CN113591403A - 一种航天器借力飞行轨道的设计方法 - Google Patents

一种航天器借力飞行轨道的设计方法 Download PDF

Info

Publication number
CN113591403A
CN113591403A CN202111142337.2A CN202111142337A CN113591403A CN 113591403 A CN113591403 A CN 113591403A CN 202111142337 A CN202111142337 A CN 202111142337A CN 113591403 A CN113591403 A CN 113591403A
Authority
CN
China
Prior art keywords
spacecraft
gravity
neural network
artificial neural
flight orbit
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
Application number
CN202111142337.2A
Other languages
English (en)
Other versions
CN113591403B (zh
Inventor
颜九妹
杨洪伟
李爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111142337.2A priority Critical patent/CN113591403B/zh
Publication of CN113591403A publication Critical patent/CN113591403A/zh
Application granted granted Critical
Publication of CN113591403B publication Critical patent/CN113591403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种航天器借力飞行轨道的设计方法，包括：确定航天器借力飞行轨道近星点速度计算参数；根据所述计算参数建立近星点速度方程并求解速度矢量；利用圆形限制性三体动力学模型确定航天器的希尔球边界状态；通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型；利用所述人工神经网络模型，完成航天器借力飞行轨道三体兰伯特问题初始速度的计算；根据所述三体兰伯特问题初始速度对航天器的借力飞行轨道进行设计；采用人工神经网络对借力飞行轨道三体兰伯特问题的求解，解决了强非线性系统中因初始速度猜测值不准而造成收敛困难的问题，计算初始速度时，计算效率高且精度高。

