申请/专利权人：西安电子科技大学

申请日：2022-09-16

公开（公告）日：2022-11-25

公开（公告）号：CN115390456A

主分类号：G05B13/04

分类号：G05B13/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.12.13#实质审查的生效;2022.11.25#公开

摘要：本发明公开了一种基于神经网络的飞行器再入段轨迹优化方法，主要解决现有技术中存在的实时性和适应性较差的问题，其实现方案为：建立半速度坐标系下飞行器再入连续最优控制问题；将飞行器再入连续最优控制问题转化为序列凸最优控制问题；将序列凸最优控制问题转化为序列二阶锥规划问题；对序列二阶锥规划问题进行求解；从求解结果中采样得到状态量数据集和控制量数据集；构建神经网络和损失函数；利用部分状态量数据集作为训练数据集对神经网络进行离线训练，直到损失函数收敛到一个最小值，得到训练好的轨迹网络；利用轨迹网络在线获取飞行器再入段的轨迹优化结果。本发明适应性强，实时性好，减小了参数变动对飞行器的影响，可用于火箭回收。

主权项：1.一种基于神经网络的飞行器再入段轨迹优化方法，其特征在于，包括如下步骤：1将飞行器再入段轨迹优化描述为由数学模型、边界条件、容许控制、性能指标、过程约束构成的连续最优控制问题P0；2对P0进行更换形式、松弛变量、软化约束、逐次线性化方法的凸化处理，得到序列凸最优控制问题P1，采用伪谱法对该P1进行离散参数化处理，得到序列二阶锥规划问题P2；3采用内点法求解序列二阶锥规划问题P2，得到包括4条飞行器状态量曲线和1条飞行器控制量曲线的标称最优参考轨迹；4通过拉偏飞行器气动参数建立偏差模型，对偏差模型中的每一组气动参数进行离线求解，得到不同参数条件下的包括4条飞行器状态量曲线和1条飞行器控制量曲线的非标称最优参考轨迹；5对步骤3中标称最优参考轨迹和步骤4中非标称最优参考轨迹中的状态量曲线分别进行采样，得到包含飞行器地心距、经度、纬度、航向角这四个状态变量的状态量数据集X，对最优参考轨迹中的控制量曲线进行采样得到控制量数据集Y1；6构建由输入层、两个隐含层、输出层依次级联组成的神经网络A，并设其损失函数为：LossY1,U1＝Y1-U12，其中，Y1表示控制量数据集，U1表示神经网络A的输出值，即控制量倾侧角；7将步骤5中的状态量数据集X取出一部分作为训练轨迹集X1输入到神经网络A，采用BP算法对其进行离线训练，当神经网络A的损失函数收敛到一个最小值时，得到训练好的轨迹网络A′；8在线获取飞行器再入段的轨迹优化结果：飞行器在飞行期间，机载计算机读取飞行器导航系统测得的实时飞行状态量，将实时飞行的状态量作为训练好的轨迹网络A′的输入进行前向传播，得到实时的控制量；将每次读取的状态量和控制量分别连成线，得到飞行器再入段的最优轨迹。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于神经网络的飞行器再入段轨迹优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD