PI-RNN增强的大尺度挠性空间结构模型预测姿态稳定控制

doi:10.7527/S1000-6893.2025.32734

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

PI-RNN增强的大尺度挠性空间结构模型预测姿态稳定控制

吕国梁¹, 边志强², 郭延宁¹, 王鹏宇¹()

^1.哈尔滨工业大学航天学院，哈尔滨 150001
^2.南京航空航天大学航天学院，南京 211106 3．上海卫星工程研究所，上海 201109

收稿日期:2025-08-31 修回日期:2025-09-24 接受日期:2025-10-28 出版日期:2025-11-10 发布日期:2025-11-07
通讯作者: 王鹏宇 E-mail:wangpy@hit.edu.cn
基金资助:
国家自然科学基金(U23B6001);国家自然科学基金(473110);空间智能控制技术全国重点实验室基金(HTKJ2025KL502014);国家重点研发计划(2023YFB3905301)

Physics-informed recurrent neural network enhanced model predictive control for large-scale flexible space structure attitude stabilization

Guoliang LYU¹, Zhiqiang BIAN², Yanning GUO¹, Pengyu WANG¹()

^1.School of Astronautics，Harbin Institute of Technology，Harbin 150001，China
^2.College of Astronautics，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China
^3.Shanghai Institute of Satellite Engineering，Shanghai 201109，China

Received:2025-08-31 Revised:2025-09-24 Accepted:2025-10-28 Online:2025-11-10 Published:2025-11-07
Contact: Pengyu WANG E-mail:wangpy@hit.edu.cn
Supported by:
National Natural Science Foundation of China(U23B6001);Foundation of the National Key Laboratory of Space Intelligent Control Technology(HTKJ2025KL502014);National Key Research and Development Program of China(2023YFB3905301)

摘要/Abstract

摘要：

针对大尺度挠性空间结构姿态镇定控制问题，充分考虑振动模型参数未知、刚挠耦合关系未知等因素，提出了一种基于物理信息循环神经网络的（PI-RNN）的新型模型预测姿态控制方法。首先，通过将大尺度挠性空间结构的先验物理振动方程嵌入循环神经网络（RNN），构建了挠性附件振动的预测模型，实现了对大尺度空间结构振动模态的精准在线预测。而后，将所提出的PI-RNN振动预测模型与非线性模型预测控制（NMPC）相结合，克服了传统NMPC方法高度依赖精确系统动力学模型的问题，并基于Lyapunov理论分析了闭环控制系统的稳定性与可行性。与传统航天器姿态控制方法相比，所提方法在实现既定性能指标最优性的同时，还具备通过PI-RNN实时数据学习克服振动参数漂移问题的潜在能力。最后，数值仿真实验证明了所提方法的有效性和优越性。

关键词: 大尺度挠性空间结构, 姿态稳定控制, 物理信息神经网络, 振动模态预测, 非线性模型预测控制

Abstract:

A novel model predictive attitude control method based on a Physics-informed Recurrent Neural Network （PI-RNN） is proposed for the attitude stabilization control problem of large-scale flexible space structures， which fully considers factors such as unknown vibration model parameters and unknown rigid-flexible coupling relationships. First， a PI-RNN predictive model for vibrations of flexible appendages is developed by embedding the prior physical vibration dynamics of large-scale flexible space structures into a Recurrent Neural Network （RNN）， which facilitates accurate online prediction of the vibration modes of large-scale space structures. Then， the proposed PI-RNN predictive model is further integrated into a Nonlinear Model Predictive Control （NMPC） framework to overcome the problem that traditional NMPC methods are highly dependent on model accuracy. Moreover， the stability and feasibility of the closed-loop control system are analyzed based on Lyapunov theory. Compared with traditional spacecraft attitude control methods， the proposed approach not only achieves the optimality of predefined performance metrics but also exhibits the potential to overcome vibration parameter drift through real-time data learning via the PI-RNN. Finally， numerical simulations demonstrate the effectiveness and superiority of the proposed method.

Key words: large-scale flexible space structure, attitude stabilization control, physics-informed recurrent neural network, vibration mode prediction, nonlinear model predictive control

中图分类号:

V249.1

吕国梁, 边志强, 郭延宁, 王鹏宇. PI-RNN增强的大尺度挠性空间结构模型预测姿态稳定控制[J]. 航空学报, 2026, 47(15): 232734.

Guoliang LYU, Zhiqiang BIAN, Yanning GUO, Pengyu WANG. Physics-informed recurrent neural network enhanced model predictive control for large-scale flexible space structure attitude stabilization[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(15): 232734.

