CN109189089A - 用于卫星地面飞控任务的智能辅助决策方法 - Google Patents
用于卫星地面飞控任务的智能辅助决策方法 Download PDFInfo
- Publication number
- CN109189089A CN109189089A CN201810997405.5A CN201810997405A CN109189089A CN 109189089 A CN109189089 A CN 109189089A CN 201810997405 A CN201810997405 A CN 201810997405A CN 109189089 A CN109189089 A CN 109189089A
- Authority
- CN
- China
- Prior art keywords
- instruction
- decision
- probability
- satellite
- intelligent
- 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.)
- Granted
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了用于卫星地面飞控任务的智能辅助决策方法如下:建立状态与决策判读数据库;获取在轨卫星系统状态、前序指令和注入目标,在状态与决策判读数据库中搜索目标与注入目标匹配的数据项,计算每个匹配数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为数据库决策指令单可信概率;采用循环搜索智能预测的方法,选取当前系统状态执行各指令所形成的达成注入目标可信概率最大的分支路径,作为智能决策指令单,并将该最大可信概率记为智能决策指令单可信概率;将数据库决策指令单可信概率、智能决策指令单可信概率进行比较,经投票表决后,筛选出最佳的指令单。
Description
技术领域
本发明涉及用于卫星地面飞控任务的智能辅助决策方法,适用于各类型航天器在轨运行过程中的地面飞控工作,属于人工智能技术领域。
背景技术
在卫星发射后,地面飞控人员通过测控站向卫星发出一系列指令,同时对卫星下传遥测量进行判读,指挥卫星进入预定状态或完成指定任务,并在遇到突发情况时进行紧急处置。对于高轨卫星,尤其是空间操作卫星,遥控指令和遥测状态数量都达到三位数,由此为飞控工作带来以下问题:(1)航天器在轨任务的复杂程度可能超出地面预期,在遇到突发状态时,紧急生成的飞控指令中可能存在需求外的耦合响应、漏发错发指令、指令顺序有误等情况;(2)任务成功与否很大程度上依赖于操作人员的能力和经验,如果航天器在轨运行年份较长,很难保证有经验的设计人员或测试人员能够持续在岗,即使是在飞控流程预先设计中也容易出现效率低下或错漏;(3)现有飞控情况下,只是有针对性地执行单一任务,如果同时面对多航天器协同执行任务或并行执行任务,则对操作人员和飞控场地资源的需求将大幅增加。因此,为解决上述问题,保证高效准确地完成地面飞控工作,设计针对地面飞控任务的智能辅助方法显得尤为重要。
在地面飞控任务中,借助于先进的信息化和自动化系统,可以较容易实现遥测参数判读、遥控指令生成、校对、模拟运行、结果预计等工作,目前相关方面的应用也比较成熟。然而,当航天器在轨执行空间操作等复杂任务、面对突发状态和非常规流程操作时,现有系统无法生成合适的指令序列,只能依靠飞控人员经验分析处置。文献[1]介绍了美国空军研究实验室在TechSat 21工程中,通过使用自动化软件,对一簇相互合作的卫星群进行指挥与控制。具体包括按照预定轨迹飞行、规避碰撞、故障诊断隔离与恢复、行为设计与规划等内容。文献[2]在航天测控领域引入专家系统,用以提高测控系统自动化程度。提出了利用专家系统的理论和方法构建卫星长期测控管理专家系统的设计方案,提高管理可靠性,降低常管人员劳动强度,并指出了其发展前景。
[1]P.Zetocha,L.Self,R.Wainwright,et al.Commanding and controllingsatellite clusters[J].IEEE Intelligent Systems,2000,15(6):8-13.
[2]刘鹏,谢斌,朱参世.专家系统在卫星测控管理中的应用技术研究[J].现代电子技术,2007,30(15):66-68.
上述文献的技术方案的缺点主要体现在:(1)只针对卫星已经设计好的固有常规任务进行规划和诊断,无法应对卫星面对复杂环境执行高难度任务情况;(2)无法对星上当前任务目标进行合理有效地判断,从而有针对性地在多种相似情况下提出不同的控制决策;(3)专家系统的建立完全基于历史经验样本,当出现未知问题时,很难提出高可靠度的决策推理,无法生成可用的控制指令单。
发明内容
本发明解决的技术问题为:克服现有技术的不足,提供用于卫星地面飞控任务的智能辅助决策方法,解决飞控能力与资源可能不足以应对未来高频率复杂在轨任务的问题,形成人机智能共生卫星飞控指挥与决策新生态,有效应对空间新局面。
本发明解决的技术方案为:用于卫星地面飞控任务的智能辅助决策方法,该方法步骤如下:
(1a)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项包括卫星系统状态、前序指令、目标、指令序列;
(2a)、获取在轨卫星系统状态、前序指令和注入目标,在状态与决策判读数据库中搜索目标与注入目标匹配的数据项,计算每个匹配数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为数据库决策指令单可信概率P1';
(3a)、根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,选取当前系统状态执行各指令所形成的达成注入目标可信概率最大的分支路径,作为智能决策指令单,并将该最大可信概率记为智能决策指令单可信概率P2';
(4a)、将数据库决策指令单可信概率P1'、智能决策指令单可信概率P2'进行比较,经投票表决后,筛选出最佳的指令单。
当所述步骤(4a)中具体的表决方法为:
当且P2′≤ε′时,选择数据库决策指令单,否则,选择智能决策指令单,其中ε′为预设门限,根据系统测试经验获得。
所述步骤(2a)中可信概率的计算方法为:
(2.1a)、将筛选出的某数据项中存储的卫星系统状态与当前在轨卫星系统状态进行比对,卫星系统状态总数为Nt,比对后状态符合数为Nc,当前数据项的卫星系统状态符合概率Ps为Nc/Nt;
(2.2a)、将筛选出的某数据项中存储的前序指令,与当前在轨卫星系统前序指令进行比对,计算的当前数据项的前序指令符合概率Pc;
当前数据项的前序指令符合概率Pc的计算公式为:
其中n数据项中存储的指令条数,ek为n数据项中存储的第k条指令符合概率,k∈[1,n],若第k条指令不存在于在轨前序指令中,则ek=n2,若第k条指令存在于在轨前序指令中并且次序为kt,则ek=(k-kt)2;
(2.3a)、对筛选出的某数据项系统状态符合概率和前序指令符合概率加权求和,权重分别为1-ω和ω,则某数据项的可信概率为:
本发明的另一个用于卫星地面飞控任务的智能辅助决策方法的步骤如下:
(1b)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项由前序指令、卫星系统状态、目标、指令序列组成;
(2b)、获取在轨卫星系统状态、前序指令,计算每个数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为无注入目标数据库决策指令单可信概率P1;
(3b)、根据在轨卫星系统状态、前序指令,进行目标倾向智能判断,得到智能预测目标;
(4b)、分别将数据库决策目标和智能预测目标作为注入目标,根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,得到数据库目标智能决策指令单、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单和智能预测目标智能决策指令单可信概率P3;
(5b)、对无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3进行比较,筛选出最佳的指令单,作为最终智能辅助决策。
所述步骤(5b)中具体的判决方法为:
无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3,当数据库目标与智能预测目标不一致,并且[P3>1-(1-P1)(1-P2)]∩(P1<ε),选择智能预测目标智能决策指令单;否则,对数据库决策指令单可信概率P1和数据库目标智能决策指令单可信概率P2进行判断,当且P2<ε时,选择数据库决策指令单;否则,选择数据库目标智能决策指令单。
所述步骤(3b)的具体方法是:
(3.1b)、获取归一化之后的当前在轨卫星系统状态,用x表示,计算当前状态为x的条件下Nm个目标倾向的概率
式中,表示当前状态为x的条件下第j个目标倾向的概率,j=1~Nm,Nm为目标倾向总数,θTg.j为模型计算参数,根据目标倾向样本库训练获得,目标倾向样本库中的训练数据包括多组系统状态、每组系统状态对应的系统目标,使用通用的梯度下降法,求解模型参数θTg.j;
(3.2b)、根据计算所得目标倾向概率,选取目标倾向概率最大的目标,作为智能预测目标。
所述的循环搜索获取智能决策指令单步骤如下:
(3.1a)、将在轨卫星近期收到的前序指令作为初始指令路径C(0),将在轨卫星近期收到的前序指令和当前系统状态x(0),开始第一次循环搜索,设cnt=1;
(3.2a)、获取顶层节点状态对应的被推荐指令至指令以及各指令推荐度
(3.3a)、将推荐度超出预设门限的指令记为可用分支指令,获得可用分支指令至
(3.4a)、在当前系统状态的基础上,采用各可用分支指令,分别进行指令执行模拟,预测指令路径中新可用分支指令执行后的新卫星系统状态 预测各组新卫星系统状态对应的目标达成概率将目标达成概率与对应的指令推荐度相乘,得到该可用分支的可信概率;
(3.5a)、判断所有新卫星系统状态是否都满足循环终止条件,是的话,进入步骤(3.6a),否则,将未满足循环终止条件的新卫星系统状态作为新的初始卫星系统状态x(0),将该新卫星系统状态对应的指令,追加到初始指令路径中以更新指令路径,并作为新的初始指令路径C(0),循环执行步骤(3.1a)~步骤(3.5a),计算每个未满足循环终止条件的卫星系统状态对应的可用分支以及可用分支的可信概率;
所述循环终止条件是:新的卫星系统状态与注入目标一致,或者循环超过一定次数;
(3.6a)、将所有指令路径的可信概率进行比较,选择可信概率最大的指令路径作为智能决策指令单。
所述指令路径的可信概率为指令路径上所有可用分支的可信概率的平均值。
所述指令推荐度基于智能决策样本库,采用人工神经网络计算得到,智能决策样本库中的训练数据包括系统状态、备选指令及其概率。
所述目标达成概率基于趋势预测样本库,采用人工神经网络计算得到,趋势预测样本库中的训练数据包括系统状态、目标达成概率。
本发明与现有技术相比的优点在于:
(1)本发明采用人工智能原理设计,通过对卫星设计人员的研制经验进行学习以及推理,可以应对在轨各类任务模式和问题类型,为飞控人员提供决策辅助参考;
(2)本发明能够智能解读当前在轨系统状态和任务目标,通过数据库决策和智能搜索决策两种方式比对分析,获得高度可靠有效的飞控指令单,提高飞控工作效率和准确率;
(3)、本发明各模块采用通用化算法结构,在完成训练后,基于单片GPU运算,即可实现实时计算输出,技术易实现,工程实用性强。
附图说明
图1为本发明实施例用于卫星地面飞控任务的智能辅助决策方法(包含注入目标的情况)流程图;
图2为本发明实施例用于卫星地面飞控任务的智能辅助决策方法(不含注入目标的情况)流程图;
图3为本发明实施例用于卫星地面飞控任务的智能辅助决策方法(不含注入目标的情况)实施例智能决策搜索结果图。
具体实施方式
以下以附图和具体实施例对本发明进行详细说明。
针对卫星飞控任务日趋复杂化的新形势,本发明提出基于机器学习的人工智能卫星飞控指挥与决策方法,评估当前形势并提出飞控指令序列建议、搜索数据库状态并找寻最相似样本,从而辅助飞控工作人员快速准确指挥卫星执行任务,解决飞控能力与资源可能不足以应对未来高频率复杂在轨任务的问题,形成人机智能共生卫星飞控指挥与决策新生态,有效应对空间新局面。
本发明针对当前在轨卫星的数据中有注入目标和无注入目标两个情况分别提出了具体的技术方案,具体如下:
1、在轨卫星系统存在注入目标的情形
如图1所示,对于在轨卫星系统存在注入目标的情形,用于卫星地面飞控任务的智能辅助决策方法,其具体步骤如下:
(1a)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项包括卫星系统状态、前序指令、目标、指令序列;前序指令经过编号后按顺序排列,当前状态包括运动数据、状态标志、健康标志、环境数据等,所有数据归一化处理并编号。所述状态与决策判读数据项全部为正确样例,由人工样本、实际测试记录、卫星模拟器试验结果、在轨试验结果生成,覆盖正常运行、故障处理、在轨流程、型号故障处置经验样本。
(2a)、获取在轨卫星系统状态、前序指令和注入目标,在状态与决策判读数据库中搜索目标与注入目标匹配的数据项,计算每个匹配数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为数据库决策指令单可信概率P1';
每有一次指令更新或状态更新,则进行一次数据库搜索判读。可信概率的计算方法为:
(2.1a)、将筛选出的某数据项中存储的卫星系统状态与当前在轨卫星系统状态进行比对,卫星系统状态总数为Nt,比对后状态符合数为Nc,当前数据项的卫星系统状态符合概率Ps为Nc/Nt;
(2.2a)、将筛选出的某数据项中存储的前序指令,与当前在轨卫星系统前序指令进行比对,计算的当前数据项的前序指令符合概率Pc;
当前数据项的前序指令符合概率Pc的计算公式为:
其中n数据项中存储的指令条数,ek为n数据项中存储的第k条指令符合概率,k∈[1,n],若第k条指令不存在于在轨前序指令中,则ek=n2,若第k条指令存在于在轨前序指令中并且次序为kt,则ek=(k-kt)2;
(2.3a)、对筛选出的某数据项系统状态符合概率和前序指令符合概率加权求和,权重分别为1-ω和ω,则某数据项的可信概率为:
一般可取ω=0.3,在实际应用中根据本方法成功率进行适度调整ω数值。
当没有指令时,ω=0,当全部n条指令均符合时,当前状态不进行加权,严格按照归一化数据解算,状态偏差按照(符合数/总数)计算。
(3a)、根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,选取当前系统状态执行各指令所形成的达成注入目标可信概率最大的分支路径,作为智能决策指令单,并将该最大可信概率记为智能决策指令单可信概率P2';
所述循环搜索获取智能决策指令单步骤如下:
(3.1a)、将在轨卫星近期收到的前序指令作为初始指令路径C(0),将在轨卫星近期收到的前序指令和当前系统状态x(0),开始第一次循环搜索,设cnt=1;
(3.2a)、获取顶层节点状态对应的被推荐指令至指令以及各指令推荐度一般所述指令推荐度采用人工神经网络方法计算得到:
其中,lP=1~MP,MP为运算层数,MP≥1,为人工神经网络计算结果,即最终的指令推荐度计算结果,θP为网络系数,根据智能决策样本库训练得到,所述智能决策样本库中的训练数据包括系统状态、备选指令及其概率,使用通用的梯度下降法,求解网络参数θP。
为概率计算公式,采用Softmax算法计算得到:
(3.3a)、将推荐度超出预设门限的指令记为可用分支指令,获得可用分支指令至
(3.4a)、在当前系统状态的基础上,采用各可用分支指令,分别进行指令执行模拟,预测指令路径中新可用分支指令执行后的新卫星系统状态 预测各组新卫星系统状态对应的目标达成概率将目标达成概率与对应的指令推荐度相乘,得到该可用分支的可信概率;
目标达成概率采用如下公式进行计算:
其中,
其中,lQ=1~MQ,MQ为运算层数,MQ≥1,为人工神经网络计算结果,即最终的目标达成概率计算结果,为概率计算公式,θQ为网络系数,根据趋势预测样本库训练获得,趋势预测样本库中的训练数据包括系统状态、输出数据为目标达成概率,使用通用的梯度下降法,求解模型参数θQ。
(3.5a)、判断所有新卫星系统状态是否都满足循环终止条件,是的话,进入步骤(3.6a),否则,将未满足循环终止条件的新卫星系统状态作为新的初始卫星系统状态x(0),将该新卫星系统状态对应的指令,追加到初始指令路径中以更新指令路径,并作为新的初始指令路径C(0),循环执行步骤(3.1a)~步骤(3.5a),计算每个未满足循环终止条件的卫星系统状态对应的可用分支以及可用分支的可信概率;
所述循环终止条件是:新的卫星系统状态与注入目标一致,或者循环超过一定次数;
(3.6a)、将所有指令路径的可信概率进行比较,选择可信概率最大的指令路径作为智能决策指令单;
所述指令路径的可信概率为指令路径上所有可用分支的可信概率的平均值。
(4a)、将数据库决策指令单可信概率P1'、智能决策指令单可信概率P2'进行比较,经投票表决后,筛选出最佳的指令单。
具体的表决方法为:
当且P2′≤ε′时,选择数据库决策指令单,否则,选择智能决策指令单,其中ε′为预设门限,根据系统测试经验获得。
2、在轨卫星系统不存在注入目标的情形
如图2所示,对于在轨卫星系统存在注入目标的情形下,用于卫星地面飞控任务的智能辅助决策方法步骤如下:
(1b)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项由前序指令、卫星系统状态、目标、指令序列组成;
(2b)、获取在轨卫星系统状态、前序指令,计算每个数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为无注入目标数据库决策指令单可信概率P1;
(3b)、根据在轨卫星系统状态、前序指令,进行目标倾向智能判断,得到智能预测目标;
所述步骤(3b)的具体方法是:
(3.1b)、获取归一化之后的当前在轨卫星系统状态,用x表示,计算当前状态为x的条件下Nm个目标倾向的概率采用Softmax算法计算得到:
式中,p(y=j|x;θTg.j)表示当前状态为x的条件下第j个目标倾向的概率,j=1~Nm,Nm为目标倾向总数,θTg.j为模型计算参数,根据目标倾向样本库训练获得,目标倾向样本库中的训练数据包括多组系统状态以及每组系统状态对应的系统目标,使用通用的梯度下降法,求解模型参数θTg.j。
(3.2b)、根据计算所得目标倾向概率,选取目标倾向概率最大的目标,作为智能预测目标。
输出的目标倾向包括系统性目标、长期目标、短期目标、并行穿插目标,系统性目标可以包含多个长期目标和短期目标,一个长期目标可以和多个短期目标共存,并行穿插目标可以和任意其它目标共存,根据计算所得目标倾向概率,为系统分配最大概率复合目标类型,作为星上目标倾向。
(4b)、分别将数据库决策目标和智能预测目标作为注入目标,根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,得到数据库目标智能决策指令单、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单和智能预测目标智能决策指令单可信概率P3;
此步骤的循环搜索智能预测的方法与在轨卫星系统存在注入目标的情形,用于卫星地面飞控任务的智能辅助决策方法中的步骤(3a)中所使用的循环搜索智能预测的方法一致。
(5b)、对无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3进行比较,筛选出最佳的指令单,作为最终智能辅助决策。
具体的筛选方法为:
无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3,当数据库目标与智能预测目标不一致,并且[P3>1-(1-P1)(1-P2)]∩(P1<ε),选择智能预测目标智能决策指令单;否则,对数据库决策指令单可信概率P1和数据库目标智能决策指令单可信概率P2进行判断,当且P2<ε时,选择数据库决策指令单;否则,选择数据库目标智能决策指令单。
实施例:
以处置星上突发事件为例,对本发明进行进一步说明。
卫星处于GEO轨道、对地指向、反作用轮控制稳定状态。某时刻受到空间碎片撞击扰动,姿态角速度瞬间增大,姿态角度逐渐发散。
首先确认当前状态。当前系统存在注入目标,注入目标唯一,是正常稳定对地工作。前序指令状态为,无有效改变在轨状态指令。当前星上系统状态,数量过多,不全部列出,只给出如表1中所示与本案例密切相关数据。
表1与本案例相关星上状态
确认状态完成,如图1所示,本发明的具体步骤如下:
(1)进入数据库决策指令单分支。根据当前注入目标、前序指令、当前星上系统状态,在数据库中搜索计算各数据项可信概率,获得100%符合的数据项。得到数据库决策指令单如表2中所示。
表2数据库决策指令单
序号 | 预计状态 | 指令序列 |
1. | 角速度中等扰动 | 等待(无指令执行) |
2. | 姿态角长期超差 | 触发故障报警,卫星自主转入惯性指向模式 |
3. | 姿态角速度受阻尼稳定 | 等待(无指令执行) |
4. | 卫星对地稳定 | 地面发送转入正常模式指令 |
5. | 卫星对地稳定 | 等待(无指令执行) |
(2)进入智能决策指令单分支。根据星上系统状态,开始对指令推荐度和目标达成概率进行循环搜索计算。计算过程为:
(3.1)、将在轨卫星近期收到的前序指令作为初始指令路径C(0),将在轨卫星近期收到的前序指令和当前系统状态x(0)作为输入,开始第一次循环搜索,设cnt=1;
(3.2)、计算得到该状态对应的被推荐指令至指令以及各指令推荐度本实施例中被推荐指令有9项
(3.3)、将各指令推荐度超出预设门限的指令记为可用分支指令,获得可用分支指令至并将各可用分支指令分别追加到原有的指令路径中,更新指令路径在当前系统状态的基础上,采用各可用分支指令,分别进行指令执行模拟,预测指令路径中新可用分支指令执行后的新卫星系统状态预测各组新卫星系统状态对应的目标达成概率本实施例中,剩下两个可用指令,分别为分支1和分支2;
(3.4)、判断所有新卫星系统状态是否都满足循环终止条件,是的话,进入步骤(3.5),否则,将未满足循环终止条件的各组卫星系统状态以及与之对应的新指令路径分别作为新的初始指令路径C(0)和卫星系统状态令cnt=cnt+1,重复循环执行步骤(3.2)~(3.4);此时每个循环生成的推荐指令与上一循环推荐指令是有关联的,指令推荐度和目标达成概率需要记录此类关系,如第二个循环中分别记为和第三个循环中分别记为和以此类推;所述循环终止条件是:新的卫星系统状态与注入目标一致,或者循环超过一定次数。
本实施例中,对于分支1而言,又有分支1-1、1-2和1-3;对于分支2而言,又有分支2-1、2-2,分支1-1已经达到注入目标(转入正常模式)的状态,在这一轮循环中满足终止条件;分支1-3不满足可用指令的条件被淘汰;分支1-2没有达到注入目标状态,继续循环得到1-2-1分支,达到注入目标状态。同样的方式适用于分支2。最终本发明实施例得到4条指令路径:第一指令路径:分支1->分支1-1;第二指令路径:分支1->分支1-2->分支1-2-1;第三指令路径:分支2->分支2-1;第四指令路径:分支2->分支2-2->分支2-2-1。
(3.5)、将所有指令路径的可信概率进行比较,选择可信概率最大的指令路径作为智能决策指令单;
计算结果如表3中所示。
表3智能决策搜索结果
根据如图3所示各分支可信概率计算数据,选取分支为分支1-2-1,获得智能决策指令单如表4所示。
第一指令路径的可信概率为0.41;第二指令路径的可信概率为0.63;第三指令路径的可信概率为0.33;第四指令路径的可信概率为0.54;因此选取最大值0.63对应的指令路径。
表4智能决策指令单
(3)将数据库决策指令单与智能决策指令单进行比较,智能决策指令单平均概率值约为0.63,数据库决策概率与智能决策概率比值约为1.57。综合投票选用智能决策指令单,作为智能辅助决策结果。
采用本发明方法得到的飞控指令,在具体实施飞控过程中,能够在卫星突发紧急状态情况下,给出正确的指令序列推荐。同时,相比于传统飞控指令程序,避免了卫星在轨一段时间内处于故障状态的情况,并且在状态恢复过程中,选用了更可靠的卫星运动状态变化过程。
本说明书中未进行详细描述部分属于本领域技术人员公知常识。
Claims (10)
1.用于卫星地面飞控任务的智能辅助决策方法,其特征在于步骤如下:
(1a)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项包括卫星系统状态、前序指令、目标、指令序列;
(2a)、获取在轨卫星系统状态、前序指令和注入目标,在状态与决策判读数据库中搜索目标与注入目标匹配的数据项,计算每个匹配数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为数据库决策指令单可信概率P1';
(3a)、根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,选取当前系统状态执行各指令所形成的达成注入目标可信概率最大的分支路径,作为智能决策指令单,并将该最大可信概率记为智能决策指令单可信概率P2';
(4a)、将数据库决策指令单可信概率P1'、智能决策指令单可信概率P2'进行比较,经投票表决后,筛选出最佳的指令单。
2.根据权利要求1所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于当所述步骤(4a)中具体的表决方法为:
当且P′2≤ε′时,选择数据库决策指令单,否则,选择智能决策指令单,其中ε′为预设门限,根据系统测试经验获得。
3.根据权利要求1所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述步骤(2a)中可信概率的计算方法为:
(2.1a)、将筛选出的某数据项中存储的卫星系统状态与当前在轨卫星系统状态进行比对,卫星系统状态总数为Nt,比对后状态符合数为Nc,当前数据项的卫星系统状态符合概率Ps为Nc/Nt;
(2.2a)、将筛选出的某数据项中存储的前序指令,与当前在轨卫星系统前序指令进行比对,计算的当前数据项的前序指令符合概率Pc;
当前数据项的前序指令符合概率Pc的计算公式为:
其中n数据项中存储的指令条数,ek为n数据项中存储的第k条指令符合概率,k∈[1,n],若第k条指令不存在于在轨前序指令中,则ek=n2,若第k条指令存在于在轨前序指令中并且次序为kt,则ek=(k-kt)2;
(2.3a)、对筛选出的某数据项系统状态符合概率和前序指令符合概率加权求和,权重分别为1-ω和ω,则某数据项的可信概率为:
4.用于卫星地面飞控任务的智能辅助决策方法,其特征在于步骤如下:
(1b)、建立状态与决策判读数据库,所述状态与决策判读数据库中的状态与决策判读数据项由前序指令、卫星系统状态、目标、指令序列组成;
(2b)、获取在轨卫星系统状态、前序指令,计算每个数据项的可信概率,从可信概率最大的匹配数据项中获得指令序列,将其作为数据库决策指令单,并将该最大可信概率记为无注入目标数据库决策指令单可信概率P1;
(3b)、根据在轨卫星系统状态、前序指令,进行目标倾向智能判断,得到智能预测目标;
(4b)、分别将数据库决策目标和智能预测目标作为注入目标,根据在轨卫星近期收到的前序指令和当前系统状态,采用循环搜索智能预测的方法,得到数据库目标智能决策指令单、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单和智能预测目标智能决策指令单可信概率P3;
(5b)、对无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3进行比较,筛选出最佳的指令单,作为最终智能辅助决策。
5.根据权利要求4所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于所述步骤(5b)中具体的判决方法为:
无注入目标数据库决策指令单可信概率P1、数据库目标智能决策指令单可信概率P2、智能预测目标智能决策指令单可信概率P3,当数据库目标与智能预测目标不一致,并且[P3>1-(1-P1)(1-P2)]∩(P1<ε),选择智能预测目标智能决策指令单;否则,对数据库决策指令单可信概率P1和数据库目标智能决策指令单可信概率P2进行判断,当且P2<ε时,选择数据库决策指令单;否则,选择数据库目标智能决策指令单。
6.根据权利要求4所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述步骤(3b)的具体方法是:
(3.1b)、获取归一化之后的当前在轨卫星系统状态,用x表示,计算当前状态为x的条件下Nm个目标倾向的概率
式中,表示当前状态为x的条件下第j个目标倾向的概率,j=1~Nm,Nm为目标倾向总数,θTg.j为模型计算参数,根据目标倾向样本库训练获得,目标倾向样本库中的训练数据包括多组系统状态、每组系统状态对应的系统目标,使用通用的梯度下降法,求解模型参数θTg.j;
(3.2b)、根据计算所得目标倾向概率,选取目标倾向概率最大的目标,作为智能预测目标。
7.根据权利要求1或4任一项所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述的循环搜索获取智能决策指令单步骤如下:
(3.1a)、将在轨卫星近期收到的前序指令作为初始指令路径C(0),将在轨卫星近期收到的前序指令和当前系统状态x(0),开始第一次循环搜索,设cnt=1;
(3.2a)、获取顶层节点状态对应的被推荐指令至指令以及各指令推荐度
(3.3a)、将推荐度超出预设门限的指令记为可用分支指令,获得可用分支指令至
(3.4a)、在当前系统状态的基础上,采用各可用分支指令,分别进行指令执行模拟,预测指令路径中新可用分支指令执行后的新卫星系统状态 预测各组新卫星系统状态对应的目标达成概率将目标达成概率与对应的指令推荐度Pi (cnt)相乘,得到该可用分支的可信概率;
(3.5a)、判断所有新卫星系统状态是否都满足循环终止条件,是的话,进入步骤(3.6a),否则,将未满足循环终止条件的新卫星系统状态作为新的初始卫星系统状态x(0),将该新卫星系统状态对应的指令,追加到初始指令路径中以更新指令路径,并作为新的初始指令路径C(0),循环执行步骤(3.1a)~步骤(3.5a),计算每个未满足循环终止条件的卫星系统状态对应的可用分支以及可用分支的可信概率;
所述循环终止条件是:新的卫星系统状态与注入目标一致,或者循环超过一定次数;
(3.6a)、将所有指令路径的可信概率进行比较,选择可信概率最大的指令路径作为智能决策指令单。
8.根据权利要求7所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述指令路径的可信概率为指令路径上所有可用分支的可信概率的平均值。
9.根据权利要求7所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述指令推荐度Pi (cnt)基于智能决策样本库,采用人工神经网络计算得到,智能决策样本库中的训练数据包括系统状态、备选指令及其概率。
10.根据权利要求7所述的用于卫星地面飞控任务的智能辅助决策方法,其特征在于:所述目标达成概率基于趋势预测样本库,采用人工神经网络计算得到,趋势预测样本库中的训练数据包括系统状态、目标达成概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997405.5A CN109189089B (zh) | 2018-08-29 | 2018-08-29 | 用于卫星地面飞控任务的智能辅助决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810997405.5A CN109189089B (zh) | 2018-08-29 | 2018-08-29 | 用于卫星地面飞控任务的智能辅助决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109189089A true CN109189089A (zh) | 2019-01-11 |
CN109189089B CN109189089B (zh) | 2021-04-13 |
Family
ID=64916488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810997405.5A Active CN109189089B (zh) | 2018-08-29 | 2018-08-29 | 用于卫星地面飞控任务的智能辅助决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109189089B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020173020A1 (zh) * | 2019-02-26 | 2020-09-03 | 北京控制工程研究所 | 航天器交会对接飞行控制智能数据分析与决策支持系统 |
CN111831023A (zh) * | 2020-08-03 | 2020-10-27 | 上海航天控制技术研究所 | 一种控制力矩陀螺控制器 |
CN113110308A (zh) * | 2021-02-25 | 2021-07-13 | 北京空间飞行器总体设计部 | 一种月面采样三位一体飞控协同工作流程优化方法 |
CN113726403A (zh) * | 2021-07-21 | 2021-11-30 | 西安空间无线电技术研究所 | 一种星载随遇测控终端突发测控快速响应方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2738930A1 (fr) * | 1995-09-14 | 1997-03-21 | Matra Marconi Space France | Procede et dispositif passif de pointage d'un engin spatial vers le soleil |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN103684504A (zh) * | 2013-11-18 | 2014-03-26 | 航天东方红卫星有限公司 | 一种小型化中继数传用户终端系统及实现方法 |
CN108427428A (zh) * | 2018-03-25 | 2018-08-21 | 哈尔滨工程大学 | 基于改进迭代算法的自适应滑模变结构航天器姿态控制方法 |
-
2018
- 2018-08-29 CN CN201810997405.5A patent/CN109189089B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2738930A1 (fr) * | 1995-09-14 | 1997-03-21 | Matra Marconi Space France | Procede et dispositif passif de pointage d'un engin spatial vers le soleil |
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN103684504A (zh) * | 2013-11-18 | 2014-03-26 | 航天东方红卫星有限公司 | 一种小型化中继数传用户终端系统及实现方法 |
CN108427428A (zh) * | 2018-03-25 | 2018-08-21 | 哈尔滨工程大学 | 基于改进迭代算法的自适应滑模变结构航天器姿态控制方法 |
Non-Patent Citations (4)
Title |
---|
PAUL ZETOCHA: "Commanding and controlling satellite clusters", 《AI IN SPACE》 * |
ZHIQIANGMA: "Dynamic adaptive saturated sliding mode control for deployment oftethered satellite system", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
刘鹏: "专家系统在卫星测控管理中的应用技术研究", 《军事通信》 * |
张翰英: "专家系统在卫星控制系统", 《计算机自动测量与控制》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020173020A1 (zh) * | 2019-02-26 | 2020-09-03 | 北京控制工程研究所 | 航天器交会对接飞行控制智能数据分析与决策支持系统 |
CN111831023A (zh) * | 2020-08-03 | 2020-10-27 | 上海航天控制技术研究所 | 一种控制力矩陀螺控制器 |
CN113110308A (zh) * | 2021-02-25 | 2021-07-13 | 北京空间飞行器总体设计部 | 一种月面采样三位一体飞控协同工作流程优化方法 |
CN113726403A (zh) * | 2021-07-21 | 2021-11-30 | 西安空间无线电技术研究所 | 一种星载随遇测控终端突发测控快速响应方法及系统 |
CN113726403B (zh) * | 2021-07-21 | 2022-08-12 | 西安空间无线电技术研究所 | 一种星载随遇测控终端突发测控快速响应方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109189089B (zh) | 2021-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109189089A (zh) | 用于卫星地面飞控任务的智能辅助决策方法 | |
Duan et al. | ? Hybrid particle swarm optimization and genetic algorithm for multi-UAV formation reconfiguration | |
Houpis et al. | Linear Control System Analysis and Design with MATLAB® | |
CN106020189A (zh) | 基于邻域约束的空地异构机器人系统路径规划方法 | |
CN112016812A (zh) | 多无人机任务调度方法、系统及存储介质 | |
CN109557939A (zh) | 一种基于伪分布式无人机集群的快速队形控制方法 | |
CN110597286B (zh) | 一种利用智慧机库实现输电线路无人机自主巡检的方法 | |
CN114169066B (zh) | 基于微纳星群抵近侦察的空间目标特性测量、侦察方法 | |
CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
EP2467810A1 (en) | Fuzzy inference methods and apparatus, systems and apparatuses using such inference apparatus | |
CN106228234A (zh) | 一种基于梯度下降法的多目标粒子群优化方法 | |
CN112141369B (zh) | 一种航天器平移靠拢段自主交会对接的决策与控制方法 | |
Kamanditya et al. | Elman recurrent neural networks based direct inverse control for quadrotor attitude and altitude control | |
Yin et al. | The application of artificial intelligence technology in UAV | |
CN110083168A (zh) | 基于增强学习的小型无人直升机定高控制方法 | |
CN105760652A (zh) | 一种基于约束可满足技术的深空探测自主任务规划方法 | |
Liu et al. | Community detection utilizing a novel multi-swarm fruit fly optimization algorithm with hill-climbing strategy | |
Bian et al. | Trajectory following and improved differential evolution solution for rapid forming of UAV formation | |
Jiang et al. | Bibliometric analysis of UAV swarms | |
CN108399272A (zh) | 人工智能程序员书写数字飞行器代码的神经网络决策方法 | |
Zuo et al. | A multi-agent collaborative work planning strategy based on AFSA-PSO algorithm | |
Li et al. | Improved Q-learning based route planning method for UAVs in unknown environment | |
Biswas et al. | Nearest neighbour based task allocation with multi-agent path planning in dynamic environments | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
Wang et al. | Mixed-initiative manned-unmanned teamwork using coactive design and graph neural network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |