CN113496009A - 卫星太阳光压力矩高精度在线估计方法 - Google Patents

卫星太阳光压力矩高精度在线估计方法 Download PDF

Info

Publication number
CN113496009A
CN113496009A CN202110721119.8A CN202110721119A CN113496009A CN 113496009 A CN113496009 A CN 113496009A CN 202110721119 A CN202110721119 A CN 202110721119A CN 113496009 A CN113496009 A CN 113496009A
Authority
CN
China
Prior art keywords
estimation
pressure moment
satellite
sunlight pressure
value
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.)
Granted
Application number
CN202110721119.8A
Other languages
English (en)
Other versions
CN113496009B (zh
Inventor
何刚
王佐伟
贾蒙杨
甘永
郝燕艳
冯佳佳
王海强
候凤龙
王青
贾涛
辛优美
高秀娟
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 CN202110721119.8A priority Critical patent/CN113496009B/zh
Publication of CN113496009A publication Critical patent/CN113496009A/zh
Application granted granted Critical
Publication of CN113496009B publication Critical patent/CN113496009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Fuzzy Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

卫星太阳光压力矩高精度在线估计方法，包括：1)建立太阳光压力矩模糊逻辑估计模型；2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型，利用梯度下降法，在线迭代调整获得待调参数θj、
Figure DDA0003136887520000011
3)根据步骤2)所述在线待调参数
Figure DDA0003136887520000012
从而在线获得太阳光压力矩
Figure DDA0003136887520000013
本发明可以实现太阳光压力矩的直接在线估计，且对在轨数据没有额外要求的前提下，利用地面分析得到的先验信息，有效的提高太阳光压力矩在线估计的精度。

Description

卫星太阳光压力矩高精度在线估计方法
技术领域
本发明涉及卫星太阳光压力矩高精度在线估计方法，属于空间飞行器控制技术领域。
背景技术
太阳光压力矩是卫星在轨运行中面临的主要环境干扰力矩之一。对于地球静止轨道卫星，更是最主要的环境干扰力矩。太阳光压力矩的长期作用将导致卫星角动量发生变化，从而对卫星姿态指向产生不利影响。因此，在姿态控制律设计以及角动量管理算法设计中，都离不开对太阳光压等干扰力矩的建模与分析。由于太阳光压力矩难以在轨实时获取，目前星上角动量管理律的设计多采用比较简单的门限比较法。如果能够在轨实时获得卫星精确的太阳光压力矩，将有助于实现卫星角动量的在轨精确管理，大幅提升卫星角动量管理的精度和自适应能力。
从国内外公开文献看，针对卫星太阳光压力矩的在线估计方法研究尚不多见，主要做法多是将太阳光压力矩表示为高阶傅里叶级数形式，然后利用频域或时域在轨辨识技术辨识出相关系数。存在的不足是，需要满足一定的持续输入激励条件，适用于周期性干扰力矩场合。但由于太阳活动强度的变化，周期性假设通常并不成立，脉冲响应的激励条件也过于苛刻。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提出了卫星太阳光压力矩高精度在线估计方法，与现有方法相比，本方法对在轨数据没有额外的要求，且在充分利用地面分析得到的初始先验信息，形成模糊规则，从而提高辨识的收敛速度和精度。
本发明的技术方案是：
卫星太阳光压力矩高精度在线估计方法，包括步骤如下：
1)建立太阳光压力矩模糊逻辑估计模型；
2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型，利用梯度下降法，在线迭代调整获得待调参数θj、
Figure BDA0003136887500000021
3)根据步骤2)所述在线待调参数
Figure BDA0003136887500000022
从而在线获得太阳光压力矩
Figure BDA0003136887500000023
步骤1)所述太阳光压力矩模糊逻辑估计模型，具体为：
Figure BDA0003136887500000024
ξ(x)＝[ξ1(x)；…；ξm(x))]
θ＝[θ1；θ2；…；θm]
Figure BDA0003136887500000025
其中，x为系统输入，x＝[x1,x2,…,xn]，根据动量轮转速测量值和估计值确定，θj、
Figure BDA0003136887500000026
为在线待调参数，1≤j≤m，1≤i≤n，m为逻辑规则数，n为输入向量的维度或者个数；m的取值范围为3～15，n的取值范围为1～10。
获得待调参数θj、
Figure BDA0003136887500000027
的方法，具体包括步骤如下：
21)利用地面分析得到的初始先验信息，设定初始参数θj(0)、
Figure BDA0003136887500000028
其中θj(0)∈[0,1]，
Figure BDA0003136887500000029
22)利用梯度下降法迭代调整参数θj、
Figure BDA00031368875000000210
步骤22)利用梯度下降法迭代调整参数θj、
Figure BDA00031368875000000211
的方法，具体为：
221)根据21)设定的初始参数，估算得到满足估计误差阈值条件A的估算量
Figure BDA00031368875000000212
222)根据步骤221)获得的估算量
Figure BDA00031368875000000213
使用梯度下降法调整
Figure BDA00031368875000000214
和
Figure BDA00031368875000000215
从而估算获得满足估计误差阈值条件B的
Figure BDA00031368875000000216
和
Figure BDA00031368875000000217
步骤221)估算得到满足估计误差阈值条件A的估算量
Figure BDA0003136887500000031
的方法，具体为：
A1)定义在线待调参数
Figure BDA0003136887500000032
具体如下：
Figure BDA0003136887500000033
Figure BDA0003136887500000034
Figure BDA0003136887500000035
其中，φ(0)＝βI，β∈[103,108]，I是m×m的单位矩阵，k为迭代求解次数，其初始值为1，λ为遗忘因子，λ∈(0,1]；
A2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型的估计值
Figure BDA0003136887500000036
和步骤A1)所述在线待调参数
Figure BDA0003136887500000037
计算得到
Figure BDA0003136887500000038
A3)根据步骤A2)得到的
Figure BDA0003136887500000039
判定是否满足估计误差阈值条件A；若满足估计误差阈值条件A则进入步骤A4)，反之，则k累加1并返回步骤A1)；
A4)获得当前第k次迭代求解对应的在线待调参数
Figure BDA00031368875000000310
作为满足太阳光压力矩模型估算精度最优的估算量
Figure BDA00031368875000000311
估计误差阈值条件A，具体如下：
J＜ε1；
Figure BDA00031368875000000312
其中，ε1为系统函数的容许值，ε1∈(0,0.2]。
步骤222)估算获得满足估计误差阈值条件B的
Figure BDA00031368875000000313
和
Figure BDA00031368875000000314
的方法，具体为：
B1)定义参数e,f，初始参数选取为e＝1,f＝1；
B2)获得初值，
Figure BDA00031368875000000315
B3)根据步骤B2)的初值，获得修正后的
Figure BDA00031368875000000316
Figure BDA00031368875000000317
Figure BDA00031368875000000318
其中，ξ是学习率，ξ∈(0,1]；
B4)根据修正后的
Figure BDA0003136887500000041
确定太阳光压力矩模糊逻辑估计模型的估算值并记为
Figure BDA0003136887500000042
B5)根据步骤B3)获得的修正后的
Figure BDA0003136887500000043
并根据步骤B4)获得的
Figure BDA0003136887500000044
判定是否满足估计误差阈值条件B，若满足估计误差阈值条件B则进入步骤B6)，反之，则e累加1，f累加1，对
Figure BDA0003136887500000045
进行修正处理，并返回步骤B4)；
B6)获得当前修正后的
Figure BDA0003136887500000046
作为满足太阳光压力矩模型估算精度的
Figure BDA0003136887500000047
和
Figure BDA0003136887500000048
估计误差阈值条件B具体如下：
E＜ε2；
Figure BDA0003136887500000049
其中，ε2为模型估算精度，ε2∈(0,0.2]。
步骤3)所述太阳光压力矩
Figure BDA00031368875000000410
具体为：
Figure BDA00031368875000000411
Figure BDA00031368875000000412
Figure BDA00031368875000000413
其中，1≤j≤m，1≤i≤n；m为逻辑规则数，n为输入向量的维度；
Figure BDA00031368875000000414
为动量轮转速估计值，
Figure BDA00031368875000000415
为动量轮转速估计值的导数，
Figure BDA00031368875000000416
为卫星本体坐标下的角加速度，Jw为动量轮的转动惯量，Jb为卫星的转动惯量；ωw为动量轮实际输出值。
m的取值范围为3～15，n的取值范围为1～10。
本发明与现有技术相比的有益效果是：
1)本发明所提出的方法具有更强的适用性，没有苛刻的前提条件和假设；
2)本发明利用模糊逻辑辨识系统对太阳光压力矩进行在线估计，其中模糊逻辑系统中的待调参数加入了先验信息，且采用梯度下降进行迭代调整，使得太阳光压力矩在线估计的精度更高。
附图说明
图1为本发明原理框图；
具体实施方式
本发明提出了一种基于模糊辨识技术的太阳光压力矩高精度在线估计方法，相对于其他模糊估计方法，本方法可以实现对太阳光压力矩的直接在线估计，且对在轨数据没有额外要求的前提下，可以充分利用地面分析得到的先验信息，形成模糊规则，从而有效的提高太阳光压力矩在线估计的精度。。
下面结合附图和具体实施方式对本发明做进一步详细的描述。
如图1所示，本发明提出一种基于模糊辨识技术的太阳光压力矩高精度在线估计方法，包括步骤如下：
1)建立模糊逻辑系统
模糊逻辑系统包括：乘积推理器、单值模糊器、中心平均解模糊器和高斯型隶属度函数；
太阳光压力矩模糊逻辑估计模型，具体为：
Figure BDA0003136887500000051
ξ(x)＝[ξ1(x)；…；ξm(x))]
θ＝[θ1；θ2；…；θm]
Figure BDA0003136887500000052
其中，x为系统输入，x＝[x1,x2,…,xn]，根据动量轮转速测量值和估计值确定，θj、
Figure BDA0003136887500000053
为在线待调参数，1≤j≤m，1≤i≤n，m为逻辑规则数，n为输入向量的维度或者个数；m的取值范围为3～15，n的取值范围为1～10；
2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型，利用梯度下降法，在线迭代调整获得待调参数θj、
Figure BDA0003136887500000061
具体包括如下步骤：
21)利用地面分析得到的初始先验信息，设定初始参数θj(0)、
Figure BDA0003136887500000062
其中θj(0)∈[0,1]，
Figure BDA0003136887500000063
22)利用梯度下降法迭代调整参数θj、
Figure BDA0003136887500000064
具体为：
221)根据21)设定的初始参数，固定
Figure BDA0003136887500000065
和
Figure BDA0003136887500000066
其为常数，估算得到满足估计误差阈值条件A的估算量
Figure BDA0003136887500000067
其具体步骤为：
A1)定义在线待调参数
Figure BDA0003136887500000068
具体如下：
Figure BDA0003136887500000069
Figure BDA00031368875000000610
Figure BDA00031368875000000611
其中，φ(0)＝βI，β是正的常数，其取值范围为β∈[103,108]，I是m×m的单位矩阵，k为迭代求解次数，其初始值为1，λ为遗忘因子，λ∈(0,1]；
A2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型的估计值
Figure BDA00031368875000000612
和步骤A1)所述在线待调参数
Figure BDA00031368875000000613
计算得到
Figure BDA00031368875000000614
A3)根据步骤A2)得到的
Figure BDA00031368875000000615
判定是否满足估计误差阈值条件A；若满足估计误差阈值条件A则进入步骤A4)，反之，则k累加1并返回步骤A1)；
估计误差阈值条件A，具体如下：
J＜ε1；
Figure BDA00031368875000000616
其中，ε1为系统函数的容许值，其为给定值，ε1∈(0,0.2]。
A4)获得当前第k次迭代求解对应的在线待调参数
Figure BDA00031368875000000617
作为满足太阳光压力矩模型估算精度最优的估算量
Figure BDA0003136887500000071
222)根据步骤221)获得的估算量
Figure BDA0003136887500000072
使用梯度下降法调整
Figure BDA0003136887500000073
和
Figure BDA0003136887500000074
从而估算获得满足估计误差阈值条件B的
Figure BDA0003136887500000075
和
Figure BDA0003136887500000076
具体包括步骤如下：
B1)定义参数e,f，初始参数选取为e＝1,f＝1；
B2)获得初值，
Figure BDA0003136887500000077
B3)根据步骤B2)的初值，获得修正后的
Figure BDA0003136887500000078
Figure BDA0003136887500000079
Figure BDA00031368875000000710
其中，ξ是学习率，ξ∈(0,1]
B4)根据修正后的
Figure BDA00031368875000000711
确定太阳光压力矩模糊逻辑估计模型的估算值并记为
Figure BDA00031368875000000712
B5)根据步骤B3)获得的修正后的
Figure BDA00031368875000000713
并根据步骤B4)获得的
Figure BDA00031368875000000714
判定是否满足估计误差阈值条件B，若满足估计误差阈值条件B则进入步骤B6)，反之，则e累加1，f累加1，对
Figure BDA00031368875000000715
进行修正处理，并返回步骤B3)；
估计误差阈值条件B具体如下：
E＜ε2；
Figure BDA00031368875000000716
其中，
Figure BDA00031368875000000717
为步骤1)中的估算值，ε2为模型估算精度，其为给定值，
ε2∈(0,0.2]；
B6)获得当前修正后的
Figure BDA00031368875000000718
作为满足太阳光压力矩模型估算精度的
Figure BDA00031368875000000719
和
Figure BDA00031368875000000720
通过先固定
Figure BDA0003136887500000081
和
Figure BDA0003136887500000082
估算得到
Figure BDA0003136887500000083
然后再通过估算得到的
Figure BDA0003136887500000084
进行估算得到
Figure BDA0003136887500000085
和
Figure BDA0003136887500000086
依次交替进行，直到达到所需的太阳光阳力矩精度，从而完成卫星对太阳光压力矩的高精度在线估计。
3)根据步骤2)所述在线待调参数
Figure BDA0003136887500000087
从而在线获得太阳光压力矩
Figure BDA0003136887500000088
具体为：
Figure BDA0003136887500000089
Figure BDA00031368875000000810
Figure BDA00031368875000000811
式中，1≤j≤m，1≤i≤n；m为逻辑规则数，n为输入向量的维度或者个数。m的取值范围为3～15，n的取值范围为1～10。
Figure BDA00031368875000000812
为动量轮转速估计值(系统输出)，
Figure BDA00031368875000000813
为动量轮转速估计值的导数，
Figure BDA00031368875000000814
为卫星本体坐标下的角加速度，Jw为动量轮的转动惯量，Jb为卫星的转动惯量。ωw为动量轮实际输出值。
由于卫星三轴相对解耦，其在线估计方法完全相同，因此，这里仅以某一单轴为例进行说明。
