基于径向基函数神经网络的光电系统自适应控制

doi:10.12382/bgxb.2021.0117

摘要/Abstract

摘要： 针对光电跟踪系统对于跟踪目标的高精度需求，在硬件设计选型、装调适配完成后，通常需要伺服控制系统设计合理的算法以改善跟踪精度。为持续提高伺服控制系统的综合能力，首先分析跟踪精度的误差模型，通过理论推导以及典型数值计算仿真的方式，验证伺服控制器控制增益对于跟踪精度改善的重要性。在对比多型控制算法基础上，提出基于径向基函数神经网络的自适应控制方法，发挥神经网络控制能够自行学习优化的特点，使伺服稳定平台控制系统具有更高的跟踪精度和更好的鲁棒性。数字仿真以及半实物实验验证结果表明，与传统PID、积分分离PID、单神经元PID控制方法相比，在存在载体扰动条件下，所提方法能够实现在3 Hz带宽内时滞最小约为28 ms，幅值误差在3 Hz处约为4%，可为光电跟踪系统设计实现高精度跟踪提供一种有效设计思路。

关键词: 光电系统, 神经网络, 径向基函数, 跟踪精度, 自适应控制

Abstract: For improving the tracking accuracy，the servo control algorithm is optimized to enhance the control accuracy and rapidity of control system after hardware design and system integration. A tracking error model is proposed theoretically. According to the proposed model，the numerical computation is implemented. The result illustrates that the control algorithm plays an important role in controlling the tracking errors of electro-optical system. The radial basis function (RBF) algorithm is employed here to adaptively adjust the control system parameters for improving tracking accuracy and robustness. Both the theoretical analysis and hardware-in-the-loop simulation are practiced to verify the availability of the proposed method. It is proved that the proposed method can achieve less than 28 ms delay and lower than 4% attenuation within 3 Hz bandwidth.

Key words: electro-opticalsystem, neuralnetwork, radialbasisfunction, trackingaccuracy, adaptivecontrol

中图分类号:

TP29

张通彤, 姜湖海, 岳巍, 司晨, 袁满. 基于径向基函数神经网络的光电系统自适应控制[J]. 兵工学报, 2022, 43(3): 556-564.

ZHANG Tongtong, JIANG Huhai, YUE Wei, SI Chen, YUAN Man. Adaptive Control Based on RBF Neural Network for Electro-optical System[J]. Acta Armamentarii, 2022, 43(3): 556-564.

