RLV再入神经网络自适应姿态控制器设计.pdf

本文主要探讨的是可重复使用运载器（RLV）在再入阶段的神经网络自适应姿态控制器设计，旨在解决在大飞行包线再入过程中模型不确定性和外界干扰对姿态控制的影响。该控制器设计采用了径向基函数神经网络（RBFNN），以提高控制器的鲁棒性和抗干扰能力。 文章介绍了RLV再入过程中的挑战，由于飞行环境的变化，其动力学特性会显著变化，这导致了模型的不确定性。同时，再入阶段会受到各种外界干扰，如热流、气动压力等，这些因素都会对姿态控制产生不利影响，因此需要一种能够应对这些不确定性和干扰的有效控制策略。 接下来，作者提出了基于时间尺度分离原理的双回路控制系统设计。这种设计将控制系统分为快速响应和慢速响应两个部分，可以分别处理快速变化的动态响应和慢速变化的稳定性能，从而提高控制的精度和稳定性。 然后，文章详细阐述了RBF神经网络自适应律的设计。RBFNN以其良好的非线性映射能力和快速学习能力，被用于在线估计模型的不确定性以及外界干扰力矩。通过不断调整网络参数，RBFNN能够实时逼近实际的飞行器动态模型和干扰力矩，从而实现对这些不确定因素的有效补偿。 仿真结果证实了RBFNN自适应控制器的优越性能。在面对模型误差和干扰力矩时，控制器能够实现良好的姿态跟踪，有效抑制干扰对姿态控制的影响。此外，控制器的自适应律能够实时估计真实的飞行器动态和干扰，增强了系统的抗扰动能力。 文章总结了研究工作，并指出这种神经网络自适应控制器设计对于RLV再入阶段的姿态控制具有重要的理论和实践意义。通过应用RBFNN，不仅可以提高控制器的适应性，还能确保在复杂飞行环境下实现精确的飞行姿态控制。 关键词：可重复使用运载器；再入；自适应控制；RBF神经网络；抗干扰；不确定性 该研究工作为RLV的再入控制提供了一种新的解决方案，有助于提升RLV的再入安全性和任务成功率。对于从事航天器控制、飞行器动力学以及神经网络应用的研究人员来说，这篇论文提供了有价值的参考和指导。