大挠性机动飞行器改进型正向位置反馈振动控制

针对一类大挠性机动飞行器,同时进行的姿态和轨道机动将激发挠性结构与中心刚体之间的平移耦合模态和转动耦合模态。为了提高姿态和轨道控制稳定度,提出了一种整合的改进型正向位置反馈(MPPF)控制方法抑制挠性结构的振动。首先建立了包含转动耦合和平移耦合模态的动力学模型,推导了耦合模态参数,然后基于MPPF控制律,设计了对转动耦合模态和平移耦合模态同时进行抑制的主动振动控制器,并采用M范数方法进行了参数优化,采用压电智能材料构建了主动振动控制系统。仿真结果表明所设计的控制器能够对机动飞行器的挠性结构振动起到很好的抑制效果,并且提高了姿态和轨道的控制稳定度。

集成压电元件的挠性太阳帆板振动抑制控制系统

针对基频低于1Hz的大挠性太阳帆板,提出了整板主动振动抑制方法。该方法通过在太阳帆板上集成压电元件作为传感器和执行器;针对帆板挠性增大时,同位控制易出现虚假抑制的现象,综合考虑压电传感器的测量数据和板上一点的振动情况,基于正向位置反馈控制律(Positive Position Feedback,PPF),设计了整板振动抑制控制系统。通过Adams和Simulink联合仿真,对控制系统的振动抑制能力进行了考核,结果表明所设计的PPF控制系统避免了虚假抑制,具有良好的整板振动抑制效果。

考虑压电传感器漏电效应的大柔性智能结构建模方法研究

针对采用压电元件构成的大柔性智能结构基频较低、压电传感器漏电流效应明显而不能忽略等问题,对考虑压电传感器漏电流效应的结构建模方法进行了研究。推导了考虑压电传感器漏电效应的数学模型,根据等效电路,在传递函数中添加了一阶环节建立漏电流模型。搭建了压电型大柔性智能结构试验系统,用扫频测量技术获得了智能结构的幅频响应,用非线性最小二乘拟合的参数辨识方法计算了模型参数。通过分析试验数据,对比考虑和不考虑压电传感器漏电效应的智能结构模型的拟合结果,发现考虑压电传感器漏电效应的智能结构数学模型与实验结果吻合,尤其是在低频区域,验证了提出的智能结构数学模型的准确性。

电动帆轨迹优化及其性能分析

电动帆是一种新兴的无推进剂损耗的推进方式,利用太阳风的动能冲力飞行。电动帆由数百根长而细的金属链所组成,这些金属链通过空间飞行器自旋展开,太阳能电子枪向外喷射电子,使金属链始终保持在高度的正电位,这些带电的金属链会排斥太阳风质子,利用太阳风的动能冲力推动空间飞行器驶向目标方向。针对电动帆轨迹优化问题,提出采用Gauss伪谱法进行轨迹优化,克服了间接法对协态变量初值敏感的缺点。考虑在太阳风暴等原因造成特征加速度改变的情况,基于Gauss伪谱法实现电动帆在线轨迹重新规划,提高电动帆对太阳风不确定性的适应能力。最后以太阳系外探测任务为例,对电动帆和太阳帆的性能进行对比,仿真结果表明电动帆在星际远航任务中所用时间较短。

单翼大挠性航天器全局模态动力学建模及试验

针对小中心刚体-单侧大挠性结构构型的航天器,通过定义广义全局模态振型,提出一种全局模态动力学模型。采用统一形式描述整体刚体运动和整体挠性变形,基于哈密顿原理推导了全局模态动力学方程,结合瑞利瑞兹法推导了非约束模态频率和模态振型的计算方法。通过仿真和试验校验了全局模态动力学模型的准确性。与有限元模型对比,分析了非约束模态频率随着刚柔质量比和惯量比的变化情况,第一阶模态频率的最大误差为0.003 Hz,说明全局模态动力学模型能够比较准确地描述非约束模态频率;理论模型能够比较准确地描述动态响应,端部横向位移的最大误差为2.6%;基于气浮平台构建了试验系统,理论模型、有限元仿真和物理试验结果均比较接近,说明理论模型准确描述了非约束模态频率随刚柔耦合特性变化的规律。

基于多智能体强化学习的轨道追逃博弈方法

针对空间轨道博弈过程中的集群卫星和非合作目标追逃博弈情形下的动力学模型复杂、非合作目标机动信息未知,以及卫星间难以有效协调等问题,提出一种基于多智能体深度强化学习算法的集群卫星空间轨道追逃博弈方法。首先通过对博弈场景进行建模,在考虑最短时间、最优燃料以及碰撞规避的情形下进行奖励函数的塑造和改进,利用深度强化学习方法中的多智能体深度确定性策略梯度(MADDPG)算法进行集中训练,得到各个追捕卫星和逃逸卫星的最优追逃策略参数;然后分布式执行使得多个追捕卫星和逃逸卫星之间能够完成追逃博弈。仿真结果表明:该方法能够完成集群卫星对非合作目标的追逃博弈,且能够利用数量优势有效地弥补速度劣势,涌现出“围捕“”拦截“”合作“”潜伏”等一系列智能博弈行为,有效地实现了博弈目的。

无人机遥感图像实时小目标检测方法

得益于深度学习方法的发展,近年来目标检测方法的性能有了很大的提升。然而,从无人机(UAV)遥感图像中检测目标仍然存在很大的挑战,原因包括:UAV遥感图像中目标分辨率小、背景复杂,现有算法难以满足实时性要求。面对这些挑战,提出了一种基于多尺度多深度特征提取(MMFE)网络的实时小目标检测(RTSTD)方法,能够高效的从UAV遥感图像中检测小目标。RTSTD将一幅输入图像剪裁成多个小尺寸的图像,并将一部分小尺寸图像输入到轻量化的MMFE网络中。因此,RTSTD具有处理任意分辨率的遥感图像而不丢失图像细节特征的能力。对于MMFE网络,提出了一种更有效的输出:重叠向量能够表示目标在输入图像中的位置和置信度。为了增强MMFE网络区分目标和复杂背景的能力,重新定义了正样本和负样本。为测试RTSTD的性能,从开源数据集UAV123、DTB70和AU-AIR中筛选重构了7个数据集,共8369张UAV遥感图像,涉及地面和海面场景下的小目标检测。结果证明,与现有的检测方法相比,RTSTD方法在准确性和速度方面都取得了改善,平均F1-Score>0.90,GPU运行每秒>66帧,CPU运行每秒>35帧。

喷气驱动航天器姿态控制强化学习算法及实验

针对喷气驱动航天器在推力幅值受限条件下的姿态控制问题,提出一种姿态控制强化学习算法。该算法包含两个神经网络,即控制策略网络和李雅普诺夫神经网络。其中,控制策略网络直接以喷气推力器的推力作为输出,训练数据中推力满足幅值约束条件,隐式地解决推力分配优化和控制量饱和问题;设计姿态控制强化学习算法,并引入基于样本数据的航天器姿态稳定性定理,保证学习得到的控制策略的稳定性。仿真结果表明,与主流的强化学习算法和传统姿态控制方法相比,所提出的姿态控制算法在敏捷性方面表现出显著优势。此外,将控制策略移植到半物理仿真平台,控制策略能够有效完成航天器的大角度机动任务,从而证明了通过所提出的姿态控制算法训练得到的控制策略具有良好的泛化性和鲁棒性。