基于l1-TSXKF的航天器姿控系统状态偏差估计

doi:10.7527/S1000-6893.2024.29678

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于l₁-TSXKF的航天器姿控系统状态偏差估计

陈雪芹¹, 杨伯毓¹, 吴凡¹(), 岳程斐², 曹喜滨¹

^1.哈尔滨工业大学卫星技术研究所，哈尔滨 150001
^2.哈尔滨工业大学（深圳）空间科学与应用技术研究院，深圳 518055

收稿日期:2023-10-07 修回日期:2023-12-21 接受日期:2024-01-05 出版日期:2024-01-16 发布日期:2024-01-15
通讯作者: 吴凡 E-mail:wufanrcst@hit.edu.cn
基金资助:
国家自然科学基金(11972130);黑龙江省头雁计划项目

State and bias estimation of spacecraft attitude control system based on l₁-TSXKF

Xueqin CHEN¹, Boyu YANG¹, Fan WU¹(), Chengfei YUE², Xibin CAO¹

^1.Research Center of Satellite Technology，Harbin Institute of Technology，Harbin 　150001，China
^2.Institute of Space Science and Applied Technology，Harbin Institute of Technology （Shenzhen），Shenzhen 　518055，China

Received:2023-10-07 Revised:2023-12-21 Accepted:2024-01-05 Online:2024-01-16 Published:2024-01-15
Contact: Fan WU E-mail:wufanrcst@hit.edu.cn
Supported by:
National Natural Science Foundation of China(11972130);Heilongjiang Touyan Innovation Team Program

摘要/Abstract

摘要：

研究考虑非高斯噪声特性的航天器姿态控制系统状态与偏差估计问题。首先，建立含偏差的航天器姿控系统模型，并给出了非高斯特性噪声表达形式。然后，采用l₁范数卡尔曼滤波（l₁-KF）算法并结合数学仿真，验证了在卡尔曼滤波算法中引入l₁范数，可以避免系统受非高斯过程噪声的影响，但l₁-KF算法无法实现对状态和偏差的同时估计，且仅适用于姿态稳定控制过程中的估计。于是，在l₁-KF算法的基础上，考虑系统转动惯量时变和偏差时变的复杂情况，结合时变转动惯量实时辨识，设计l₁范数二阶外源性卡尔曼滤波（l₁-TSXKF）算法，对航天器姿态机动过程中的状态和偏差同时进行估计。数学仿真结果表明，l₁-TSXKF算法可以减少系统非高斯特性的影响，在航天器姿态机动过程中，可快速得到高精度的姿态、未知偏差估计结果，有利于航天器在轨应用。

关键词: 航天器, 姿控系统, 偏差估计, 状态估计, 转动惯量辨识

Abstract:

The state and bias estimation problem of spacecraft attitude control system considering non-Gaussian noise characteristics is studied. Firstly， a spacecraft attitude control system model with bias is established， and the expression for the non-Gaussian characteristic noise is given. Then， through l₁-norm Kalman Filtering （l₁-KF） algorithm and mathematical simulation， it is verified that the introduction of l₁-norm into the Kalman filtering algorithm can avoid the influence of non-Gaussian process noise. However， the l₁-KF algorithm cannot achieve simultaneous estimation of state and bias， and is only suitable for estimation of attitude stability control process. Therefore， on the basis of l₁-KF algorithm， considering the complex situation of time-varying moment of inertia and time-varying bias of the system， as well as real-time identification of time-varying moment of inertia， an l₁-norm Two-Stage eXogenous Kalman Filtering （l₁-TSXKF） algorithm is designed to estimate the state and bias of the spacecraft during attitude maneuver. The mathematical simulation results show that the l₁-TSXKF algorithm can reduce the influence of non-Gaussian characteristics of the system and obtain high precision attitude and bias estimation results quickly in the process of spacecraft attitude maneuver， which is conducive to the application of spacecraft in orbit.

Key words: spacecraft, attitude control system, bias estimation, state estimation, identification of moments of inertia

中图分类号:

V448.2

陈雪芹, 杨伯毓, 吴凡, 岳程斐, 曹喜滨. 基于l₁-TSXKF的航天器姿控系统状态偏差估计[J]. 航空学报, 2024, 45(16): 329678-329678.

Xueqin CHEN, Boyu YANG, Fan WU, Chengfei YUE, Xibin CAO. State and bias estimation of spacecraft attitude control system based on l₁-TSXKF[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(16): 329678-329678.

图/表 9

图 1

图 2

图 3

图 4

表 1

x轴姿态角速度MSEs (（（°）/s）2)

时间	TSXKF^［5］/10^-3	l₁-TSXKF/10^-6
$t < 100 s$	0.408 68	401.02
$100 s ≤ t < 150 s$	3.346 5	5.000 6
$150 s ≤ t < 200 s$	3.771 4	6.755 1
$200 s ≤ t < 250 s$	3.144 6	3.444 4
$t ≥ 250 s$	5.630 9	7.016 6

表 1

表 2

x轴姿态角MSEs (（°）2)

时间	TSXKF^［5］/10^-3	l₁-TSXKF/10^-4
$t < 100 s$	27.422	274.17
$100 s ≤ t < 150 s$	1.884 4	0.080 698
$150 s ≤ t < 200 s$	1.853 3	6.625 4
$200 s ≤ t < 250 s$	2.255 5	2.928 2
$t ≥ 250 s$	3.228 5	2.785 2

表 2

图 5

表 3

x轴偏差MSEs (（N·m）2)

时间	TSXKF^［5］	l₁-TSXKF/10^-2
$t < 100 s$	0.001 695 1	0.256 20
$100 s ≤ t < 150 s$	0.182 16	0.817 67
$150 s ≤ t < 200 s$	0.202 50	14.245
$200 s ≤ t < 250 s$	0.219 15	7.152 8
$t ≥ 250 s$	0.309 89	7.964 4

表 3

图6

参考文献 21

1	FRIEDLAND B. Notes on separate-bias estimation［J］. IEEE Transactions on Automatic Control， 1978， 23（4）： 735-738.
2	LE H X， MATUNAGA S. Real-time tuning separate-bias extended Kalman filter for attitude estimation［J］. Transactions of the Japan Society for Aeronautical and Space Sciences， 2014， 57（5）： 299-307.
3	CHEN X Q， SUN R， JIANG W C， et al. A novel two-stage extended Kalman filter algorithm for reaction flywheels fault estimation［J］. Chinese Journal of Aeronautics， 2016， 29（2）： 462-469.
4	孙瑞. 基于二阶卡尔曼滤波的航天器姿控系统故障估计［D］. 哈尔滨：哈尔滨工业大学， 2021： 10-45.
	SUN R. Fault estimation based on the two-stage Kalman filtering in the spacecraft attitude control system［D］. Harbin： Harbin Institute of Technology， 2021： 10-45 （in Chinese）.
5	CHEN X Q， SUN R， LIU M， et al. Two-stage exogenous Kalman filter for time-varying fault estimation of satellite attitude control system［J］. Journal of the Franklin Institute， 2020， 357（4）： 2354-2370.
6	ROTH M， ÖZKAN E， GUSTAFSSON F. A Student’s T filter for heavy tailed process and measurement noise［C］∥2013 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE Press， 2013： 5770-5774.
7	NIU X J， CHEN Q J， ZHANG Q， et al. Using Allan variance to analyze the error characteristics of GNSS positioning［J］. GPS Solutions， 2014， 18（2）： 231-242.
8	CRASSIDIS J L， MARKLEY F L. Predictive filtering for nonlinear systems［J］. Journal of Guidance， Control， and Dynamics， 1997， 20（3）： 566-572.
9	赵祥丹，王彪，王志胜，等. 预测-五阶容积卡尔曼滤波方法［J］. 航空学报， 2023， 44（6）： 326817.
	ZHAO X D， WANG B， WANG Z S， et al. Predictive fifth-degree cubature Kalman filter method［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（6）： 326817 （in Chinese）.
10	葛泉波，王贺彬，杨秦敏，等. 基于改进高斯混合模型的机器人运动状态估计［J］. 自动化学报， 2022， 48（8）： 1972-1983.
	GE Q B， WANG H B， YANG Q M， et al. Estimation of robot motion state based on improved Gaussian mixture model［J］. Acta Automatica Sinica， 2022， 48（8）： 1972-1983 （in Chinese）.
11	ROONIZI A K. Kalman filtering in non-Gaussian model errors： A new perspective［J］. IEEE Signal Processing Magazine， 2022， 39（3）： 105-114.
12	李伟. 鲁棒自适应滤波算法及在飞行器技术中的应用研究［D］. 上海：上海交通大学， 2014： 6-19.
	LI W. Research on robust adaptive filter algorithms and their applications to flight vehicle technology［D］. Shanghai： Shanghai Jiao Tong University， 2014： 6-19 （in Chinese）.
13	PSIAKI M L， Modeling MOHIUDDIN S.， analysis， and simulation of GPS carrier phase for spacecraft relative navigation［J］. Journal of Guidance， Control， and Dynamics， 2007， 30（6）： 1628-1639.
14	张晓，张伟，方宝东. 基于测角测距信息火星环绕器导航方法［J］. 计算机仿真， 2020， 37（3）： 42-46.
	ZHANG X， ZHANG W， FANG B D. Navigation algorithm for the Mars orbiter via angle and range measurement information［J］. Computer Simulation， 2020， 37（3）： 42-46 （in Chinese）.
15	侯博文. SINS/CNS深组合导航方案及高性能导航滤波方法研究［D］. 长沙：国防科技大学， 2018： 23-64.
	HOU B W. Research on SINS/CNS deeply integrated navigation system and high-performance navigation filtering method［D］. Changsha： National University of Defense Technology， 2018： 23-64 （in Chinese）.
16	OSHMAN Y， CARMI A. Attitude estimation from vector observations using a genetic-algorithm-embedded quaternion particle filter［J］. Journal of Guidance， Control， and Dynamics， 2006， 29（4）： 879-891.
17	魏远明，王孟磊，耿云海，等. 航天器快速轨道机动过程中时变转动惯量实时辨识［J］. 空间控制技术与应用， 2022， 48（3）： 93-101.
	WEI Y M， WANG M L， GENG Y H， et al. Real-time identification of the time-varying moment of inertia for spacecraft during fast orbit maneuver［J］. Aerospace Control and Application， 2022， 48（3）： 93-101 （in Chinese）.
18	SUN Y， BABU P， PALOMAR D P. Majorization-minimization algorithms in signal processing， communications， and machine learning［J］. IEEE Transactions on Signal Processing， 2017， 65（3）： 794-816.
19	朱东方，王卫华，宋婷，等. 复杂挠性航天器转动惯量在线辨识算法研究［J］. 上海航天， 2015， 32（5）： 1-8.
	ZHU D F， WANG W H， SONG T， et al. On-line identification of flexible spacecraft moment of inertia［J］. Aerospace Shanghai， 2015， 32（5）： 1-8 （in Chinese）.
20	CRUZ-ZAVALA E， MORENO J A. Homogeneous high order sliding mode design： A Lyapunov approach［J］. Automatica， 2017， 80： 232-238.
21	丁锋. 系统辨识（3）：辨识精度与辨识基本问题［J］. 南京信息工程大学学报（自然科学版）， 2011， 3（3）： 193-226.
	DING F. System identification.Part C： Identification accuracy and basic problems［J］. Journal of Nanjing University of Information Science & Technology （Natural Science Edition）， 2011， 3（3）： 193-226 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	张鸿林, 罗建军, 马卫华. 基于机器学习的航天器规避目标威胁博弈决策[J]. 航空学报, 2024, 45(8): 329136-329136.
[2]	张瑞桐, 汪雷, 刘佳佳, 朱继宏. 考虑接头参数化的空间桁架轻量化设计[J]. 航空学报, 2024, 45(5): 529715-529715.
[3]	张赛, 杨震, 杜向南, 罗亚中. 基于轨道可达域的机动航天器接近威胁规避方法[J]. 航空学报, 2024, 45(4): 328778-328778.
[4]	宁铠, 吴宝林. 基于事件驱动的航天器星下点轨迹维持控制[J]. 航空学报, 2024, 45(10): 329412-329412.
[5]	刘明, 范睿超, 邱实, 曹喜滨. 基于全驱系统理论的航天器姿轨预设性能控制[J]. 航空学报, 2024, 45(1): 628313-628313.
[6]	崔凯鑫, 段广仁. 基于干扰观测器的一类组合航天器高阶全驱抗干扰控制[J]. 航空学报, 2024, 45(1): 628892-628892.
[7]	段超, 邵小东, 胡庆雷, 吴淮宁. 基于横截函数的欠驱动航天器姿态跟踪方法[J]. 航空学报, 2024, 45(1): 628910-628910.
[8]	张大蔚, 刘国平. 时变通信约束下航天器绕飞的高阶全驱预测控制方法[J]. 航空学报, 2024, 45(1): 628633-628633.
[9]	方乐言, 蒙晗, 侯明哲. 带有参数精确估计的迭代学习滑模控制及应用[J]. 航空学报, 2024, 45(1): 628889-628889.
[10]	段广全, 刘国平. 基于全驱系统方法的组合航天器位姿自适应预设性能控制[J]. 航空学报, 2024, 45(1): 628837-628837.
[11]	肖冰, 张海朝. 航天器姿态稳定强化学习鲁棒最优控制方法[J]. 航空学报, 2024, 45(1): 628890-628890.
[12]	马悦萌, 刘明, 杨丁, 杨明, 张敏刚, 葛亚杰. 热约束下近空间飞行器预设性能抗噪控制[J]. 航空学报, 2023, 44(S2): 729390-729390.
[13]	屠园园, 王大轶, 张香燕, 李嘉兴, 黄晓峰. 航天器的可重构性与自主重构方法[J]. 航空学报, 2023, 44(23): 628855-628855.
[14]	许闯, 吴宝林. 输入饱和下多航天器分布式固定时间输出反馈姿态协同控制[J]. 航空学报, 2023, 44(10): 327465-327465.
[15]	刘培栋, 焦博涵, 党朝辉. 面向空间引力波探测的多边形编队设计方法[J]. 航空学报, 2022, 43(S1): 726907-726907.

基于l₁-TSXKF的航天器姿控系统状态偏差估计

State and bias estimation of spacecraft attitude control system based on l₁-TSXKF

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 21

相关文章 15

编辑推荐

Metrics

本文评价