参考文献

［1］谢瑞宏.机载光电平台伺服系统稳定与跟踪控制技术的研究[D].长春:中国科学院长春光学精密机械与物理研究所，2017:1-8.
XIE R H.The research on stabilization and tracking control techniques of airborne electro-optcal platform servo system[D].Changchun:Changchun Institute of Optics，Fine Mechanics and Physics，Chinese Academy of Sciences，2017:1-8.(in Chinese)
[2］薛珊，孟宪宇，赵运来，等.基于轻量化的舰载雷达稳定平台的设计与特性分析研究[J].制造业自动化，2016，38(10):133-138．
XUE S，MENG X Y，ZHAO Y L，et al.Design and characteristics analysis of shipborne radar stabilized platform based on lightweight[J]. Manufacturing Automation，2016，38(10):133-138.(in Chinese)
[3］黎志强.精密光电稳定平台参数辨识与摩擦补偿控制问题研究[D].长沙:国防科学技术大学，2013:25-27.
LI Z Q.Study on the issues of parameter identification and friction compensation control for precise electro-optical stabilized platforms[D].Changsha:National University of Defense Technology，2013:25-27.(in Chinese)
[4］刘玲玲.PID参数整定技术的研究及应用[D].郑州：郑州大学，2010.
LIU L L.Study and application of the PID parameter tuning technology[D].Zhengzhou:Zhengzhou University，2010.(in Chinese)
[5］ HE W，YAN Z C，SUN Y K，et al. Neural-learning-based control for a constrained robotic manipulator with flexible joints[J].IEEE Transactions on Neural Networks and Learning Systems，2018，29(12): 5993-6003.
[6］ VPHAM C V，WANG Y N.Robust adaptive trajectory tracking sliding mode control based on neural networks for cleaning and detecting robot manipulators[J].Journal of Intelligent & Robotic Systems，2015，79(1):101-114.
[7］ RAHMANI B，BELKHEIRI M.Adaptive neural network output feedback control for flexible multi-link robotic manipulators[J].International Journal of Control，2018，92(10): 2324-2338.
[8］韩宇萌，贾晓洪，王炜强，等.基于BP神经网络的捷联导引头控制系统设计[J].测控技术，2016，35(10):70-74.
HAN Y M，JIA X H，WANG W Q，et al. Control system design based on BP neural network for strap-down seeker[J].Measurement and Control Technology，2016，35(10):70-74. (in Chinese)
[9］殷建国，吕宝林，张继红.基于遗传算法的智能PID系统设计和分析[J].设备管理与维修，2020(10):38-39.
YIN J G，L B L，ZHANG J H.Design and analysis of intelligent PID system based on genetic algorithm [J].Equipment Management Engineering，2020(10):38-39. (in Chinese)
[10］钟山，董云峰. 基于机器学习的卫星姿态控制律设计[J]. 航天控制，2011，29(4):61-65.
ZHONG S，DONG Y F.The design of satellite attitude control law based on machine learning[J].Aerospace Control，2011，29(4):61-65.(in Chinese)
[11］闫锋，张延风，韦悠，等.一种基于神经网络的电机控制算法[J].弹箭与制导学报，2020，40(6):116-118，124.
YAN F，ZHANG Y F，WEI Y，et al.A Motor control algorithm based on neural network[J].Journal of Projectiles，Rockets，Missiles and Guidance，2020，40(6): 116-118，124.(in Chinese)
[12］王春阳，赵尚起，史红伟，等.机载光电稳瞄平台的线性自抗扰控制[J].红外与激光工程，2019，48(12)：248-254.
WANG C Y，ZHAO S Q，SHI H W，et al.Linear active disturbance rejection control of airborne photoelectric stabilized platform[J].Infrared and Laser Engineering，2019，48(12): 248-254. (in Chinese)
[13］徐田荣.运动平台光电跟踪系统的前馈控制技术研究[D].北京：中国科学院光电技术研究所，2020.
XU T R.Research on feedforward control for electro-optical tracking system on moving platform[D].Beijing：Institute of Optics and Electronics，Chinese Academy of Sciences，2020. (in Chinese)
[14］吕明明，刘荣忠，侯远龙，等.一种光电跟踪平台共轴控制的目标运动滤波方法[J].兵工学报，2019，40(3): 549-554.
L M M，LIU R Z，HOU Y L，et al.A target motion filtering method for on-axis control of electro-optical tracking platform[J].Acta Armamentarii，2019，40(3):549-554.(in Chinese)
[15］费业泰.误差理论与数据处理[M].北京:机械工业出版社，2017.
FEI Y T.Error theory and data processing[M].Beijing: China Machine Press，2017. (in Chinese)
[16］贾晓洪，韩宇萌，王炜强.基于RBF神经网络的滚仰式导引头控制系统设计[J].兵器装备工程学报，2016，37(8):1-5.
JIA X H，HAN Y M，WANG W Q. Control system design based on RBF neural network for roll-pitch seeker[J].Journal of Ordnance Equipment Engineering，2016，37(8):1-5.(in Chinese)
[17］罗绍华.基于RBF网络逼近的机器人自适应动态面控制方法研究[D].重庆：重庆大学，2013.
LUO S H.Study on robot adaptive dynamics surface control method based on the RBF network approximation[D].Chongqing：Chongqing University，2013.(in Chinese)
[18］冷鹏飞，徐朝阳.一种深度强化学习的雷达辐射源个体识别方法[J］.兵工学报，2018，39(12):2421-2426.
LENG P F，XU C Y.Specific emitter identification based on deep reinforcement learning[J].Acta Armamentarii，2018，39(12): 2421-2426. (in Chinese)
[19］周志华.机器学习[M].北京:清华大学出版社，2016.
ZHOU Z H.Machine learning[M].Beijing:Tsinghua University Press，2016.(in Chinese)
[20］王世峰，都凯悦，孟颖，等.基于机器学习的车辆路面类型识别技术研究[J].兵工学报，2017，38(8): 1642-1648.
WANG S F，DU K Y，MENG Y，et al.Machine learning-based road terrain recognition for land vehicles[J]. Acta Armamentarii，2017，38(8):1642-1648. (in Chinese)
[21］ KECHAGIAS S O，AOUF N，RICHARDSON M A.3D automatic target recognition for future LIDAR missiles[J].IEEE Transactions on Aerospace and Electronic Systems，2017，52(6): 2662-2675．
[22］ KIM S.Infrared variation reduction by simultaneous background suppression and target contrast enhancement for deep convolutional neural network-based automatic target recognition[J]. Optical Engineering，2017，56(6):063108．
[23］刘凌，李志成，张莹.面向双关节机械臂的参数可调RBF神经网络控制[J].西安交通大学学报，2021，55(4):1-7.
LIU L，LI Z C，ZHANG Y.A RBF neural network control method with adjustable parameters for 2-joint robot manipulators[J].Journal of Xi'an Jiaotong University，2021，55(4): 1-7.(in Chinese)

[1]	崔令飞，郭永红，修全发，史超，张硕阳. 基于国产嵌入式智能计算平台的无人机检测方法[J]. 兵工学报, 2022, 43(S1): 146-154.
[2]	李良福，陈卫东，高强，许开銮，刘轩，何曦，钱钧. 基于深度学习的光电系统智能目标识别[J]. 兵工学报, 2022, 43(S1): 162-168.
[3]	李彬，谢新，唐文勇，陶江平，孙宜强，张辉. 基于近似模型的复合材料导管支臂结构性能分析[J]. 兵工学报, 2022, 43(6): 1435-1446.
[4]	吴则良，叶建川，王江，金忍. 基于深度自动编码器神经网络的飞行器翼型参数降维与优化设计[J]. 兵工学报, 2022, 43(6): 1326-1336.
[5]	辛大钧，薛琨. 基于人工神经网络的非球形破片阻力系数预测模型[J]. 兵工学报, 2022, 43(5): 1083-1092.
[6]	励明君，姜毅，马立琦，潘霄. 基于神经网络算法的发射场坪承载能力预测方法[J]. 兵工学报, 2022, 43(5): 982-991.
[7]	袁航，罗迎，李开明，陈怡君，张群. 基于涡旋电磁波雷达的人体目标步态精细识别[J]. 兵工学报, 2022, 43(5): 1167-1174.
[8]	刘月, 刘铁林, 姜相争, 韩月明. 基于径向基函数和自组织映射的导弹控制系统健康状态评估[J]. 兵工学报, 2022, 43(4): 931-939.
[9]	周颖，谢振平，蒋晓军. 基于演化计算的迷彩目标隐蔽策略仿真设计[J]. 兵工学报, 2021, 42(9): 1987-1997.
[10]	李恒, 叶祖坤, 查文彬, 王禹林. 基于多传感器信息决策级融合的刀具磨损在线监测[J]. 兵工学报, 2021, 42(9): 2024-2031.
[11]	普运伟，刘涛涛，郭江，吴海潇. 基于卷积神经网络和模糊函数主脊坐标变换的雷达辐射源信号识别[J]. 兵工学报, 2021, 42(8): 1680-1689.
[12]	王慧东，周来宏. 四旋翼无人机反步积分自适应控制器设计[J]. 兵工学报, 2021, 42(6): 1283-1289.
[13]	岳彬，马文，呼卫军. 高超声速飞行器的自适应容错控制[J]. 兵工学报, 2021, 42(3): 521-529.
[14]	刘冰雁，叶雄兵，岳智宏，董献洲，张其扬. 基于多组并行深度Q网络的连续空间追逃博弈算法[J]. 兵工学报, 2021, 42(3): 663-672.
[15]	马月红，孔梦瑶. 基于改进快速区域卷积网络的目标检测轻量化算法[J]. 兵工学报, 2021, 42(12): 2664-2674.