本发明的核心思想是利用模糊逻辑系统对太阳光压力矩进行在线估计，并利用地面分析得到的初始验证信息，提高辨识的收敛速度和精度。由于针对卫星三轴的在线估计方法完全相同，这里仅以某一单轴为例进行说明。其主要方案如下(见附图1)。
实施例
以一种三轴正交安装动量轮卫星为例，介绍本发明的具体实施方式。以滚动轴为例进行阐述。假设卫星滚动轴惯量为5000kg.m2，反作用轮的惯量为0.108kg.m2。
(1)建立太阳光压力矩估计模型
在只考虑滚动通道情况下，由于只有一个动量轮转速误差
Figure BDA0003136887500000091
作为输入，即n＝1，其中ωw为真实动量轮转速，
Figure BDA0003136887500000092
动量轮估计转速，因此，滚动通道太阳光压估计力矩可以表示为：
Figure BDA0003136887500000093
在这里m选择为5，即建立5条模糊规则。
由于这里采用的是在线辨识方法，因此不需要给定隶属度函数，只需要在最初的时刻，给定输入x和输出
Figure BDA0003136887500000094
即可，在这里给定x＝1，
Figure BDA0003136887500000095
另外：
ξ(x)＝(ξ1(x)；…；ξ5(x))
θ＝[θ1；θ2；…；θ5]
Figure BDA0003136887500000096
(2)在线迭代调整参数θj、
Figure BDA0003136887500000097
首先，利用地面分析得到的初始先验信息，设定初始参数为：θj(0)＝[0.1,0.5,0.1,0.2,0.1]；
Figure BDA0003136887500000098
然后，固定
Figure BDA0003136887500000099
不进行更新，首先更新θj，1≤j≤5，具体如下：
A1)定义在线待调参数
Figure BDA00031368875000000910
具体如下：
Figure BDA00031368875000000911
Figure BDA00031368875000000912
Figure BDA00031368875000000913
A2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型的估计值
Figure BDA0003136887500000101
和步骤A1)所述在线待调参数
Figure BDA0003136887500000102
计算得到
Figure BDA0003136887500000103
A3)根据步骤A2)得到的
Figure BDA0003136887500000104
判定是否满足估计误差阈值条件A；若满足估计误差阈值条件A则进入步骤A4)，反之，则k累加1并返回步骤A1)；
估计误差阈值条件A，具体如下：
J＜0.001；
Figure BDA0003136887500000105
A4)获得当前第k次迭代求解对应的在线待调参数
Figure BDA0003136887500000106
作为满足太阳光压力矩模型估算精度最优的估算量
Figure BDA0003136887500000107
最后，利用上面得到的
Figure BDA0003136887500000108
使其固定不变，利用梯度下降法来调制
Figure BDA0003136887500000109
和
Figure BDA00031368875000001010
具体步骤为：
B1)定义参数e,f，初始参数选取为e＝1,f＝1；
B2)获得初值，
Figure BDA00031368875000001011
B3)根据步骤B2)的初值，获得修正后的
Figure BDA00031368875000001012
Figure BDA00031368875000001013
Figure BDA00031368875000001014
B4)根据修正后的
Figure BDA00031368875000001015
确定太阳光压力矩模糊逻辑估计模型的估算值并记为
Figure BDA00031368875000001016
B5)根据步骤B3)获得的修正后的
Figure BDA00031368875000001017
并根据步骤B4)获得的
Figure BDA00031368875000001018
判定是否满足估计误差阈值条件B，若满足估计误差阈值条件B则进入步骤B6)，反之，则e累加1，f累加1，对
Figure BDA00031368875000001019
进行修正处理，并返回步骤B3)；
估计误差阈值条件B具体如下：
E＜0.001；
Figure BDA0003136887500000111
B6)获得当前修正后的
Figure BDA0003136887500000112
作为满足太阳光压力矩模型估算精度的
Figure BDA0003136887500000113
和
Figure BDA0003136887500000114
(3)根据上述获得的待调参数θj、
Figure BDA0003136887500000115
在线获得太阳光压力矩
Figure BDA0003136887500000116
具体为：
Figure BDA0003136887500000117
Figure BDA0003136887500000118
Figure BDA0003136887500000119
本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。