图/表 13

图 1

图 2

图 3

表 1

仿真参数

参数	取值
挠性空间结构转动惯量 $J$ /（ $k g ⋅ m 2$ ）	$d i a g [2 046,1 924,2 678]$
初始姿态四元数 $q (0)$	$[0.98,0.122, - 0.097,0.075] T$
初始角速度 $ω (0)$ /（ $r a d ⋅ s - 1$ ）	$[0.01, - 0.008,0.005] T$
振动模态初始值 $η (0)$	$[0.18, - 0.60,0.44,0.77, 0.7,0.50,0.35] T × 10 - 2$
控制力矩约束/（ $N ⋅ m$ ）	$- 20,20$
状态权重矩阵 $Q$	$10 I 4 0 0 25 I 3$
控制权重矩阵 $R$	$10 - 5 I 3$
终端代价权重矩阵 $P$	$5 Q$
采样时间 $d t$ / $s$	$0.1$
预测步长 $N$	$5$
仿真时间 $T$ / $s$	$100$

表 1

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

参考文献 32

[1]	张秀云，宗群，窦立谦，等. 柔性航天器振动主动抑制及姿态控制［J］. 航空学报， 2019， 40（4）： 322503.
	ZHANG X Y， ZONG Q， DOU L Q， et al. Active vibration suppression and attitude control for flexible spacecraft［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（4）： 322503 （in Chinese）
[2]	GOLESTANI M， ESMAEILZADEH M， MOBAYEN S. Constrained attitude control for flexible spacecraft： Attitude pointing accuracy and pointing stability improvement［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2023， 53（3）： 1566-1572.
[3]	ZHU Y K， BAO Z Y， TENG H， et al. Disturbance separation-based enhanced antidisturbance attitude control for flexible spacecrafts with composite disturbances［J］. IEEE Transactions on Industrial Electronics， 2024， 71（10）： 13146-13156.
[4]	QI N M， YUAN Q F， LIU Y F， et al. Consensus vibration control for large flexible structures of spacecraft with modified positive position feedback control［J］. IEEE Transactions on Control Systems Technology， 2019， 27（4）： 1712-1719.
[5]	GRÜNE L， PANNEK J. Nonlinear model predictive control［M］∥ Nonlinear Model Predictive Control. Cham： Springer International Publishing， 2016： 45-69.
[6]	KHODAVERDIAN M， MALEKZADEH M. Fault-tolerant model predictive sliding mode control with fixed-time attitude stabilization and vibration suppression of flexible spacecraft［J］. Aerospace Science and Technology， 2023， 139： 108381.
[7]	管萍，吴希岩，戈新生，等. 大型挠性航天器的鲁棒模型预测姿态控制［J］. 宇航学报， 2022， 43（4）： 476-485.
	GUAN P， WU X Y， GE X S， et al. Robust model predictive attitude control of large flexible spacecraft［J］. Journal of Astronautics， 2022， 43（4）： 476-485 （in Chinese）.
[8]	IANNELLI P， ANGELETTI F， GASBARRI P. A model predictive control for attitude stabilization and spin control of a spacecraft with a flexible rotating payload［J］. Acta Astronautica， 2022， 199： 401-411.
[9]	MAYNE D Q. Model predictive control： Recent developments and future promise［J］. Automatica， 2014， 50（12）： 2967-2986.
[10]	JUNKINS J L， KIM Y. Introduction to dynamics and control of flexible structures［M］. Washington， D. C.： AIAA， 1993.
[11]	LIU Y H， MA G F， LYU Y Y， et al. Neural network-based reinforcement learning control for combined spacecraft attitude tracking maneuvers［J］. Neurocomputing， 2022， 484： 67-78.
[12]	LIU Y H， WANG P Y， LEE C H， et al. Attitude takeover control for noncooperative space targets based on Gaussian processes with online model learning［J］. IEEE Transactions on Aerospace and Electronic Systems， 2024， 60（3）： 3050-3066.
[13]	KARNIADAKIS G E， KEVREKIDIS I G， LU L， et al. Physics-informed machine learning［J］. Nature Reviews Physics， 2021， 3（6）： 422-440.
[14]	RAISSI M， PERDIKARIS P， KARNIADAKIS G E. Physics-informed neural networks： A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations［J］. Journal of Computational Physics， 2019， 378： 686-707.
[15]	李怀璐，王旭，王霄，等. 大迎角机动飞行的气动力建模与飞行仿真［J］. 航空学报， 2023， 44（19）： 128410.
	LI H L， WANG X， WANG X， et al. Aerodynamic modeling and flight simulation of maneuver flight at high angle of attack［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（19）： 128410 （in Chinese）.
[16]	杨智春，杨特. 动载荷识别物理嵌入式神经网络模型与方法［J］. 航空学报， 2025， 46（5）： 531450.
	YANG Z C， YANG T. Physical embedded neural network model and method for dynamic load identification［J］. Acta Aeronautica et Astronautica Sinica， 2025， 46（5）： 531450 （in Chinese）.
[17]	LUO D， CAI Z Q， JIANG D， et al. Research on parameter identification method for robotic manipulators joint friction model based on PINN［C］∥ 2024 IEEE International Conference on Advanced Intelligent Mechatronics （AIM）. Piscataway： IEEE Press， 2024： 948-953.
[18]	DAW A， THOMAS R Q， CAREY C C， et al. Physics-guided architecture （PGA） of neural networks for quantifying uncertainty in lake temperature modeling［M］∥ Proceedings of the 2020 SIAM International Conference on Data Mining. Philadelphia： Society for Industrial and Applied Mathematics， 2020： 532-540.
[19]	DE GIULI L B， LA BELLA A， SCATTOLINI R. Physics-informed neural network modeling and predictive control of district heating systems［J］. IEEE Transactions on Control Systems Technology， 2024， 32（4）： 1182-1195.
[20]	SÖYLEYICI C， ÜNVER H Ö. A Physics-informed deep neural network based beam vibration framework for simulation and parameter identification［J］. Engineering Applications of Artificial Intelligence， 2025， 141： 109804.
[21]	HEWAMALAGE H， BERGMEIR C， BANDARA K. Recurrent neural networks for time series forecasting： Current status and future directions［J］. International Journal of Forecasting， 2021， 37（1）： 388-427.
[22]	LIPTON Z C， BERKOWITZ J， ELKAN C. A critical review of recurrent neural networks for sequence learning［DB/OL］. arXiv preprint： 1506.00019，2015.
[23]	SEEL K， GRØTLI E I， MOE S， et al. Neural network-based model predictive control with input-to-state stability［C］∥ 2021 American Control Conference （ACC）. Piscataway： IEEE Press， 2021： 3556-3563.
[24]	JIANG C J， SONG F G. Sunspot forecasting by using chaotic time-series analysis and NARX network［J］. Journal of Computers， 2011， 6（7）： 1424-1429.
[25]	MENEZES J M P， BARRETO G A. Long-term time series prediction with the NARX network： An empirical evaluation［J］. Neurocomputing， 2008， 71（16-18）： 3335-3343.
[26]	马广富，朱庆华，王鹏宇，等. 基于终端滑模的航天器自适应预设性能姿态跟踪控制［J］. 航空学报， 2018， 39（6）： 321763.
	MA G F， ZHU Q H， WANG P Y， et al. Adaptive prescribed performance attitude tracking control for spacecraft via terminal sliding-mode technique［J］. Acta Aeronautica et Astronautica Sinica， 2018， 39（6）： 321763 （in Chinese）.
[27]	肖冰，胡庆雷，霍星，等. 执行器故障的挠性航天器姿态滑模容错控制［J］. 航空学报， 2011， 32（10）： 1869-1878.
	XIAO B， HU Q L， HUO X， et al. Sliding mode fault tolerant attitude control for flexible spacecraft under actuator fault［J］. Acta Aeronautica et Astronautica Sinica， 2011， 32（10）： 1869-1878 （in Chinese）.
[28]	RAWLINGS J B， MAYNE D Q， DIEHL M. Model predictive control： Theory， computation， and design［M］. Santa Barbara： Nob Hill Publishing， LLC， 2017.
[29]	AGRACHEV A A， MORSE A S， SONTAG E D， et al. Nonlinear and optimal control theory［M］. Berlin， Heidelberg： Springer， 2008.
[30]	YANG T， SUN N， CHEN H， et al. Neural network-based adaptive antiswing control of an underactuated ship-mounted crane with roll motions and input dead zones［J］. IEEE Transactions on Neural Networks and Learning Systems， 31（3）， 901-914.
[31]	SHI G Y， SHI X C， O’CONNELL M， et al. Neural lander： Stable drone landing control using learned dynamics［C］∥ 2019 International Conference on Robotics and Automation （ICRA）. Piscataway： IEEE Press， 2019： 9784-9790.
[32]	HU Y B， GENG Y H， WU B L. Flexible spacecraft vibration suppression by distributed actuators［J］. Journal of Guidance， Control， and Dynamics， 2020， 43（11）： 2141-2147.

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

PI-RNN增强的大尺度挠性空间结构模型预测姿态稳定控制

Physics-informed recurrent neural network enhanced model predictive control for large-scale flexible space structure attitude stabilization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 32

相关文章 6

编辑推荐

Metrics

本文评价

[1]	刘月, 任翰韬, 薛小锋, 宋祉岑, 路成, 冯蕴雯. 基于MCI-PINN的复合材料螺栓连接结构挤压强度预测[J]. 航空学报, 2026, 47(5): 232422-232422.
[2]	张玉刚, 杨哲, 何森朋, 杨文青. 基于物理信息神经网络的飞机姿态预测模型[J]. 航空学报, 2025, 46(19): 531850-531850.
[3]	王子安, 龚正, 陈永亮, 史志伟, 徐锦法. 混合动力复合翼应急迫降在线航迹规划与制导[J]. 航空学报, 2019, 40(10): 323105-323105.
[4]	王超, 张胜修, 郑建飞, 张超. 基于气动特性辨识的飞行器抗饱和自适应控制[J]. 航空学报, 2013, 34(12): 2645-2657.
[5]	王健康, 张海波, 黄向华, 陆波. 基于直升机/涡轴发动机综合仿真平台的发动机非线性模型预测控制[J]. 航空学报, 2012, (3): 402-411.
[6]	姚文荣;孙健国. 涡轴发动机非线性模型预测控制[J]. 航空学报, 2008, 29(4): 776-780.