吳鵬飛，石 然，易志坤，吳智杰，仇存凱，付偉平

（1.上海航天控制技術(shù)研究所，上海，201109；2.上海市空間智能控制技術(shù)重點實驗室，上海，201109；3.南昌航空大學(xué)，江西 南昌，330000）

0 引 言

國外對太陽翼驅(qū)動裝置的研究和應(yīng)用起步較早，美國的MOOG公司、法國的SEP和CNES公司、德國的TEL-DIX公司、加拿大的SPAR公司等都是著名的太陽翼驅(qū)動裝置生產(chǎn)廠家。法國CNES公司在設(shè)計衛(wèi)星太陽翼驅(qū)動機構(gòu)時認為太陽翼的轉(zhuǎn)速不穩(wěn)定是由滾珠軸承和電機組件的摩擦力矩干擾造成的；加拿大SPAR公司在實驗中測出了電機組件的摩擦干擾和高低速端的傳動機構(gòu)之間的摩擦?xí)苯佑绊戨姍C和帆板轉(zhuǎn)速的平穩(wěn)性；DORNIER公司則采用了太陽翼驅(qū)動系統(tǒng)模型分析驅(qū)動特性與摩擦力矩以及齒隙相關(guān)。因此，可以總結(jié)出太陽翼驅(qū)動機構(gòu)存在的主要問題有：摩擦干擾和齒隙擾動［1－4］。

為了減小擾動的影響，本文采取了低速性能優(yōu)越、轉(zhuǎn)矩脈動較小、精度高的永磁同步電機（permanent magnet synchronous motor，PMSM）取代步進電機或無刷電機作為大型太陽翼的驅(qū)動電機，這樣一來可以提高精度、減小驅(qū)動過程中由電機脈動產(chǎn)生的不良影響。由于空間站實驗艙電機軸端（高速端）和太陽翼端（低速端）存在一個500∶1的減速器，太陽翼α方向的驅(qū)動控制會受到多級齒輪間隙造成的空程、沖擊擾動影響和摩擦干擾的影響，導(dǎo)致太陽翼對日定向跟蹤精度變差，甚至直接影響航天器本體的姿態(tài)控制［2－3］。針對這方面的問題，本文提出采用自學(xué)習(xí)、自適應(yīng)能力較強的改進型BP神經(jīng)網(wǎng)絡(luò)PID控制器替代目前樣機中的PID控制器，這是因為經(jīng)典PID控制器在伺服系統(tǒng)受到負載擾動或參數(shù)變化的情況下，控制效果變差，采用智能控制算法改進經(jīng)典PID控制器，兩者相互結(jié)合，不僅可以保持PID控制器的簡單結(jié)構(gòu)，而且可以起到自適應(yīng)調(diào)整PID參數(shù)、提升系統(tǒng)魯棒性的作用。

圖1 太陽翼結(jié)構(gòu)圖Fig.1 The structure of Solar Array

1 太陽翼驅(qū)動系統(tǒng)組成及工作原理

對日定向太陽翼結(jié)構(gòu)圖如圖1所示。

從圖1中可以看出，α方向為帆板沿Y軸為中心軸的旋轉(zhuǎn)方向，相比β驅(qū)動，α方向的驅(qū)動具有低速、大慣量、高精度的特點。

整個太陽翼α驅(qū)動系統(tǒng)主要由驅(qū)動控制組合、伺服驅(qū)動電機、減速器、反饋測量裝置、電源管理器、雙翼帆板等組成。

其工作原理如圖2所示：系統(tǒng)供電后，電源管理器通過DC／DC模塊將一次電源進行轉(zhuǎn)換，得到功率電源和控制電源；控制電源和功率電源依次上電后，驅(qū)動器接收到來自數(shù)管分系統(tǒng)的指令，經(jīng)過算法的解析后，輸出相應(yīng)的電機控制信號；經(jīng)過驅(qū)動電路的放大作用，得到放大后的電機控制信號并傳輸給驅(qū)動電機；驅(qū)動電機執(zhí)行相應(yīng)指令；最后通過減速器帶動太陽翼低速轉(zhuǎn)動，同時利用旋變等測量裝置測出實際的角度，反饋給控制回路，實現(xiàn)閉環(huán)控制。

圖2 太陽翼驅(qū)動系統(tǒng)工作原理Fig.2 Working principle of solar array drive system

2 太陽翼驅(qū)動系統(tǒng)中的問題及動力學(xué)模型

2.1 齒輪間隙及摩擦擾動

齒輪間隙和摩擦擾動問題在太陽翼α驅(qū)動系統(tǒng)中普遍存在，在太陽翼對日定向裝置中，存在高速端和低速端，兩端之間依靠齒輪傳動，這兩端之間的減速器存在多級（假設(shè)為5級）齒輪，如圖3所示，θM、θ1～θ4為電機轉(zhuǎn)子和各級傳動齒輪的轉(zhuǎn)角；JM＝3.487 4e－6kg· m2，J1＝5.869 3e－4kg· m2，J2＝7.353 4e－4kg·m2，J3＝2.490 7e－4kg· m2，J4＝3.2e－3kg·m2分別為電機轉(zhuǎn)子和各級傳動齒輪在各自轉(zhuǎn)軸上的轉(zhuǎn)動慣量；TM，θM分別為電機的輸出力矩和轉(zhuǎn)角［5］。

圖3 減速器傳動關(guān)系示意圖Fig.3 The diagram of decelerator transmission

在太陽翼裝置加工和裝配的過程中，存在各種誤差，并且需要在齒輪之間預(yù)留一定的間隙，便于存儲潤滑油，同時防止齒輪卡死。

圖4 齒輪間隙示意圖Fig.4 The diagram of gear clearance

理想的齒輪傳動裝置，其輸入和輸出呈線性關(guān)系，但是由于上述齒輪間隙α的存在，導(dǎo)致主動輪輸入角θin和隨動輪輸出角θout之間呈現(xiàn)出圖5所示的滯環(huán)非線性特性。

圖5 滯環(huán)特性示意圖Fig.5 The diagram of hysteresis characteristics

從上述滯環(huán)特性示意圖可以看出：

1）當(dāng)齒輪間隙對稱分布在齒輪的兩側(cè)時，主動齒輪轉(zhuǎn)動，并且轉(zhuǎn)角θin≤α（2α為齒隙），此時從動輪并不轉(zhuǎn)動，輸出角θout一直為零，兩輪之間沒有力矩的傳遞。

2）當(dāng)θin＞α?xí)r，從動輪才按θout＝θin／i的關(guān)系轉(zhuǎn)動，此時兩輪之間才建立起力矩傳遞關(guān)系。

3）若主動輪在轉(zhuǎn)角θin＞α?xí)r開始反方向轉(zhuǎn)動，因為齒輪間隙的存在，從動齒輪不會馬上反方向轉(zhuǎn)動，這時候兩齒輪之間沒有力矩傳遞，而是當(dāng)主動齒輪已經(jīng)轉(zhuǎn)過整個齒輪間隙2α之后，從動齒輪才開始反方向轉(zhuǎn)動，并仍以θout＝θin／i的關(guān)系轉(zhuǎn)動。

由此可見，由于齒隙的存在，在主動齒輪啟動和反向過程，傳動裝置出現(xiàn)了回轉(zhuǎn)角的滯后誤差（回差），因此含有齒輪傳動裝置的輸入量和輸出量之間須當(dāng)作非線性環(huán)節(jié)對待。

從圖5的齒輪滯環(huán)特性圖可以看出，由于存在齒輪間隙，兩齒輪接觸之前不存在力矩傳遞，只有當(dāng)兩齒輪接觸之后才會有力矩的傳遞，所以，采用死區(qū)模型描述力矩傳遞關(guān)系比較合適，力矩的數(shù)學(xué)模型為

式中：Δθ ＝θin－iθout，α為半齒隙，k（t）為剛性系數(shù)。

根據(jù)公式（1）可以作出死區(qū)模型示意圖，如圖6所示。

太陽翼驅(qū)動系統(tǒng)的減速器和內(nèi)齒圈組成了一個多級齒輪傳動系統(tǒng)，當(dāng)電機輸出軸固定時，根據(jù)傳動比i1，i2，…，iM－1，可將每一級齒輪副的齒隙α1，α2，…，αM折算到負載軸上，得到總齒隙為

