CN113467494B - 一种控制力矩陀螺框架转速控制参数整定方法 - Google Patents

一种控制力矩陀螺框架转速控制参数整定方法 Download PDF

Info

Publication number
CN113467494B
CN113467494B CN202110728437.7A CN202110728437A CN113467494B CN 113467494 B CN113467494 B CN 113467494B CN 202110728437 A CN202110728437 A CN 202110728437A CN 113467494 B CN113467494 B CN 113467494B
Authority
CN
China
Prior art keywords
rotating speed
control
frame
pnn
inn
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
Application number
CN202110728437.7A
Other languages
English (en)
Other versions
CN113467494A (zh
Inventor
来林
鲁明
张激扬
张猛
张强
武登云
李刚
翟百臣
魏文杉
郭腾飞
贾云
王殿佑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Control Engineering
Original Assignee
Beijing Institute of Control Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Control Engineering filed Critical Beijing Institute of Control Engineering
Priority to CN202110728437.7A priority Critical patent/CN113467494B/zh
Publication of CN113467494A publication Critical patent/CN113467494A/zh
Application granted granted Critical
Publication of CN113467494B publication Critical patent/CN113467494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0833—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using limited authority control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/72—Electric energy management in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一种控制力矩陀螺框架转速控制参数整定方法，包括：将CMG框架转速范围合理的划分为相应区间；运行基于神经网络参数自学习的框架转速控制参数整定算法；对相应转速区间，通过加入方波给定激励，实现参数的快速学习；通过对参数调节量、迭代时间的判断，判定迭代终止。本发明首次提出利用神经网络算法在CMG框架转速分段区间内进行参数整定的方法，该方法可以提高CMG框架控制系统转速控制带宽，控制稳定度和参数整定效率。

Description

一种控制力矩陀螺框架转速控制参数整定方法
技术领域
本发明属于航天器姿态控制技术领域，特别是一种控制力矩陀螺框架转速控制参数整定方法。
背景技术
控制力矩陀螺(CMG)是航天器的重要姿态控制执行机构，其框架控制带宽决定了CMG输出力矩的能力，进而决定了航天器姿态机动能力；其框架转速稳定度决定了输出力矩的波动量，进而决定了遥感卫星光学相机成像质量。
CMG框架转速控制，一般采用比例-积分控制器。由于CMG框架转速变化范围较宽，其转速绝对值从0.001°/s到60°/s甚至更高。这就决定了很难用一组比例积分参数来保证在各个转速下框架控制带宽和控制稳定度。
在不同转速下，比例积分控制器的参数整定一般采用实测调节的方法，即在实际产品测试时，调整参数，测试其控制性能，即带宽和控制稳定度，再根据控制性能，调整参数直至产品性能满足要求。由于CMG框架转速范围较宽，需要对一系列转速下的控制性能进行测试，且参数调整效果与人员判断相关，调整结果也极有可能是在局部的最优值，而不是系统能实现的最好效果。
发明内容
本发明解决的技术问题是：航天器控制力矩陀螺框架转速范围宽，其控制带宽和稳定度直接影响航天器的姿态机动能力和光学载荷的成像效果，为了提升控制力矩陀螺框架控制带宽和转速稳定度，提高参数整定的效率，该发明提出了一种通过神经网络自学习算法，转速区间分段，转速给定激励和参数整定终止判据，实现框架控制参数快速整定的方法。
本发明的技术解决方案是：
第一方面，本申请实施例提供一种控制力矩陀螺框架转速控制参数整定方法，包括：
根据给定的转速范围ωref，以及框架电机的实时转速ωm，利用神经网络进行参数整定处理，获得当前控制周期的比例系数kpNN与积分系数kiNN，从而确定框架电机q轴电流iqref；迭代多个控制周期，直至获得满足终止判据的比例系数kpNN与积分系数kiNN作为每个转速区间对应的系数；
根据上级输入的给定转速指令，查找获得给定转速指令落入的转速区间，根据落入转速区间对应的系数确定框架电机三相驱动电流，获得框架电机的电机输出力矩，框架电机驱动CMG框架运动。
可选地，还包括：
根据给定的转速范围ωref，确定多个转速区间；
根据满足系统闭环传递函数稳定的方法，确定比例系数kpNN与积分系数kiNN初值，各转速区间对应的比例系数kpNN与积分系数kiNN初值分别相同；
根据转速区间的最大值最小值确定方波，作为转速激励；
a)建立学习算法模型，根据每个转速区间的比例系数kpNN、积分系数kiNN和转速误差E(n)，获得每个转速区间当前控制周期对应的电流iqref；
b)使用步骤a)获得的所述电流iqref，驱动控制力矩陀螺框架转动，获得当前控制周期的框架转速；
c)根据步骤b)获得的所述当前控制周期的框架转速，并根据转速激励，对每个转速区间，分别利用神经网络进行参数整定处理，确定下一控制周期的比例系数kpNN与积分系数kiNN；
判断步骤c)获得的比例系数kpNN与积分系数kiNN，或当前控制周期的迭代次数，是否满足终止判据，若满足终止判据，则将步骤c)获得的系数作为转速区间对应的系数，否则重复步骤a)～c)，直至获得每个转速区间对应的系数。
可选地，所述多个转速区间，满足如下条件：
每个转速区间的最大值和最小值的绝对值相等；
最大值小于或等于1°/s的两相邻转速区间的差值小于0.1°/s；
最大值大于1°/s的两相邻转速区间的差值取值范围为2°/s～10°/s。
可选地，最大值小于或等于1°/s的两相邻转速区间的差值取值范围为0.1°/s至0.04°/s。
可选地，所述方波的周期不小于框架电机时间常数的100倍；转速区间对应方波的正向峰值等于转速区间的最大值，转速区间对应方波的负向峰值等于转速区间的最小值。
可选地，步骤a)所述获得每个转速区间当前控制周期对应的电流iqref，具体如下：
根据当前控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)，确定当前控制周期的q轴电流iqref(1,n+1)；
iqref(1,n+1)＝iqref(1,n)+w_NN*x_NN；
w_NN＝[kpNN(n+1),kiNN(n+1)]；
x_NN＝[E(n)–E(n-1),E(n)]；
其中，q轴正向指向垂直于框架电机转子两磁极之间的平分线方向；KNN为神经元输出系数，0<KNN<0.1。
可选地，步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，具体为：根据转速区间当前第n个控制周期的比例系数kpNN(n)与积分系数kiNN(n)，获得第n+1个控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)。
可选地，步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，具体为：
kpNN(n+1)＝kpNN(n)+ηP_NN*E(n)*(E(n)–E(n-1))；
