本發(fā)明涉及航天器故障診斷，尤其是涉及一種衛(wèi)星acss故障估計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器設(shè)計(jì)方法。

背景技術(shù)：

1、衛(wèi)星姿態(tài)控制系統(tǒng)(attitude?control?systemsacss)是衛(wèi)星的重要子系統(tǒng)。衛(wèi)星工作于高真空、多輻射、極溫等極端環(huán)境，容易導(dǎo)致acss的關(guān)鍵部件發(fā)生故障，且故障發(fā)生后難以立即修復(fù)。因此，當(dāng)衛(wèi)星發(fā)生故障時(shí)，及時(shí)準(zhǔn)確地實(shí)現(xiàn)故障診斷具有重大國(guó)防、經(jīng)濟(jì)價(jià)值。進(jìn)一步，由于特殊工作環(huán)境導(dǎo)致的不確定性、外部擾動(dòng)、測(cè)量噪聲等復(fù)雜約束條件增加了acss的執(zhí)行器、傳感器并發(fā)故障診斷難度。結(jié)合智能方法和現(xiàn)代故障診斷技術(shù)，進(jìn)一步提高復(fù)雜約束條件下acss并發(fā)故障的診斷精度，特別是并發(fā)故障估計(jì)精度，具有重要的意義。

2、目前，基于殘差評(píng)價(jià)函數(shù)的自適應(yīng)觀測(cè)器、基于在線分配控制的迭代學(xué)習(xí)觀測(cè)器、模糊擾動(dòng)觀測(cè)器等已用于acss的執(zhí)行器故障和外部擾動(dòng)估計(jì)。模糊擾動(dòng)觀測(cè)器已和自適應(yīng)滑?？刂破飨嘟Y(jié)合，實(shí)現(xiàn)了具有執(zhí)行器故障的acss容錯(cuò)控制。有限時(shí)間積分滑模擾動(dòng)觀測(cè)器已結(jié)合反步狀態(tài)變量和虛擬控制器，用于估計(jì)acss的模型不確定性。考慮到神經(jīng)網(wǎng)絡(luò)在逼近非線性方面能力較強(qiáng)，神經(jīng)自適應(yīng)故障估計(jì)方法已在acss中得到應(yīng)用。結(jié)合rbf神經(jīng)網(wǎng)絡(luò)與t-s模糊模型的模糊神經(jīng)自適應(yīng)觀測(cè)器已被用于執(zhí)行器故障估計(jì)。利用rbf神經(jīng)網(wǎng)絡(luò)估計(jì)不確定性，基于擾動(dòng)觀測(cè)器和故障估計(jì)器的神經(jīng)自適應(yīng)滑?？刂撇呗砸延糜趽闲孕l(wèi)星方法的容錯(cuò)控制?；谇斜妊┓蛏窠?jīng)網(wǎng)絡(luò)的神經(jīng)自適應(yīng)滑模觀測(cè)器已用于估計(jì)多執(zhí)行器故障、不確定性和外部擾動(dòng)。但是，若發(fā)生執(zhí)行器、傳感器并發(fā)故障，基于狀態(tài)空間系統(tǒng)進(jìn)行建?？赡軐?dǎo)致模型誤差。

3、視執(zhí)行器和傳感器并發(fā)故障為附加系統(tǒng)變量，可將衛(wèi)星acss建模為描述系統(tǒng)，從而實(shí)現(xiàn)基于描述系統(tǒng)的并發(fā)故障估計(jì)。描述系統(tǒng)已與自適應(yīng)滑模觀測(cè)器結(jié)合，實(shí)現(xiàn)了acss系統(tǒng)執(zhí)行器故障上界的精準(zhǔn)估計(jì)?；诿枋鱿到y(tǒng)的魯棒滑模觀測(cè)器和自適應(yīng)滑模控制器已用于acss系統(tǒng)的故障估計(jì)和容錯(cuò)控制。進(jìn)一步，基于rbf神經(jīng)網(wǎng)絡(luò)，針對(duì)模糊描述系統(tǒng)的神經(jīng)自適應(yīng)滑模故障估計(jì)方法已被提出。此外，改進(jìn)的鯨魚優(yōu)化算法、改進(jìn)的矮貓鼬算法等群體智能優(yōu)化算法已用于優(yōu)化神經(jīng)網(wǎng)絡(luò)性能，以進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)估計(jì)精度，從而提高了基于描述系統(tǒng)的acss并發(fā)故障估計(jì)精度。

4、盡管如此，基于描述系統(tǒng)的acss故障估計(jì)，特別是基于描述系統(tǒng)的acss故障估計(jì)神經(jīng)自適應(yīng)滑模觀測(cè)器設(shè)計(jì)仍有不足。首先，限于描述系統(tǒng)的奇異結(jié)構(gòu)，其神經(jīng)自適應(yīng)滑模觀測(cè)器的設(shè)計(jì)容易導(dǎo)致動(dòng)態(tài)誤差項(xiàng)存在奇異項(xiàng)，從而導(dǎo)致求解觀測(cè)器增益時(shí)存在困難。其次，盡管模糊方法已用于改進(jìn)rbf神經(jīng)網(wǎng)絡(luò)，提高了網(wǎng)絡(luò)性能，但限于rbf神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，仍需改進(jìn)其它神經(jīng)網(wǎng)絡(luò)模型，以進(jìn)一步提高基于神經(jīng)自適應(yīng)滑模觀測(cè)器的故障估計(jì)性能。最后，現(xiàn)有的群體智能優(yōu)化算法在收斂速度、尋優(yōu)精度、跳出局部最優(yōu)等方面普遍存在不足，導(dǎo)致現(xiàn)有群體智能優(yōu)化算法對(duì)神經(jīng)網(wǎng)絡(luò)性能的提升較為有限。

5、因此，本發(fā)明考慮衛(wèi)星acss并發(fā)的執(zhí)行器和傳感器故障及不確定性、外部擾動(dòng)、測(cè)量噪聲等約束條件，對(duì)姿態(tài)控制系統(tǒng)進(jìn)行等價(jià)變換；將執(zhí)行器故障、傳感器故障和測(cè)量噪聲增廣變量視為acss的附加狀態(tài)變量，建立連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)；在超基函數(shù)神經(jīng)網(wǎng)絡(luò)(hbfnn)中添加模糊化層和模糊推理層，得到模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)(fhbfnn)；設(shè)計(jì)基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑模觀測(cè)器(ihbfnn-asmo)，包括設(shè)計(jì)描述系統(tǒng)狀態(tài)估計(jì)項(xiàng)、基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)；不確定性估計(jì)項(xiàng)中的改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)和網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)改進(jìn)方式為：通過(guò)引入改進(jìn)的圓混沌映射得到改進(jìn)的黑翅鳶算法(ibka)，然后利用ibka動(dòng)態(tài)尋優(yōu)模糊神經(jīng)網(wǎng)絡(luò)的基函數(shù)、網(wǎng)絡(luò)權(quán)值估計(jì)更新律、網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律，以提高神經(jīng)網(wǎng)絡(luò)對(duì)非線性不確定性的逼近能力。利用線性矩陣不等式求解觀測(cè)器增益矩陣，采用提出的神經(jīng)自適應(yīng)滑模觀測(cè)器實(shí)現(xiàn)更優(yōu)的不確定性估計(jì)、并發(fā)故障估計(jì)和衛(wèi)星狀態(tài)(三軸角度和角速度)估計(jì)，具有重要研究意義。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種衛(wèi)星acss故障估計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器設(shè)計(jì)方法，實(shí)現(xiàn)了衛(wèi)星姿態(tài)控制系統(tǒng)的高精度故障估計(jì)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種衛(wèi)星acss故障估計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器設(shè)計(jì)方法，包括以下步驟：

3、s1、考慮并發(fā)的執(zhí)行器、傳感器故障及不確定性、外部擾動(dòng)和測(cè)量噪聲，對(duì)衛(wèi)星姿態(tài)控制系統(tǒng)進(jìn)行等價(jià)變換；將執(zhí)行器故障、傳感器故障和測(cè)量噪聲增廣變量視為衛(wèi)星姿態(tài)控制系統(tǒng)的附加狀態(tài)變量，建立連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)；

4、s2、針對(duì)建立的受限等價(jià)不確定描述系統(tǒng)，在超基函數(shù)神經(jīng)網(wǎng)絡(luò)中添加模糊化層和模糊推理層，得到模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)，以得到不確定性的模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)表達(dá)式；

5、設(shè)計(jì)具有描述系統(tǒng)狀態(tài)估計(jì)項(xiàng)、基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)的神經(jīng)自適應(yīng)滑模觀測(cè)器；

6、設(shè)計(jì)基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)中的改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)和網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)；

