CN110488855B - 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 - Google Patents
一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 Download PDFInfo
- Publication number
- CN110488855B CN110488855B CN201910884251.3A CN201910884251A CN110488855B CN 110488855 B CN110488855 B CN 110488855B CN 201910884251 A CN201910884251 A CN 201910884251A CN 110488855 B CN110488855 B CN 110488855B
- Authority
- CN
- China
- Prior art keywords
- rigid aircraft
- fixed time
- sat
- neural network
- diag
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims description 37
- 229920006395 saturated elastomer Polymers 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 abstract description 2
- 238000011105 stabilization Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,针对具有集中不确定性的刚性飞行器姿态镇定问题,设计了固定时间滑模面,保证了状态的固定时间收敛;引入神经网络逼近总不确定的函数,设计了神经网络固定时间控制器。本发明在外界干扰,转动惯量不确定,执行器饱和和故障的因素下,实现飞行器系统状态的固定时间一致最终有界的控制。
Description
技术领域
本发明涉及一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,特别是存在外部干扰,转动惯量矩阵不确定,执行器饱和和故障的刚性飞行器姿态镇定方法。
背景技术
刚性飞行器姿态控制系统在刚性飞行器的健康,可靠的运动中扮演着重要的角色。在复杂的航天环境中,刚性飞行器姿态控制系统会受到各种外部干扰以及刚性飞行器在长期不断任务时存在的老化和失效等故障等影响。为了有效维持系统的性能,需要使其对外部干扰以及执行器故障具有较强的鲁棒性;另外,刚性飞行器还存在转动惯量矩阵不确定,因此控制饱和也是飞行器经常出现的问题。综上所述,刚性飞行器在执行任务时,需要一种在短时间内使系统稳定收敛,高精度的容错控制方法。
滑模控制在解决系统不确定性和外部扰动方面被认为是一个有效的鲁棒控制方法。滑模控制方法具有算法简单、响应速度快、对外界噪声干扰和参数摄动鲁棒性强等优点。终端滑模控制是一种可以实现有限时间稳定性的传统滑模控制的改进方案。然而,现存的有限时间技术估计收敛时间需要知道系统的初始信息,这对于设计者是很难知道的。近年来,固定时间技术得到了广泛的应用,固定时间控制方法与现存的有限时间控制方法相比,具有无需知道系统的初始信息,也能保守估计系统的收敛时间的优越性。
神经网络是线性参数化近似方法的中一种,可以被任意的其他近似方法取代,比如RBF神经网络,模糊逻辑系统等等。利用神经网络逼近不确定的性质,有效的结合固定时间滑模控制技术,减少外部干扰及系统参数不确定性对系统控制性能的影响,实现刚性飞行器姿态的固定时间控制。
发明内容
为了克服现有的刚性飞行器姿态控制系统存在的未知非线性问题,本发明提供一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,并且在系统存在外部干扰,转动惯量不确定,执行器饱和和故障的情况下,实现系统状态的固定时间一致最终有界的控制方法。
为了解决上述技术问题提出的技术方案如下:
一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化系统状态以及控制参数,过程如下:
1.1刚性飞行器系统的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;为qv的转置;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.2刚性飞行器系统的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u∈R3和d∈R3是控制力矩和外部扰动;D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|},umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u),g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵,M=diag(m1,m2,m3)∈R3×3为3×3对称对角矩阵;Dsat(u)重新表示为:Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.3转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(4)重新写成:
进一步得到:
1.4对式(1)进行微分,得到:
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器系统,设计所需的滑模面,过程如下:
选择固定时间滑模面为:
定义S=[S1,S2,S3]T,对S求导,得到:
将式(9)代入(12),得到:
步骤3,设计神经网络固定时间控制器,其过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (14)
