CN109145490A - 基于数据特征挖掘的行星进入可达集最优子集计算方法 - Google Patents
基于数据特征挖掘的行星进入可达集最优子集计算方法 Download PDFInfo
- Publication number
- CN109145490A CN109145490A CN201811047691.5A CN201811047691A CN109145490A CN 109145490 A CN109145490 A CN 109145490A CN 201811047691 A CN201811047691 A CN 201811047691A CN 109145490 A CN109145490 A CN 109145490A
- Authority
- CN
- China
- Prior art keywords
- planet
- enters
- journey
- reachable set
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 13
- 238000013459 approach Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 6
- 239000000523 sample Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000002939 conjugate gradient method Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 25
- 238000013507 mapping Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,属于深空探测技术领域。本发明从智能数据特征挖掘的角度出发,挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系,将机器学习中高斯过程回归思想引入到行星进入可达集的求解过程;首先,对不同行星进入场景下航天器所能达到的可达集最优子集进行优化求解;通过对高斯过程回归模型参数的优化选取,进一步建立探测器初始进入状态与可达集最优子集的直接映射模型;由于不需要进行大量复杂的函数建模,使得行星进入可达集最优子集的计算效率大大提高。利用可达集最优子集的预测计算结果能够分析给定进入场景下,航天器的着陆安全区和碰撞风险区等。
Description
技术领域
本发明涉及一种基于数据特征挖掘的行星进入可达集最优子集的计算方法,属于深空探测技术领域。
背景技术
对给定航天器能够飞行的进入轨迹包络的研究是行星着陆任务分析与设计的重要辅助。可达集作为描绘轨迹包络的关键特征之一,可以形象直观地给出在边界条件与控制限制下探测器能到达点的全状态情况,可为行星着陆任务中进入轨迹的设计提供参考依据与设计思路。然而,由于大气进入复杂的动力学系统,完整的可达集是包含着陆器状态变量值的6维集合,对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的。针对这一问题,已有学者通过引入关注于某些感兴趣的轨迹特征的可达集的最优子集,来代替计算完整的可达集,但仍无法避免对复杂动力学模型的迭代积分与逐次轨迹寻优计算过程。同时,在对行星进入轨迹进行设计时,由于不同的进入方式以及控制机制,会衍生出多式多样的进入飞行方案,这一过程涉及的轨迹设计规模庞大,加之行星进入过程的严苛约束,这一工作就更为复杂繁琐。
机器学习中通过挖掘数据特征给出模型输入输出关系的方法称为监督学习。监督学习中的贝叶斯方法通过定义一个函数分布,赋予每一种可能的函数一个先验概率,通过假定的噪声分布可以得到训练集的似然函数,通过使似然函数最大化来得到输入输出的映射关系。本发明所采用的基于高斯过程回归(GPR)的数据特征挖掘模型即建立于此。高斯过程回归能够利用已知的一部分观测值对输入输出模型进行训练学习,找到模型输入输出的映射关系,从而在给定新的输入值时,能够迅速的给出对应的输出结果。由于不需要进行大量复杂的函数建模,使得基于GPR思想的预测计算方法的计算量大幅减小、计算效率大大提高。
发明内容
针对现有技术中行星进入可达集最优子集计算方法存在的求解效率低的问题。本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法要解决的技术问题是:从智能数据特征挖掘的角度出发,挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系,将机器学习中高斯过程回归思想引入到行星进入可达最优子集的求解过程,基于数据特征挖掘实现行星进入可达集最优子集计算,能够显著提高计算效率。此外,应用本发明的行星进入可达集最优子集计算结果,还能够分析给定进入场景下航天器的着陆安全区和碰撞风险区,进行避障规划,提高航天器的着陆安全性。
本发明的目的是通过下述技术方案实现的。