kiNN(n+1)＝kiNN(n)+ηI_NN*E(n)*E(n)；
其中，n表示控制周期，ηP_NN表示比例系数对应的学习率，0<ηP_NN<1；ηI_NN表示积分系数的学习率，0<ηI_NN<1；比例系数kpNN(0)的初始值根据满足系统闭环传递函数稳定的方法确定；积分系数kiNN(0)的初始值根据满足系统闭环传递函数稳定的方法确定；E(n)为当前控制周期的转速误差，E(n-1)为上一控制周期的转速误差。
可选地，所述终止判据，具体如下：
终止判据a：|kpNN(n+1)-kpNN(n)|<ε并且|kINN(n+1)-kINN(n)|<ε，其中，ε<0.01；
或者
终止判据b：控制周期的总迭代次数超过M次，M>10000次。
第二方面，本申请提供一种处理装置，该处理装置，包括：
存储器，用于存储计算机程序；
处理器，用于从所述存储器调用并运行所述计算机程序，以执行第一方面所述的方法。
本发明与现有技术相比的优点在于：
本发明通过基于神经网络的参数整定模块、转速范围分区和输入激励整定方法，可实现对控制力矩陀螺框架比例-积分控制器参数的快速整定，实现转速控制稳定度和控制带宽的提升。该方法既可进行离线参数整定，也可作为在线系统控制方法，适用于对控制稳定度、精度和带宽指标要求较高的伺服控制系统，具有广阔的应用前景。
附图说明
图1为双环PID控制器框图；
图2为本发明基于神经网络的参数自整定系统；
图3为本发明神经网络速度环控制器输入输出量示意图；
图4为本发明流程图。
具体实施方式
本发明提出了一种基于神经网络的高带宽CMG控制参数整定方法，该方法能实现如下功能：
(1)通过神经网络参数自学习算法实现CMG框架转速比例积分控制器控制参数调节；
(2)将CMG框架转速范围合理的划分为相应区间，实现区间内控制参数统一；
(3)通过加入特定转速的给定激励，实现在相应转速区间内框架控制带宽和控制稳定度的提升与参数的快速学习；
(4)通过对参数调节量、迭代时间的判断，判定终止迭代或对学习参数进行调整。
本发明技术包括如下内容：
a)速度环PID控制架构
CMG低速框架的控制，一般采用传统的基于双环比例积分的控制系统。内环为电流环，保证力矩的快速响应；外环为速度环，保证CMG的低速框架能够按照给定转速指令旋转，以输出需要的力矩。
控制系统结构如图1所示。控制系统给定为转速指令ωref，转速指令与实测转速ωm的误差值送入转速环PI控制器，控制器输出iqref为框架电机q轴电流给定值；iqref与q轴电流实测值iq的差值，以及框架电机d轴电流误差同时送入电流环PI控制器，输出驱动电流，驱动框架电机转动。
b)基于神经网络的参数自整定模块
加入基于神经网络的控制参数自整定模块的框架电机转速控制系统如图2所示。其中速度环调节器如图3所示。
图3的速度环调节器可写成如下表达式：
w_NN＝[kpNN(n+1),kiNN(n+1)]；
x_NN＝[E(n)–E(n-1),E(n)]
iqref(1,n+1)＝iqref(1,n)+KNN*w_NN*x_NN；
其中，iqref为q轴电流给定值，E(n)为转速误差，kpNN,kiNN分别为待整定的比例系数与积分系数，KNN为神经元输出系数。
参数自学习模块的学习算法为：
kpNN(n+1)＝kpNN(n)+ηP_NN*E(n)*(E(n)–E(n-1))；
kiNN(n+1)＝kiNN(n)+ηI_NN*E(n)*E(n)；
ηP_NN，ηI_NN分别为比例与积分系数的学习率。
n表示当前控制周期，n-1表示前一控制周期，n+1表示下一控制周期。
c)转速范围分区
对控制力矩陀螺转速范围进行分区，在同一分区内，采用一组控制参数可满足控制指标要求。
分区方法：
每个转速区间的最大值和最小值的绝对值相等。最大值小于或等于1°/s的两相邻转速区间的差值小于0.1°/s；考虑到分区数量和参数整定复杂程度，一般选取0.1°/s至0.04°/s之间的数值作为间隔。最大值大于1°/s的两相邻转速区间的差值取值范围为2°/s～10°/s。
d)输入激励的参数快速整定
采用输入方波激励的方法来加速参数的学习和整定过程。
对需要整定的转速区间，采用正负阶跃的方波转速给定信号，方波的幅值为选定的转速区域的转速上限。例如，在5°/s(含)～4°/s(不含)的转速区间，输入的方波信号最高值为5°/s，最低值为-5°/s。方波周期不小于框架电机时间常数的100倍。
通过参数的迭代学习过程，比例和积分参数会快速收敛，以达到快速整定的目的。
e)整定过程的终止和重复
整定过程终止判据：
(1)|kpNN(n+1)-kpNN(n)|<ε并且|kINN(n+1)-kINN(n)|<ε，即，每个周期参数调整量极小；
(2)总迭代次数超过M。
ε取值大或M取值小，则整定过程较短，反之整定过程较长。可根据实际需要选择ε和M的取值。
若整定过程终止后，框架转速稳定度仍不满足指标要求：
(1)若比例、积分系数收敛速度较慢，则可增大比例与积分系数的学习率ηP_NN，ηI_NN，重新运行整定过程；
(2)若比例、积分系数变化较为剧烈，则可减小比例与积分系数的学习率ηP_NN，ηI_NN，重新运行整定过程。
本发明一种控制力矩陀螺框架转速控制参数整定方法，包括：
根据给定的转速范围ωref，以及框架电机的实时转速ωm，利用神经网络进行参数整定处理，获得当前控制周期的比例系数kpNN与积分系数kiNN，从而确定框架电机q轴电流iqref；迭代多个控制周期，直至获得满足终止判据的比例系数kpNN与积分系数kiNN对应的框架电机q轴电流iqref；
根据上级输入的给定转速指令，查找获得给定转速指令落入的转速区间，根据落入转速区间对应的系数确定框架电机三相驱动电流(iA,iB,iC)，获得框架电机的电机输出力矩，框架电机驱动CMG框架运动。
具体包括如下步骤：
根据给定的转速范围ωref，确定多个转速区间；
所述多个转速区间，满足如下条件：
每个转速区间的最大值和最小值的绝对值相等；
最大值小于或等于1°/s的两相邻转速区间的差值小于0.1°/s。考虑到分区数量和参数整定复杂程度，本发明一实施例中转速区间的取值范围为0.1°/s至0.04°/s。
最大值大于1°/s的两相邻转速区间的差值取值范围为2°/s～10°/s。
根据满足系统闭环传递函数稳定的方法，确定控制力矩陀螺框架转速控制系统的比例系数kpNN与积分系数kiNN初值，各转速区间对应的比例系数kpNN与积分系数kiNN初值分别相同；
根据转速区间的最大值最小值确定方波，作为转速激励；
所述方波的周期不小于框架电机时间常数的100倍；转速区间对应方波的正向峰值等于转速区间的最大值，转速区间对应方波的负向峰值等于转速区间的最小值；
a)建立学习算法模型，根据每个转速区间的比例系数kpNN、积分系数kiNN和转速误差E(n)，获得每个转速区间当前控制周期对应的电流；
步骤a)所述获得每个转速区间当前控制周期对应的电流iqref，具体如下：
根据当前控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)，确定当前控制周期的q轴电流iqref(1,n+1)；q轴正向指向垂直于框架电机转子两磁极之间的平分线方向，d轴正向指向框架电机转子磁极中心线方向；
iqref(1,n+1)＝iqref(1,n)+w_NN*x_NN；
w_NN＝[kpNN(n+1),kiNN(n+1)]；
x_NN＝[E(n)–E(n-1),E(n)]；
其中，KNN为神经元输出系数，一般取0<KNN<0.1。
b)使用步骤a)获得的所述电流iqref，驱动控制力矩陀螺框架转动，获得当前控制周期的框架转速；
c)根据步骤b)获得的所述当前控制周期的框架转速，建立学习算法模型，对每个转速区间，分别利用神经网络进行参数整定处理，确定下一控制周期的比例系数kpNN与积分系数kiNN；
步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，具体为：根据转速区间当前第n个控制周期的比例系数kpNN(n)与积分系数kiNN(n)，获得第n+1个控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)；
步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，建立学习算法模型，具体为：
kpNN(n+1)＝kpNN(n)+ηP_NN*E(n)*(E(n)–E(n-1))；
kiNN(n+1)＝kiNN(n)+ηI_NN*E(n)*E(n)；
其中，n表示控制周期，ηP_NN表示比例系数对应的学习率，取值范围为0<ηP_NN<1，ηI_NN表示积分系数的学习率，取值范围为0<ηI_NN<1，E(n)表示转速误差，等于转速激励和实时转速ωm的差值；转速激励为方波形式的转速给定信号，方波周期不小于框架电机时间常数的100倍，方波信号的正向峰值和负向峰值的绝对值等于转速区间的最大值；比例系数kpNN(0)的初始值根据满足系统闭环传递函数稳定的方法确定；积分系数kiNN(0)的初始值根据根据满足系统闭环传递函数稳定的方法确定。
判断步骤c)获得的比例系数kpNN与积分系数kiNN，或当前控制周期的迭代次数，是否满足终止判据，若满足终止判据，则将步骤c)获得的系数作为转速区间对应的系数，否则重复步骤a)～c)，直至获得每个转速区间对应的系数。
所述终止判据，具体如下：
终止判据a：|kpNN(n+1)-kpNN(n)|<ε并且|kINN(n+1)-kINN(n)|<ε，其中，ε<0.01；
或者
终止判据b：控制周期的总迭代次数超过M次，M>10000次。
本申请提供一种处理装置，该处理装置，包括：
存储器，用于存储计算机程序；
处理器，用于从所述存储器调用并运行所述计算机程序，以执行图4所述的方法。
本发明首次提出利用神经网络算法在CMG框架转速分段区间内进行参数整定的方法，该方法可以提高CMG框架控制系统转速控制带宽，控制稳定度和参数整定效率。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (10)

