平流层飞艇巡航姿态自适应神经网络补偿控制

空间控制技术与应用

平流层飞艇巡航姿态自适应神经网络补偿控制

刘其睿1，李勇2

1.北京控制工程研究所,空间智能控制技术国家级重点实验室,北京100190; 2.中国空间技术研究院研究发展中心,北京100094

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2009-08-26 发布日期:2009-08-26

Adaptive Neural Network Compensation for Stratospheric Airship Attitude Control of Cruising Phase

LIU Qi-rui1, LI Yong2

1. National Laboratory of Space Intelligent Control, Beijing Institute of Control Engineering, Beijing 100190, China;
2. R&D Center, China Academy of Space Technology, Beijing 100094, China

Received:1900-01-01 Revised:1900-01-01 Online:2009-08-26 Published:2009-08-26

摘要/Abstract

摘要： 研究了一种基于自适应神经网络补偿的平流层飞艇前向速度与姿态控制系统设计方法。针对近似模型进行常规线性动态补偿器设计，并引入自适应径向基函数(Radial Basis Function, RBF)神经网络对模型误差进行补偿。根据Lyapunov方法得到神经网络权值自适应律，保证了闭环系统误差信号一致最终有界。该控制器设计对模型参数信息仅有较少的要求。仿真结果表明对于两类不同的飞艇模型，所设计的控制器在响应性及对未知环境风速作用的鲁棒性方面均具有良好的效果。

关键词: 平流层飞艇, 巡航姿态, 神经网络

Abstract: By designing a speed and attitude control system based on adaptive neural network compensation，this paper presents a solution of solving the cruise tracking control problem for the stratospheric airship. An adaptive RBFNN (Radial Basis Function Neural Network ) is used to compensate modeling errors, which come from the approximate model applied to a regular linear controller design. The network weight adaptation rule, derived from Lyapunov stability analysis, guarantees that the adapted weight errors and the tracking errors are bounded. The controller design exploits only a little information of model parameters. Simulation results demonstrate the excellent performance and robustness of the controller, even if environmental winds with unknown information exist.

Key words: stratospheric airship, cruise tracking, neural network, adaptive control

中图分类号:

v448

刘其睿1，李勇2. 平流层飞艇巡航姿态自适应神经网络补偿控制[J]. 空间控制技术与应用, 2009, 35(4): 34-38.

LIU Qi-rui1, LI Yong2 . Adaptive Neural Network Compensation for Stratospheric Airship Attitude Control of Cruising Phase[J]. , 2009, 35(4): 34-38.

[1]	盖冉翔, 汪旭东, 刘旭辉, 姚兆普. 基于单隐层神经网络的压电执行器非线性特征建模策略研究[J]. 空间控制技术与应用, 2021, 47(4): 103-108.
[2]	杨威, 徐拥华, 杨永峰, 胡怡, 佃松宜. 机械臂的改进区间二型模糊神经网络控制[J]. 空间控制技术与应用, 2021, 47(1): 70-77.
[3]	宋勇, 赵宇飞, 杨昕, 王枫宁, 张子烁, 李国齐. 基于类脑模型与深度神经网络的目标检测与跟踪技术研究[J]. 空间控制技术与应用, 2020, 46(6): 10-19.
[4]	井小浩, 贠卫国, 韩世鹏. 基于深层循环神经网络的陀螺仪降噪方法研究 [J]. 空间控制技术与应用, 2020, 46(5): 65-72.
[5]	胡航天, 刘凯, 马士超, 郭子博. 专用指令集在基于FPGA的神经网络加速器中的应用#br#[J]. 空间控制技术与应用, 2020, 46(3): 36-.
[6]	刘海, 刘波, 胡瑜. 多斜率自适应卷积神经网络激活函数[J]. 空间控制技术与应用, 2020, 46(3): 28-.
[7]	宁宇, 宫经刚, 曾海波. 基于神经网络的多卫星姿态协同控制预测模型[J]. 空间控制技术与应用, 2020, 46(2): 29-34.
[8]	袁长清, 李政广, 于海莉, 左晨熠. 基于终端滑模和神经网络的多目标姿态跟踪鲁棒控制#br#[J]. 空间控制技术与应用, 2019, 45(3): 39-.
[9]	王超, 江洁, 林森海, 张文辉, 陈荣昌. 基于神经网络的自由漂浮空间机械臂自适应鲁棒控制[J]. 空间控制技术与应用, 2017, 43(2): 7-12.
[10]	王健康, 王雪涛, 严嵘, 陈斌, 王春元. 基于BP神经网络的高精度陀螺恒流源补偿方法[J]. 空间控制技术与应用, 2015, 41(6): 47-.
[11]	孙帅, 李智斌 , 田科丰. 考虑风场条件的一类平流层飞艇返回过程建模与航迹规划研究[J]. 空间控制技术与应用, 2014, 40(4): 37-41.
[12]	张文辉；马静；高九州. 基于多层感知器神经元的空间柔性机器人位置跟踪控制[J]. 空间控制技术与应用, 2011, 37(1): 59-62.
[13]	吴雷, 李勇, 李智斌. 一类平流层飞艇质量和惯量特性的计算方法与分析[J]. 空间控制技术与应用, 2010, 36(6): 39-42.
[14]	许斌, 刘志友, 孙富春, 姚伟, 刘庆志. 基于RBF神经网络的自适应PID星钟热控制[J]. 空间控制技术与应用, 2010, 36(5): 42-44.
[15]	钱克昌, 陈自力, 李建 . 基于神经网络动态逆的动力伞飞行控制方案[J]. 空间控制技术与应用, 2010, 36(4): 59-62.