7、改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)和網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)具體改進(jìn)方式為：利用改進(jìn)的圓混沌映射方法改進(jìn)黑翅鳶算法，然后利用改進(jìn)黑翅鳶算法動(dòng)態(tài)尋優(yōu)模糊神經(jīng)網(wǎng)絡(luò)的基函數(shù)、網(wǎng)絡(luò)權(quán)值估計(jì)更新律、網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律；

8、s3、利用矩陣自由度公式和線性矩陣不等式求解觀測(cè)器增益矩陣和魯棒參數(shù)，則求解得到的觀測(cè)器增益矩陣；

9、s4、給出神經(jīng)自適應(yīng)滑?；Ｓ^測(cè)器的可達(dá)性不等式；

10、s5、基于設(shè)計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器，執(zhí)行描述系統(tǒng)狀態(tài)估計(jì)和不確定性估計(jì)，完成執(zhí)行器和傳感器并發(fā)故障估計(jì)、衛(wèi)星姿態(tài)角估計(jì)、衛(wèi)星姿態(tài)角速度估計(jì)。

11、優(yōu)選的，步驟s1中，所述衛(wèi)星姿態(tài)控制系統(tǒng)的模型為：

12、

13、其中，代表η(t)的導(dǎo)數(shù)，時(shí)變標(biāo)量t代表時(shí)間，η(t)、u(t)、h(t)分別為：衛(wèi)星的三軸角度和三軸角速度、控制輸入、測(cè)量輸出；fa(t)、fs(t)分別為執(zhí)行器故障、傳感器故障；w(t)、v(t)分別為外部擾動(dòng)、測(cè)量噪聲；q維的f(t)為不確定性且具有未知非線性特性；ψ、bu、h、φ、λ、ff、fd、fv均為常數(shù)矩陣：ψ、bu分別為η(t)、u(t)的系數(shù)矩陣，h為η(t)的測(cè)量輸出矩陣；φ、λ、ff、fd、fv分別為fa(t)、fs(t)、f(t)、w(t)、v(t)的分布矩陣；由衛(wèi)星姿態(tài)控制系統(tǒng)結(jié)構(gòu)可知，ψ、h滿秩；φ、λ均為列滿秩矩陣，且rank(ff)＝q，rank()代表矩陣的秩；

14、對(duì)所述衛(wèi)星姿態(tài)控制系統(tǒng)的模型進(jìn)行等價(jià)變換，令：

15、

16、其中，狀態(tài)變換矩陣t1和輸出變換矩陣t2均為滿秩矩陣，則得到所述衛(wèi)星姿態(tài)控制系統(tǒng)的等價(jià)變換系統(tǒng)模型：

17、

18、其中，和分別為等價(jià)變換系統(tǒng)的狀態(tài)變量和測(cè)量輸出變量，x1(t)為x(t)中的q維子變量，x2(t)為x(t)中的其余子變量，y1(t)為y(t)中的q維子變量，y2(t)為y(t)中的其余子變量；a、b、fa、f、fw、c、fs、d分別為ψ、bu、φ、ff、fd、h、λ、fv的等價(jià)變換矩陣，且滿足：

19、

20、

21、其中，a11、a12、a21、a22分別代表矩陣a分塊后，矩陣中的第1×1個(gè)矩陣塊、第1×2個(gè)矩陣塊、第2×1個(gè)矩陣塊、第2×2個(gè)矩陣塊；b11、b21分別代表矩陣b分塊后，矩陣中的第1×1個(gè)矩陣塊、第2×1個(gè)矩陣塊；分別代表矩陣fa分塊后，矩陣中的第1×1個(gè)矩陣塊、第2×1個(gè)矩陣塊；f11代表矩陣f分塊后，矩陣中的第1×1個(gè)矩陣塊；和代表矩陣fw分塊后，矩陣中的第1×1個(gè)矩陣塊、第2×1個(gè)矩陣塊；c11和c22代表矩陣c分塊后，矩陣中的第1×1個(gè)矩陣塊、第2×2個(gè)矩陣塊；fs21代表矩陣fs分塊后，矩陣中的第2×1個(gè)矩陣塊；d21代表矩陣d分塊后，矩陣中的第2×1個(gè)矩陣塊；0代表各矩陣分塊后，矩陣塊中的元素為0；由矩陣變換性質(zhì)知，a、c滿秩；fa、fs列滿秩、rank(f)＝q。

22、優(yōu)選的，步驟s1中，對(duì)于所述衛(wèi)星姿態(tài)控制系統(tǒng)的等價(jià)變換系統(tǒng)，令：

23、

24、其中，ya(t)為參考輸出，滿秩矩陣ca為執(zhí)行器故障fa(t)的參考輸出矩陣；ds＝[fs21?d21]；

25、令：則得到連續(xù)時(shí)間不確定描述系統(tǒng)：

26、

27、其中，奇異矩陣e滿足e＝diag(i,i,0,0)，diag()代表對(duì)角陣，i代表單位矩陣；x(t)和y(t)分別代表連續(xù)時(shí)間不確定描述系統(tǒng)的狀態(tài)變量和測(cè)量輸出，其它系數(shù)矩陣的形式為：

28、

29、對(duì)所述連續(xù)時(shí)間不確定描述系統(tǒng)進(jìn)行受限等價(jià)變換，則得到連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)：

30、

31、其中，受限等價(jià)變換矩陣γ非奇異，θ(t)＝γx(t)為所述連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)的狀態(tài)變量；同時(shí)，θ(t)表示為θ1(t)為θ(t)中的q維子變量，θ2(t)為θ(t)中的其余子變量；

32、所述連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)滿足嚴(yán)格正實(shí)條件：

33、

34、優(yōu)選的，步驟s2中，針對(duì)所述連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)，其不確定性的模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)表達(dá)式為：

35、f(t)＝wξ(t)+ε(t)；

36、其中，模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)由超基函數(shù)神經(jīng)網(wǎng)絡(luò)中添加模糊推理層和模糊化層而得到；ξ(t)代表模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的基函數(shù)，w代表模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的權(quán)值，ε(t)代表網(wǎng)絡(luò)重構(gòu)誤差；||ε(t)||≤dε，||ε(t)||代表ε(t)的模，正標(biāo)量dε為重構(gòu)誤差上界；

37、針對(duì)所述連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)，設(shè)計(jì)神經(jīng)自適應(yīng)滑模觀測(cè)器：

38、

39、其中，z(t)為中間變量，為描述系統(tǒng)狀態(tài)估計(jì)項(xiàng)，用以估計(jì)θ(t)，中的q維子變量用以估計(jì)θ1(t)，中的其余子變量用以估計(jì)θ2(t)；為基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)，用以估計(jì)不確定性f(t)；為改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)，τs(t)為網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)；l0為選取的滿秩矩陣；gz和gy為待設(shè)計(jì)增益矩陣。

40、優(yōu)選的，步驟s2中，所述神經(jīng)自適應(yīng)滑模觀測(cè)器，針對(duì)其基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)，設(shè)計(jì)改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)、網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)τs(t)：

41、

42、其中，為模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)權(quán)值w的估計(jì)值；τs(t)用以補(bǔ)償網(wǎng)絡(luò)重構(gòu)誤差ε(t)，用以估計(jì)重構(gòu)誤差上界dε，s(t)代表設(shè)計(jì)的滑模面，sgn()代表signum函數(shù)；

43、定義誤差動(dòng)態(tài)代表e(t)中的前q維子誤差動(dòng)態(tài)，代表e(t)中的其余子誤差動(dòng)態(tài)，則設(shè)計(jì)的滑模面為：

44、

45、其中，p1為對(duì)稱正定矩陣。

46、優(yōu)選的，步驟s2中，所述改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)和網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)具體改進(jìn)方式為：利用改進(jìn)的圓混沌映射方法改進(jìn)黑翅鳶算法，然后利用改進(jìn)黑翅鳶算法動(dòng)態(tài)尋優(yōu)模糊神經(jīng)網(wǎng)絡(luò)的基函數(shù)，網(wǎng)絡(luò)權(quán)值估計(jì)更新律和網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律，具體步驟為：

47、s21、生成初始種群：利用模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的基函數(shù)ξ(t)、網(wǎng)絡(luò)權(quán)值估計(jì)更新律的自適應(yīng)參數(shù)ρ(t)、網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律的自適應(yīng)參數(shù)α(t)共同組成黑翅鳶初始種群；

48、s22、執(zhí)行改進(jìn)黑翅鳶算法，具體包括以下步驟：

49、s221、黑翅鳶種群初始化：

50、針對(duì)由ξ(t)、ρ(t)、α(t)組成的黑翅鳶初始種群，通過(guò)改進(jìn)的圓混沌映射對(duì)初始種群進(jìn)行均勻分布，改進(jìn)的圓混沌映射方程為：

51、xi+1＝mod(3.88xi+0.42-(0.7/3.88π)sin(3.88πxi),1)；

52、其中，xi為上一時(shí)刻的種群，xi+1為下一時(shí)刻的種群，mod()表示求余函數(shù)，用于得到兩數(shù)相除的余數(shù)；

53、選取適應(yīng)度值最小的個(gè)體作為黑翅鳶種群的領(lǐng)導(dǎo)者，采用適應(yīng)度函數(shù)：

54、

55、其中，fit(t)為適應(yīng)度函數(shù)；

56、s222、黑翅鳶攻擊行為：

57、

58、其中，k為當(dāng)前已完成的迭代次數(shù)；分別為第i只黑翅鳶在第j維第k次迭代時(shí)完成攻擊行為之前、之后的位置；p為常數(shù)，隨機(jī)數(shù)rand1∈[0,1]；exp()代表自然數(shù)e的指數(shù)，kz為給定的總迭代次數(shù)；

59、s223、黑翅鳶遷徙行為：

60、

61、其中，表示第i只黑翅鳶在第j維進(jìn)行第k+1次迭代時(shí)的位置，表示到第k次迭代為止的第j維黑翅鳶的領(lǐng)導(dǎo)者；ui表示第i只黑翅鳶在第k次迭代中獲得的第j維當(dāng)前位置；uri表示第k次迭代中第i只黑翅鳶在第j維隨機(jī)位置的適應(yīng)度值；隨機(jī)數(shù)rand2∈[0,1]；ch(0,1)代表柯西變異，即ch(0,1)＝1/(πx2+π)；

62、s23、根據(jù)改進(jìn)黑翅鳶算法迭代尋優(yōu)的最終結(jié)果，得到最優(yōu)的模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的基函數(shù)ξ(t)、網(wǎng)絡(luò)權(quán)值估計(jì)更新律的動(dòng)態(tài)自適應(yīng)參數(shù)ρ(t)、網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律的動(dòng)態(tài)自適應(yīng)參數(shù)α(t)；

63、其中，網(wǎng)絡(luò)權(quán)值估計(jì)更新律和網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律的計(jì)算方式為：

64、

65、其中，||s(t)||代表s(t)的模，α(t)＞1。

66、優(yōu)選的，步驟s3中，利用矩陣自由度公式和線性矩陣不等式求解觀測(cè)器增益矩陣和魯棒參數(shù)，具體步驟為：

67、s31、利用以下矩陣自由度公式求解待設(shè)計(jì)矩陣q1、q2、z1、z2：

68、

69、其中，表示偽逆；

70、s32、得到q1、q2、z1、z2后，利用以下線性矩陣不等式求解待設(shè)計(jì)矩陣k，魯棒參數(shù)γ1、γ2、γ3：

71、

72、其中，p為對(duì)稱正定矩陣，γ1、γ2、γ3為正標(biāo)量；

73、s33、求解觀測(cè)器增益矩陣：利用求解得到的q1、q2、z1、z2、k，根據(jù)以下公式計(jì)算觀測(cè)器增益矩陣gz和gy：

74、

75、上述方式求解得到的觀測(cè)器增益矩陣gz和gy保證誤差動(dòng)態(tài)e(t)漸近穩(wěn)定，且保證e(t)對(duì)于外部擾動(dòng)w(t)、執(zhí)行器故障fa(t)、傳感器故障和測(cè)量噪聲增廣變量δ(t)具有魯棒性，即：

76、

77、其中，分別代表e(t)、w(t)、fa(t)、δ(t)的2范數(shù)的平方。

78、優(yōu)選的，步驟s4中，所述神經(jīng)自適應(yīng)滑模觀測(cè)器的可達(dá)性由以下不等式保證：

79、

80、其中，分別代表的模；代表增益矩陣gz的前q行分塊后，矩陣中的第1×1個(gè)矩陣塊；代表對(duì)增益矩陣gz的前q行分塊后，矩陣中的第1×2個(gè)矩陣塊；標(biāo)量κ0＞0。

81、優(yōu)選的，步驟s5中，計(jì)算連續(xù)時(shí)間受限等價(jià)描述系統(tǒng)中，描述系統(tǒng)的狀態(tài)估計(jì)值和不確定性的估計(jì)值

82、由計(jì)算執(zhí)行器故障估計(jì)值、傳感器故障和測(cè)量噪聲聯(lián)合估計(jì)值衛(wèi)星姿態(tài)角和姿態(tài)角速度估計(jì)值

83、由計(jì)算傳感器估計(jì)值

84、優(yōu)選的，基于步驟s5，得到所設(shè)計(jì)觀測(cè)器的估計(jì)結(jié)果包括衛(wèi)星姿態(tài)角估計(jì)曲線、衛(wèi)星姿態(tài)角速度估計(jì)曲線、執(zhí)行器故障和傳感器并發(fā)故障估計(jì)曲線、不確定性估計(jì)曲線、基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的神經(jīng)自適應(yīng)滑模觀測(cè)器的適應(yīng)度函數(shù)迭代曲線，以及用于評(píng)價(jià)觀測(cè)器估計(jì)性能的指標(biāo)數(shù)據(jù)，所述指標(biāo)數(shù)據(jù)為絕對(duì)均值誤差。

85、因此，本發(fā)明采用上述一種衛(wèi)星acss故障估計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器設(shè)計(jì)方法，具有以下有益效果：

86、(1)本發(fā)明充分考慮并發(fā)的執(zhí)行器和傳感器故障及不確定性、外部擾動(dòng)、測(cè)量噪聲等約束條件，對(duì)姿態(tài)控制系統(tǒng)進(jìn)行等價(jià)變換；將執(zhí)行器故障、傳感器故障和測(cè)量噪聲增廣變量視為衛(wèi)星姿態(tài)控制系統(tǒng)的附加狀態(tài)變量，建立連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)，設(shè)計(jì)故障估計(jì)的神經(jīng)自適應(yīng)滑模觀測(cè)器，不僅解決了復(fù)雜約束條件下衛(wèi)星姿態(tài)控制系統(tǒng)的并發(fā)故障估計(jì)問(wèn)題，而且拓展了神經(jīng)自適應(yīng)滑模觀測(cè)器在描述系統(tǒng)中的應(yīng)用范圍。

87、(2)本發(fā)明針對(duì)建立的連續(xù)時(shí)間受限等價(jià)不確定描述系統(tǒng)，在超基函數(shù)神經(jīng)網(wǎng)絡(luò)中添加了模糊化層和模糊推理層，得到了模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)(fhbfnn)，從而得到了不確定性的更優(yōu)表達(dá)式。進(jìn)一步，設(shè)計(jì)了基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的神經(jīng)自適應(yīng)滑模觀測(cè)器(ihbfnn-asmo)，包括設(shè)計(jì)了描述系統(tǒng)狀態(tài)估計(jì)項(xiàng)、基于改進(jìn)模糊超基函數(shù)神經(jīng)網(wǎng)絡(luò)的不確定性估計(jì)項(xiàng)；不確定性估計(jì)項(xiàng)中的改進(jìn)神經(jīng)滑模估計(jì)項(xiàng)和網(wǎng)絡(luò)重構(gòu)誤差的改進(jìn)滑模補(bǔ)償項(xiàng)改進(jìn)方式為：利用改進(jìn)的圓混沌映射改進(jìn)黑翅鳶算法，得到了跳出局部最優(yōu)能力更強(qiáng)，收斂速度更快的改進(jìn)黑翅鳶算法(ibka)；利用ibka動(dòng)態(tài)尋優(yōu)模糊神經(jīng)網(wǎng)絡(luò)的基函數(shù)、網(wǎng)絡(luò)權(quán)值估計(jì)更新律、網(wǎng)絡(luò)重構(gòu)誤差上界估計(jì)更新律，進(jìn)一步提高了神經(jīng)網(wǎng)絡(luò)對(duì)不確定性的逼近能力。

88、(3)本發(fā)明利用所設(shè)計(jì)基于ibka的ihbfnn-asmo(ibka-ihbfnn-asmo)，在得到更優(yōu)不確定性估計(jì)值的基礎(chǔ)上，得到了更優(yōu)的執(zhí)行器和傳感器并發(fā)故障估計(jì)值、衛(wèi)星狀態(tài)(三軸角度和三軸角度)估計(jì)值，相較于以往的神經(jīng)自適應(yīng)滑模觀測(cè)器，得到了更高的估計(jì)精度；同時(shí)，所設(shè)計(jì)的ibka-ihbfnn-asmo保證了誤差動(dòng)態(tài)獲得了更強(qiáng)的魯棒性，提高了故障估計(jì)方法的整體性能。

89、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。