摘要：水下游动机械臂(underwater swimming manipulator,USM)是一种由水下蛇形机器人和矢量推进器组成的新型水下机器人。USM系统具有高度非线性、强耦合以及不确定性等特点,其动力学模型难以精确建立。因此,实现USM的高精度镇定控制存在挑战。针对这一问题,本文基于反馈线性化和自适应径向基函数神经网络(radial basis function neural network,RBFNN),设计了一种动力学控制方案以实现USM的镇定控制。首先,介绍了USM平台结构,基于Lagrange方程给出了USM的动力学模型,并推导了USM的矢量推力系统模型。然后,设计了基于反馈线性化和RBFNN的动力学控制器,并通过反步法自适应更新RBFNN的权重。其中,权重自适应更新RBFNN用于实时估计系统未建模部分、参数误差以及外部扰动,从而对动力学控制器进行补偿。此外,为了将动力学控制器提供的广义力和力矩转换成各个执行器的控制输入,给出了推力分配策略。最后,进行了湖泊实验,分别对USM的I构型和C构型镇定控制,文章所提出的控制方案在两种构型下的稳态误差均小于0.08 m和10°,验证了所提出的USM六自由度镇定控制器的有效性。

摘要：针对热控设计中某些特殊自主控温策略与任务背景、空间环境以及被控对象参数之间耦合度强,不易通过传统地面综合测试方法提前验证其正确性与合理性的难题,结合“嫦娥五号”月球探测任务推进贮箱温度需求及其特殊自主控温策略设计过程,构建出一种基于综合测试与热控设计专家知识的推理评测方法,并利用优化后的测试用例进行了验证。结果表明:第1版控温策略能够实现减小各贮箱之间温差的预期目标,但对具体任务背景适应性不足;在给出控制策略优化完善建议后,控温策略可同时满足温差要求和引入能量最小原则,实现了“初始设计—测试验证—完善改进”的优化闭环研制模式。