本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,从智能数据特征挖掘的角度出发,挖掘探测器进入初始轨迹参量与轨迹包络特征参量之间的映射关系,将机器学习中高斯过程回归思想引入到行星进入可达集的求解过程。首先,对不同行星进入场景下航天器所能达到的可达集最优子集进行优化求解。通过对高斯过程回归模型参数的优化选取,进一步建立探测器初始进入状态与可达集最优子集的直接映射模型。由于不需要进行大量复杂的函数建模,使得行星进入可达集最优子集的计算效率大大提高。利用可达集最优子集的预测计算结果能够分析给定进入场景下,航天器的着陆安全区和碰撞风险区等。
本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,包括如下步骤:
步骤1:建立行星进入段动力学模型。
考虑行星自转,采用如下动力学模型:
其中,r为行心距、Ω为行星自转角速度、g为行星当地重力加速度、V为航天器速度、t为时间。θ为经度、纬度、γ航迹角、ψ航向角和σ倾侧角。在速度域上给出多个倾侧角的值,通过插值得到倾侧角曲线。L、D为升力加速度和阻力加速度,表示为:
L=kD
其中,β为弹道系数、k为升阻比,ρ为行星大气密度。
步骤2:设计用于得到行星进入可达集最优子集的轨迹优化模型,实现行星进入可达集最优子集的优化计算。
行星进入可达集是包含航天器状态变量值的6维集合,对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的。因此通过引入关注于实际工程任务所感兴趣的轨迹特征的可达集的最优子集,来代替计算完整的可达集,使可达集的求解效率得到提升。将倾侧角σ作为优化变量,对在速度域上给出的多个倾侧角σ进行优化,通过插值得到优化的倾侧角σ曲线,再进行性能指标的计算。
步骤2具体实现方法为:
步骤2.1:设计基于横纵程范围的二维可达集优化求解模型,通过优化方法得到行星进入航天器所能达到的最大横纵程范围。
步骤2.1.1:建立行星进入轨迹优化模型目标函数J。
行星进入航天器所能飞行的横纵程范围的大小决定了行星探测任务能够探索区域的大小,是影响整个探测任务价值的关键指标。而行星进入航天器的横纵程范围由最大横程、最小纵程和最大纵程构成。在分别求解最大横程、最小纵程和最大纵程时,行星进入轨迹的过程约束和终端约束相同,因此只需将目标函数J进行相应的调整。
纵程L_D与横程L_C表示为:
L_D=RmβD
L_C=RmβC
其中,Rm为行星半径,βD、βC分别为纵程、横程所对应的行心角
βD=acos(cos(β0)/cos(βC))
βC=asin(sin(β0)sin(ψ0-ψb))
其中,ψ0为初始点的航向角,β0、ψb为求解纵程、横程对应的地心角的中间量,表示为:
其中,θ0、为进入点初始经纬度。
因此,当求解最大横程时:
J=-L_C
当求解最大纵程时:
J=-L_D
当求解最小纵程时:
J=L_D
步骤2.1.2:确立行星进入轨迹优化模型过程约束。
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度。
对于进入过程中的最小高度hmin,
约束时:h≥hmin;
不约束时:h≥hf,hf为减速装置开启时航天器的高度;
步骤2.1.3:确立行星进入轨迹优化模型终端约束
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间[Mfmin,Mfmax]:
Mfmin≤Mterm≤Mfmax
终端高度约束:
hterm=hf
步骤2.2:设计行星进入可达集最优子集优化求解模型,通过优化方法得到行星进入航天器的可达集最优子集。
步骤2.2.1:建立行星进入轨迹优化模型目标函数J。
行星进入航天器的终端高度直接影响降落过程进行机动的时间、落点范围的大小,以及对减速装置性能的要求。更高的终端高度能够提供足够充分的时间对探测器进行位置姿态调整,从而影响整个任务的成败。并且在确定目标着陆区域及减速装置限制的条件下,更高的终端高度能够使具有更大载荷的探测器充分减速,平稳降落在行星表面。因此,通过步骤2.1优化求解得到最大横纵程范围后,在所得到的最大横纵程边界范围内进行网格划分,每一个网格点作为目标落点,对每一组目标落点横纵程所对应的最大终端高度进行优化,得到行星进入可达集最优子集。
选取终端高度hterm作为优化目标:
hterm=rterm-Rm
其中,rterm为减速装置开启时的行心距、Rm为行星半径。
步骤2.2.2:确立行星进入轨迹优化模型过程约束。
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度。
对于进入过程中的最小高度hmin,h≥hmin
步骤2.2.3:确立行星进入轨迹优化模型终端约束。
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间
Mfmin≤Mterm≤Mfmax
终端状态对应的横纵程约束:
|L_D-L_D_f|≤L_D_e
|L_C-L_C_f|≤L_C_e
其中,L_C_f、L_D_f分别为在最大横纵程边界范围内划分网格后的一组目标落点对应的横纵程,L_C_e、L_D_e分别为横程、纵程允许的最大误差。
步骤2.3:通过优化方法实现求解可达集最优子集的行星进入轨迹优化。
将倾侧角σ作为优化变量,通过优化方法对在速度域上给出的多个倾侧角进行优化,通过插值得到优化的倾侧角曲线,再利用步骤1所建立的行星进入段动力学模型进行目标函数J的计算,实现求解可达集最优子集的行星进入轨迹优化。
步骤2.3所述的优化方法包括遗传算法、粒子群算法、高斯伪谱法等。为利用遗传算法全局性好的优点避免局部最小值,从而保证优化结果的质量,步骤2.3所述的优化方法采用基于遗传算法的优化求解器。
步骤3:设计采用高斯过程回归的行星进入可达集最优子集预测计算模型,实现基于数据特征挖掘的行星进入可达集最优子集计算。
利用高斯过程回归的方法对行星进入段可达集最优子集预测计算模型进行设计,建立行星探测器初始进入状态、升阻比、弹道系数、最大过载约束、终端约束与行星进入可达集最优子集之间的输入输出模型。
首先,将步骤2中的不同进入速度、升阻比、弹道系数、过程约束以及目标终端开伞高度的参数组合作为模型的输入,优化求解到的最大纵程L_D_max、最小纵程L_D_min和最大横程L_C_max分别作为模型的输出。
为模型的输入
分别为模型的输出
得到最大横纵程范围后,在最大横纵程边界内进行网格划分,将每个目标落点的横程L_C_f、纵程L_D_f加入到模型输入中替换掉目标终端高度hf,将输入参数所对应的最大终端高度作为模型输出:
为模型的输入
yi=hterm为模型的输出
其次,选择适当的均值函数和核函数,设计预测模型框架。
选用零均值函数及平方指数协方差函数。其表达式为:
m(x)=0
由此,预测数据与已知的训练数据符合联合正态分布:
从而计算出新数据的均值和方差
接着,通过训练数据优化模型超参数。
参数向量称为超参数,l为方差尺度,为信号方差,为噪声方差。设ω的分布依然是高斯分布。由贝叶斯公式得到参数ω的似然函数p(ω|y,x)。
由数据集的联合概率分布:
同时:
p(y|x)=∫p(y|x,ω)p(ω)dω
利用共轭梯度法,通过使训练数据具有最大对数边缘似然来得到最优的超参数取值。通过优化超参数,使模型训练输出的概率达到最大,控制预测误差在合理的范围内。
最后,利用优化求解出的超参数,确定行星进入可达集预测计算模型。使在给定探测任务的某些初始参数时,能够利用预测模型快速、准确的对探测器行星进入所能达到的可达集最优子集进行预测计算。
还包括步骤4:利用步骤3所述的采用高斯过程回归方法的行星进入可达集最优子集预测计算,实现对不同进入场景、不同航天器参数组合下航天器所能达到的可达集最优子集进行预测计算。
还包括步骤5:利用步骤4预测计算结果对行星进入碰撞风险区与着陆安全区进行飞行,进而解决行星进入领域相关工程问题。
有益效果:
1.本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,采用高斯过程回归方法建立可达集最优子集预测计算模型,由于在计算可达集最优子集时不需要进行复杂的建模以及大规模的运算,求解效率大大提升。利用本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,可以在几十秒量级内完成给定进入场景下的行星进入可达集最优子集的计算,平均相对误差在6%以内,而采用传统的进入轨迹优化算法,针对给定进入场景下的可达集的求解往往就要花费几十小时的时间,因此本发明所公开的方法在保证准确性的同时,评估效率大大提高。
2.行星进入可达集是包含航天器状态变量值的6维集合,对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的。本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,通过引入关注于实际工程任务所感兴趣的轨迹特征的可达集的最优子集,来代替计算完整的可达集,使可达集的求解效率得到提升。
3.本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,采用基于遗传算法作为优化求解器,能够利用遗传算法全局性好的优点避免局部最小值,从而保证优化结果的质量。
4.应用本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,能够对给定进入轨迹初始参量和航天器参数组合下航天器所能达到的行星进入可达集最优子集进行高效预测计算,利用预测计算结果能够对行星进入碰撞风险区与着陆安全区的进行分析,进而解决行星进入领域相关工程问题。
附图说明
图1为本发明公开的基于数据特征挖掘的行星进入可达集最优子集计算方法流程图;
图2为预测误差随训练数据集大小的变化规律;
图3为可达集最大终端高度随横纵程的变化关系;
图4为最大终端高度随横纵程变化的等高线图;
图5为可达集横纵程范围内碰撞风险与着陆安全区。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合实例对发明内容做进一步说明。
本实例针对火星进入段可达集最优子集的计算,首先,利用遗传算法对火星进入轨迹进行优化求解,以提供高质量的训练样本;其次,选取合适的样本间相关性描述参数,建立基于高斯过程回归的火星进入可达集预测模型;最后,验证本文所提出的预测计算模型的有效性,并以进入速度3.3km/s,进入角10deg,弹道系数200kg/m2,升阻比0.4,最大过载约束30为例,利用计算模型预测航天器所能达到的可达集最优子集以及对有碰撞风险的区域进行分析评估,具体流程图如图1所示。
本实施例公开的基于数据特征挖掘的行星进入可达集最优子集计算方法,具体实施方法如下:
步骤1:建立火星进入段动力学模型。
考虑火星自转,采用如下动力学模型:
其中,r为火心距、Ω为火星自转角速度、g为火星当地重力加速度、V为航天器速度、t为时间。θ分别为经度、纬度、γ航迹角、ψ航向角和σ倾侧角。在速度域上给出多个倾侧角的值,通过插值得到倾侧角曲线。L D为升力加速度和阻力加速度,假设气动参数完全能够通过弹道系数和升阻比来表示,那么有:
L=kD
其中,β为弹道系数、k为升阻比,ρ为火星大气密度,依据海盗号观测数据,采取简化的大气指数模型:
ρ=ρ0e(-h/hs)
其中ρ0=1.474×10-2kg/m3、hs=8.8057×103km,h为航天器距火星表面高度。
步骤2:设计用于得到火星进入可达集最优子集的轨迹优化模型,实现火星进入可达集最优子集的优化计算。
火星进入可达集是包含航天器状态变量值的6维集合,对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的。因此通过引入关注于实际工程任务所感兴趣的轨迹特征的可达集的最优子集,来代替计算完整的可达集,使可达集的求解效率得到提升。将倾侧角σ作为优化变量,对在速度域上给出的10个倾侧角进行优化,通过插值得到优化的倾侧角曲线,再进行性能指标的计算。
步骤2.1:设计基于横纵程范围的二维可达集优化求解模型,通过优化方法得到火星进入航天器所能达到的最大横纵程范围。
步骤2.1.1:建立火星进入轨迹优化模型目标函数J。
火星进入航天器所能飞行的横纵程范围的大小决定了火星探测任务能够探索区域的大小,是影响整个探测任务价值的关键指标。而火星进入航天器的横纵程范围由最大横程、最小纵程和最大纵程构成。在分别求解最大横程、最小纵程和最大纵程时,火星进入轨迹的过程约束和终端约束相同,因此只需将目标函数J进行相应的调整。
纵程L_D与横程L_C表示为:
L_D=RmβD
L_C=RmβC
其中,Rm=3396km为火星半径,βD、βC分别为纵程、横程所对应的火心角
βD=acos(cos(β0)/cos(βC))
βC=asin(sin(β0)sin(ψ0-ψb))
其中,ψ0为初始点的航向角,β0、ψb为求解纵程、横程对应的地心角的中间量,表示为:
其中,θ0、为进入点初始经纬度
因此,当求解最大横程时:
J=-L_C
当求解最大纵程时:
J=-L_D
当求解最小纵程时:
J=L_D
步骤2.1.2:确立火星进入轨迹优化模型过程约束。
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度。
对于进入过程中的最小高度hmin,
约束时:h≥hmin;
不约束时:h≥hf,hf为减速装置开启时航天器的高度;
步骤2.1.3:确立火星进入轨迹优化模型终端约束
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间
Mfmin≤Mterm≤Mfmax
终端高度约束:
hterm=hf
步骤2.2:设计火星进入可达集最优子集优化求解模型,通过优化方法得到火星进入航天器的可达集最优子集。
步骤2.2.1:建立火星进入轨迹优化模型目标函数J。
火星进入航天器的终端高度直接影响降落过程进行机动的时间、落点范围的大小,以及对减速装置性能的要求。更高的终端高度能够提供足够充分的时间对探测器进行位置姿态调整,从而影响整个任务的成败。并且在确定目标着陆区域及减速装置限制的条件下,更高的终端高度能够使具有更大载荷的探测器充分减速,平稳降落在火星表面。因此,通过步骤2.1优化求解得到最大横纵程范围后,在所得到的最大横纵程边界范围内进行网格划分,每一个网格点作为目标落点,对每一组目标落点横纵程所对应的最大终端高度进行优化,得到火星进入可达集最优子集。
选取终端高度hterm作为优化目标:
hterm=rterm-Rm
其中,rterm为减速装置开启时的火心距、Rm=3396km为火星半径。
步骤2.2.2:确立火星进入轨迹优化模型过程约束。
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度。
对于进入过程中的最小高度hmin,h≥hmin
步骤2.2.3:确立火星进入轨迹优化模型终端约束。
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间
Mfmin≤Mterm≤Mfmax
终端状态对应的横纵程约束:
|L_D-L_D_f|≤L_D_e
|L_C-L_C_f|≤L_C_e
其中,L_C_f、L_D_f分别为在最大横纵程边界范围内划分网格后的一组目标落点对应的横纵程,L_C_e、L_D_e分别为横程、纵程允许的最大误差。
步骤2.3:通过优化方法实现求解可达集最优子集的火星进入轨迹优化。
将倾侧角σ作为优化变量,通过优化方法对在速度域上给出的10个倾侧角进行优化,通过插值得到优化的倾侧角曲线,再利用步骤1所建立的火星进入段动力学模型进行目标函数J的计算,实现求解可达集最优子集的火星进入轨迹优化。
步骤2.3所述的优化方法包括遗传算法、粒子群算法、高斯伪谱法等。为利用遗传算法全局性好的优点避免局部最小值,从而保证优化结果的质量,步骤2.3所述的优化方法采用基于遗传算法的优化求解器。
常见的航天器特征参数与火星进入场景如表1所示。对不同的火星进入场景、航天器设计参数以及过程约束的参数组合进行了1550余组仿真,一共得到了990余组满足约束条件的最优解。
表1 航天器特征参数与火星进入场景
步骤3:设计采用高斯过程回归的火星进入可达集最优子集预测计算模型,实现基于数据特征挖掘的火星进入可达集最优子集计算。
利用高斯过程回归的方法对火星进入段可达集最优子集预测计算模型进行设计,建立火星探测器初始进入状态、升阻比、弹道系数、最大过载约束、终端约束与火星进入可达集最优子集之间的输入输出模型。
首先,将步骤2中的,不同进入速度、升阻比、弹道系数、过程约束以及目标终端开伞高度的参数组合作为模型的输入,优化求解到的最大纵程L_D_max、最小纵程L_D_min和最大横程L_C_max分别作为模型的输出。
为模型的输入
分别为模型的输出
得到最大横纵程范围后,在最大横纵程边界内进行网格划分,将每个目标落点的横程L_C_f、纵程L_D_f加入到模型输入中替换掉目标终端高度hf,将输入参数所对应的最大终端高度作为模型输出:
为模型的输入
yi=hterm为模型的输出
其次,选择适当的均值函数和核函数,设计预测模型框架。
选用零均值函数及平方指数协方差函数。其表达式为:
m(x)=0
由此,预测数据与已知的训练数据符合联合正态分布:
从而计算出新数据的均值和方差
接着,通过训练数据优化模型超参数。
参数向量称为超参数,l为方差尺度,为信号方差,为噪声方差。设ω的分布依然是高斯分布。由贝叶斯公式可以得到参数ω的似然函数p(ω|y,x)。
由数据集的联合概率分布:
同时:
p(y|x)=∫p(y|x,ω)p(ω)dω
可以利用共轭梯度法,通过使训练数据具有最大对数边缘似然来得到最优的超参数取值。通过优化超参数,使模型训练输出的概率达到最大,控制预测误差在合理的范围内。
最后,利用优化求解出的超参数,确定火星进入可达集预测计算模型。使在给定探测任务的某些初始参数时,能够利用预测模型快速、准确的对探测器火星进入所能达到的可达集最优子集进行预测计算。
还包括步骤4:利用步骤3所述的采用高斯过程回归方法的火星进入可达集最优子集预测计算,实现对不同进入场景、不同航天器参数组合下航天器所能达到的可达集最优子集进行预测计算。
还包括步骤5:利用步骤4预测计算结果对火星进入碰撞风险区与着陆安全区进行飞行,进而解决火星进入领域相关工程问题。
利用得到的数据集,对预测计算模型进行计算误差分析,抽取165组数据作为测试数据,在其余数据中分别均匀抽取137组、165组、206组、275组和412组数据作为训练数据,对模型进行训练。计算结果的误差性能如表2所示,计算误差随训练数据集大小变化的关系如图2所示。
由图2可知,当训练数据达到300组左右时,随着训练数据的增加,预测计算模型的性能提升的很小,预测结果的平均相对误差稳定在6%附近。
利用预测计算模型,对不同火星进入场景下航天器的可达集最优子集进行预测计算。图3、4、5是以进入速度3.3km/s,进入角10deg,弹道系数200kg/m2,升阻比0.4,最大过载约束30为例时的可达集最优子集结果展示。其中,图3为可达集最大终端高度随不同横纵程的变化关系。图4为最大终端高度随不同横纵程变化的等高线图。图5为可达集横纵程范围内具有碰撞风险与着陆相对安全的区域划分。
表2 预测模型性能评估
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:包括如下步骤,
步骤1:建立行星进入段动力学模型;
步骤2:设计用于得到行星进入可达集最优子集的轨迹优化模型,实现行星进入可达集最优子集的优化计算;
行星进入可达集是包含航天器状态变量值的6维集合,对完整可达集的计算或者仅对其边界进行求解的计算量都会是十分庞大的;因此通过引入关注于实际工程任务所感兴趣的轨迹特征的可达集的最优子集,来代替计算完整的可达集,使可达集的求解效率得到提升;将倾侧角σ作为优化变量,对在速度域上给出的多个倾侧角σ进行优化,通过插值得到优化的倾侧角σ曲线,再进行性能指标的计算;
步骤3:设计采用高斯过程回归的行星进入可达集最优子集预测计算模型,实现基于数据特征挖掘的行星进入可达集最优子集计算。
2.如权利要求1所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:还包括步骤4:利用步骤3所述的采用高斯过程回归方法的行星进入可达集最优子集预测计算,实现对不同进入场景、不同航天器参数组合下航天器所能达到的可达集最优子集进行预测计算。
3.如权利要求2所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:还包括步骤5:利用步骤4预测计算结果对行星进入碰撞风险区与着陆安全区进行飞行,进而解决行星进入领域相关工程问题。
4.如权利要求1、2或3所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤1具体实现方法为,
考虑行星自转,采用如下动力学模型:
其中,r为行心距、Ω为行星自转角速度、g为行星当地重力加速度、V为航天器速度、t为时间;θ为经度、纬度、γ航迹角、ψ航向角和σ倾侧角;在速度域上给出多个倾侧角的值,通过插值得到倾侧角曲线;L、D为升力加速度和阻力加速度,表示为:
L=kD
其中,β为弹道系数、k为升阻比,ρ为行星大气密度。
5.如权利要求4所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤2具体实现方法为,
步骤2.1:设计基于横纵程范围的二维可达集优化求解模型,通过优化方法得到行星进入航天器所能达到的最大横纵程范围;
步骤2.2:设计行星进入可达集最优子集优化求解模型,通过优化方法得到行星进入航天器的可达集最优子集;
步骤2.3:通过优化方法实现求解可达集最优子集的行星进入轨迹优化;
将倾侧角σ作为优化变量,通过优化方法对在速度域上给出的多个倾侧角进行优化,通过插值得到优化的倾侧角曲线,再利用步骤1所建立的行星进入段动力学模型进行目标函数J的计算,实现求解可达集最优子集的行星进入轨迹优化。
6.如权利要求5所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤3具体实现方法为,
利用高斯过程回归的方法对行星进入段可达集最优子集预测计算模型进行设计,建立行星探测器初始进入状态、升阻比、弹道系数、最大过载约束、终端约束与行星进入可达集最优子集之间的输入输出模型;
首先,将步骤2中的不同进入速度、升阻比、弹道系数、过程约束以及目标终端开伞高度的参数组合作为模型的输入,优化求解到的最大纵程L_D_max、最小纵程L_D_min和最大横程L_C_max分别作为模型的输出;
为模型的输入
分别为模型的输出
得到最大横纵程范围后,在最大横纵程边界内进行网格划分,将每个目标落点的横程L_C_f、纵程L_D_f加入到模型输入中替换掉目标终端高度hf,将输入参数所对应的最大终端高度作为模型输出:
为模型的输入
yi=hterm为模型的输出
其次,选择适当的均值函数和核函数,设计预测模型框架;
选用零均值函数及平方指数协方差函数;其表达式为:
m(x)=0
由此,预测数据与已知的训练数据符合联合正态分布:
从而计算出新数据的均值和方差
接着,通过训练数据优化模型超参数;
参数向量称为超参数,l为方差尺度,为信号方差,为噪声方差;设ω的分布依然是高斯分布;由贝叶斯公式得到参数ω的似然函数p(ω|y,x);
由数据集的联合概率分布:
同时:
p(y|x)=∫p(y|x,ω)p(ω)dω
利用共轭梯度法,通过使训练数据具有最大对数边缘似然来得到最优的超参数取值;通过优化超参数,使模型训练输出的概率达到最大,控制预测误差在合理的范围内;
最后,利用优化求解出的超参数,确定行星进入可达集预测计算模型;使在给定探测任务的某些初始参数时,能够利用预测模型快速、准确的对探测器行星进入所能达到的可达集最优子集进行预测计算。
7.如权利要求5所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤2.1具体实现方法为,
步骤2.1.1:建立行星进入轨迹优化模型目标函数J;
行星进入航天器所能飞行的横纵程范围的大小决定了行星探测任务能够探索区域的大小,是影响整个探测任务价值的关键指标;而行星进入航天器的横纵程范围由最大横程、最小纵程和最大纵程构成;在分别求解最大横程、最小纵程和最大纵程时,行星进入轨迹的过程约束和终端约束相同,因此只需将目标函数J进行相应的调整;
纵程L_D与横程L_C表示为:
L_D=RmβD
L_C=RmβC
其中,Rm为行星半径,βD、βC分别为纵程、横程所对应的行心角
βD=acos(cos(β0)/cos(βC))
βC=asin(sin(β0)sin(ψ0-ψb))
其中,ψ0为初始点的航向角,β0、ψb为求解纵程、横程对应的地心角的中间量,表示为:
其中,θ0、为进入点初始经纬度;
因此,当求解最大横程时:
J=-L_C
当求解最大纵程时:
J=-L_D
当求解最小纵程时:
J=L_D
步骤2.1.2:确立行星进入轨迹优化模型过程约束;
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度;
对于进入过程中的最小高度hmin,
约束时:h≥hmin;
不约束时:h≥hf,hf为减速装置开启时航天器的高度;
步骤2.1.3:确立行星进入轨迹优化模型终端约束
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间
Mfmin≤Mterm≤Mfmax
终端高度约束:
hterm=hf。
8.如权利要求5所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤2.2具体实现方法为,
步骤2.2.1:建立行星进入轨迹优化模型目标函数J;
行星进入航天器的终端高度直接影响降落过程进行机动的时间、落点范围的大小,以及对减速装置性能的要求;更高的终端高度能够提供足够充分的时间对探测器进行位置姿态调整,从而影响整个任务的成败;并且在确定目标着陆区域及减速装置限制的条件下,更高的终端高度能够使具有更大载荷的探测器充分减速,平稳降落在行星表面;因此,通过步骤2.1优化求解得到最大横纵程范围后,在所得到的最大横纵程边界范围内进行网格划分,每一个网格点作为目标落点,对每一组目标落点横纵程所对应的最大终端高度进行优化,得到行星进入可达集最优子集;
选取终端高度hterm作为优化目标:
hterm=rterm-Rm
其中,rterm为减速装置开启时的行心距、Rm为行星半径;
步骤2.2.2:确立行星进入轨迹优化模型过程约束;
过载F的约束,反映航天器/航天员能够承受的最大减速加速度Fmax:
热流密度Q的约束,反映航天器能够承受的热流峰值Qmax:
其中,Qz为热流密度系数,Ve为参考速度,ρ0为参考密度;
对于进入过程中的最小高度hmin,h≥hmin
步骤2.2.3:确立行星进入轨迹优化模型终端约束;
终端马赫数Mterm约束,反映保证减速装置能够正常启动时的速度区间
Mfmin≤Mterm≤Mfmax
终端状态对应的横纵程约束:
|L_D-L_D_f|≤L_D_e
|L_C-L_C_f|≤L_C_e
其中,L_C_f、L_D_f分别为在最大横纵程边界范围内划分网格后的一组目标落点对应的横纵程,L_C_e、L_D_e分别为横程、纵程允许的最大误差。
9.如权利要求5所述的基于数据特征挖掘的行星进入可达集最优子集计算方法,其特征在于:步骤2.3所述的优化方法包括遗传算法、粒子群算法、高斯伪谱法等为利用遗传算法全局性好的优点避免局部最小值,从而保证优化结果的质量,步骤2.3所述的优化方法采用基于遗传算法的优化求解器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811047691.5A CN109145490A (zh) | 2018-09-10 | 2018-09-10 | 基于数据特征挖掘的行星进入可达集最优子集计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811047691.5A CN109145490A (zh) | 2018-09-10 | 2018-09-10 | 基于数据特征挖掘的行星进入可达集最优子集计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145490A true CN109145490A (zh) | 2019-01-04 |
Family
ID=64824132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811047691.5A Pending CN109145490A (zh) | 2018-09-10 | 2018-09-10 | 基于数据特征挖掘的行星进入可达集最优子集计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145490A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110559A (zh) * | 2021-05-13 | 2021-07-13 | 北京理工大学 | 一种小天体表面弹跳运动最优控制方法 |
CN113408059A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种汽车复合材料保险杠防撞梁厚度的多目标优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2953302A1 (fr) * | 2009-11-27 | 2011-06-03 | Thales Sa | Procede de planification, de calcul de trajectoire, de predictions et de guidage pour le respect d'une contrainte de temps de passage d'un aeronef |
CN104648695A (zh) * | 2014-12-18 | 2015-05-27 | 北京控制工程研究所 | 一种基于倾侧角可用性的再入走廊最优规划方法 |
CN106742069A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种火星大气进入段最优预测制导方法 |
CN107323691A (zh) * | 2017-07-04 | 2017-11-07 | 北京理工大学 | 一种多约束火星大气进入预测制导方法 |
CN108491650A (zh) * | 2018-03-29 | 2018-09-04 | 北京理工大学 | 一种基于智能学习的火星进入终端状态高效评估方法 |
-
2018
- 2018-09-10 CN CN201811047691.5A patent/CN109145490A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2953302A1 (fr) * | 2009-11-27 | 2011-06-03 | Thales Sa | Procede de planification, de calcul de trajectoire, de predictions et de guidage pour le respect d'une contrainte de temps de passage d'un aeronef |
CN104648695A (zh) * | 2014-12-18 | 2015-05-27 | 北京控制工程研究所 | 一种基于倾侧角可用性的再入走廊最优规划方法 |
CN106742069A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种火星大气进入段最优预测制导方法 |
CN107323691A (zh) * | 2017-07-04 | 2017-11-07 | 北京理工大学 | 一种多约束火星大气进入预测制导方法 |
CN108491650A (zh) * | 2018-03-29 | 2018-09-04 | 北京理工大学 | 一种基于智能学习的火星进入终端状态高效评估方法 |
Non-Patent Citations (3)
Title |
---|
张凯 等: "滑翔式高超声速目标可达区域计算方法", 《现代防御技术》 * |
肖翔等: "升力式再入飞行器两种可达区域计算方法的探讨", 《航天控制》 * |
郑伟 等: "弹道导弹零射程线及其应用", 《飞行力学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110559A (zh) * | 2021-05-13 | 2021-07-13 | 北京理工大学 | 一种小天体表面弹跳运动最优控制方法 |
CN113110559B (zh) * | 2021-05-13 | 2022-03-18 | 北京理工大学 | 一种小天体表面弹跳运动最优控制方法 |
CN113408059A (zh) * | 2021-06-30 | 2021-09-17 | 吉林大学 | 一种汽车复合材料保险杠防撞梁厚度的多目标优化方法 |
CN113408059B (zh) * | 2021-06-30 | 2022-06-07 | 吉林大学 | 一种汽车复合材料保险杠防撞梁厚度的多目标优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A parallel SLA-based algorithm for global mesoscale eddy identification | |
CN106354152B (zh) | 一种对辐射型禁飞区的再入轨迹优化设计方法 | |
Moser et al. | The influence of successive thermals on entrainment and dilution in a simulated cumulus congestus | |
CN108491650A (zh) | 一种基于智能学习的火星进入终端状态高效评估方法 | |
CN106066493A (zh) | 贝叶斯岩相判别方法及装置 | |
CN103743402B (zh) | 一种基于地形信息量的水下智能自适应地形匹配方法 | |
CN101908213B (zh) | 基于量子免疫克隆的sar图像变化检测方法 | |
CN106295000B (zh) | 一种考虑不确定性影响的火星大气进入段轨迹优化方法 | |
CN113868971B (zh) | 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 | |
Bencatel et al. | Atmospheric flow field models applicable for aircraft endurance extension | |
CN105224738B (zh) | Lssvm非高斯脉动风速预测方法 | |
CN111045080B (zh) | 一种基于pso-bp模型和地震属性参数的煤层含气量预测方法 | |
CN106528989A (zh) | 一种分布式并行sph仿真方法 | |
CN109145490A (zh) | 基于数据特征挖掘的行星进入可达集最优子集计算方法 | |
CN104680002B (zh) | 一种基于随机集理论的分布式融合方法 | |
CN110133755A (zh) | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 | |
Dai et al. | The outflow–rainband relationship induced by environmental flow around tropical cyclones | |
CN110082738A (zh) | 基于高斯混合和张量循环神经网络的雷达目标识别方法 | |
CN106503365A (zh) | 一种用于sph算法的分区搜索方法 | |
CN109255183A (zh) | 一种基于二维落点走廊表征的行星进入飞行航程预测方法 | |
CN106485030A (zh) | 一种用于sph算法的对称边界处理方法 | |
CN104573264B (zh) | 模拟航空器穿越低空风切变区的方法 | |
CN110427957A (zh) | 一种基于机器学习的地球化学数据的分类方法和装置 | |
CN105825231A (zh) | 一种基于人工智能的空间碎片光谱特征分类方法 | |
Cao et al. | Flight Trajectory Simulation and Aerodynamic Parameter Identification of Large‐Scale Parachute |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |
|
RJ01 | Rejection of invention patent application after publication |