Claims (10)

1.卫星太阳光压力矩高精度在线估计方法，其特征在于，包括步骤如下：
1)建立太阳光压力矩模糊逻辑估计模型；所述太阳光压力矩模糊逻辑估计模型，具体为：
Figure FDA0003136887490000011
ξ(x)＝[ξ1(x)；…；ξm(x))]
θ＝[θ1；θ2；…；θm]
Figure FDA0003136887490000012
其中，x为系统输入，x＝[x1,x2,…,xn]，根据动量轮转速测量值和估计值确定，θj、
Figure FDA0003136887490000013
为在线待调参数，1≤j≤m，1≤i≤n，m为逻辑规则数，n为输入向量的维度或者个数；
2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型，利用梯度下降法，在线迭代调整获得待调参数θj、
Figure FDA0003136887490000014
3)根据步骤2)所述在线待调参数
Figure FDA0003136887490000015
从而在线获得太阳光压力矩
Figure FDA0003136887490000016
2.根据权利要求1所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤1)所述m的取值范围为3～15，n的取值范围为1～10。
3.根据权利要求2所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤2)获得待调参数θj、
Figure FDA0003136887490000017
的方法，具体包括步骤如下：
21)利用地面分析得到的初始先验信息，设定初始参数θj(0)、
Figure FDA0003136887490000018
其中θj(0)∈[0,1]，
Figure FDA0003136887490000019
22)利用梯度下降法迭代调整参数θj、
Figure FDA00031368874900000110
4.根据权利要求3所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤22)利用梯度下降法迭代调整参数θj、
Figure FDA0003136887490000021
的方法，具体为：
221)根据21)设定的初始参数，估算得到满足估计误差阈值条件A的估算量
Figure FDA0003136887490000022
222)根据步骤221)获得的估算量
Figure FDA0003136887490000023
使用梯度下降法调整
Figure FDA0003136887490000024
和
Figure FDA0003136887490000025
从而估算获得满足估计误差阈值条件B的
Figure FDA0003136887490000026
和
Figure FDA0003136887490000027
5.根据权利要求4所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤221)估算得到满足估计误差阈值条件A的估算量
Figure FDA0003136887490000028
的方法，具体为：
A1)定义在线待调参数
Figure FDA0003136887490000029
具体如下：
Figure FDA00031368874900000210
Figure FDA00031368874900000211
Figure FDA00031368874900000212
其中，φ(0)＝βI，β∈[103,108]，I是m×m的单位矩阵，k为迭代求解次数，其初始值为1，λ为遗忘因子，λ∈(0,1]；
A2)根据步骤1)所述太阳光压力矩模糊逻辑估计模型的估计值
Figure FDA00031368874900000213
和步骤A1)所述在线待调参数
Figure FDA00031368874900000214
计算得到
Figure FDA00031368874900000215
A3)根据步骤A2)得到的
Figure FDA00031368874900000216
判定是否满足估计误差阈值条件A；若满足估计误差阈值条件A则进入步骤A4)，反之，则k累加1并返回步骤A1)；
A4)获得当前第k次迭代求解对应的在线待调参数
Figure FDA00031368874900000217
作为满足太阳光压力矩模型估算精度最优的估算量
Figure FDA00031368874900000218
6.根据权利要求5所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，估计误差阈值条件A，具体如下：
J＜ε1；
Figure FDA00031368874900000219
其中，ε1为系统函数的容许值，ε1∈(0,0.2]。
7.根据权利要求4～6任意一项所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤222)估算获得满足估计误差阈值条件B的σi j和xi j的方法，具体为：
B1)定义参数e,f，初始参数选取为e＝1,f＝1；
B2)获得初值，
Figure FDA0003136887490000031
B3)根据步骤B2)的初值，获得修正后的
Figure FDA0003136887490000032
Figure FDA0003136887490000033
Figure FDA0003136887490000034
其中，ξ是学习率，ξ∈(0,1]；
B4)根据修正后的
Figure FDA0003136887490000035
确定太阳光压力矩模糊逻辑估计模型的估算值并记为
Figure FDA0003136887490000036
B5)根据步骤B3)获得的修正后的
Figure FDA0003136887490000037
并根据步骤B4)获得的
Figure FDA0003136887490000038
判定是否满足估计误差阈值条件B，若满足估计误差阈值条件B则进入步骤B6)，反之，则e累加1，f累加1，对
Figure FDA0003136887490000039
进行修正处理，并返回步骤B4)；
B6)获得当前修正后的
Figure FDA00031368874900000310
作为满足太阳光压力矩模型估算精度的
Figure FDA00031368874900000311
和
Figure FDA00031368874900000312
8.根据权利要求7所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，估计误差阈值条件B具体如下：
E＜ε2；
Figure FDA00031368874900000313
其中，ε2为模型估算精度，ε2∈(0,0.2]。
9.根据权利要求8所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，步骤3)所述太阳光压力矩
Figure FDA0003136887490000041
具体为：
Figure FDA0003136887490000042
Figure FDA0003136887490000043
Figure FDA0003136887490000044
其中，1≤j≤m，1≤i≤n；m为逻辑规则数，n为输入向量的维度；
Figure FDA0003136887490000045
为动量轮转速估计值，
Figure FDA0003136887490000046
为动量轮转速估计值的导数，
Figure FDA0003136887490000047
为卫星本体坐标下的角加速度，Jw为动量轮的转动惯量，Jb为卫星的转动惯量；ωw为动量轮实际输出值。
10.根据权利要求9所述的卫星太阳光压力矩高精度在线估计方法，其特征在于，m的取值范围为3～15，n的取值范围为1～10。
CN202110721119.8A 2021-06-28 2021-06-28 卫星太阳光压力矩高精度在线估计方法 Active CN113496009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110721119.8A CN113496009B (zh) 2021-06-28 2021-06-28 卫星太阳光压力矩高精度在线估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110721119.8A CN113496009B (zh) 2021-06-28 2021-06-28 卫星太阳光压力矩高精度在线估计方法

