本文主要探讨了运载火箭在面临推力下降或伺服机构卡死等有限故障情况下的自适应容错控制策略。文章介绍了基于径向基神经网络(RBFNN)的自适应容错控制方法,旨在提高运载火箭飞行任务的可靠性。
首先,文章明确了有限故障的定义,将其分为两类:一类是导致模型参数变化的故障,如单台伺服机构故障或推力异常;另一类是未建模的广义故障,包括干扰和噪声。针对这些故障,文章提到了两种主要的容错控制方法:被动容错控制(如PID控制)和主动容错控制(包括基于FDIR的控制和自适应控制)。
接着,文章指出传统的被动容错控制方法如PID控制在面对故障时可能反应不足,而基于FDIR的主动容错控制依赖于准确的故障诊断信息,可能存在诊断误差导致控制效果受限。因此,文章转向了基于自适应控制的容错策略,特别是利用RBFNN进行在线辨识和补偿。
文中提出的RBFNN自适应容错控制方法基于有限故障的动力学模型,通过极点配置设计基线控制器。RBFNN用于实时识别模型的故障参数和不确定干扰,然后利用Lyapunov稳定性理论设计自适应控制律,以补偿故障模型和干扰。这种方法的优势在于能够自适应地处理故障,同时保持姿态稳定性和控制精度。
通过仿真结果对比,该方法在有限故障条件下相比于传统的PD控制表现出更好的自适应能力。然而,现有的神经网络观测器方法可能受到动力学模型误差和未建模干扰的影响,而RBFNN辨识器则可以更有效地处理这些问题。
综上所述,适应有限故障的运载火箭神经网络自适应容错控制是提高火箭飞行可靠性的重要途径。通过RBFNN的在线辨识和自适应控制律设计,可以有效应对火箭在飞行过程中可能出现的各种故障,确保姿态控制的稳定性和精度。这种方法对于未来运载火箭控制系统的设计和优化具有重要的理论与实践意义。