因子转换限制在[-1,1]范围内;z是模糊控制器输出变量,通过比例因子ku转换为真实输出值;Am是输入变量x的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);Bp是输入变量y的模糊集语言变量,采用五种语言变量组成,包括NL(负大),NS(负小),O(零),PS(正小),PL(正大);Cq为输出变量z的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);模糊连接词“并且”根据模糊理论中代数积定义;设计控制系统性能目标函数为:
其中,eω为卫星姿态角速度的误差,tfinal=500s;
vii、基于步骤vi所设计的姿态模糊控制器采用改进的粒子群优化算法进行控制器参数优化设计,具体步骤为:
(1)初始化;
(1.1)将姿态模糊控制器中所有参数(包括隶属度函数,模糊规则,及比例因子)设为解向量s0,初始化参数解向量s0=[1,1,...,1];
(1.2)初始化60个粒子,通过随机扰动初始向量s0为:
si=s0+λ·rand,i=1,2,...,60
其中si表示第i个粒子,rand为随机向量,其元素为平均分布在[0,1]间的随机数,λ=0.095;
(1.3)初始化确定其他参数,包括β=1.2,iter=200;
(2)评价粒子;
(2.1)基于目标函数评价每个粒子的适应度函数值,其中第t次重复中第i个粒子的适应度函数值记为ft(si);
(2.2)基于适应度函数值求出每个粒子权重为:
其中,wt(si)表示第t次重复中第i个粒子权重,表示关于的指数函数;
(2.3)基于(2.2)评价每个粒子对整体群的贡献率为:
其中,εt(si)表示第t次重复中第i个粒子对整体群的贡献,max[wt(s1),wt(s2),...,wt(s60)]表示wt(s1),wt(s2),...,wt(s60)中的最大值;
(3)选择精英粒子;
(3.1)生成一组随机数向量,每个元素在[0,1]之间,每个元素表示为rt(si),表示第t次重复中第i个粒子位置上所对应的随机数;如果εt(si)≥rt(si),保留这个粒子,否则放弃这个粒子;首先选择M(M≤60)个粒子;
(3.2)继续选择粒子;更新粒子的贡献率为:
δt(si)=εt(s1)+εt(s2)+…+εt(si)
其中,δt(si)为第t次重复中第i个粒子更新后的贡献率;对每个粒子对应的随机数也进行相应更新为:
rrt(si)=rt(s1)+rt(s2)+…+rt(si)
如果δt(si)≥rrt(si),保留这个位置上对应的原粒子,否则放弃这个位置上的粒子;
(3.3)重复步骤(3.2)直至选到60个精英粒子,保证整体群中粒子总数不变;
(4)更新粒子群;
(4.1)基于步骤(3)中所选择的精英粒子组成的粒子群,更新粒子群为:
S(t+1)=S(t)+ζ·rand
其中,S(t)为第t次重复中所保留的粒子群,S(t+1)是t+1次重复中的新粒子群,rand为随机向量,其元素为平均分布在[0,1]间的随机数,ζ=0.05;
(4.2)当t达到最大重复数200,进入步骤(5),否则,令t=t+1返回步骤2重复整个过程;
(5)输出最终解;
(5.1)整个优化过程结束后,基于最终获得的粒子群,采用加权平均法得到最优解向量为:
其中,si表示最终的粒子群S(200)中的每个粒子,f200(si)为第200次重复中每个粒子的适应度函数值。包含了姿态模糊控制器所有参数的最优解向量sfinal,是姿态模糊控制器所有参数的最优选取和最佳组合,使得控制系统性能目标函数值最小,也即此姿态模糊控制器在进行卫星姿态控制时控制性能最优。
本发明未详细阐述部分属于本领域公知技术。
以上所述,仅为本发明部分具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本领域的人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种卫星姿态模糊控制器参数优化方法,其特征在于:在卫星姿态参考坐标系下建立基于磁悬浮飞轮群的卫星姿态动力学和运动学模型,基于此模型设计卫星姿态模糊控制器,采用改进的粒子群优化算法对姿态模糊控制器进行优化设计;具体包括以下步骤:
①建立卫星载体固连坐标系和单个磁悬浮飞轮固连坐标系;
建立卫星载体固连坐标系(xb,yb,zb),坐标系原点位于载体质量中心,卫星固定有三个磁悬浮飞轮,以正交形式安装;建立第j个磁悬浮飞轮固连坐标系(xwαj,ywβj,zwsj),j=1.2.3,其中zwsj表示第j个磁悬浮飞轮自转轴方向单位向量,xwαj和ywβj表示第j个磁悬浮飞轮径向轴方向单位向量
②基于步骤①建立磁悬浮飞轮群角动量模型;
其中,hw1为自转轴平行于zb轴的磁悬浮飞轮w1的角动量,hw2为自转轴平行于xb轴的磁悬浮飞轮w2的角动量,hw3为自转轴平行于yb轴的磁悬浮飞轮w3的角动量;Iws1为磁悬浮飞轮w1自转轴方向转动惯量,Iws2为磁悬浮飞轮w2自转轴方向转动惯量,Iws3为磁悬浮飞轮w3自转轴方向转动惯量;Ω1为磁悬浮飞轮w1自转角速度,Ω2为磁悬浮飞轮w2自转角速度,Ω3为磁悬浮飞轮w3自转角速度;α1和β1为磁悬浮飞轮w1转子径向偏移量,α2和β2为磁悬浮飞轮w2转子径向偏移量,α3和β3为磁悬浮飞轮w3转子径向偏移量;采用相同的磁悬浮飞轮,有Iws1=Iws2=Iws3=Iws;