1.一种控制力矩陀螺框架转速控制参数整定方法，其特征在于，包括：
根据给定的转速范围ωref，以及框架电机的实时转速ωm，利用神经网络进行参数整定处理，获得当前控制周期的比例系数kpNN与积分系数kiNN，从而确定框架电机q轴电流iqref；迭代多个控制周期，直至获得满足终止判据的比例系数kpNN与积分系数kiNN作为每个转速区间对应的系数；
根据上级输入的给定转速指令，查找获得给定转速指令落入的转速区间，根据落入转速区间对应的系数确定框架电机三相驱动电流，获得框架电机的电机输出力矩，框架电机驱动CMG框架运动；
控制力矩陀螺框架采用基于双环比例积分的控制系统进行控制；其中，内环为电流环；外环为速度环；
控制系统给定为转速指令ωref，转速指令与实测转速ωm的误差值送入转速环PI控制器，控制器输出iqref为框架电机q轴电流给定值；iqref与q轴电流实测值iq的差值，以及框架电机d轴电流误差同时送入电流环PI控制器，输出驱动电流，驱动框架电机转动。
2.一种控制力矩陀螺框架转速控制参数整定方法，其特征在于，包括：
根据给定的转速范围ωref，确定多个转速区间；
根据满足系统闭环传递函数稳定的方法，确定比例系数kpNN与积分系数kiNN初值，各转速区间对应的比例系数kpNN与积分系数kiNN初值分别相同；
根据转速区间的最大值最小值确定方波，作为转速激励；
a)建立学习算法模型，根据每个转速区间的比例系数kpNN、积分系数kiNN和转速误差E(n)，获得每个转速区间当前控制周期对应的电流iqref；
b)使用步骤a)获得的所述电流iqref，驱动控制力矩陀螺框架转动，获得当前控制周期的框架转速；
c)根据步骤b)获得的所述当前控制周期的框架转速，并根据转速激励，对每个转速区间，分别利用神经网络进行参数整定处理，确定下一控制周期的比例系数kpNN与积分系数kiNN；
判断步骤c)获得的比例系数kpNN与积分系数kiNN，或当前控制周期的迭代次数，是否满足终止判据，若满足终止判据，则将步骤c)获得的系数作为转速区间对应的系数，否则重复步骤a)～c)，直至获得每个转速区间对应的系数；
控制力矩陀螺框架采用基于双环比例积分的控制系统进行控制；其中，内环为电流环；外环为速度环；
控制系统给定为转速指令ωref，转速指令与实测转速ωm的误差值送入转速环PI控制器，控制器输出iqref为框架电机q轴电流给定值；iqref与q轴电流实测值iq的差值，以及框架电机d轴电流误差同时送入电流环PI控制器，输出驱动电流，驱动框架电机转动。
3.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：所述多个转速区间，满足如下条件：
每个转速区间的最大值和最小值的绝对值相等；
最大值小于或等于1°/s的两相邻转速区间的差值小于0.1°/s；
最大值大于1°/s的两相邻转速区间的差值取值范围为2°/s～10°/s。
4.根据权利要求3所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：最大值小于或等于1°/s的两相邻转速区间的差值取值范围为0.1°/s至0.04°/s。
5.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：所述方波的周期不小于框架电机时间常数的100倍；转速区间对应方波的正向峰值等于转速区间的最大值，转速区间对应方波的负向峰值等于转速区间的最小值。
6.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：步骤a)所述获得每个转速区间当前控制周期对应的电流iqref，具体如下：
根据当前控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)，确定当前控制周期的q轴电流iqref(1,n+1)；
iqref(1,n+1)＝iqref(1,n)+w_NN*x_NN；
w_NN＝[kpNN(n+1),kiNN(n+1)]；
x_NN＝[E(n)–E(n-1),E(n)]；
其中，q轴正向指向垂直于框架电机转子两磁极之间的平分线方向；KNN为神经元输出系数，0<KNN<0.1。
7.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，具体为：根据转速区间当前第n个控制周期的比例系数kpNN(n)与积分系数kiNN(n)，获得第n+1个控制周期的比例系数kpNN(n+1)与积分系数kiNN(n+1)。
8.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：步骤c)所述确定下一控制周期的比例系数kpNN与积分系数kiNN的方法，具体为：
kpNN(n+1)＝kpNN(n)+ηP_NN*E(n)*(E(n)–E(n-1))；
kiNN(n+1)＝kiNN(n)+ηI_NN*E(n)*E(n)；
其中，n表示控制周期，ηP_NN表示比例系数对应的学习率，0<ηP_NN<1；ηI_NN表示积分系数的学习率，0<ηI_NN<1；比例系数kpNN(0)的初始值根据满足系统闭环传递函数稳定的方法确定；积分系数kiNN(0)的初始值根据满足系统闭环传递函数稳定的方法确定；E(n)为当前控制周期的转速误差，E(n-1)为上一控制周期的转速误差。
9.根据权利要求2所述的一种控制力矩陀螺框架转速控制参数整定方法，其特征在于：所述终止判据，具体如下：
终止判据a：|kpNN(n+1)-kpNN(n)|<ε并且|kINN(n+1)-kINN(n)|<ε，其中，ε<0.01；
或者
终止判据b：控制周期的总迭代次数超过M次，M>10000次。
10.一种处理装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于从所述存储器调用并运行所述计算机程序，以执行权利要求1～9中任一项所述的方法。
CN202110728437.7A 2021-06-29 2021-06-29 一种控制力矩陀螺框架转速控制参数整定方法 Active CN113467494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110728437.7A CN113467494B (zh) 2021-06-29 2021-06-29 一种控制力矩陀螺框架转速控制参数整定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110728437.7A CN113467494B (zh) 2021-06-29 2021-06-29 一种控制力矩陀螺框架转速控制参数整定方法