Publications (2)

Publication Number Publication Date
CN113496009A true CN113496009A (zh) 2021-10-12
CN113496009B CN113496009B (zh) 2023-07-28

Family

ID=77998035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110721119.8A Active CN113496009B (zh) 2021-06-28 2021-06-28 卫星太阳光压力矩高精度在线估计方法

Country Status (1)

Country Link
CN (1) CN113496009B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828035A (zh) * 2023-02-16 2023-03-21 北京控制工程研究所 静止轨道卫星太阳光压干扰力矩的在轨拟合估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814107A (zh) * 2010-05-06 2010-08-25 哈尔滨工业大学 基于卫星动力学模型库的卫星动力学仿真系统及仿真方法
CN108959734A (zh) * 2018-06-15 2018-12-07 北京控制工程研究所 一种基于实时递推太阳光压力矩辨识方法及系统
WO2021035500A1 (zh) * 2019-08-27 2021-03-04 淄博火炬能源有限责任公司 用于48v轻混汽车锂离子电池的荷电状态在线估算系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101814107A (zh) * 2010-05-06 2010-08-25 哈尔滨工业大学 基于卫星动力学模型库的卫星动力学仿真系统及仿真方法
CN108959734A (zh) * 2018-06-15 2018-12-07 北京控制工程研究所 一种基于实时递推太阳光压力矩辨识方法及系统
WO2021035500A1 (zh) * 2019-08-27 2021-03-04 淄博火炬能源有限责任公司 用于48v轻混汽车锂离子电池的荷电状态在线估算系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨照华;余远金;祁振强;: "空间环境探测卫星用磁强计误差分析及在线标定", 宇航学报, no. 08 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115828035A (zh) * 2023-02-16 2023-03-21 北京控制工程研究所 静止轨道卫星太阳光压干扰力矩的在轨拟合估计方法

Also Published As

Publication number Publication date
CN113496009B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN107422741B (zh) 基于学习的保预设性能集群飞行分布式姿态追踪控制方法
CN110806759B (zh) 一种基于深度强化学习的飞行器航线跟踪方法
CN103616818B (zh) 微陀螺仪的自适应模糊神经全局快速终端滑模控制方法
CN112114521B (zh) 航天器智能预测控制进入制导方法
CN105607473B (zh) 小型无人直升机的姿态误差快速收敛自适应控制方法
CN102411305A (zh) 单旋翼直升机/涡轴发动机综合抗扰控制系统设计方法
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
CN114879515B (zh) 基于学习神经网络的航天器姿态重构容错控制方法
Zheng et al. Reinforcement learning strategy for spacecraft attitude hyperagile tracking control with uncertainties
CN116382071B (zh) 深度学习网络修正补偿的气动参数智能辨识方法
CN113496009A (zh) 卫星太阳光压力矩高精度在线估计方法
CN113377121A (zh) 一种基于深度强化学习的飞行器智能抗扰动控制方法
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
CN113568423B (zh) 一种考虑电机故障的四旋翼无人机智能容错控制方法
CN112560343B (zh) 基于深度神经网络与打靶算法的J2摄动Lambert问题求解方法
CN116923730A (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
CN117208230A (zh) 一种基于强化学习的航天器姿态预设定时间协同控制方法
CN102139769B (zh) 基于自组织cmac的挠性卫星快速稳定控制方法
Zhang et al. Prediction-based guidance algorithm for high-lift reentry vehicles
Liu et al. Robust adaptive self‐structuring neural networks tracking control of unmanned surface vessels with uncertainties and time‐varying disturbances
CN115422496A (zh) 推力故障下运载火箭质量和推力参数的联合校正辨识方法
CN112241122B (zh) 一种基于集值辨识算法的自适应无拖曳控制方法
Hu et al. Neural network-based robust control for hypersonic flight vehicle with uncertainty modelling
CN112764426A (zh) 一种四旋翼无人机系统的内模抗扰控制方法
Bao et al. Data-driven based model-free adaptive optimal control method for hypersonic morphing vehicle

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