Description

一种航天器借力飞行轨道的设计方法
技术领域
本发明属于新一代信息技术领域，具体指代一种航天器借力飞行轨道的设计方法。
背景技术
航天器借力飞行是大幅降低深空探测任务燃料消耗的关键技术。在传统深空探测任务轨道初始设计阶段，圆锥曲线拼接法被广泛使用。然而该方法的设计结果与高精度模型下结果相比误差较大，而且设计结果燃耗也偏大。为了降低燃料消耗，获得高精度模型的解，三体问题模型被用来设计航天器借力飞行轨道。基于三体问题模型设计航天器借力飞行轨道，本质上是求解三体兰伯特问题。与二体兰伯特问题相比较，其边值约束条件是相同的，但由于将第三天体的引力考虑在内增加了动力学模型的非线性，使得三体兰伯特问题的求解更加复杂。由于三体问题没有解析解，需要大量的时间进行数值积分，严重影响三体兰伯特问题解算效率，因此，如何快速精准进行航天器借力飞行轨道三体兰伯特问题解算也是深空探测研究的难点之一。
发明内容
针对于上述现有技术的不足，本发明的目的在于提供一种航天器借力飞行轨道的设计方法，以解决现有技术中难以用较短时间实现航天器借力飞行轨道三体兰伯特问题快速解算的问题。为达到上述目的，本发明采用的技术方案如下：
本发明提供一种航天器借力飞行轨道的设计方法，包括步骤如下：
1）确定航天器借力飞行轨道近星点速度计算参数；
2）根据所述计算参数建立近星点速度方程并求解速度矢量；
3）利用圆形限制性三体动力学模型，在时间上从近星点至希尔球边界的前后轨道递推从而确定航天器的希尔球边界状态；
4）基于所述航天器的希尔球边界状态，通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型；
5）根据边值约束条件，利用所述人工神经网络模型，完成航天器借力飞行轨道三体兰伯特问题初始速度的计算；
6）根据所述三体兰伯特问题初始速度对航天器的借力飞行轨道进行设计。
进一步地，所述步骤1）具体包括：在圆形限制性三体问题中，对各种单位进行无量纲化，M和m分别表示两主天体的质量，记M+m为单位质量，两主天体之间的平均距离为单位长度，主天体轨道角速度的倒数为单位时间，μ=m/(M+m)表示质量比；计算借力天体的希尔球半径R Hill ；确定近星点位置r p ，设定借力飞行过程中安全飞越高度H min ；确定雅可比常数C的取值区间及步长。
进一步地，所述步骤2）具体包括：建立旋转坐标系A来描述圆形限制性三体问题，在坐标系A中，原点位于两主天体P 1和P 2的质心，且天体P 1的质量大于P 2，坐标轴x轴由天体P 1指向P 2，z轴与系统角动量方向重合，y轴满足右手系；记坐标系A下航天器P位置为(x, y,z)，天体P 1位置为（-μ, 0, 0），天体P 2位置为（1-μ, 0, 0），则近星点速度的方程如下：
Figure DEST_PATH_IMAGE001
（1）
其中，r 1和r 2分别表示航天器与天体P 1和P 2之间的距离，由此，在已知近星点位置和雅可比常数C的前提下，根据式（1）计算近星点速度大小v。
对于平面圆形限制性三体问题，在速度大小的约束下，通过近星点位置速度与借力天体位置速度之间的关系，根据式（2）可以求解近星点速度；
Figure 577180DEST_PATH_IMAGE002
（2）
其中，(v px ,v py ,v pz )表示近星点速度v p 。
进一步地，所述步骤3）具体包括：利用圆形限制性三体动力学模型，在时间上从近星点至希尔球边界的前后轨道递推从而确定航天器的希尔球边界状态，具体包括：在旋转坐标系A中，航天器的运动方程为：
Figure 850030DEST_PATH_IMAGE003
（3）
其中，
Figure DEST_PATH_IMAGE004
表示x关于时间t的一次求导，
Figure 952853DEST_PATH_IMAGE005
表示x关于时间t的二次求导，
Figure DEST_PATH_IMAGE006
表示y关于时间t的一次求导，
Figure 907033DEST_PATH_IMAGE007
表示y关于时间t的二次求导，
Figure DEST_PATH_IMAGE008
表示z关于时间t的二次求导；
利用式（3）完成从近星点处的轨道递推，并分别将往后和往前轨道递推至希尔球边界的状态记为（r 0, v 0）和（r f , v f ），总的轨道递推时间为tof。