Publications (2)

Publication Number Publication Date
CN113467494A CN113467494A (zh) 2021-10-01
CN113467494B true CN113467494B (zh) 2023-11-10

Family

ID=77873899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110728437.7A Active CN113467494B (zh) 2021-06-29 2021-06-29 一种控制力矩陀螺框架转速控制参数整定方法

Country Status (1)

Country Link
CN (1) CN113467494B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8880246B1 (en) * 2012-08-22 2014-11-04 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for determining spacecraft maneuvers
CN104527994A (zh) * 2015-01-21 2015-04-22 哈尔滨工业大学 异面交叉快变轨道固定时间稳定姿态指向跟踪控制方法
CN104852639A (zh) * 2015-05-26 2015-08-19 江南大学 基于神经网络的永磁同步电机参数自整定速度控制器
CN105786036A (zh) * 2016-04-05 2016-07-20 北京控制工程研究所 一种抑制转子动不平衡扰动的控制力矩陀螺框架控制系统及方法
CN110018634A (zh) * 2019-04-28 2019-07-16 北京控制工程研究所 一种提升控制力矩陀螺带宽的自适应框架控制系统及方法
CN111572818A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种磁悬浮控制力矩陀螺框架速率伺服系统及控制方法
CN111624872A (zh) * 2020-02-20 2020-09-04 北京仿真中心 一种基于自适应动态规划的pid控制器参数整定方法及系统
CN112596533A (zh) * 2020-11-30 2021-04-02 中航机载系统共性技术有限公司 一种mems陀螺仪数据驱动高精度自抗扰控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7110915B2 (en) * 2003-05-06 2006-09-19 Edward Wilson Multiple concurrent recursive least squares identification with application to on-line spacecraft mass-property identification
US11307562B2 (en) * 2019-11-04 2022-04-19 Honeywell International Inc. Application of simple random search approach for reinforcement learning to controller tuning parameters