③基于步骤①和步骤②建立卫星总的角动量模型;
其中,J1,J2和J3为卫星三轴转动惯量;ω1,ω2和ω3为卫星三轴姿态角速度;
④基于步骤①-步骤③建立基于磁悬浮飞轮群的卫星动力学模型;
其中,τe为外部干扰力矩,ω=(ω1,ω2,ω3)T为卫星姿态角速度向量,[ω×]为:
为卫星总的角动量的微分,
其中,和为卫星三轴姿态角速度的微分;和分别为磁悬浮飞轮w1,w2和w3自转角速度的微分;和为磁悬浮飞轮w1转子径向偏移量的微分;和为磁悬浮飞轮w2转子径向偏移量的微分;和为磁悬浮飞轮w3转子径向偏移量的微分;
⑤基于步骤①建立卫星姿态运动学模型;
其中,θ=(θ1,θ2,θ3)T为卫星三轴欧拉姿态角向量,为欧拉姿态角的微分,R(θ)和ωc(θ)分别表示为:
其中,ωo为轨道角速度;
⑥基于步骤④和步骤⑤所建立的基于三轴正交安装磁悬浮飞轮群的卫星动力学和运动学模型,设计姿态模糊控制器;
模糊规则为:
如果x是Am,并且y是Bp,那么z是Cq;
其中,x和y是模糊控制器输入变量,x为卫星姿态误差eθ通过比例因子ke转换限制在[-1,1]范围内,y为姿态误差的微分通过比例因子转换限制在[-1,1]范围内;z是模糊控制器输出变量,通过比例因子ku转换为真实输出值;Am是输入变量x的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);Bp是输入变量y的模糊集语言变量,采用五种语言变量组成,包括NL(负大),NS(负小),O(零),PS(正小),PL(正大);Cq为输出变量z的模糊集语言变量,采用七种语言变量组成,包括NL(负大),NM(负中),NS(负小),O(零),PS(正小),PM(正中),PL(正大);模糊连接词“并且”根据模糊理论中代数积定义;设计控制系统性能目标函数为:
其中,eω为卫星姿态角速度的误差,tfinal为总时间;
⑦基于步骤⑥所设计的姿态模糊控制器采用改进的粒子群优化算法进行控制器参数优化设计,最终得到所有参数最优选取和最佳组合的姿态模糊控制器,进行基于磁悬浮飞轮群的卫星姿态控制,以实现卫星姿态高精度高稳定度控制性能;
所述步骤⑦中采用改进的粒子群优化算法,具体步骤为:
(71)初始化;
(71.1)将姿态模糊控制器中所有参数设为解向量s0,初始化参数解向量s0;所述所有参数包括隶属度函数,模糊规则,和比例因子;
(71.2)初始化N个粒子,通过随机扰动初始向量s0为:
si=s0+λ·rand,i=1,2,...,n
其中si表示第i个粒子,rand为随机向量,其元素为平均分布在[0,1]间的随机数,λ是限制随机数取值范围的常系数;
(71.3)为优化算法确定其他参数,包括Boltzmann参数β,总循环次数iter,以及粒子数N;
(72)评价粒子;
(72.1)基于目标函数评价每个粒子的适应度函数值,其中第t次重复中第i个粒子的适应度函数值记为ft(si);
(72.2)基于适应度函数值求出每个粒子权重为:
其中,wt(si)表示第t次重复中第i个粒子权重,表示关于的指数函数;
(72.3)基于(72.2)评价每个粒子对整体群的贡献率为:
其中,εt(si)表示第t次重复中第i个粒子对整体群的贡献,max[wt(s1),wt(s2),...,wt(sN)]表示wt(s1),wt(s2),...,wt(sN)中的最大值;
(73)选择精英粒子;
(73.1)随机生成一组随机数,每个随机数元素在[0,1]之间,每个元素表示为rt(si),表示第t次重复中第i个粒子位置上所对应的随机数;如果εt(si)≥rt(si),保留这个粒子,否则放弃这个粒子;首先选择M个粒子,M≤N;
(73.2)继续选择粒子;更新粒子的贡献率为:
δt(si)=εt(s1)+εt(s2)+…+εt(si)
其中,δt(si)为第t次重复中第i个粒子更新后的贡献率;对每个粒子对应的随机数也进行相应更新为:
rrt(si)=rt(s1)+rt(s2)+…+rt(si)
如果δt(si)≥rrt(si),保留这个位置上对应的原粒子,否则放弃这个位置上的粒子;
(73.3)重复(73.2)直到选到N个精英粒子,保证整体群中粒子总数不变;
(74)更新粒子群;
(74.1)基于步骤(73.2)中所选择的精英粒子组成的粒子群,更新粒子群为:
s(t+1)=s(t)+ζ.rand
其中,s(t)为第t次重复中所保留的粒子群,s(t+1)是t+1次重复中的新粒子群,rand为随机向量,其元素为平均分布在[0,1]间的随机数,ζ是限制随机数取值范围的常系数;
(74.2)当t达到最大重复数,进入步骤(75),否则,令t=t+1返回步骤(72)重复整个过程;
(75)输出最终解;
(75.1)整个优化过程结束后,基于最终获得的粒子群,采用加权平均法得到最优解向量为:
其中,si表示最终的粒子群s(iter)中的每个粒子,fiter(si)为第iter次重复中每个粒子的适应度函数值;最优解向量sfinal,其元素包含了姿态模糊控制器所有参数,最优解向量也即姿态模糊控制器所有参数的最优选取和最佳组合,使得控制系统性能目标函数值最小,也即此姿态模糊控制器在进行卫星姿态控制时控制性能最优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210545164.3A CN103019099B (zh) | 2012-12-14 | 2012-12-14 | 一种卫星姿态模糊控制器参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210545164.3A CN103019099B (zh) | 2012-12-14 | 2012-12-14 | 一种卫星姿态模糊控制器参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103019099A CN103019099A (zh) | 2013-04-03 |
CN103019099B true CN103019099B (zh) | 2015-04-29 |
Family
ID=47967818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210545164.3A Expired - Fee Related CN103019099B (zh) | 2012-12-14 | 2012-12-14 | 一种卫星姿态模糊控制器参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103019099B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239036A (zh) * | 2017-06-27 | 2017-10-10 | 上海航天控制技术研究所 | 一种近地卫星冗余飞轮角动量自主管理方法 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488092B (zh) * | 2013-10-16 | 2016-01-20 | 哈尔滨工业大学 | 基于t-s模糊模型与学习观测器的卫星故障诊断与容错控制方法 |
CN103869704B (zh) * | 2014-04-08 | 2016-05-25 | 哈尔滨工业大学 | 基于扩展雅克比矩阵的空间机器人星臂协调控制方法 |
CN104331083A (zh) * | 2014-11-21 | 2015-02-04 | 大连大学 | 一种航天器大角度姿态控制参数优化方法 |
CN107402516B (zh) * | 2017-06-22 | 2019-07-02 | 南京航空航天大学 | 基于联合执行机构的递阶饱和模糊pd姿态控制方法 |
CN108958274B (zh) * | 2018-06-25 | 2021-06-22 | 南京理工大学 | 一种基于pso的刚柔液耦合系统姿态机动路径规划方法 |
CN108958275B (zh) * | 2018-06-25 | 2023-09-26 | 南京理工大学 | 一种刚柔液耦合系统姿态控制器和机动路径联合优化方法 |
CN109240322B (zh) * | 2018-09-30 | 2020-11-24 | 南京航空航天大学 | 一种面向对地超幅宽成像的卫星编队实现方法 |
CN109708065A (zh) * | 2019-02-01 | 2019-05-03 | 黄广权 | 水舞灯台 |
CN112596390B (zh) * | 2020-12-18 | 2021-10-19 | 哈尔滨工业大学 | 一种航天器姿控系统pwpf调制器参数确定方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2153700C2 (ru) * | 1995-04-17 | 2000-07-27 | Спейс Системз/Лорал, Инк. | Система управления ориентацией и формированием изображения (варианты) |
CN101800505B (zh) * | 2010-03-12 | 2012-07-25 | 北京航空航天大学 | 一种磁悬浮飞轮转速控制方法 |
CN102013856B (zh) * | 2010-12-20 | 2012-06-06 | 北京航空航天大学 | 一种集成化、高可靠磁悬浮飞轮数字控制装置 |
CN102139769B (zh) * | 2011-02-21 | 2013-03-27 | 哈尔滨工业大学 | 基于自组织cmac的挠性卫星快速稳定控制方法 |
-
2012
- 2012-12-14 CN CN201210545164.3A patent/CN103019099B/zh not_active Expired - Fee Related
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239036A (zh) * | 2017-06-27 | 2017-10-10 | 上海航天控制技术研究所 | 一种近地卫星冗余飞轮角动量自主管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103019099A (zh) | 2013-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103019099B (zh) | 一种卫星姿态模糊控制器参数优化方法 | |
Qu et al. | An improved TLBO based memetic algorithm for aerodynamic shape optimization | |
CN102411304A (zh) | 一种航天器小角度姿态机动控制参数优化方法 | |
Yang et al. | Hybrid policy-based reinforcement learning of adaptive energy management for the Energy transmission-constrained island group | |
CN108646734A (zh) | 基于量子粒子群算法的非线性模型预测控制方法 | |
CN104345738A (zh) | 一种绳系释放稳定控制方法及电动力绳系末级离轨稳定控制方法 | |
CN105333879A (zh) | 同步定位与地图构建方法 | |
CN104331083A (zh) | 一种航天器大角度姿态控制参数优化方法 | |
CN105930562A (zh) | 一种非概率条件下的结构性能优化设计方法 | |
CN113991751A (zh) | 一种基于混合算法的自动发电控制调度方法 | |
Phiboon et al. | Experiment and computation multi-fidelity multi-objective airfoil design optimization of fixed-wing UAV | |
CN102645894B (zh) | 模糊自适应动态规划方法 | |
CN111199105B (zh) | 一种扑翼运动参数优化方法 | |
Xi et al. | Energy-optimized trajectory planning for solar-powered aircraft in a wind field using reinforcement learning | |
Fasel et al. | Aeroservoelastic optimization of morphing airborne wind energy wings | |
Hu et al. | A conservative multi-fidelity surrogate model-based robust optimization method for simulation-based optimization | |
Cheng et al. | Design and optimization of a novel U-type vertical axis wind turbine with response surface and machine learning methodology | |
CN110399697A (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
CN109950933A (zh) | 一种基于改进粒子群算法的风光储联合调峰优化方法 | |
Cheng et al. | Application of GA-based neural network for attitude control of a satellite | |
CN102139769B (zh) | 基于自组织cmac的挠性卫星快速稳定控制方法 | |
Gates et al. | Combined trajectory and propulsion optimization for solar-regenerative high-altitude long endurance unmanned aircraft | |
Wang et al. | Improved particle swarm optimization algorithm based on dynamic change speed attenuation factor and inertia weight factor | |
Wang et al. | Comparison of deterministic and stochastic optimization algorithms for generic wing design problems | |
Diao et al. | Boost‐Phase Trajectory Planning with the Nonregular Reachable Area Constraints |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20150429 Termination date: 20211214 |