[发明专利]一种基于滑模控制和神经网络的卫星机动自主定轨方法

摘要

本发明公开了一种基于滑模控制和神经网络的卫星机动自主定轨方法，结合滑模控制和神经网络观测器，用滑模控制的控制量结合对卫星距离的观测量来准确输出卫星的位置信息，实现更精确地定轨。通过滑模控制和神经网络紧密结合，可以实时地实施机动控制并显示卫星的状态量，更好地实现朗格朗日卫星的定轨。

主权项

1.一种基于滑模控制和神经网络的卫星机动自主定轨方法，其特征在于：包括(1)滑模保持控制算法滑模控制器可以分为两个方面：离散时间滑模面设计和自适应滑模控制器设计；①离散时间滑模面设计离散系统的状态方程是x(k+1)＝Ax(k)+Bu(k)其中x(k)表示为时刻t_k系统的状态误差量，x(k+1)表示为时刻t_k+1的系统状态量，A和B矩阵是状态方程的系数矩阵,u(k)是状态控制量，x(k)状态量误差量可以分为位置误差量和速度误差量两种，因此可以将上面的状态方程化简为：其中和分别为位置偏差和速度偏差，为A的分块矩阵；令滑模面为s(k)＝Cx(k)＝C₁r(k)+C₂v(k)其中C₁,C₂是滑模面方程的系数矩阵，当系统状态到达滑模面时，有C₁r(k)+C₂v(k)＝0通过设置C₁和C₂的值构造离散时间滑模面；②自适应滑模控制器设计对某一时刻t_k+1，有s(k+1)＝Cx(k+1)进一步可得s(k+1)＝CAx(k)+CBΔv(k)Δv(k)＝‑(CB)^‑1{CAx(k)‑(I₃‑TK)s(k)+TDsgn[(s(k)]}其中I₃为3阶的单位矩阵，为采样时间，为符号函数，s_i(k),i＝1,2,3表示的是s(k)的第i行的值，D和K中的参数取值为(2)神经网络自适应观测器考虑如下非线性时变系统：其中，u∈Eⁱ,y∈R^m,X∈Rⁿ；f(·)为已知的非线性函数；g(·)为已知的非线性观测函数；β(k)表示系统随时间变化的参数，它是一个随时间慢变的非线性函数；从非线性时变系统的输入控制量u_k及输出y_k估计系统的状态，用BP网络动态系统构成状态观测器，网络动态系统的输出作为估计器的输入，动态方程如下：其中Z_k∈Rⁿ为BP网络动态系统的输出状态，θ为BP网权值，是BP神经网络训练的标准样本量，通过误差进一步进行学习训练调整网权值θ，从而训练出最符合要求的网络动态系统，然后利用该系统通过控制量u_k和量测量Z_k来确定卫星的实时状态量，实现卫星的精确定轨。