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8880246B1 (en) * 2012-08-22 2014-11-04 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for determining spacecraft maneuvers
CN104527994A (zh) * 2015-01-21 2015-04-22 哈尔滨工业大学 异面交叉快变轨道固定时间稳定姿态指向跟踪控制方法
CN104852639A (zh) * 2015-05-26 2015-08-19 江南大学 基于神经网络的永磁同步电机参数自整定速度控制器
CN105786036A (zh) * 2016-04-05 2016-07-20 北京控制工程研究所 一种抑制转子动不平衡扰动的控制力矩陀螺框架控制系统及方法
CN110018634A (zh) * 2019-04-28 2019-07-16 北京控制工程研究所 一种提升控制力矩陀螺带宽的自适应框架控制系统及方法
CN111624872A (zh) * 2020-02-20 2020-09-04 北京仿真中心 一种基于自适应动态规划的pid控制器参数整定方法及系统
CN111572818A (zh) * 2020-05-21 2020-08-25 北京航空航天大学 一种磁悬浮控制力矩陀螺框架速率伺服系统及控制方法
CN112596533A (zh) * 2020-11-30 2021-04-02 中航机载系统共性技术有限公司 一种mems陀螺仪数据驱动高精度自抗扰控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《基于ADＲC 和ＲBF 神经网络的MSCSG 控制系统设计》;李磊 等;《北京航空航天大学学报》;第46卷(第10期);第1-7页 *
《基于逆系统方法的DGMSCMG 框架伺服系统解耦控制研究》;陈晓岑 等;《自动化学报》;第39卷(第5期);第1-8页 *
《基于非线性观测器的控制力矩陀螺操纵律设计》;吴忠 等;《北京航空航天大学学报》;第32卷(第11期);第1-4页 *

Also Published As

Publication number Publication date
CN113467494A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN110806759B (zh) 一种基于深度强化学习的飞行器航线跟踪方法
CN107065902B (zh) 基于非线性模型的无人机姿态模糊自适应预测控制方法及系统
CN110729939B (zh) 一种永磁同步电机转速环自抗扰控制器参数整定方法
CN111597702A (zh) 一种火箭着陆轨迹规划方法及装置
CN111766777A (zh) 一种pid控制器及pid控制方法
CN109189075B (zh) 一种舰船用模糊遗忘因子无模型自适应航向控制方法
CN112445234A (zh) 一种航天器的姿态控制方法和装置
CN109885077B (zh) 一种四旋翼飞行器姿态控制方法及控制器
CN109884887B (zh) 一种基于自校正小波神经网络的连续回转马达控制方法
CN111897347B (zh) 一种基于神经网络pid控制的双电机推进无人艇的航向保持方法
CN113253603A (zh) 基于fopso算法的无人机自抗扰控制器设计方法
CN111396246B (zh) 基于叶轮等效风速修正的激光雷达辅助控制方法
CN110262219A (zh) 一种基于bp神经网络的电机pid自整定方法
CN113110504A (zh) 一种基于强化学习和视线法的无人艇路径跟踪方法
CN110531614A (zh) 新颖的无刷直流电机模糊神经网络pi控制器
CN111324035A (zh) 一种高超声速飞行器轨迹优化自适应最优控制器
CN111198570A (zh) 一种基于固定时间微分器预测的抗时延高精度自抗扰姿态控制方法
CN114578697B (zh) 一种电机驱动机械手的多约束自适应控制方法
CN113467494B (zh) 一种控制力矩陀螺框架转速控制参数整定方法
CN108763779A (zh) 一种应用改进的粒子群算法对四旋翼无人机控制的方法
CN111152213B (zh) 一种基于混合控制的机械臂振动补偿方法及装置
CN112363538A (zh) 一种速度信息不完备下的auv区域跟踪控制方法
CN116501061A (zh) 一种基于分层优化的模型预测控制路径跟踪方法
CN116755323A (zh) 一种基于深度强化学习的多旋翼无人机pid自整定方法
CN108762064B (zh) 一种伺服驱动器的速度平滑方法

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Lai Lin

Inventor after: Guo Tengfei

Inventor after: Jia Yun

Inventor after: Wang Dianyou

Inventor after: Lu Ming

Inventor after: Zhang Jiyang

Inventor after: Zhang Meng

Inventor after: Zhang Qiang

Inventor after: Wu Dengyun

Inventor after: Li Gang

Inventor after: Zhai Baichen

Inventor after: Wei Wenshan

Inventor before: Lai Lin

Inventor before: Guo Tengfei

Inventor before: Jia Yun

Inventor before: Lu Ming

Inventor before: Zhang Jiyang

Inventor before: Zhang Meng

Inventor before: Zhang Qiang

Inventor before: Wu Dengyun

Inventor before: Li Gang

Inventor before: Zhai Baichen

Inventor before: Wei Wenshan

GR01 Patent grant
GR01 Patent grant