圖6 死區(qū)模型示意圖Fig.6 The diagram of dead zone model

由于減速器各級傳動比ij均大于1，由式（2）可知，前M-1級齒輪副的間隙對整個系統(tǒng)的間隙的貢獻很小，據(jù)此可以認為總間隙只需要考慮末級傳動的間隙，而忽略其它各級的間隙。據(jù)此，后續(xù)在對齒輪系統(tǒng)動力學(xué)建模時，可以將驅(qū)動電機作為力矩發(fā)生源，將整個減速器作為主動齒輪，而將內(nèi)齒圈當(dāng)做隨動齒輪，從而簡化動力學(xué)模型［6－7］。

根據(jù)上圖簡化得到的主動齒輪的等效輸出力矩和等效轉(zhuǎn)角分別為iTM和θM／i，等效轉(zhuǎn)動慣量J＇M稍微復(fù)雜，可由式（3）的力矩平衡方程計算。

式中：Tik（k＝1～4）為各級齒輪副之間的傳遞力矩。上式可化簡為

于是，等效轉(zhuǎn)動慣量為

代入具體數(shù)值后計算得到J′M＝0.046 74kg·m2。

除了齒隙干擾影響，還存在摩擦干擾影響。由于驅(qū)動電機內(nèi)部、各級齒輪之間的傳動以及TBA導(dǎo)軌和內(nèi)齒圈之間等多個環(huán)節(jié)存在摩擦力矩，對驅(qū)動電機速度跟蹤的動態(tài)性能和穩(wěn)態(tài)精度將會產(chǎn)生多方面的影響：

1）當(dāng)帆板從零速度開始轉(zhuǎn)動時，因為靜摩擦的可變性，帆板會體現(xiàn)出彈簧現(xiàn)象。靜摩擦的可變性指的是靜摩擦的大小將會隨著兩接觸面間保持相對靜止的時間變化而改變，相對運動發(fā)生之前的靜止時間保持得越長，意味著靜摩擦?xí)酱蟆?/p>

2）因為存在摩擦遲滯現(xiàn)象，可能會導(dǎo)致低速爬行、極限環(huán)振蕩現(xiàn)象。遲滯現(xiàn)象指的是速度發(fā)生變化具有時間上的滯后。

3）當(dāng)帆板的轉(zhuǎn)速經(jīng)過零點時，摩擦力的方向在零點附近瞬間改變，此刻電機的電磁力矩難以在如此短的時間之內(nèi)對這種突然發(fā)生改變的強干擾做出響應(yīng)。

4）帆板在正常運轉(zhuǎn)時，因為非線性摩擦干擾具有時變的特點，驅(qū)動電機的速度調(diào)節(jié)器難以準(zhǔn)確地復(fù)現(xiàn)指令，使得控制精度降低。

許多實踐表明，在目前提出的三十多種摩擦模型中，LuGre模型、Karnopp模型和綜合模型是效果比較理想的三種典型摩擦模型。1995年，Canudas等人提出了LuGre摩擦模型，該模型是基于剛毛假設(shè)理論提出的，即相互接觸的剛毛之間一旦發(fā)生相對運動時，就會導(dǎo)致形變而產(chǎn)生摩擦，進而產(chǎn)生滑動。LuGre摩擦模型在伺服控制系統(tǒng)中得到了廣泛應(yīng)用，能準(zhǔn)確地描述摩擦過程中的復(fù)雜動態(tài)、靜態(tài)特性［8］。

對于伺服系統(tǒng)，用微分方程描述摩擦力矩與其它各個量之間的關(guān)系

式中：J表示轉(zhuǎn)動慣量，θ表示轉(zhuǎn)角，u表示控制力矩，F(xiàn)表示摩擦力矩。

LuGre模型中包含了兩物體接觸面內(nèi)部無法測量的變量z，這個變量表征了發(fā)生摩擦?xí)r的相對變形，摩擦力矩F可以由式（5）～（7）描述。

式（5）、（6）、（7）就是 LuGre摩擦模型。其中，σ0、σ1表示動態(tài)摩擦參數(shù)；Fc、Fs、a、Vs表示靜態(tài)摩擦參數(shù)；Fc表示庫侖摩擦；Fs表示靜摩擦；a表示黏性摩擦系數(shù)；Vs表示切換速度。