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;argmin{·}为Wi *取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵,i=1,2,3;为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵;K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r1<1,r2>1;||·||表示值的二范数;
3.3设计更新律为:
步骤4,固定时间稳定性证明,其过程如下:
4.1证明刚性飞行器系统所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
对式(19)进行求导,得到:
因此,刚性飞行器系统所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(21)进行求导,得到:
基于以上分析,刚性飞行器系统状态在固定时间一致最终有界。
本发明在外界干扰,转动惯量不确定,执行器饱和和故障的因素下,运用自适应固定时间姿态容错控制方法,实现系统稳定控制,保证系统状态实现固定时间一致最终有界。本发明的技术构思为:针对含外部干扰,转动惯量不确定,执行器饱和和故障的刚性飞行器系统,利用滑模控制方法,再结合神经网络,设计了神经网络固定时间控制器。固定时间滑模面的设计保证系统状态的固定时间收敛。本发明在系统存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现系统状态的固定时间一致最终有界的控制方法。
本发明的有益效果为:在系统存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现系统状态的固定时间一致最终有界,并且收敛时间与系统的初始状态无关。
附图说明
图1为本发明的刚性飞行器姿态四元数示意图;
图2为本发明的刚性飞行器角速度示意图;
图3为本发明的刚性飞行器滑模面示意图;
图4为本发明的刚性飞行器控制力矩示意图;
图5为本发明的刚性飞行器参数估计示意图;
图6为本发明的控制流程示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1-图6,一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,所述控制方法包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化系统状态以及控制参数,过程如下:
1.1刚性飞行器系统的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;为qv的转置;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.2刚性飞行器系统的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u∈R3和d∈R3是控制力矩和外部扰动;D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|},umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了更方便的表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u),g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵,M=diag(m1,m2,m3)∈R3×3为3×3对称对角矩阵;Dsat(u)重新表示为:Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.3转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(4)重新写成:
进一步得到:
1.4对式(1)进行微分,得到:
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器系统,设计所需的滑模面,过程如下:
选择固定时间滑模面为:
定义S=[S1,S2,S3]T,对S求导,得到:
将式(9)代入(12),得到:
步骤3,设计神经网络固定时间控制器,其过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (14)
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;argmin{·}为Wi *取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵,i=1,2,3;为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵;K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r1<1,r2>1;||·||表示值的二范数;
3.3设计更新律为:
步骤4,固定时间稳定性证明,其过程如下:
4.1证明刚性飞行器系统所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
对式(19)进行求导,得到:
因此,刚性飞行器系统所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(21)进行求导,得到:
基于以上分析,刚性飞行器系统状态在固定时间一致最终有界。
为验证所提方法的有效性,本方法针对飞行器系统进行仿真验证。系统初始化参数设置如下:
系统的初始值:q(0)=[0.3,-0.2,-0.3,0.8832]T,Ω(0)=[1,0,-1]T弧度/秒;转动惯性矩阵的标称部分J0=[40,1.2,0.9;1.2,17,1.4;0.9,1.4,15]千克*平方米,惯性矩阵的不确定部ΔJ=diag[sin(0.1t),2sin(0.2t),3sin(0.3t)];外部扰动d(t)=[0.2sin(0.1t),0.3sin(0.2t),0.5sin(0.2t)]T牛*米;滑模面的参数如下:λ1=1,λ2=1,a1=1.5,a2=1.5;控制器的参数如下:K1=K2=K3=I3;更新律参数如下:ηi=1,εi=0.1,i=1,2,3,sigmoid函数的参数选择如下:l1=2,l2=8,l3=4,l4=-0.5。最大的控制力矩umi=25牛*米,执行器效率值选择为:
刚性飞行器的姿态四元数和角速度的响应示意图分别如图1和图2所示,可以看出姿态四元数和角速度都能在7秒左右收敛到平衡点的一个零域内;刚性飞行器的滑模面响应示意图如图3所示,可以看出滑模面能在5秒左右收敛到平衡点的一个零域内;刚性飞行器的控制力矩如图4所示,可以看出控制力矩限幅在25牛*米内;参数估计响应示意图分别如图5所示。
因此,本发明在系统存在外界干扰,转动惯量不确定,执行器饱和和故障的情况下,实现系统状态的固定时间一致最终有界,并且收敛时间与系统的初始状态无关。
以上阐述的是本发明给出的一个实施例表现出的优良优化效果,显然本发明不只是限于上述实施例,在不偏离本发明基本精神及不超出本发明实质内容所涉及范围的前提下对其可作种种变形加以实施。
Claims (1)
1.一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法,其特征在于:所述方法包括以下步骤:
步骤1,建立刚性飞行器的运动学和动力学模型,初始化系统状态以及控制参数,过程如下:
1.1刚性飞行器系统的运动学方程为:
其中qv=[q1,q2,q3]T和q4分别为单位四元数的矢量部分和标量部分且满足q1,q2,q3分别为映射在空间直角坐标系x,y,z轴上的值;分别是qv和q4的导数;为qv的转置;Ω∈R3是刚性飞行器的角速度;I3是R3×3单位矩阵;表示为:
1.2刚性飞行器系统的动力学方程为:
其中J∈R3×3是刚性飞行器的转动惯性矩阵;是刚性飞行器的角加速度;u∈R3和d∈R3是控制力矩和外部扰动;D=diag(D1,D2,D3)∈R3×3是3×3对称对角的执行器效率矩阵,满足0<Di(t)≤1,i=1,2,3;sat(u)=[sat(u1),sat(u2),sat(u3)]T为执行器产生的实际控制力矩,sat(ui)为带有饱和特性的执行器,表示为sat(ui)=sgn(ui)min{umi,|ui|},umi为最大提供的控制力矩,sgn(ui)为符号函数,min{umi,|ui|}为两者的最小值;为了表示控制约束,sat(u)表示为sat(u)=g(u)+ds(u),g(u)=[g1(u1),g2(u2),g3(u3)]T,gi(ui)为双曲正切函数
ds(u)=[ds1(u1),ds2(u2),ds3(u3)]T为近似误差矢量;根据中值定理,gi(ui)=miui,0<mi≤1;定义H=DM=diag(δ1m1,δ2m2,δ3m3)∈R3×3为3×3对称对角矩阵,M=diag(m1,m2,m3)∈R3 ×3为3×3对称对角矩阵;Dsat(u)重新表示为:Dsat(u)=Hu+Dds(u),满足0<h0≤Dimi≤1,i=1,2,3,h0为未知正常数;Ω×表示为:
1.3转动惯性矩阵J满足J=J0+ΔJ,其中J0和ΔJ分别表示J的标称部分和不确定部分,则式(4)重新写成:
进一步得到:
1.4对式(1)进行微分,得到:
步骤2,针对外部扰动,转动惯量不确定,执行器饱和和故障的刚性飞行器系统,设计所需的滑模面,过程如下:
选择固定时间滑模面为:
定义S=[S1,S2,S3]T,对S求导,得到:
将式(9)代入(12),得到:
步骤3,设计神经网络固定时间控制器,其过程如下:
3.1定义神经网络为:
Gi(Xi)=Wi *TΦ(Xi)+εi (14)
其中Wi∈R4为权值矢量,εi为近似误差,满足|εi|≤εN,i=1,2,3,εN为很小的正常数;argmin{·}为Wi *取其最小值所有的集合;
3.2考虑固定时间控制器被设计为:
其中为3×3对称的对角矩阵, 为Θi的估计值Φ(X)=[Φ(X1),Φ(X2),Φ(X3)]T;K1=diag(k11,k12,k13)∈R3×3为3×3对称的对角矩阵;K2=diag(k21,k22,k23)∈R3×3为3×3对称的对角矩阵;K3=diag(k31,k32,k33)∈R3×3为对称的对角矩阵;k11,k12,k13,k21,k22,k23,k31,k32,k33为正常数;0<r1<1,r2>1;||·||表示值的二范数;
3.3设计更新律为:
步骤4,固定时间稳定性证明,其过程如下:
4.1证明刚性飞行器系统所有信号都是一致最终有界,设计李雅普诺夫函数为如下形式:
对式(19)进行求导,得到:
因此,刚性飞行器系统所有信号都是一致最终有界的;
4.2证明固定时间收敛,设计李雅普诺夫函数为如下形式:
对式(21)进行求导,得到:
基于以上分析,刚性飞行器系统状态在固定时间一致最终有界。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2018111145479 | 2018-09-25 | ||
CN201811114547.9A CN109144086A (zh) | 2018-09-25 | 2018-09-25 | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110488855A CN110488855A (zh) | 2019-11-22 |
CN110488855B true CN110488855B (zh) | 2022-07-26 |
Family
ID=64823438
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811114547.9A Withdrawn CN109144086A (zh) | 2018-09-25 | 2018-09-25 | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 |
