CN109808918A - 基于神经网络的双超卫星载荷舱干扰补偿方法 - Google Patents

Abstract

本发明涉及航天卫星技术领域的基于神经网络的双超卫星载荷舱干扰补偿方法，包括如下步骤：步骤1：分析双超卫星载荷舱的干扰，建立带干扰的载荷舱数学模型；步骤2：基于神经网络设计干扰的数学模型，进行神经网络参数训练，获得干扰的估计值；步骤3：根据干扰的估计值，设计姿态补偿控制律，补偿干扰，获得载荷舱的高精度控制性能。本发明提供的基于神经网络的干扰补偿方法可以对双超卫星的不确定干扰进行补偿，极大地增强了对干扰的处理能力，使得卫星在轨超精超稳性能得到保障。

Description

基于神经网络的双超卫星载荷舱干扰补偿方法

技术领域

本发明涉及航天卫星技术领域，具体涉及一种基于神经网络的双超卫星载荷舱干扰补偿方法。

背景技术

卫星平台(satellite platform)由卫星服务(保障)系统组成、可以支持一种或几种有效载荷的组合体。卫星平台实际上就是除了有效载荷或有效载荷舱以外卫星的其余部分。卫星平台可以由卫星服务(保障)系统组合成一个或几个舱段，例如服务舱、推进舱和返回舱。

从已研制成功的卫星分析，卫星平台不论安装什么有效载荷，其基本功能是一致的，只是具体的技术性能会有所差别。根据这一特点，世界上许多国家在卫星研制中，都采取卫星公用平台的设计思路，使卫星平台具有通用性，在一定范围内适应不同有效载荷的要求。也就是说，装载不同的有效载荷，卫星平台只做少量适应性修改即可。采用这种公用平台的设计方法，可以缩短卫星研制周期，节省研制经费，提高卫星可靠性。

按照传统载荷与卫星平台固连的设计方法，载荷指向与稳定度依靠卫星平台控制系统实现，但由于卫星平台高频微振动不可避免，且控制系统产品带宽、精度等能力有限，使得微振动“难测、难控”的技术瓶颈很难突破。针对这个问题设计的双超卫星(“超精超稳”卫星)通过非接触磁浮机构实现两舱的动静隔离，物理上直接消除平台舱高频微振动对载荷舱的不利影响。

双超卫星平台对姿态精度和稳定度提出了极高的要求，然后空间环境存在多种不确定干扰，从而在干扰的作用下影响卫星在轨性能，因此需要对不确定干扰进行估计，设计补偿方案，从而保障高精度载荷的控制性能。

经对现有技术的检索，中国发明专利201710995495.X，发明名称为双超卫星平台载荷舱复合控制方法，该专利披露了如下技术内容：步骤1，控制载荷舱的姿态；步骤2，控制平台舱的姿态；步骤3，调节平台舱与载荷舱的相对位置；步骤4，根据载荷舱的姿态信息，调整载荷舱的姿控系统带宽，使载荷舱姿态收敛。本发明的积极进步效果在于，本发明通过双超平台主从协同控制、载荷舱干扰补偿控制及变带宽控制方法，提高载荷舱稳态时间及稳态精度。但是该控制方法对载荷舱进行姿态主动控制后，进一步采用变带宽控制及干扰补偿控制，并未有从实质上设计补偿方案，无法保证高精度载荷的控制性能。

因此，有必要设计一种能够给出补偿控制、解决双超卫星的高精度控制问题，并且指导双超卫星的设计的基于神经网络的双超卫星载荷舱干扰补偿方法。

发明内容

针对现有技术的缺陷，本发明的目的是提供一种基于神经网络的双超卫星载荷舱干扰补偿方法，本发明能够给出补偿控制、解决双超卫星的高精度控制问题，并且指导双超卫星的设计。

本发明涉及一种基于神经网络的双超卫星载荷舱干扰补偿方法，包括如下步骤：

步骤1：分析双超卫星载荷舱的干扰，建立带干扰的载荷舱数学模型；

步骤2：基于神经网络设计干扰的数学模型，进行神经网络参数训练，获得干扰的估计值；

步骤3：根据干扰的估计值，设计姿态补偿控制律，补偿干扰，获得载荷舱的高精度控制性能。

进一步地，所述步骤1包括：

步骤1.1：双超卫星载荷舱在轨期间受到外部空间不确定干扰的作用，建立其姿态动力学干扰模型如下：

式中：I是载荷舱转动惯量矩阵；ω＝[ω₁ ω₂ ω₃]^T是载荷舱本体坐标系相对于参考坐标系的角速度在本体系中的投影，也简称为姿态角速度；表示ω的导数，H_w是执行机构相对载荷舱本体的角动量；u是控制输入量，T_N表示载荷舱的模型不确定性、未建模动态、挠性等因素，是未知的且不确定的干扰项，需要加以估计和补偿；

步骤1.2：不确定干扰T_N对载荷舱姿态的影响，可以归结为对姿态角速度ω的影响，表示为ω的函数，记为T_N＝T_N(ω)。

进一步地，所述载荷舱的干扰是有界不确定的，针对多种未知的不确定干扰进行补偿，可以使载荷舱具有超精超稳控制性能。

进一步地，所述步骤2包括：

步骤2.1：设计干扰项T_N(ω)的理想的神经网络模型，有

T_N(ω)＝W^Tσ(ω)+ε (2)

其中，W∈R^m×n是理想的网络权值矩阵，m表示网络隐层的个数、也为矩阵W的行数，n表示矩阵W的列数，W^T表示矩阵W的转置，σ(ω)表示变量为ω的高斯函数，ε是网络的逼近误差，是有界的；

步骤2.2：神经网络的输出可以表示为；

其中，是神经网络的输出,是矩阵理想的权值矩阵W的估计值,也是m行，n列，表示σ(ω)的估计值。

步骤2.3：神经网络理想值与估计值的误差，记为e，表示为

进一步地，权值矩阵W∈R^m×n是理想值，不能直接计算求得，而是采用神经网络估计的方法，求得W^*∈R^m×n的近似值来代替。

进一步地，σ(ω)∈R^m是传递函数向量，表示成如下高斯函数的形式

其中，σ(ω)＝[σ₁(ω)......σ_i(ω)......σ_m(ω)]^T,i＝1,2......m,m是向量的维数，也是神经网络隐层的数量，ω是神经网络的输入，ν_i和δ_i(i＝1,2......m)分别是高斯函数的中心向量和宽度。

进一步地，采用如下参数在线自适应更新律训练神经网络的参数：

其中,分别是的导数，θ^w,θ^v和θ^δ是待设计的参数，Γ_w,Γ_ν,Γ_δ分别是W,ν,δ的调节矩阵，分别是高斯函数对和的偏导数，e是如式(4)所示的网络误差。

以神经网络与目标值的误差的均方差最小为训练目标，求得神经网络的参数，进而获得不确定干扰的估计值。

进一步地，所述偏导数具有如下定义，包括：

其中，表示偏导数。

进一步地，所述步骤3包括：

步骤3.1：设计载荷舱姿态控制器为

步骤3.2：基于神经网络，设计补偿控制律

步骤3.3：网络用估计值表示，得到双超卫星载荷舱干扰补偿控制律为

其中，是理想矩阵W的估计值，是σ(ω)的估计值，通过(6)式可求解得到各参数值。

与现有技术相比，本发明具有如下的有益效果：

1、本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，可以对双超卫星的不确定干扰进行补偿，极大增强了对干扰的处理能力，卫星在轨超精超稳性能得到保障；

2、本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，基于神经网络估计干扰和设计补偿控制律，仅需软件计算与更新，不需增加硬件，成本低；

3、本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，能够自动避免空间环境存在多种不确定干扰，不会影响卫星在轨道上的性能，有力地保障了高精度载荷的控制性能；

4、本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，计算方法和计算过程简单，不繁琐，科学地给出补偿控制，解决了双超卫星的高精度控制问题，并且能够对双超卫星的设计起到指导作用。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明的双超卫星载荷舱神经网络补偿控制器示意图。

其中，图中对应的附图标记为：100-神经网络，101-载荷舱干扰，102-载荷舱，103-载荷舱姿态输出，104-载荷舱姿态控制器，105-神经网络输出。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例

本实施例中，本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，包括如下步骤：

步骤1：分析双超卫星载荷舱的干扰，建立带干扰的载荷舱数学模型；

步骤2：基于神经网络设计干扰的数学模型，进行神经网络参数训练，获得干扰的估计值；

步骤3：根据干扰的估计值，设计姿态补偿控制律，补偿干扰，获得载荷舱的高精度控制性能。

接下来对本发明进行详细的描述。

本发明的目的是提供一种基于神经网络的双超卫星载荷舱干扰补偿方法，本发明能够给出补偿控制、解决双超卫星的高精度控制问题，并且指导双超卫星的设计。

如图1的实施例所示，该流程包括：

步骤1：分析双超卫星载荷舱的干扰，建立带干扰的载荷舱数学模型；

具体地，双超卫星载荷舱在轨期间受到外部空间不确定干扰的作用，建立其姿态动力学干扰模型如下：

式中：I是载荷舱转动惯量矩阵；ω＝[ω₁ ω₂ ω₃]^T是载荷舱本体坐标系相对于参考坐标系的角速度在本体系中的投影，也简称为姿态角速度；表示ω的导数，H_w是执行机构相对载荷舱本体的角动量；u是控制输入量，T_N表示载荷舱的模型不确定性、未建模动态、挠性等因素，是未知的且不确定的干扰项，需要加以估计和补偿。

优选地，不确定干扰T_N对载荷舱姿态的影响，可以归结为对姿态角速度ω的影响，表示为ω的函数，记为T_N＝T_N(ω)。

步骤2：基于神经网络设计干扰的数学模型，进行神经网络参数训练，获得干扰的估计值；优选地，所述载荷舱的干扰是有界不确定的，针对多种未知的不确定干扰进行补偿，可以使载荷舱具有超精超稳控制性能。

优选地，按照如下步骤设计神经网络：

步骤2.1：设计干扰项T_N(ω)的理想的神经网络模型，有

T_N(ω)＝W^Tσ(ω)+ε (2)

其中，W∈R^m×n是理想的网络权值矩阵，m表示网络隐层的个数、也为矩阵W的行数，n表示矩阵W的列数，W^T表示矩阵W的转置，σ(ω)表示变量为ω的高斯函数，ε是网络的逼近误差，是有界的；

步骤2.2：神经网络的输出可以表示为；

其中，是神经网络的输出,是矩阵理想的权值矩阵W的估计值,也是m行，n列，表示σ(ω)的估计值。

步骤2.3：神经网络理想值与估计值的误差，记为e，表示为

优选地，权值矩阵W∈R^m×n是理想值，不能直接计算求得，而是采用神经网络估计的方法，求得W^*∈R^m×n的近似值来代替。

优选地，σ(ω)∈R^m是传递函数向量，表示成如下高斯函数的形式

其中，σ(ω)＝[σ₁(ω)......σ_i(ω)......σ_m(ω)]^T,i＝1,2......m,m是向量的维数，也是神经网络隐层的数量，ω是神经网络的输入，ν_i和δ_i(i＝1,2......m)分别是高斯函数的中心向量和宽度。

优选地，采用如下参数在线自适应更新律训练神经网络的参数：

其中,分别是的导数，θ^w,θ^v和θ^δ是待设计的参数，Γ_w,Γ_ν,Γ_δ分别是W,ν,δ的调节矩阵，分别是高斯函数对和的偏导数，e是如式(4)所示的网络误差。

具体地，以神经网络与目标值的误差的均方差最小为训练目标，求得神经网络的参数，进而获得不确定干扰的估计值。

优选地，所述偏导数具有如下定义，包括：

其中，表示偏导数。

步骤3：根据干扰的估计值，设计姿态补偿控制律，补偿干扰，获得载荷舱的高精度控制性能。

优选地，按照如下步骤设计干扰补偿控制器：步骤3.1：设计载荷舱姿态控制器为

步骤3.2：基于神经网络，设计补偿控制律

步骤3.3：网络用估计值表示，得到双超卫星载荷舱干扰补偿控制律为

其中，是理想矩阵W的估计值，是σ(ω)的估计值，通过(6)式可求解得到各参数值。

综上所述，本发明的基于神经网络的双超卫星载荷舱干扰补偿方法，可以对双超卫星的不确定干扰进行补偿，极大地增强了对干扰的处理能力，使得卫星在轨超精超稳性能得到保障；基于神经网络估计干扰和设计补偿控制律，仅需软件计算与更新，不需增加硬件，成本低；能够自动避免空间环境存在多种不确定干扰，不会影响卫星在轨性能，有力地保障高精度载荷的控制性能；计算方法和计算过程简单，不繁琐，科学地给出补偿控制，解决了双超卫星的高精度控制问题，并且能够对双超卫星的设计起到指导作用。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (9)

1.一种基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，包括如下步骤：

步骤1：分析双超卫星载荷舱的干扰，建立带干扰的载荷舱数学模型；

步骤2：基于神经网络设计干扰的数学模型，进行神经网络参数训练，获得干扰的估计值；

步骤3：根据干扰的估计值，设计姿态补偿控制律，补偿干扰，获得载荷舱的高精度控制性能。

2.根据权利要求1所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，所述步骤1包括：

步骤1.1：双超卫星载荷舱在轨期间受到外部空间不确定干扰的作用，建立其姿态动力学干扰模型如下：

式中：I是载荷舱转动惯量矩阵；ω＝[ω₁ ω₂ ω₃]^T是载荷舱本体坐标系相对于参考坐标系的角速度在本体系中的投影，也简称为姿态角速度；表示ω的导数，H_w是执行机构相对载荷舱本体的角动量；u是控制输入量，T_N表示载荷舱的模型不确定性、未建模动态、挠性因素，是未知的且不确定的干扰项，需要加以估计和补偿；

步骤1.2：不确定干扰T_N对载荷舱姿态的影响，可以归结为对姿态角速度ω的影响，表示为ω的函数，记为T_N＝T_N(ω)。

3.根据权利要求2所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，所述载荷舱的干扰是有界不确定的，针对多种未知的不确定干扰进行补偿，可以使载荷舱具有超精超稳控制性能。

4.根据权利要求1所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，所述步骤2包括：

步骤2.1：设计干扰项T_N(ω)的理想的神经网络模型，有

T_N(ω)＝W^Tσ(ω)+ε (2)

其中，W∈R^m×n是理想的网络权值矩阵，m表示网络隐层的个数、也为矩阵W的行数，n表示矩阵W的列数，W^T表示矩阵W的转置，σ(ω)表示变量为ω的高斯函数，ε是网络的逼近误差，是有界的；

步骤2.2：神经网络的输出可以表示为；

其中，是神经网络的输出,是矩阵理想的权值矩阵W的估计值,也是m行，n列，表示σ(ω)的估计值

步骤2.3：神经网络理想值与估计值的误差，记为e，表示为

5.根据权利要求4所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，

权值矩阵W∈R^m×n是理想值，不能直接计算求得，而是采用神经网络估计的方法，求得W^*∈R^m×n的近似值来代替。

6.根据权利要求4所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，

σ(ω)∈R^m是传递函数向量，表示成如下高斯函数的形式

其中，σ(ω)＝[σ₁(ω)......σ_i(ω)......σ_m(ω)]^T,i＝1,2......m,m是向量的维数，也是神经网络隐层的数量，ω是神经网络的输入，ν_i和δ_i(i＝1,2......m)分别是高斯函数的中心向量和宽度。

7.根据权利要求4所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，采用如下参数在线自适应更新律训练神经网络的参数：

其中,分别是的导数，θ^w,θ^v和θ^δ是待设计的参数，Γ_w,Γ_ν,Γ_δ分别是W,ν,δ的调节矩阵，分别是高斯函数对和的偏导数，e是如式(4)所示的网络误差；

以神经网络与目标值的误差的均方差最小为训练目标，求得神经网络的参数，进而获得不确定干扰的估计值。

8.根据权利要求7所述的基于神经网络的双超卫星载荷舱干扰补偿方法，其特征在于，所述偏导数具有如下定义，包括：

其中，表示偏导数。

9.根据权利要求1所述的双超卫星载荷舱干扰补偿方法，其特征在于，所述步骤3包括：

步骤3.1：设计载荷舱姿态控制器为

步骤3.2：基于神经网络，设计补偿控制律

步骤3.3：网络用估计值表示，得到双超卫星载荷舱干扰补偿控制律为

其中，是理想矩阵W的估计值，是σ(ω)的估计值，通过(6)式可求解得到各参数值。