2.2 齒輪間隙及摩擦模型驗證

如圖7仿真結(jié)果所示，由于齒隙的存在，導(dǎo)致帆板轉(zhuǎn)角跟蹤存在0.15°的偏差，并且跟蹤過程中出現(xiàn)了抖動，從而降低了系統(tǒng)的定位精度，增大了系統(tǒng)的靜態(tài)誤差。這是因為：由于齒隙的存在，當(dāng)驅(qū)動電機轉(zhuǎn)動時，齒輪裝置輸出軸并不馬上隨之轉(zhuǎn)動，只有當(dāng)輸入軸轉(zhuǎn)動過了齒輪間隙產(chǎn)生的齒輪間隙角以后，輸出軸才會帶動帆板低速轉(zhuǎn)動。當(dāng)輸入軸轉(zhuǎn)過的角度小于齒輪間隙角，PMSM此時工作于空載狀態(tài)，因而，PMSM在此段時間內(nèi)具有較大動能。當(dāng)輸出軸已經(jīng)轉(zhuǎn)過齒輪間隙角時，主動齒輪的輪齒和從動齒輪的輪齒在接觸時產(chǎn)生碰撞，會產(chǎn)生一個較大的沖擊，進而從動齒輪帶動負載轉(zhuǎn)動。這個過程相當(dāng)于驅(qū)動電機剛開始是空載運行，經(jīng)過一個很小的時刻后，突然受到一個較大的負載力矩，后文對電機受到干擾的仿真過程中，將這個負載力矩假設(shè)成一個沖擊形式的力矩。

圖7 角位置跟蹤誤差Fig.7 Angular position tracking error

圖8 原理樣機低速端角速度實測情況Fig.8 The actual measurement of low speed angular velocity on prototype

在原理樣機上實測的結(jié)果如圖8所示，圖8描述的是低速端（太陽翼負載端）的角速度波形。從圖中可以看出，沖擊擾動對角速度的影響非常明顯，目前的PI控制器難以克服這些擾動影響，速度平穩(wěn)度無法達到10%的指標(biāo)要求。

原理樣機中實測的高速端（電機軸端）角度情況如圖9所示，實測結(jié)果和上述根據(jù)摩擦模型得出的結(jié)論基本一致。

如圖10所示，α驅(qū)動系統(tǒng)中的摩擦干擾帶來的影響也可以通過仿真測出。當(dāng)帆板未轉(zhuǎn)動時，摩擦力為靜摩擦；轉(zhuǎn)動后，轉(zhuǎn)為動摩擦，符合建模分析的結(jié)論。摩擦力矩對驅(qū)動控制系統(tǒng)來說，可以看成一個干擾力矩，通過上一節(jié)的LuGre摩擦模型可以比較準(zhǔn)確地描述摩擦力矩的形式。

圖9 原理樣機高速端角度實測情況Fig.9 The actual measurement of high speed angular velocity on principle prototype

圖10 摩擦力矩影響仿真情況Fig.10 Influence of friction moment on simulation

3 改進型BP神經(jīng)網(wǎng)絡(luò)PID控制器設(shè)計

采用神經(jīng)網(wǎng)絡(luò)PID控制器的PMSM伺服系統(tǒng)結(jié)構(gòu)圖如圖11所示［8－10］。

圖11 BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)圖Fig.11 The PID control structure diagram of BP neural network

由圖11中的BP神經(jīng)網(wǎng)絡(luò)PID控制結(jié)構(gòu)圖可以看出，整個控制系統(tǒng)是一個閉環(huán)結(jié)構(gòu)，PID控制器對輸入量進行調(diào)節(jié)，引入BP神經(jīng)網(wǎng)絡(luò)控制算法對PID控制器的3個參數(shù)Kp、Ki、Kd進行在線整定，網(wǎng)絡(luò)為三層結(jié)構(gòu)［7］［11］。

經(jīng)典的PID算法，如果采用增量式數(shù)字PID算法，可以寫出增量式PID算法的公式為

其中，Kp、Ki、Kd分別表示比例系數(shù)、積分系數(shù)和微分系數(shù)，e（k）表示控制誤差。

結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型的建立過程，可以得到PID三個參數(shù)值分別為

選取隱含層和輸出層神經(jīng)元的激活函數(shù)時，選取Sigmoid函數(shù)可以保證PID的三個參數(shù)不為負值，即

設(shè)性能指標(biāo)函數(shù)為

采用最速下降法修正上述神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)

