卫星编队飞行的神经网络滑模控制

应用科学学报 ›› 2009, Vol. 27 ›› Issue (6): 651-656.

卫星编队飞行的神经网络滑模控制

1. 南京航空航天大学自动化学院，南京210016
2. 南京航空航天大学航天学院, 南京210016

出版日期:2009-11-25 发布日期:2009-11-25

Neural Network-Based Sliding Mode Control for Satellite Formation Flying

1. College of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China
2. College of Astronautics, Nanjing University of Aeronautics and Astronautics, Nanjing 210016, China

Online:2009-11-25 Published:2009-11-25
About author:GAO You-tao, Ph.D. candidate, research interests including dynamics and control of spacecraft formation flying, E-mail: ytgao@nuaa.edu.cn; LU Yu-ping, Ph.D., professor, research interests including advanced flight control technology, autonomous UAV control and task management, robust control, E-mail: yplac@nuaa.edu.cn
Supported by:
Project supported by the "863" National High-Tech Research and Development Program of China (No. 2008AA12Z301)

摘要/Abstract

摘要：

该文推导卫星编队飞行的一般相对运动动力学模型，研究将指数趋近律滑模控制与神经网络控制相结合的卫
星编队飞行控制方法，设计一种径向基神经网络参数调节器. 实时调节指数趋近律的参数，从而取得滑动面的趋近速度
和燃料消耗的最优平衡. 采用指数趋近律滑模控制法，用饱和函数代替可能产生高频切换信号的开关函数，有效地削弱
了滑模控制的抖动. 二阶滑模控制结构保证了卫星编队的高精度控制. 仿真结果表明了这一控制方法的有效性.

关键词: 卫星编队飞行, 滑模控制, 神经网络, 抖振, 鲁棒性

Abstract:

The general dynamical model of satellite formation flying is derived. A sliding mode control method
based on neural networks is proposed to improve control accuracy and robustness of satellite formation flying. A
neural network based on radial basis function is designed to modify the parameters of exponent reaching law in
order to get an optimal balance between convergence speed of the sliding quantity and fuel consumption. Exponent
reaching law with saturation function is used to weaken chattering actuated by un-modeled dynamics and high
frequency switching control. The second order sliding quantity of the relative position error is used to improve the
control accuracy. Simulation results show effectiveness of the neural network-based sliding mode control method.

Key words: satellite formation flying, sliding mode control, neural network, chattering, robustness

中图分类号:

V412.4

高有涛1，陆宇平1;2，徐波2. 卫星编队飞行的神经网络滑模控制[J]. 应用科学学报, 2009, 27(6): 651-656.

GAO You-tao1, LU Yu-ping1;2, XU Bo2. Neural Network-Based Sliding Mode Control for Satellite Formation Flying[J]. Journal of Applied Sciences, 2009, 27(6): 651-656.

[1]	王孟轩, 张胜, 王月, 雷霆, 杜渂. 改进的CRNN模型在警情文本分类中的研究与应用[J]. 应用科学学报, 2020, 38(3): 388-400.
[2]	马鑫, 吴云, 鹿泽光. 基于混合神经网络的协同过滤推荐模型[J]. 应用科学学报, 2020, 38(3): 478-487.
[3]	刘伟, 章琬苓, 项世军. 基于LBP-MDCT和CNN的人脸活体检测算法[J]. 应用科学学报, 2019, 37(5): 609-617.
[4]	王灿军, 廖鑫, 陈嘉欣, 秦拯, 刘绪崇. 基于卷积神经网络的面部图像修饰检测[J]. 应用科学学报, 2019, 37(5): 618-630.
[5]	吴韵清, 吴鹏, 陈北京, 鞠兴旺, 高野. 基于残差全卷积网络的图像拼接定位算法[J]. 应用科学学报, 2019, 37(5): 651-662.
[6]	魏巍, 全海燕. 基于单形进化的径向基网络训练算法[J]. 应用科学学报, 2019, 37(4): 459-468.
[7]	靳华中, 刘潇龙, 胡梓珂. 一种结合全局和局部特征的图像描述生成模型[J]. 应用科学学报, 2019, 37(4): 501-509.
[8]	赵云山, 段友祥. 基于Attention机制的卷积神经网络文本分类模型[J]. 应用科学学报, 2019, 37(4): 541-550.
[9]	袁红林, 陆小丹, 徐晨. 基于B-Spline神经网络的宽带通信发射机指纹估计[J]. 应用科学学报, 2019, 37(1): 12-23.
[10]	曾润华, 张树群. 改进卷积神经网络的语音情感识别方法[J]. 应用科学学报, 2018, 36(5): 837-844.
[11]	姜雪莹, 苏成利, 施惠元, 李平, 刘思雨. 采用多变量RBF神经网络的非线性内部迭代预测控制[J]. 应用科学学报, 2018, 36(4): 698-710.
[12]	段友祥, 徐冬胜, 孙歧峰, 李钰. DBN在测井解释中的研究与应用[J]. 应用科学学报, 2018, 36(4): 689-697.
[13]	杨滨, 张涛, 陈先意. 基于深度学习的图像局部模糊识别[J]. 应用科学学报, 2018, 36(2): 321-330.
[14]	史晓裕, 李斌, 谭舜泉. 深度学习空域隐写分析的预处理层[J]. 应用科学学报, 2018, 36(2): 309-320.
[15]	董伟, 王建军. 改进的卷积神经网络用于对比度增强取证[J]. 应用科学学报, 2017, 35(6): 745-753.