基于改进迭代学习的参数不确定卫星姿态控制

柯晓曼, 吴云华, 郑墨泓, 李文星, 杜津铭, 华 冰, 陈志明

(南京航空航天大学航天学院, 江苏 南京 210016)

0 引 言

随着卫星在轨服务的迅速发展,燃料加注、部件升级和替换、大型卫星在轨组装等任务对卫星姿态控制提出更高的要求。比较著名的在轨服务计划包括美国“凤凰计划”和“地球同步卫星机器人服务(robotic servicing of geosynchronous satellites, RSGS)”。“凤凰计划”为实现部件重复利用,将不同失效航天器的有效部件重新组装;RSGS项目的长期目标是以空间机器人为开端,在地球同步轨道(geosynchronous orbit, GEO)上建立持久自主服务能力卫星,提供可靠、高性价比的GEO卫星服务[1]。显然,在轨服务过程中卫星的质量和质心将发生变化,从而导致卫星转动惯量等参数产生较大变化。因此,针对参数不确定的卫星姿态敏捷机动控制成为当前的研究热点。传统的滑模变结构[2-4]可能出现抖振情况,自适应[4-6]容易产生误操作,反步法[3-4,7-9]系统需要满足严格反馈,并且上述控制方法存在需要较多先验信息等缺点。而基于机器学习的智能控制通过自我学习能力完成控制,具有需要先验信息少、无需精确的动力学建模等优点,将其应用于参数不确定的卫星姿态控制具有较大优势。因此,本文基于智能控制方法,设计迭代学习控制(iterative learning control, ILC)器[10-15],减小对动力学模型的依赖,完成姿态敏捷机动任务,有效解决周期性干扰带来的误差,提高姿态控制的动态性能、鲁棒性与敏捷性。

国内外许多学者对ILC进行了详细的介绍和研究。代明光等[11]提出一种开环比例微分型迭代学习非线性增益自适应控制律,验证收敛条件,但并未考虑航天器具体模型及执行机构输出能力等实际应用情况。……