式中：η為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速率；

輸出層的權(quán)值調(diào)整量為

從式（13）中可以看出，傳統(tǒng)BP算法的權(quán)值調(diào)整有兩個問題：1）采用了固定的學(xué)習(xí)率，即迭代步長不變，這將會導(dǎo)致調(diào)節(jié)速度固定；2）采用了梯度法調(diào)節(jié)，梯度法本身存在的缺陷（只考慮當(dāng)前點的梯度，會導(dǎo)致陷入局部極小值）會影響權(quán)值調(diào)整的效果。

為了加速BP神經(jīng)網(wǎng)絡(luò)的收斂速度，很多文獻中都提出將固定的學(xué)習(xí)率設(shè)置成自適應(yīng)學(xué)習(xí)率［12－13］，選取一個初始學(xué)習(xí)率，如果權(quán)值的調(diào)整量真正降低了誤差函數(shù)，則說明選取的學(xué)習(xí)率值偏小，需要增大學(xué)習(xí)率，讓每次調(diào)整量更大，從而更快地降低誤差［7］；反之，則說明學(xué)習(xí)率調(diào)得過大，不能使誤差變小。學(xué)習(xí)率自適應(yīng)調(diào)整公式為

式中：α、β的取值范圍一般設(shè)置在 ［1，1.5］、［0，0.8］內(nèi)，兩個參數(shù)的取值視具體情況而定，不宜設(shè)置得過大或過小，否則會出現(xiàn)系統(tǒng)振蕩或者發(fā)散的情況。如果權(quán)值的調(diào)整量真正降低了誤差函數(shù)，即本次誤差小于上次誤差，則需要增大到α倍學(xué)習(xí)率；如果調(diào)整過頭，則需要減少到β倍學(xué)習(xí)率。

采用這種自適應(yīng)學(xué)習(xí)率進行多次仿真發(fā)現(xiàn)兩個問題：1）收斂速度提升很?。炒畏抡嬷杏?xùn)練次數(shù)從473次減小為451次，僅減小22次）；2）訓(xùn)練效果依賴于系數(shù)α、β的選取，當(dāng)選取偏大時，訓(xùn)練結(jié)果發(fā)散。

因此對現(xiàn)有文獻中的自適應(yīng)學(xué)習(xí)率進行再次改進，將原改進中的無差異化自適應(yīng)學(xué)習(xí)率改為差異化自適應(yīng)學(xué)習(xí)率，在誤差反向調(diào)節(jié)過程中，對不同神經(jīng)元節(jié)點之間的連接權(quán)值都采用不同的學(xué)習(xí)率進行調(diào)整。采用的學(xué)習(xí)率是自適應(yīng)學(xué)習(xí)率，才能根據(jù)每個神經(jīng)元節(jié)點間的不同權(quán)值進行相應(yīng)調(diào)整，最大限度地實現(xiàn)學(xué)習(xí)率的“自適應(yīng)”。

圖12 差異化改進過程Fig.12 The process of differentiation improvement

基于上述改進過程的啟發(fā)，對動量項也進行差異化調(diào)節(jié)，將自適應(yīng)動量項由無差異化動量項改進為差異化動量項，即

改進后引入太陽翼中齒隙干擾和摩擦干擾，按照上述算法思想進行仿真驗證。

4 仿真分析

4.1 克服齒輪間隙干擾效果對比分析

引入類似于第2節(jié)中太陽翼齒輪間隙對驅(qū)動電機的干擾影響：因為有齒輪間隙的存在，當(dāng)驅(qū)動電機轉(zhuǎn)動時，齒輪裝置輸出軸并不馬上跟著轉(zhuǎn)動，而是在輸入軸已經(jīng)轉(zhuǎn)過齒輪間隙所產(chǎn)生的齒輪間隙角以后，輸出軸才會帶動太陽帆板轉(zhuǎn)動。

輸入正弦函數(shù)指令r（t）＝6sin（2πft），取f＝0.01 Hz，對比基于PID控制的跟蹤效果與基于改進型BP神經(jīng)網(wǎng)絡(luò)PID控制的跟蹤效果。仿真過程中模擬沖擊干擾的影響，從200 s時開始施加沖擊干擾，并且每隔200 s施加相同的干擾，結(jié)果如圖13～15所示。

圖13 基于經(jīng)典PID控制的轉(zhuǎn)速跟蹤情況Fig.13 Speed tracking based on classic PID control

圖14 基于改進型BP神經(jīng)網(wǎng)絡(luò)PID控制轉(zhuǎn)速跟蹤情況Fig.14 Speed tracking based on improved BP neural network PID control

