智能控制在航天推力矢量伺服系统中的应用及展望

发布时间：2021-09-24 01:25

　　运载火箭控制技术的快速发展对推力矢量伺服系统提出了面对复杂非线性负载的自适应力位综合控制,智能故障诊断管理等新要求。结合近年来智能控制理论的进展,分析了几种可用于推力矢量控制的新型控制方法。在伺服系统中应用一些先进的智能控制理论,有望在负载辨识和模拟、自适应主动柔顺控制、故障诊断及余度管理等方面取得比传统控制方法更好的应用效果。 

【文章来源】：航天控制. 2020,38(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

可控加载负载模拟器原理图

图1 可控加载负载模拟器原理图由于神经网络方法可表达任意非线性映射，利用神经网络的自学习和自适应能力，使其自主训练调整结构参数，能大量减少参数识别和模型辨识的工作量。考虑到BP神经网络学习速度快，且具有关联信息分散存储、容错性好等优点，使用BP神经网络对柔性喷管模型进行建模和辨识[11]。其结构如图2所示。采用离线学习，用训练集内所有模式即柔性喷管的测试数据依次训练网络，通过累加各权值修正量并统一修正网络权值，可以使权值按最快速下降方向进行，大幅度提高网络学习速度。

负载模拟器的高精度加载控制作为研制半实物仿真中的一项关键技术，是航空、航天领域内的重要研究方向之一。电液负载模拟器作为典型的加载装置，加载过程中多余力(力矩)的存在是设计和使用过程中难以克服的技术难点，直接影响负载模拟器动态加载精度的提高。文献[12]根据一般测试过程中，负载模拟器加载对象的主动运动允许具有一定重复性的特点，提出运用迭代学习控制消除负载模拟器加载系统的多余力(力矩)，并进行了提高加载精度方面的研究。同时建立了电液负载模拟器及其被加载系统的全系统数学模型，并在此基础上详细分析了多余力(力矩)产生的机理。选取PID型迭代学习控制作为控制算法，利用算子理论对该算法的收敛条件、收敛速度、鲁棒性和初值问题以及开环PID型迭代学习控制和闭环PID型迭代学习控制的优缺点进行了理论推导和证明，为PID型迭代学习控制应用于负载模拟器，消除多余力(力矩)和提高加载精度提供了参考依据，迭代学习控制算法如图3所示。在理论推导和仿真试验的基础上，提出了具有监督机制的改进P型迭代学习控制。仿真试验表明，该方法对提高加载精度、减小学习过程后期输出毛刺、防止误差发散等方面具有较好的效果。使用开环P型迭代学习控制算法和改进P型开环迭代学习控制算法进行了电液位置伺服系统提高跟踪精度的试验(图4)。结果表明，迭代学习控制算法能够有效地提高电液伺服系统的跟踪精度。图4 迭代学习控制加载跟踪试验结果


本文编号：3406819