进一步地，所述步骤4）具体包括：基于所述航天器的希尔球边界状态，通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型，具体包括：
记（r 0,r f , tof）为借力飞行轨道边值约束条件，C为雅可比常数，v 0为猜测初值；映射关系记为：（r 0, r f , tof,C）→v 0；
确定人工神经网络的学习率、最大迭代次数、训练目标最小误差、最小性能梯度及最大失败次数值，其中，所述人工神经网络结构包含输入层、隐含层和输出层；
采用网络增长型方法确定隐藏层的层数及每层的神经元数量，选择双曲正切函数作为激活函数；
根据实际任务需求决定输出层神经元数量，采用线性函数进行信息传递；
利用Levenberg-Marquardt算法完成根据均方误差大小反向调整权向量空间；
结合梯度搜索技术使得网络的实际输出值与期望输出值的误差均方差最小，从而获得高精度人工神经网络模型。
作为优选的一种技术方案，所述输入层中神经元个数由训练数据的形式决定。
进一步地，所述步骤5）具体包括：根据所述人工神经网络模型，在给定借力飞行轨道边值约束条件下，带入人工神经网络预测出速度初值，获得航天器借力飞行轨道三体兰伯特问题初始速度的高精度近似解。
本发明相对于现有技术的有益效果是：本发明适用于包含引力辅助变轨的三体兰伯特问题的求解，通过采用人工神经网络对借力飞行轨道三体兰伯特问题的求解，解决了强非线性系统中因初始速度猜测值不准而造成收敛困难的问题，计算初始速度时，计算效率高且精度高，从而使得设计的航天器借力飞行轨道更加的高效而且精确。
附图说明
图1为本发明提供的一种航天器借力飞行轨道的设计方法的流程示意图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。
参照图1所示，本发明的一种航天器借力飞行轨道的设计方法，包括步骤如下：
S10：确定航天器借力飞行轨道近星点速度计算参数；
具体的，在圆形限制性三体问题中，对各种单位进行无量纲化，M和m分别表示木星和伽利略卫星的质量，记M+m为单位质量，两主天体之间的平均距离为单位长度，主天体轨道角速度的倒数为单位时间，μ=m/(M+m)表示质量比；
在本实施例中，木卫系统为例进行说明，计算伽利略卫星的希尔球半径R Hill =13528 km；对于平面圆形限制性三体问题，设定借力飞行过程中安全飞越高度H min =100 km，并在内环半径为R Europa +H min 和外环半径为R Hill 的圆环内随机取2000个点作为近星点位置r p ，其中R Europa 为欧罗巴卫星的平均半径，R Europa =1561 km；确定雅可比常数C的取值区间为[2.971,3.001]，取值步长为0.0003。
S20：根据所述计算参数建立近星点速度方程并求解速度矢量；
具体的，建立旋转坐标系A来描述圆形限制性三体问题，在坐标系A中，原点位于木星和伽利略卫星的质心，且木星的质量大于伽利略卫星，坐标轴x轴由木星指向伽利略卫星，z轴与系统角动量方向重合，y轴满足右手系；记坐标系A下航天器P位置为(x, y, z)，木星位置为（-μ0, 0），伽利略卫星位置为（1-μ, 0, 0），则近星点速度的方程如下：
Figure 778912DEST_PATH_IMAGE001
（1）
其中，r 1和r 2分别表示航天器与木星和伽利略卫星之间的距离，由此，在已知近星点位置和雅可比常数C的前提下，根据式（1）计算近星点速度大小v。
对于平面圆形限制性三体问题，在速度大小的约束下，通过近星点位置速度与伽利略卫星位置速度之间的关系，根据式（2）可以求解近星点速度；
Figure 488242DEST_PATH_IMAGE002
（2）
其中，(v px ,v py ,v pz )表示近星点速度v p 。
S30：利用圆形限制性三体动力学模型，在时间上从近星点至希尔球边界的前后轨道递推从而确定航天器的希尔球边界状态；具体的，在旋转坐标系A中，航天器的运动方程为：
Figure 376564DEST_PATH_IMAGE003
（3）
其中，
Figure 196752DEST_PATH_IMAGE009
表示x关于时间t的一次求导，
Figure 985454DEST_PATH_IMAGE005
表示x关于时间t的二次求导，
Figure 865686DEST_PATH_IMAGE006
表示y关于时间t的一次求导，
Figure DEST_PATH_IMAGE010
表示y关于时间t的二次求导，
Figure 913407DEST_PATH_IMAGE008
表示z关于时间t的二次求导；
利用式（3）完成从近星点处的轨道递推，并分别将往后和往前轨道递推至希尔球边界的状态记为（r 0, v 0）和（r f , v f ），总的轨道递推时间为tof。
S40：基于所述航天器的希尔球边界状态，通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型；
具体的，记（r 0,r f , tof）为借力飞行轨道边值约束条件，v 0为猜测初值；由于考虑了不同雅可比常数下的航天器借力飞行，故映射关系记为：（r 0, r f , tof,C）→v 0；同时，为了使得训练的人工神经网络快速收敛，将航天器在借力飞行过程中与近星点的借力高度H p 也添加至人工神经网络的输入层；因此，在已知两点边值的约束条件情况下，需要建立边值约束条件与借力高度之间的映射关系，即（r 0, r f , tof,C）→H p ；当借力高度已知，则可完成（r 0, r f , tof,C,H p ）→v 0映射。
在本实施例中，针对每一种映射关系开发一个人工神经网络架构，隐含层层数为4层，每层神经元数量为15，边值约束条件与借力高度映射的人工神经网络结构为“6-15×15×15×15-1”，为了获得高精度人工神经网络模型，将（r 0, r f , tof,C,H p ）→v 0映射分为（r 0,r f , tof,C,H p ）→v 0_x和（r 0, r f , tof,C,H p ）→ v 0_y，其中v 0_x与v 0_y分别表示初始速度矢量在x和y轴上的分量，故预测v 0_x与v 0_y的人工神经网络结构为“7-15×15×15×15-1”；确定人工神经网络的学习率lr=0.001、最大迭代次数epochs = 2000000、训练目标最小误差goal=1×10-8、最小性能梯度min_grad=1×10-10及最大失败次数max_fail=1000；选择双曲正切函数作为激活函数，输出层采用线性函数进行信息传递；用Levenberg-Marquardt算法完成根据均方误差大小反向调整权向量空间；利用MATLAB神经网络工具箱中的newff函数建立人工神经网络，通过sim函数来测试网络性能，如果预测值与真实值之间存在较大误差，则通过调整超参数和训练样本的数量来获得理想的高精度人工神经网络模型。
S50：根据边值约束条件，利用所述人工神经网络模型，完成航天器借力飞行轨道三体兰伯特问题初始速度的计算；
具体的，由步骤S40获得人工神经网络模型，在给定（r 0, r f , tof,C）条件下，带入人工神经网络分别预测出H p 和v 0，获得航天器借力飞行轨道三体兰伯特问题初始速度的高精度近似解。
在本实施例中，根据人工神经网络模型预测结果发现，所获得的精度允许在边值约束条件下到达期望位置，每个样本的平均计算时间仅为3.36535×10-3ms。
S60：根据所述三体兰伯特问题初始速度对航天器的借力飞行轨道进行设计。
在此需要说的是，由于根据三体兰伯特问题初始速度对航天器的借力飞行轨道进行设计属于本领域的常规技术手段，例如公开号为CN109344449A，公开日为2019.02.15的中国发明专利公开了一种航天器月地转移轨道逆向设计方法，以及公开号为CN103274066A，公开日为2013.09.04的中国发明专利公开了一种从Halo轨道出发探测深空目标的逃逸轨道设计方法，其中就具体公开了如何根据初始速度对航天器的飞行轨道进行设计，故在此不在赘述。
由以上实施例可知，本发明通过采用人工神经网络对借力飞行轨道三体兰伯特问题的求解，解决了强非线性系统中因初始速度猜测值不准而造成收敛困难的问题，计算初始速度时，计算效率高且精度高，从而使得设计的航天器借力飞行轨道更加的高效而且精确。
另外，本发明实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何航天器借力飞行轨道的设计方法的部分或全部步骤。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（英文：Read-Only Memory，简称：ROM）、随机存取器（英文：Random Access Memory，简称：RAM）、磁盘或光盘等。
本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，改进也应视为本发明的保护范围。

Claims (8)

1.一种航天器借力飞行轨道的设计方法，其特征在于，包括步骤如下：
确定航天器借力飞行轨道近星点速度计算参数；
根据所述计算参数建立近星点速度方程并求解速度矢量；
利用圆形限制性三体动力学模型，在时间上从近星点至希尔球边界的前后轨道递推从而确定航天器的希尔球边界状态；
基于所述航天器的希尔球边界状态，通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型；
根据边值约束条件，利用所述人工神经网络模型，完成航天器借力飞行轨道三体兰伯特问题初始速度的计算；
根据所述三体兰伯特问题初始速度对航天器的借力飞行轨道进行设计。
2.根据权利要求1所述的设计方法，其特征在于，确定航天器借力飞行轨道近星点速度计算参数,具体包括：在圆形限制性三体问题中，对各种单位进行无量纲化，其中，M和m分别表示两主天体的质量，记M+m为单位质量，两主天体之间的平均距离为单位长度，主天体轨道角速度的倒数为单位时间，μ=m/(M+m)表示质量比；
计算借力天体的希尔球半径R Hill ；
确定近星点位置r p ，设定借力飞行过程中安全飞越高度H min ；
确定雅可比常数C的取值区间及步长。
3.根据权利要求2所述的设计方法，其特征在于，根据所述计算参数建立近星点速度方程并求解速度矢量,具体包括：
建立旋转坐标系A，在坐标系A中，原点位于两主天体P 1和P 2的质心，且天体P 1的质量大于P 2，坐标轴x轴由天体P 1指向P 2，z轴与系统角动量方向重合，y轴满足右手系；
记坐标系A下航天器P位置为(x, y, z)，天体P 1位置为（-μ, 0, 0），天体P 2位置为（1-μ,0, 0），则近星点速度的方程如下：
Figure 993311DEST_PATH_IMAGE001
（1）
其中，r 1和r 2分别表示航天器与天体P 1和P 2之间的距离，由此，在已知近星点位置和雅可比常数C的前提下，根据式（1）计算近星点速度大小v；
在速度大小的约束下，通过近星点位置速度与借力天体位置速度之间的关系，根据式（2）求解近星点速度；
Figure 902099DEST_PATH_IMAGE002
（2）
其中，(v px ,v py ,v pz )表示近星点速度v p 。
4.根据权利要求3所述的设计方法，其特征在于，利用圆形限制性三体动力学模型，在时间上从近星点至希尔球边界的前后轨道递推从而确定航天器的希尔球边界状态，具体包括：在旋转坐标系A中，航天器的运动方程为：
Figure 953231DEST_PATH_IMAGE003
（3）
其中，
Figure 816145DEST_PATH_IMAGE004
表示x关于时间t的一次求导，
Figure 978136DEST_PATH_IMAGE005
表示x关于时间t的二次求导，
Figure 475851DEST_PATH_IMAGE006
表示y关于时间t的一次求导，
Figure 697885DEST_PATH_IMAGE007
表示y关于时间t的二次求导，
Figure 48095DEST_PATH_IMAGE008
表示z关于时间t的二次求导；利用式（3）完成从近星点处的轨道递推，并分别将往后和往前轨道递推至希尔球边界的状态记为（r 0,v 0）和（r f , v f ），总的轨道递推时间为tof。
5.根据权利要求4所述的设计方法，其特征在于，基于所述航天器的希尔球边界状态，通过人工神经网络建立借力飞行轨道边值约束条件与初始速度的映射关系，从而获得人工神经网络模型，具体包括：
记（r 0,r f , tof）为借力飞行轨道边值约束条件，C为雅可比常数，v 0为猜测初值；映射关系记为：（r 0, r f , tof,C）→v 0；
确定人工神经网络的学习率、最大迭代次数、训练目标最小误差、最小性能梯度及最大失败次数值，其中，所述人工神经网络结构包含输入层、隐含层和输出层；
采用网络增长型方法确定隐藏层的层数及每层的神经元数量，选择双曲正切函数作为激活函数；
根据实际任务需求决定输出层神经元数量，采用线性函数进行信息传递；
利用Levenberg-Marquardt算法完成根据均方误差大小反向调整权向量空间；
结合梯度搜索技术使得网络的实际输出值与期望输出值的误差均方差最小，从而获得高精度人工神经网络模型。
6.根据权利要求5所述的设计方法，其特征在于：所述输入层中神经元个数由训练数据的形式决定。
7.根据权利要求5所述的设计方法，其特征在于，根据边值约束条件，利用所述人工神经网络模型，完成航天器借力飞行轨道三体兰伯特问题初始速度的计算，具体包括：根据所述人工神经网络模型，在给定借力飞行轨道边值约束条件下，带入人工神经网络预测出速度初值，获得航天器借力飞行轨道三体兰伯特问题初始速度的高精度近似解。
8.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种航天器借力飞行轨道的设计方法的步骤。
CN202111142337.2A 2021-09-28 2021-09-28 一种航天器借力飞行轨道的设计方法 Active CN113591403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111142337.2A CN113591403B (zh) 2021-09-28 2021-09-28 一种航天器借力飞行轨道的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111142337.2A CN113591403B (zh) 2021-09-28 2021-09-28 一种航天器借力飞行轨道的设计方法