CN201910884251.3A Active CN110488855B (zh) | 2018-09-25 | 2019-09-19 | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811114547.9A Withdrawn CN109144086A (zh) | 2018-09-25 | 2018-09-25 | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109144086A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110456807B (zh) * | 2019-07-02 | 2021-01-12 | 西北工业大学 | 一种多航天器一致性动态增益控制方法 |
CN112445231A (zh) * | 2019-08-30 | 2021-03-05 | 中移(苏州)软件技术有限公司 | 一种姿态控制方法、多旋翼飞行器及可读存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049640B (zh) * | 2014-06-27 | 2016-06-15 | 金陵科技学院 | 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法 |
CN105404304B (zh) * | 2015-08-21 | 2018-05-25 | 北京理工大学 | 基于归一化神经网络的航天器容错姿态协同跟踪控制方法 |
US10184797B2 (en) * | 2015-12-18 | 2019-01-22 | Invensense, Inc. | Apparatus and methods for ultrasonic sensor navigation |
-
2018
- 2018-09-25 CN CN201811114547.9A patent/CN109144086A/zh not_active Withdrawn
-
2019
- 2019-09-19 CN CN201910884251.3A patent/CN110488855B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109144086A (zh) | 2019-01-04 |
CN110488855A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110488603B (zh) | 一种考虑执行器受限问题的刚性飞行器自适应神经网络跟踪控制方法 | |
CN110543183B (zh) | 一种考虑执行器受限问题的刚体飞行器固定时间姿态跟踪控制方法 | |
Li et al. | Adaptive neural networks decentralized FTC design for nonstrict-feedback nonlinear interconnected large-scale systems against actuator faults | |
CN110543184B (zh) | 一种刚性飞行器的固定时间神经网络控制方法 | |
CN109188910B (zh) | 一种刚性飞行器的自适应神经网络容错跟踪控制方法 | |
CN107703952B (zh) | 一种刚性飞行器的非奇异固定时间自适应姿态控制方法 | |
CN109062240B (zh) | 一种基于神经网络估计的刚性飞行器固定时间自适应姿态跟踪控制方法 | |
CN107577145B (zh) | 编队飞行航天器反步滑模控制方法 | |
CN108490783B (zh) | 基于增强型双幂次趋近律和快速终端滑模面的刚性航天飞行器有限时间自适应容错控制方法 | |
CN108181807B (zh) | 一种卫星初态阶段自适应容错姿态控制方法 | |
Shahbazi et al. | Robust constrained attitude control of spacecraft formation flying in the presence of disturbances | |
CN110471438B (zh) | 一种刚性飞行器的固定时间自适应姿态跟踪控制方法 | |
CN109634291B (zh) | 一种基于改进型障碍李雅普诺夫函数的刚性飞行器姿态约束跟踪控制方法 | |
CN108958043B (zh) | 一种刚性飞行器的固定时间自适应姿态容错控制方法 | |
CN110488854B (zh) | 一种基于神经网络估计的刚性飞行器固定时间姿态跟踪控制方法 | |
Yang et al. | Formation control of multiple underwater vehicles subject to communication faults and uncertainties | |
CN110414125B (zh) | 基于事件驱动的航天器交会故障诊断与滤波器设计方法 | |
CN110488855B (zh) | 一种基于神经网络估计的刚性飞行器自适应固定时间姿态容错控制方法 | |
CN110501911A (zh) | 一种考虑执行器受限问题的刚性飞行器自适应固定时间姿态跟踪控制方法 | |
Jin et al. | Adaptive finite-time consensus of a class of disturbed multi-agent systems | |
CN113220007B (zh) | 执行机构故障的挠性航天器有限时间姿态协同控制方法 | |
CN110515389B (zh) | 一种考虑执行器受限问题的刚性飞行器自适应固定时间姿态镇定方法 | |
CN116923730B (zh) | 一种具有自调节预设性能约束的航天器姿态主动容错控制方法 | |
Wang et al. | Adaptive non-singular integral terminal sliding mode-based fault tolerant control for autonomous underwater vehicles | |
CN108762065B (zh) | 基于增强型指数趋近律和快速终端滑模面的刚性航天飞行器有限时间自适应容错控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |