CN113738606A - 一种针对离子电推进系统的连续变推力最优控制系统和方法 - Google Patents

Abstract

本发明公开了一种针对离子电推进系统的连续变推力最优控制系统和方法，该方法能够在完成推力需求值的同时达到工作效率最优，实现离子电推进系统的最优控制。在具体操作时，控制器在每个控制周期接收上位机下达的推力需求值，并在每个调节周期接收推力检测单元返回的当前推力值，仅依据推力需求值与当前推力值，通过阳极流率开环控制，阳极电流、励磁电流闭环控制以实现推进器的实时最优推力控制。

Description

一种针对离子电推进系统的连续变推力最优控制系统和方法

技术领域

本发明属于空间等离子体电领域，具体涉及一种针对离子电推进系统的连续变推力最优控制系统和方法。

背景技术

离子电推进系统的主要工作特点是宽范围高精度连续变推力，推力的调节需要通过控制量阳极流率、阳极电流、励磁电流的组合调节实现。为了实现推力的宽范围高精度连续调节，需要借助特定的控制算法实时控制离子推力器控制量的变化实现要求的推力需求值。建立离子推力器输出推力与控制量之间的变化关系目前还不能用等离子体放电相关物理规律进行表述，必须借助大量详细试验获得的试验数据进行拟合规律表述。由于由上位机下达的推力需求值是预先未知的随时间任意变化的函数，因此该系统是一种典型的随动系统，此类系统设计的重点是研究被控量(推力输出值)跟随参据量(推力需求值)的快速性和准确性。

近年来随着计算能力地不断提升，深度神经网络技术得到不断发展，深度神经网络能够学习与适应不确定系统的动态特性，有很强的鲁棒性和容错性。同时，根据万能逼近定理，通过连接多个特征值，经过线性和非线性的组合，深度神经网络可以逼近任意连续函数和非连续函数。因此，深度神经网络为非线性系统的建模和控制提供了强有力的手段。

在工程实际中，应用最为广泛的调节器控制规律为比例积分微分控制，简称PID控制。PID控制以其结构简单、稳定性好、工作可靠、调整方便成为工业控制的主要技术之一。但在离子电推进领域，传统的PID控制方法仅依靠推力误差进行决策控制，并未针对系统工作效率进行优化，不能保证在任何条件下系统均处于最优工作状态，无法满足离子推进器低误差且高效率(最优控制)的工作要求。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供一种针对离子电推进系统的连续变推力最优控制系统和方法，以解决现有技术中传统的PID控制方法未针对系统工作效率进行优化，难以保证系统处于最优工作状态的技术问题。

为达到上述目的，本发明采用以下技术方案予以实现：

一种针对离子电推进系统的连续变推力最优控制方法，包括以下步骤：

步骤1，建立控制量和推进器推力网络以及工作效率网络、以及推力网络损失函数和工作效率损失函数，通过输出推力的损失函数，训练推力网络中的参数，通过工作效率的损失函数，训练工作效率网路的损失函数，获得训练后的推力网络和工作效率网络，所述控制量包括阳极流率、阳极电流和励磁电流；

步骤2，通过训练后的推力网络和工作效率网络，建立输出推力的优化模型，所述优化模型以输出推力与推力需求误差值最小化，以及推进器工作效率最大化为目标；

步骤3，建立控制器，所述控制器包括优化器和调节器，所述优化器为控制量的控制网络，控制量的控制网络通过控制量的损失函数优化参数后获得，所述控制量的损失函数通过优化模型获得，所述调节器为阳极流率开环控制，阳极电流和励磁电流闭环增量式的PID控制调节器；

步骤4，划分推力控制阶段为控制周期和调节周期，控制周期期间，上位机下达推力需求指令；调节周期期间，控制器输出实时的最优控制量，整个推进器获得最优推力且整个推进器的工作效率最优。

本发明的进一步改进在于：

优选的，步骤1中，通过地面试验数据建立推力网络以及工作效率网络。

优选的，步骤1中，所述推力网络为：

f₁(u；θ₁)＝f₁(u_x,u_y,u_z；θ₁) (2)

所述推力网络的损失函数为：

L₁(θ₁)＝(F-f₁(u；θ₁))² (1)；

u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，F为u对应的真实推力值。

优选的，步骤1中，所述工作效率网络为：

f₂(u；θ₂)＝f₂(u_x,u_y,u_z；θ₂) (4)

所述述工作效率网络损失函数为

L₂(θ₂)＝(E-f₂(u；θ₂))² (3)

u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，E为u对应的真实工作效率值。

优选的，步骤2中，所述优化模型为：

其中，N为控制周期内调节周期个数，F_target为推力需求值；f₁(u(k))与f₂(u(k))分别表示第k调节周期离子电推进系统的输出推力与工作效率；χ为终端约束集合；

为系统控制量约束集合。

优选的，步骤3中，所述控制量的损失函数为：

L(θ₃)＝(F_target-f₁(u(F_target；θ₃)))²-λ·f₂(u(F_target；θ₃)) (8)

上式为最优控制网络u(f；θ₃)的损失函数，λ为平衡推力误差与工作效率的超参数。

优选的，步骤3中，优化模型的优化过程为：首先，建模输入为推力需求，输出控制量的控制网络u(f；θ₃)，根据损失函数，利用梯度反向传播算法，更新控制网络参数，得到最优控制网络，再将该网络离散量化，得到优化表，通过优化表中每个单点数据，利用梯度上升方法沿推力梯度方向调整控制量，得到最终确定的不同推力对应的最优控制量。

优选的，步骤3中，调节器中阳极流率的开环控制过程为，根据优化器中推力需求在对应的最优控制量中，将最优阳极流率

输送给流率控制单元，使其逐渐调整至最优阳极流率；

阳极电流与励磁电流控制过程为，在阳极流率缓慢变化的过程中，利用增量式PID控制方法对阳极电流与励磁电流闭环控制。

优选的，所述调节器中的函数为：

e(k)＝F(k)-F(k-1) (10)

其中，e(k)为k时刻与k-1时刻的推力误差；Δu_y(k+1)为阳极电流增量，Δu_z(k+1)为励磁电流增量，

为阳极电流比例项系数，

为阳极电流积分项系数，

为阳极电流微分项系数，

为励磁电流比例项系数，

为励磁电流积分项系数，

为励磁电流微分项系数。

一种用于实现上述针对离子电推进系统的连续变推力最优控制方法的控制系统，包括：

函数关系建立模块，建立控制量和推进器推力网络以及工作效率网络、以及推力网络损失函数和工作效率损失函数，通过输出推力的损失函数，训练推力网络中的参数，通过工作效率的损失函数，训练工作效率网路的损失函数，获得训练后的推力网络和工作效率网络；

优化模型建立模块，用于通过训练后的推力网络和工作效率网络，建立输出推力的优化模型；

控制器建立模块，用于建立控制器，所述控制器包括优化器和调节器；

控制模块，用于划分推力控制为控制周期和调节周期，控制周期期间，上位机下达推力需求指令；调节周期期间，控制器输出实时的最优控制量。

与现有技术相比，本发明具有以下有益效果：

本发明公开了一种针对离子电推进系统的连续变推力最优控制方法，该方法能够在完成推力需求值的同时达到工作效率最优，实现离子电推进系统的最优控制。本发明的离子电推进系统中基于优化-调节结构的PID连续变推力最优控制方法，通过结合深度神经网络技术与PID控制方法，满足了离子电推进系统的推力控制要求。在具体操作时，控制器在每个控制周期接收上位机下达的推力需求值，并在每个调节周期接收推力检测单元返回的当前推力值，仅依据推力需求值与当前推力值，通过阳极流率开环控制，阳极电流、励磁电流闭环控制以实现推进器的实时最优推力控制。本发明，针对离子电推进系统的物理特性与工作要求，能够适应一定范围的变化推力需求，联合优化推力误差和工作效率问题，在满足控制量物理约束的情况下，可以实现离子电推进系统低误差高效率连续变推力最优控制。

本发明还公开了一种针对离子电推进系统的连续变推力最优控制系统，该系统包括函数关系建立模块、优化模型建立模块、控制器建立模块和控制模块，该系统在具体操作时，控制器在每个控制周期接收上位机下达的推力需求值，并在每个调节周期接收推力检测单元返回的当前推力值，仅依据推力需求值与当前推力值，通过阳极流率开环控制，阳极电流、励磁电流闭环控制以实现推进器的实时最优推力控制。

附图说明

图1为本发明的流程示意图；

图2为控制器设计图；

图3为调节器设计图；

图4为大目标推力推力控制效果图；

图5为大目标推力工作效率变化图；

图6为小目标推力推力控制效果图；

图7为小目标推力工作效率变化图；

图8为变化目标推力推力控制效果图；

图9为变化目标推力工作效率变化图；

具体实施方式

下面结合附图对本发明做进一步详细描述：

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性；此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

参见图1，本发明所述的离子电推进系统中基于优化-调节结构的PID连续变推力最优控制方法包括以下步骤：

1)利用大量地面试验数据，对离子电推进器进行建模，确定控制量u：阳极流率u_x、阳极电流u_y、励磁电流u_z与推进器输出推力F以及推进器工作效率E之间的函数关系；

将离子电推进器抽象为输入为控制量u：阳极流率u_x、阳极电流u_y、励磁电流u_z与推进器输出推力F以及推进器工作效率E之间函数关系。根据地面试验数据，利用多层感知机MLP模型构建函数关系。由于推力与效率的取值范围差异较大，因此对两者分开建模，并设定损失函数利用梯度反向传播算法，更新模型参数。其中，推力网络f₁(u；θ₁)的损失函数为：

L₁(θ₁)＝(F-f₁(u；θ₁))² (1)

f₁(u；θ₁)＝f₁(u_x,u_y,u_z；θ₁) (2)

工作效率网络f₂(u；θ₂)的损失函数为：

L₂(θ₂)＝(E-f₂(u；θ₂))² (3)

f₂(u；θ₂)＝f₂(u_x,u_y,u_z；θ₂) (4)

其中，u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，F为u对应的真实推力值，E为u对应的真实工作效率值。

网络训练过程中，每次从地面实验数据集中随机抽取一个mini-batch的样本，根据损失函数(1)，按照如下公式更新推力网络f₁(u；θ₁)参数：

根据损失函数(4)，按照如下公式更新效率网络f₂(u；θ₂)参数：

其中，α表示学习率，X表示mini-batch大小。

2)将离子电推进系统推力控制时序划分为控制周期T_c与调节周期T_a，一个控制周期包含多个调节周期。控制周期上位机下达推力需求值F_target；调节周期内完成对控制量u的一次调节。设定带约束的多目标优化模型，在满足控制量物理限制的前提下，实现连续时间的最优控制即尽可能最小化推力误差以及最大化推进器效率；

具体的，将系统控制周期设定为T₁，系统调节周期设定为T₂。设定控制周期内的控制器优化模型，在控制量满足物理限制U的前提下，以尽可能最小化输出推力与推力需求值误差以及最大化推进器工作效率为目标，建立如下优化模型：

其中，N为获得控制周期内调节周期个数，F_target为推力需求值；f₁(u(k))与f₂(u(k))分别表示第k调节周期离子电推进系统的输出推力与工作效率；χ为终端约束集合；

为系统控制量约束集合。

3)针对离子电推进系统特点，对推力控制器进行建模，设计独特的优化-调节结构的控制器，即控制器为两部分：优化器与调节器；优化器在每个控制周期，根据上位机下达的推力需求值F_target，计算得到与推力需求值相对应的最优控制量u^*。调节器在每一个调节周期，根据推力需求值以及当前推力与阳极流率，计算得到实时阳极电流与励磁电流，使得推力达到推力需求值且工作效率最优；

如图2所示，针对离子电推进系统物理特点，将控制器设计为优化器和调节器。其中，优化器部分：首先，建模输入为目标推力，输出为最优控制量的神经网络模型u(f；θ₃)，根据设定好的损失函数公式(8)，利用梯度反向传播算法，更新模型参数，得到最优控制网络，再将该网络离散量化，得到优化表，通过对优化表中每个单点数据，利用梯度上升方法沿推力梯度方向调整控制量，得到最终确定的不同推力对应的最优控制量

即得到最终的优化器。

L(θ₃)＝(F_target-f₁(u(F_target；θ₃)))²-λ·f₂(u(F_target；θ₃)) (8)

上式为最优控制网络u(f；θ)的损失函数，λ为平衡推力误差与工作效率的超参数。

在网络训练过程中，随机采样mini-batch大小的推力需求值，根据损失函数(8)，按照如下公式更新最优控制网络u(f；θ₃)参数：

其中，α表示学习率，X表示mini-batch大小。

调节器部分：如图3所示，针对离子电推进系统中阳极流率慢调节的特点，设计阳极流率开环控制，阳极电流、励磁电流闭环增量式PID控制的调节器。其中，阳极流率控制：根据优化器中推力需求在对应的最优控制量，将最优阳极流率

输送给阳极流率控制单元，使其逐渐调整至最优阳极流率。阳极电流与励磁电流控制：在阳极流率缓慢变化的过程中，利用增量式PID控制方法对阳极电流与励磁电流闭环控制，将系统输出推力快速、稳定调整至推力需求值。调节器中的具体函数为：

e(k)＝F(k)-F(k-1) (10)

其中，e(k)为k时刻与k-1时刻的推力误差；Δu_y(k+1)为阳极电流增量，Δu_z(k+1)为励磁电流增量，

为阳极电流比例项系数，

为阳极电流积分项系数，

为阳极电流微分项系数，

为励磁电流比例项系数，

为励磁电流积分项系数，

为励磁电流微分项系数。

阳极电流与励磁电流的闭环PID控制是在每个调节周期，输入当前推力值与推力需求值，通过两者之差控制阳极电流与励磁电流。这两个量能够快速响应。阳极流率的开环控制则只需要在控制周期开始，优化器根据上位机下达推力需求值，得到的对应的最优阳极流率。作用在流率控制单元让其自己缓慢变化。相当于优化器的作用就是解出最优阳极流率，对阳极流率开环调节。调节器的作用的就是根据当前推力与目标推力闭环调节。

通过上述的设置，分别确定好控制器中优化器与调节器参数后，在具体的实施过程中，只需要将推力需求值以及当前推力输入控制器中即可得到离子电推进器的最优控制量。

4)得到优化-调节结构的控制器后，在具体应用过程中，每个控制周期，上位机下达推力需求指令，控制器在每个调节周期，输出相应的控制量指令，实现离子电推进器连续变推力最优控制。

下面结合具体的实施例进一步的分析：

实施例

假设一个离子电推进系统包含推进器与控制器，其中推进器的输入为阳极流率u_x、阳极电流u_y、励磁电流u_z，输出推力范围为1mN～20mN；在每个控制周期T_c，上位机下达推力需求值F_target，设定T_c＝0.1s；将每个控制周期划分为50个调节周期T_a，设定T_a＝0.002s，在每个调节周期完成一次控制量调节，控制器中优化器根据推力需求值得到最优阳极流率

将其作用于流率控制单元；控制器中调节器根据推力需求值与当前推力与阳极流率，动态控制阳极电流与励磁电流。

本发明在满足控制量物理限制的条件下，以控制周期内的最小化输出推力与推力需求值误差以最大化及系统工作效率为联合目标，设定如下优化模型：

本发明所述的离子电推进系统中基于优化-调节结构的PID连续变推力最优控制方法以下步骤：

1)利用大量地面试验数据，对离子电推进器进行建模，确定控制量u：阳极流率u_x、阳极电流u_y、励磁电流u_z与推进器输出推力F以及推进器工作效率E之间的演化关系；

步骤11)：将离子电推进器抽象为输入为控制量u：阳极流率u_x、阳极电流u_y、励磁电流u_z与推进器输出推力F以及推进器工作效率E之间函数关系。根据地面试验数据，利用多层感知机MLP模型构建函数关系。由于推力与效率的取值范围差异较大，因此对两者分开建模，并设定损失函数利用梯度反向传播算法，更新模型参数。其中，推力网络f₁(u；θ₁)的损失函数为：

L₁(θ₁)＝(F-f₁(u；θ₁))² (1)

f₁(u；θ₁)＝f₁(u_x,u_y,u_z；θ₁) (2)

工作效率网络f₂(u；θ₂)的损失函数为：

L₂(θ₂)＝(E-f₂(u；θ₂))² (3)

f₂(u；θ₂)＝f₂(u_x,u_y,u_z；θ₂) (4)

其中，u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，F为u对应的真实推力值，E为u对应的真实工作效率值，θ₁为推力网络模型参数，θ₂为工作效率模型参数。

网络训练过程中，每次从地面实验数据集中随机抽取一个mini-batch的样本，根据损失函数(1)，按照如下公式更新推力网络f₁(u；θ₁)参数：

根据损失函数(4)，按照如下公式更新效率网络f₂(u；θ₂)参数：

其中，α表示学习率，X表示mini-batch大小。

2)将离子电推进系统推力控制时序划分为控制周期T_c与调节周期T_a，一个控制周期包含多个调节周期。控制周期上位机下达推力需求值F_target；调节周期内完成对控制量u的一次调节。设定带约束的多目标优化模型，在满足控制量物理限制的前提下，实现连续时间的最优控制即尽可能最小化推力误差以及最大化推进器效率；

步骤12)：将系统控制周期设定为0.1s，系统调节周期设定为0.002s。设定控制周期内的控制器优化模型，在控制量满足物理限制U的前提下，以尽可能最小化输出推力与推力需求值误差以及最大化推进器工作效率为目标：

其中N为控制周期内调节周期个数，即N＝50，F_target为推力需求值；f₁(u(k))与f₂(u(k))分别表示第k调节周期离子电推进系统的输出推力与工作效率；χ为终端约束集合；

为系统控制量约束集合。

3)针对离子电推进系统特点，对推力控制器进行建模，设计独特的优化-调节结构的控制器，即控制器为两部分：优化器与调节器；优化器在每个控制周期，根据上位机下达的推力需求值F_target，计算得到与推力需求值相对应的最优控制量u^*。调节器在每一个调节周期，根据推力需求值以及当前推力与阳极流率，计算得到实时阳极电流与励磁电流，使得推力达到推力需求值且工作效率最优；

步骤13)：针对离子电推进系统物理特点，将控制器设计为优化器和调节器。其中，优化器部分：首先，建模输入为目标推力，输出为最优控制量的神经网络模型u(f；θ₃)，根据设定好的损失函数公式(8)，利用梯度反向传播算法，更新模型参数，得到最优控制网络，再将该网络离散量化，得到优化表，通过对优化表中每个单点数据，利用梯度上升方法沿推力梯度方向调整控制量，得到最终确定的不同推力对应的最优控制量

即得到最终的优化器。

L(θ₃)＝(F_target-f₁(u(F_target；θ₃)))²-λ·f₂(u(F_target；θ₃)) (8)

上式为最优控制网络u(f；θ₃)的损失函数，λ为平衡推力误差与工作效率的超参数，θ₃为最优控制网络模型参数。

在网络训练过程中，随机采样mini-batch大小的推力需求值，根据损失函数(8)，按照如下公式更新最优控制网络u(f；θ₃)参数：

其中，α表示学习率，X表示mini-batch大小。

调节器部分：针对离子电推进系统中阳极流率慢调节的特点，设计阳极流率开环控制，阳极电流、励磁电流闭环增量式PID控制的调节器。其中，阳极流率控制：根据优化器中推力需求在对应的最优控制量，将最优阳极流率u_x ^*输送给流率控制单元，使其逐渐调整至最优阳极流率。阳极电流与励磁电流控制：在阳极流率缓慢变化的过程中，利用增量式PID控制方法对阳极电流与励磁电流闭环控制，将系统输出推力快速、稳定调整至推力需求值。

e(k)＝F(k)-F(k-1) (10)

其中，e(k)为k时刻与k-1时刻的推力误差；Δu_y(k+1)为阳极电流增量，Δu_z(k+1)为励磁电流增量，

为阳极电流比例项系数，

为阳极电流积分项系数，

为阳极电流微分项系数，

为励磁电流比例项系数，

为励磁电流积分项系数，

为励磁电流微分项系数。

4)得到优化-调节结构的控制器后，在具体应用过程中，每个控制周期，上位机下达推力需求指令，控制器在每个调节周期，输出相应的控制量指令，实现离子电推进器连续变推力最优控制。

步骤14)：分别确定好控制器中优化器与调节器参数后，在具体的实施过程中，只需要将推力需求值及当前推力输入控制器即可得到离子电推进器的最优控制量。

下面给出仿真设置和实验结果分析。

仿真参数设置

仿真平台采用DELL PowerEdge(DELL-R940XA,4*GOLD-5117,RTX2080Ti)具体的仿真参数如表1、2、3所示。.

表1推力模型与工作效率训练参数设置

表2优化器训练参数设置

训练循环次数	10000
		批处理大小	1900
学习率	0.001
		学习率余弦退火衰减周期	1000
优化器	Adam

表3调节器参数设置

实验结果和分析

图4、5、6、7、8、9展示了本发明在离子电推进系统上的推力以及工作效率的控制效果。从图4、5可以看出本发明的算法能够实现对较大目标推力快速、准确的调节，最终稳定在较为优良的工作状态，且并未产生超调现象，达到推力需求值大约需要1～2s。从图6、7可以看出，本发明提出的算法能够对小目标推力实现快速准确的调节，最终稳定在较为优良的工作状态。在本组实验中产生超调现象，超调量较小，约为1mN，达到推力需求值大约需要10ms。从图8、9可以看出，本发明的算法能够在对目标推力变化快速准确地跟随目标推力的变化，在推力向上调节的过程中需要一定的响应时间，但向下调节时几乎可以瞬时完成，整个控制过程保持在高工作效率的状态下进行。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，包括以下步骤：

步骤1，建立控制量和推进器推力网络以及工作效率网络、以及推力网络损失函数和工作效率损失函数，通过输出推力的损失函数，训练推力网络中的参数，通过工作效率的损失函数，训练工作效率网路的损失函数，获得训练后的推力网络和工作效率网络，所述控制量包括阳极流率、阳极电流和励磁电流；

步骤2，通过训练后的推力网络和工作效率网络，建立输出推力的优化模型，所述优化模型以输出推力与推力需求误差值最小化，以及推进器工作效率最大化为目标；

步骤3，建立控制器，所述控制器包括优化器和调节器，所述优化器为控制量的控制网络，控制量的控制网络通过控制量的损失函数优化参数后获得，所述控制量的损失函数通过优化模型获得，所述调节器为阳极流率开环控制，阳极电流和励磁电流闭环增量式的PID控制调节器；

步骤4，划分推力控制阶段为控制周期和调节周期，控制周期期间，上位机下达推力需求指令；调节周期期间，控制器输出实时的最优控制量，整个推进器获得最优推力且整个推进器的工作效率最优。

2.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤1中，通过地面试验数据建立推力网络以及工作效率网络。

3.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤1中，所述推力网络为：

f₁(u；θ₁)＝f₁(u_x,u_y,u_z；θ₁) (2)

所述推力网络的损失函数为：

L₁(θ₁)＝(F-f₁(u；θ₁))² (1)；

u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，F为u对应的真实推力值。

4.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤1中，所述工作效率网络为：

f₂(u；θ₂)＝f₂(u_x,u_y,u_z；θ₂) (4)

所述述工作效率网络损失函数为

L₂(θ₂)＝(E-f₂(u；θ₂))² (3)

u为控制量，其中u_x为阳极流率、u_y阳极电流、u_z为励磁电流，E为u对应的真实工作效率值。

5.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤2中，所述优化模型为：

其中，N为控制周期内调节周期个数，F_target为推力需求值；f₁(u(k))与f₂(u(k))分别表示第k调节周期离子电推进系统的输出推力与工作效率；χ为终端约束集合；

为系统控制量约束集合。

6.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤3中，所述控制量的损失函数为：

L(θ₃)＝(F_target-f₁(u(F_target；θ₃)))²-λ·f₂(u(F_target；θ₃)) (8)

上式为最优控制网络u(f；θ₃)的损失函数，λ为平衡推力误差与工作效率的超参数。

7.根据权利要求6所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤3中，优化模型的优化过程为：首先，建模输入为推力需求，输出控制量的控制网络u(f；θ₃)，根据损失函数，利用梯度反向传播算法，更新控制网络参数，得到最优控制网络，再将该网络离散量化，得到优化表，通过优化表中每个单点数据，利用梯度上升方法沿推力梯度方向调整控制量，得到最终确定的不同推力对应的最优控制量。

8.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，步骤3中，调节器中阳极流率的开环控制过程为，根据优化器中推力需求在对应的最优控制量中，将最优阳极流率u_x*输送给流率控制单元，使其逐渐调整至最优阳极流率；

阳极电流与励磁电流控制过程为，在阳极流率缓慢变化的过程中，利用增量式PID控制方法对阳极电流与励磁电流闭环控制。

9.根据权利要求1所述的一种针对离子电推进系统的连续变推力最优控制方法，其特征在于，所述调节器中的函数为：

e(k)＝F(k)-F(k-1) (10)

其中，e(k)为k时刻与k-1时刻的推力误差；Δu_y(k+1)为阳极电流增量，Δu_z(k+1)为励磁电流增量，

为阳极电流比例项系数，

为阳极电流积分项系数，

为阳极电流微分项系数，

为励磁电流比例项系数，

为励磁电流积分项系数，

为励磁电流微分项系数。

10.一种用于实现权利要求1所述针对离子电推进系统的连续变推力最优控制方法的控制系统，其特征在于，包括：

函数关系建立模块，建立控制量和推进器推力网络以及工作效率网络、以及推力网络损失函数和工作效率损失函数，通过输出推力的损失函数，训练推力网络中的参数，通过工作效率的损失函数，训练工作效率网路的损失函数，获得训练后的推力网络和工作效率网络；

优化模型建立模块，用于通过训练后的推力网络和工作效率网络，建立输出推力的优化模型；

控制器建立模块，用于建立控制器，所述控制器包括优化器和调节器；

控制模块，用于划分推力控制为控制周期和调节周期，控制周期期间，上位机下达推力需求指令；调节周期期间，控制器输出实时的最优控制量。

Images