Publications (2)

Publication Number Publication Date
CN113591403A true CN113591403A (zh) 2021-11-02
CN113591403B CN113591403B (zh) 2022-01-04

Family

ID=78242384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111142337.2A Active CN113591403B (zh) 2021-09-28 2021-09-28 一种航天器借力飞行轨道的设计方法

Country Status (1)

Country Link
CN (1) CN113591403B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781275A (zh) * 2022-05-19 2022-07-22 哈尔滨工业大学 基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096726A (zh) * 2019-02-21 2019-08-06 上海卫星工程研究所 基于月球借力的geo卫星应急转移轨道快速优化设计方法
CN112560343A (zh) * 2020-12-15 2021-03-26 南京航空航天大学 基于深度神经网络与打靶算法的J2摄动Lambert问题求解方法
CN112580255A (zh) * 2020-12-02 2021-03-30 南京航空航天大学 一种基于飞越映射参数学习的木卫引力辅助轨道递推方法
CN112613223A (zh) * 2020-11-24 2021-04-06 南京航空航天大学 基于径向基神经网络的月球引力辅助逃逸轨道递推方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096726A (zh) * 2019-02-21 2019-08-06 上海卫星工程研究所 基于月球借力的geo卫星应急转移轨道快速优化设计方法
CN112613223A (zh) * 2020-11-24 2021-04-06 南京航空航天大学 基于径向基神经网络的月球引力辅助逃逸轨道递推方法
CN112580255A (zh) * 2020-12-02 2021-03-30 南京航空航天大学 一种基于飞越映射参数学习的木卫引力辅助轨道递推方法
CN112560343A (zh) * 2020-12-15 2021-03-26 南京航空航天大学 基于深度神经网络与打靶算法的J2摄动Lambert问题求解方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
DAVIDE GUZZETTI等: "Attitude dynamics in the circular restricted three-body problem", 《ASTRODYNAMICS》 *
HONGWEI YANG等: "Fast computation of the Jovian-moon three-body flyby map based on artificial neural networks", 《ACTA ASTRONAUTICA》 *
乔栋等: "基于圆型限制性三体模型的借力飞行机理研究", 《宇航学报》 *
张科等: "圆型限制性三体问题中双脉冲地月转移轨道设计研究", 《西北工业大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781275A (zh) * 2022-05-19 2022-07-22 哈尔滨工业大学 基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质

Also Published As

Publication number Publication date
CN113591403B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN111301715B (zh) 基于霍曼变轨的同轨道特定相位分布的星座布局与轨道调整方法、装置及计算机存储介质
CN109798902A (zh) 一种适用于运载火箭入轨修正的迭代制导方法
CN111552003B (zh) 基于球卫星编队的小行星引力场全自主测量系统及方法
CN101059349A (zh) 微型组合导航系统及自适应滤波方法
CN110553653B (zh) 基于多源数据驱动的航天器轨道确定方法
CN107944084B (zh) 一种深空探测器行星借力飞行轨道评估方法
CN113591403B (zh) 一种航天器借力飞行轨道的设计方法
CN105893659A (zh) 一种卫星访问预报快速计算方法
CN114936471B (zh) 一种基于并行计算的航天器碰撞预警分层快速筛选方法
CN110489779A (zh) 一种木星探测借力飞行轨道优化设计方法
CN115143955B (zh) 基于天文测角数据确定地球同步轨道带航天器初轨的方法
EP3786072A1 (en) Systems and methods for autonomous deorbiting of a spacecraft
CN115314101A (zh) 一种基于并行计算的低轨通信卫星星座快速建模方法
CN114781275B (zh) 基于人工智能的航天器轨道拦截的燃料控制方法、装置及介质
CN115408775A (zh) 基于bp神经网络的空间飞行器标准轨迹初始诸元计算方法
CN111125874A (zh) 一种动平台高精度测轨预报方法
CN115392540A (zh) 一种用于月球轨道交会制导的快速预报方法
CN114676580A (zh) 一种卫星对地观测过顶时刻快速高精度计算方法
CN114826337A (zh) 一种用于卫星通信信号的多普勒频偏的预补偿方法及系统
CN115265540A (zh) 严格回归轨道参数的获取方法及装置
CN112580255A (zh) 一种基于飞越映射参数学习的木卫引力辅助轨道递推方法
CN108416093B (zh) 一种通用的星箭分离时刻卫星飞行状态确定系统及方法
CN111678525A (zh) 基于互测信息的多航天器自主导航方法、系统及装置
Byram et al. Models for the comet dynamical environment
Huang et al. Accuracy Evaluation Method of Stable Platform Inertial Navigation System Based on Quantum 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