圖15 基于改進型BP神經(jīng)網(wǎng)絡(luò)PID參數(shù)調(diào)節(jié)情況Fig.15 The PID parameter adjustment based on improved BP neural network

從圖13～15可以看出，在不同時刻施加齒輪間隙造成的沖擊擾動時，經(jīng)典PID控制和改進型BP神經(jīng)網(wǎng)絡(luò)PID控制跟蹤給定輸入的效果大不一樣。不同點主要有三個：1）施加相同沖擊擾動時，PID控制實際跟蹤信號波動比改進型神經(jīng)網(wǎng)絡(luò)PID控制大，跟蹤效果不如改進型BP神經(jīng)網(wǎng)絡(luò)PID控制；2）施加相同沖擊擾動時，改進型神經(jīng)網(wǎng)絡(luò)PID控制能更快地恢復(fù)正常跟蹤，而PID控制需要更長的時間恢復(fù)正常跟蹤，即抗擾動能力不如改進后的控制器；3）仿真過程中，施加不同的沖擊擾動，可能會造成轉(zhuǎn)速跟蹤失調(diào)，傳統(tǒng)的PID調(diào)節(jié)器需要重新設(shè)定PID參數(shù)。

4.2 克服摩擦干擾效果對比分析

為了克服摩擦力的影響，在低速情況下，采用改進型神經(jīng)網(wǎng)絡(luò)PID控制對摩擦影響進行補償，網(wǎng)絡(luò)采用的是4－5－3結(jié)構(gòu)，其中，輸入向量為

輸出向量為

初始學(xué)習(xí)率設(shè)為0.2，動量因子為0.5，輸入層和輸出層的初始權(quán)值從［－0.8，0.8］產(chǎn)生隨機數(shù)。

采用增量式PID算法得出控制量u（k），對含有LuGre摩擦模型的被控對象進行控制，得出輸出結(jié)果yout，神經(jīng)網(wǎng)絡(luò)經(jīng)過多次循環(huán)迭代訓(xùn)練，不斷更新權(quán)值，最終得出誤差值極小的訓(xùn)練結(jié)果。經(jīng)典PID控制和改進型控制器的仿真結(jié)果如圖16～18所示。

圖16 經(jīng)典PID控制的位置追蹤和速度追蹤情況Fig.16 Position tracking and speed tracking on classic PID control

圖17 改進型神經(jīng)網(wǎng)絡(luò)PID控制的轉(zhuǎn)角追蹤和轉(zhuǎn)速追蹤情況Fig.17 Corner tracking and speed tracking on improved neural network PID control

圖18 改進型神經(jīng)網(wǎng)絡(luò)PID控制的跟蹤誤差情況Fig.18 Tracking error on improved neural network PID control

對比圖16和圖17，可以很明顯地看出，基于經(jīng)典PID控制器的α驅(qū)動伺服控制系統(tǒng)比較容易受摩擦力的影響，位置跟蹤存在明顯的“平頂”現(xiàn)象，速度跟蹤存在較為明顯的“死區(qū)”現(xiàn)象，這將對太陽翼伺服控制系統(tǒng)的精度造成極大的影響。從圖18中的位置環(huán)和速度環(huán)誤差情況可以看出，當(dāng)采用改進型神經(jīng)網(wǎng)絡(luò)PID控制器時，位置跟蹤效果很好，幾乎不存在“平頂”現(xiàn)象，速度跟蹤雖然仍存在“死區(qū)”現(xiàn)象，但是該現(xiàn)象已經(jīng)得到有效改善。

5 結(jié)束語

本文提出了改進型BP神經(jīng)網(wǎng)絡(luò)PID太陽翼α驅(qū)動控制技術(shù)，主要針對空間站大型太陽翼中多級減速器的齒隙擾動和摩擦擾動影響，對空間站大型太陽翼的擾動因素進行了建模分析，對現(xiàn)有文獻中的改進型學(xué)習(xí)率方法進行進一步的改進，提出差異化自適應(yīng)學(xué)習(xí)率和自適應(yīng)動量項法。

通過MATLAB仿真驗證了算法的可行性，采用改進型神經(jīng)網(wǎng)絡(luò)算法后，分別引入齒隙干擾及摩擦干擾，轉(zhuǎn)速平穩(wěn)性相比于目前原理樣機上采用的PI控制有所改善，動態(tài)響應(yīng)能力更好。