申请/专利权人：北京航空航天大学

申请日：2021-11-09

公开（公告）日：2024-02-27

公开（公告）号：CN114115307B

主分类号：G05D1/49

分类号：G05D1/49;G05D109/12

优先权：

专利状态码：有效-授权

法律状态：2024.02.27#授权;2022.03.18#实质审查的生效;2022.03.01#公开

摘要：本发明公开一种基于深度学习的航天器反交会逃逸脉冲求解方法，包括以下步骤：建立航天器近距离相对运动轨道动力学模型，建立相对运动状态转移方程；构建描述逃逸航天器最优逃逸脉冲的双层数学规划模型；大量选取不同的初始相对状态，用数值优化技术求解出对应的最优逃逸脉冲的大小与方向，形成一系列状态量‑控制量数据对；将数据对归一化处理构建深度学习样本集；构建深度神经网络并进行充分训练；用最终训练所得深度神经网络求解近距离反交会逃逸脉冲。本发明方法具有逃逸效果好、计算速度快等优点，可用于空间对抗中航天器在轨实时快速生成近似最优的逃逸策略，能有效提高未来空间对抗中航天器的生存能力。

主权项：1.一种基于深度学习的航天器反交会逃逸脉冲求解方法，其特征在于：该方法包括以下步骤：S1：建立航天器近距离相对运动的轨道动力学模型，定义相对位置与相对速度为状态变量，构建相对运动状态转移方程；S2：根据步骤S1中的相对运动状态转移方程，以逃逸航天器的逃逸速度脉冲大小与方向为优化变量，以追踪航天器完成交会的最优速度脉冲消耗为目标函数，构建双层数学规划模型；S3：大量选取不同的初始相对状态，用数值优化技术根据步骤S2中的双层数学规划模型求解出对应的逃逸航天器最优逃逸速度脉冲的大小与方向，形成一系列状态量-控制量数据对；S4：用S3中的状态量-控制量数据对构建深度学习的样本集并进行归一化处理，划分样本集为训练集、验证集与测试集；S5：构建包含多个隐藏层的深度神经网络，用步骤S4中的训练集对深度神经网络进行训练，取在验证集上均方误差最小的网络为最终所得深度神经网络；S6：将当前测得的追踪航天器对于逃逸航天器的相对状态输入S5最终所得深度神经网络，输出反交会逃逸脉冲；所述步骤S2中构建双层数学规划模型，具体包括两个子步骤：S201、对追踪航天器多脉冲接近与交会的方式进行数学建模，构建底层数学规划模型，其中目标函数为多脉冲交会的总速度脉冲大小，优化变量为各速度脉冲时刻、各速度脉冲大小、各速度脉冲方向；S202、对逃逸航天器的逃逸方式进行数学建模，构建上层数学规划模型，其中目标函数为底层数学规划模型的最优值，优化变量为逃逸脉冲的方向与大小；所述步骤S201具体包括：根据式1写出追踪航天器以脉冲控制方式进行轨道机动而逃逸航天器没有轨道机动时的相对运动状态转移方程： 其中ti为追踪航天器脉冲机动的时刻，i＝1,...,M，M为追踪航天器脉冲机动的总次数，ΔvPi为追踪航天器第i次机动的速度脉冲矢量，包含三个分量：ΔvPi＝[ΔvPicosβcosα,ΔvPicosβsinα,ΔvPisinβ]T2其中ΔvPi为第i次速度脉冲大小，α,β分别为第i次速度脉冲矢量在虚拟点轨道坐标系下的方位角与高低角；为表示方便，省略速度脉冲的下标P，以M次脉冲时刻与前M-2次速度脉冲矢量为优化变量，表示为[t1,...,tM,Δv1,...,ΔvM-2]T，以M次脉冲总的速度增量大小为优化目标，表达式为： 添加约束，限制最后一次脉冲后追踪航天器与逃逸航天器位置与速度相同，具体为：写出追踪航天器第M-1次脉冲后至第M次脉冲前自然飞行的状态转移：XtM＝ΦtM,tM-1XtM-14用分块矩阵相乘的形式表述： 其中RM-1与RM分别为第M-1次脉冲与第M次脉冲发生时刻的追踪航天器相对逃逸航天器的位置，VM-1+与VM-分别为第M-1次脉冲后与第M次脉冲前追踪航天器相对逃逸航天器的速度，符号“-”与“+”分别表示脉冲前与脉冲后；根据式5反解出VM-和VM-1+： 式6中，RM-1根据优化变量由式1求出，根据终端时刻两航天器相对位置与速度相同，令最后一次脉冲时的相对位置矢量RM为零向量以及最后一次脉冲后相对速度矢量vM+为零向量，解出VM-1+与VM-，进而求出第M-1次和第M次的脉冲速度增量： 式7中的vM-1-与同样根据优化变量由式1求出；建立的底层数学规划模型表达为： s.t. 其中Tlim为设置的追踪航天器交会时间上限，RLP·表示式67描述的求解最后两次脉冲的过程；其中，所述步骤S202具体包括：以逃逸航天器的逃逸脉冲矢量ΔvE为优化变量，包括三个分量，ΔvE＝[ΔvEcosβEcosαE,ΔvEcosβEsinαE,ΔvEsinβE]T9其中ΔvE为逃逸速度脉冲大小，αE,βE分别为逃逸速度脉冲矢量的方位角与高低角；将模型8中优化出的最优值作为目标函数，记为JE＝fΔvE,αE,βE，构建出上层数学规划模型为：maxJE＝fΔvE,αE,βEs.t. 其中Δvmax为允许的逃逸脉冲大小上限。

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种基于深度学习的航天器反交会逃逸脉冲求解方法

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