CN114967453B - 一种基于神经网络的卫星东西位保协态初值估计方法 - Google Patents
一种基于神经网络的卫星东西位保协态初值估计方法 Download PDFInfo
- Publication number
- CN114967453B CN114967453B CN202210587606.4A CN202210587606A CN114967453B CN 114967453 B CN114967453 B CN 114967453B CN 202210587606 A CN202210587606 A CN 202210587606A CN 114967453 B CN114967453 B CN 114967453B
- Authority
- CN
- China
- Prior art keywords
- initial value
- fuel
- satellite
- ground shadow
- optimal
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 239000000446 fuel Substances 0.000 claims abstract description 189
- 238000012546 transfer Methods 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 42
- 230000008685 targeting Effects 0.000 claims abstract description 33
- 230000035945 sensitivity Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 51
- 230000007704 transition Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000003068 static effect Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000012940 design transfer Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000001174 ascending effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 230000002195 synergetic effect Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，属于航空航天技术领域。本发明实现方法为：建立轨道运动模型、地影约束模型，并分别建立时间和燃料最优位置保持问题模型；多次求解最优问题获得东西位置保持燃料最优解并构建数据集；设计转移时间预测模块结构并训练子网络，解决转移时间难以获得的问题；设计地影预测模块并训练子网络解决地影判断困难的问题；设计协态初值预测模块结构并训练子网络解决协态初值优化困难的问题；在此基础上，构建三相DNN，用以获得转移时间与协态初值估计，使得打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
Description
技术领域
本发明涉及一种基于神经网络的卫星东西位保协态初值估计方法，尤其涉及地影约束下转移时间自由的燃料最优控制方法，属于航空航天技术领域。
背景技术
地球静止轨道卫星(Geostationary Orbit,GEO)指一条在赤道上空35786km附近的圆轨道。由于其周期与地球自转周期一致且轨道倾角近似为零，因此该轨道上的卫星相对于地面静止，在通信、导航、遥感、预警、数据中继、气象等军用民用领域中发挥重要作用，拥有着极高的战略价值。由于只有特定轨道高度和轨道倾角的轨道能做到相对地面静止，使得静止轨道资源十分珍贵。
GEO卫星在运行时主要受到地球非球形摄动、日月引力摄动、太阳光压摄动，受到上述三种摄动的影响，其轨道根数会发生改变，造成GEO卫星地心经度和地心纬度发生变化，使得卫星在无控的情况下逐渐漂移出定点窗口。由于GEO轨道资源珍贵性，漂移出定点窗口则意味着可能和附近地心经度的卫星发生碰撞进而报废，也可能由于偏离过大对GEO卫星功能造成影响。GEO卫星的位置保持即是在卫星即将漂移出定点窗口时，施加一定机动，使得卫星保持在定点窗口内运动，进而保证卫星的安全与正常功能。
GEO卫星发动机主要分为脉冲推力发动机与电推力发动机。脉冲推力发动机发展时间长，在各大航天任务中应用良好，该种发动机的特点是瞬时推力大，但比冲较小。电推力发动机发展时间较短，应用范围较小。现有的电推进发动机主要为离子推力器和霍尔发动机，两种电推力发动机都有着瞬时推力小与工质比冲高的特点。相较于脉冲发动机，使用电推力发动机节省燃料，且所需电力能够通过太阳能帆板补充，更适用于GEO卫星的位保任务。
由于电推力发动机存在瞬时推力小，机动过程时间较长的特点，不能再认为瞬时改变卫星状态，在设计控制率时需要考虑转移期间的状态变化。因此，电推力GEO卫星的位保任务控制率常使用最优控制方法求解。最优控制方法主要分为直接法和间接法。其中，间接法能够保证局部最优，更加适合求解对精度要求高的位置保持任务。间接法引入了物理意义不明的协态变量进行求解，通过对协态初值估计将优化问题转化为打靶问题，这使得间接法对协态初值敏感，控制率求解的最大困难便是确定协态初值。
在GEO卫星的位置保持任务中，期望获得燃料最优的解，传统间接法需要首先求解时间最优问题，而后进行能量-燃料最优问题的同伦求解才能够得到燃料最优的解。需要大量计算资源。在位保任务中存在着地影约束，由于电推力发动机依赖于电能，当太阳光被地球遮挡住时，太阳能发电板不能提供足够电能，发动机会被迫关闭。为了给出有效的控制率，地影约束也必须被考虑进去。地影约束为非线性约束，给控制率的求解带来了更大的计算负担。GEO卫星位置保持任务，尤其是东西位保任务频繁，甚至能够达到一天数次，每颗星每次东西位保任务都利用地面站求解而后将控制率传给卫星将会带来大量计算负担并给地面站带来压力。文献(Zhengzhong K,Shen H,Hengnian L I,et al.Optimal stationkeeping of geostationary satellites by electric propulsion[J].Chinese SpaceScience and Technology,2018.)针对电推力GEO卫星东西位保提出了最优控制方法，但是没有解决计算负担大的问题。在人工智能与间接法结合方面，文献(Li H,Baoyin H,Topputo F.Neural Networks in Time-Optimal Low-Thrust Interplanetary Transfers[J].IEEE Access,2019,7:1-1.)将神经网络用于轨道转移中的时间最优协态初值估计，但在求解燃料最优问题时仍然面对初值敏感的问题。本方法设计包含三个模块的深度神经网络(Deep Neural Network,DNN)通过学习大量东西位保数据能够快速给出转移时间与考虑了地影约束的燃料最优协态初值，能够在轨实时解算，实现卫星在轨自主东西位保，进而减小地面站压力并增强卫星自主性。
发明内容
本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法要解决的技术问题是：建立GEO卫星东西位置保持燃料最优问题模型，多次求解所述燃料最优问题并构建训练集。针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计转移时间预测模块结构并训练转移时间预测子网络，解决燃料最优问题的转移时间难以获得的问题；通过设计地影预测模块并训练地影预测子网络解决地影判断困难的问题，设计协态初值预测模块结构并训练两个协态初值预测子网络解决协态初值优化困难的问题；在此基础上，构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，通过Gauss摄动方程建立GEO卫星受控轨道运动模型；通过几何关系建立GEO卫星轨道运动的地影约束模型；基于轨道运动模型和地影约束模型，分别建立考虑地影约束的时间和燃料最优位置保持问题模型。多次求解时间最优问题获得最短转移时间，并求解燃料最优问题获得GEO卫星东西位置保持燃料最优控制率以构建训练集与测试集。针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计转移时间预测模块结构并训练转移时间预测子网络，解决燃料最优问题的转移时间难以获得的问题；通过设计地影预测模块并训练地影预测子网络解决地影判断困难的问题，设计协态初值预测模块结构并训练两个协态初值预测子网络解决协态初值优化困难的问题；在此基础上，构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，包括以下步骤。
步骤一：通过Gauss摄动方程建立GEO卫星受控制力作用下的轨道运动模型。
步骤1.1：建立无奇点轨道根数和经典轨道根数的对应关系。
由于经典轨道根数{a,e,i,w,W,M}在描述倾角接近零、偏心率接近零的GEO轨道时会出现奇异，故建立无奇点的轨道要素{a,l,ex,ey,ix,iy}用来描述GEO轨道。无奇点轨道根数和经典轨道根数的对应关系为：
上式中a为半长轴，e为偏心率，i为轨道倾角，ω为近地点幅角，Ω为升交点赤经，M为真近点角，θG为格林尼治恒星时角，l为平经度，是卫星在地球固连坐标系下的经度，用来判断卫星是否在定点窗口内。
步骤1.2：建立无奇点轨道根数的Gauss摄动方程；
Gauss方程能够将外力对轨道根数的作用很好地体现出来，被用来描述静止轨道卫星在电推力发动机作用下的轨道运动。将二阶小量略去后的轨道运动模型如下所示：
其中u是电推力发动机的推力幅值比，取值在0-1之间，代表当前推力占推力幅值的百分比；T为发动机推力幅值；m是卫星的总质量；V是GEO卫星的速度；dR，dT，dN是推力在卫星质心轨道坐标系下沿着径向，切向和法向的推力分量与T的比值；λ是GEO卫星在地心惯性坐标系下的经度，λ＝ω+Ω+M。
步骤二：通过地球、太阳、卫星三者的几何关系，建立电推力GEO卫星轨道运动的地影约束模型。
地影是指卫星运行时，太阳光被地球遮挡住，以至于太阳能帆板无法接收到太阳光照射的现象。精准的地影模型认为太阳光为非平行光，导致地影区分为本影区和半影区，二者都呈圆锥形。在本影区中，卫星完全接收不到太阳光，电推力发动机无法开机，虽然在半影区中卫星仍可接收到部分太阳光，但由于功率较低，判定电推力发动机仍不能开机。定义日心夹角为卫星到日心连线与地心到日心连线之间的夹角。存在两个特殊的日心夹角分别为卫星在半影区的圆锥母线上与卫星在本影区的圆锥母线上时的日心夹角。二者的计算公式为：
其中，ae为地球半径；Rs为太阳半径；A为日地距离。根据几何关系，当时，卫星处于光照区，发动机能够正常工作；当时，卫星处于半影区；当时，卫星处于本影区。综上所述，当卫星轨道运动过程中的日心夹角时，卫星便受到地影约束影响无法开机。
步骤三：基于步骤一中建立的轨道运动模型和步骤二中建立的地影约束模型，建立考虑地影约束的时间最优和燃料最优位置保持问题，求解时间最优问题获得最短转移时间，在此基础上扩大一定倍数给出燃料最优问题转移时间，并求解燃料最优问题获得GEO卫星东西位置保持燃料最优控制率。
步骤3.1：基于步骤一中建立的轨道运动模型和步骤二中建立的地影约束模型建立时间最优位置保持问题模型；
为了更方便的表示时间最优问题对应的哈密顿函数，将公式(2)描述为状态空间的形式：
其中，
控制过程中，质量的微分方程为：
其中，Isp为燃料比冲，g0为海平面处的重力加速度。
时间最优问题的性能指标为最小化转移时间，因此表示性能指标为：
其中，t0为转移初始时间，tf为转移结束时间。选取无奇点根数与航天器质量共7个变量作为状态量，对应存在7个协态量，记为：记时间最优问题的哈密顿函数Ht为：
由公式(7)推导出协态量的微分方程：
其中，在时间最优问题中，推力器应一直处于开启状态，但是由于地影约束的存在，在地影区内推力器无法开机，因此最优推力幅值比应为：
其中，与为步骤二中所述的日心夹角。最优推力方向d*为：
综合公式(4)(5)(8)，同时，推力方向d与开关常数u能够确认，得到状态与协态的微分方程：
在时间最优东西位保问题中，无奇点根数的末端值为给定的固定值，而末端质量与终端时间值为自由量。因此，终端量需要满足：
其中，t0为初始时间，tf为终端时间；xf为给定的终端目标值；φ为打靶函数，当p(t0)与tf的取值使得打靶函数为零时，时间最优问题求解完成，记位保任务所需的最短转移时间为tmin。
步骤3.2：通过同伦法建立燃料最优问题求解模型，获得燃料最优控制率，其中，燃料最优解所需的转移时间由时间最优问题解出的最短转移时间扩大一定倍数获得。
时间最优问题中的发动机一直开机，燃料消耗并不是最优，为了最小化位保任务的燃料消耗，需要求解燃料最优问题。燃料最优控制为bang-bang控制，求解过程中的协态初值估计有较大困难，结合同伦方法的打靶法能够提高求解燃料最优问题的成功率。将同伦法求解的燃料最优问题目标函数Jf写为：
其中ε为同伦系数，当ε＝1时，目标函数对应的最优问题为能量最优问题，求解过程相对容易，当ε＝0时，目标函数对应的最优问题为燃料最优问题。在求解过程中，首先求解ε为1的能量最优问题，而后进行多步迭代，将ε逐渐减小到0，并将迭代前一步解出的协态初值作为下一步迭代的打靶初值，获得燃料最优解。
在同伦求解燃料最优问题的过程中，哈密顿函数Hf为：
在燃料最优问题求解中，最优推力幅值比u*不应常为1，同时考虑到地影的影响，最优推力幅值比u*表示为：
其中，燃料最优开关函数S为：
燃料最优问题的状态与协态微分方程和时间最优问题一致。需要注意的是，燃料最优问题同伦求解过程中，转移时间tf是固定的，间接法中由时间最优问题获得的最短转移时间tmin为基础，乘以预定倍数获得。因此，燃料最优问题中的终端无奇点根数值固定、终端时间固定；终端质量自由。因此，燃料最优问题的打靶函数φfuel为：
当协态初值p(t0)的取值使得打靶函数为0时，燃料最优问题得解，将协态初值，根数初值与质量初值放到微分方程(11)中进行积分，积分时间为tf，便获得GEO卫星东西位置保持燃料最优控制率。
步骤四：按照步骤三重复求解GEO卫星东西位置保持燃料最优问题，并通过遍历最短转移时间扩大倍数获得多个燃料最优转移时间，收集燃料消耗最小的转移时间，并结合燃料最优问题初值与协态初值构建训练集，以使得后续步骤五建立的三相DNN能够提供燃料消耗尽可能小的燃料最优转移时间。
根据目标GEO卫星的工况，确定初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ的取值范围作为训练集数据生成的范围，使得使用该取值范围选取的训练集训练的三相DNN对在该工况下工作的卫星东西位保任务有较好包络性，其中定点窗口经度范围半径ψ为GEO卫星容许的经度漂移范围。
重复在训练集数据生成范围内随机生成初始无奇点根数、初始卫星质量、位保任务初始历元时间、定点窗口经度范围半径，并选取满足位保任务需求的目标无奇点根数。根据重复生成的初始数据，重复利用步骤3.1中构建的考虑地影约束的时间最优求解框架获得完成位保任务的最短转移时间，并在此基础上遍历最短转移时间扩大倍数并得到多个燃料最优问题的转移时间，而后针对多个燃料最优问题转移时间利用步骤3.2构建的燃料最优问题同伦求解方法，求解燃料最优解，选取所有燃料最优解中燃料消耗最小的一组记录对应的燃料最优问题转移时间与协态初值，得到多组初值在训练集手机范围内的数据。使用该种方法记录的数据都对应着时间自由情况下的燃料最优解，进一步减小燃料消耗。
选取初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、燃料最优解的协态初值p、转移时间ttrans与地影标志量η共25维数据作为训练集数据，其中地影标志量η表示在位保控制过程中是否经过地影区，如果控制过程中卫星未经过地影区，则记为0；如果控制过程中卫星经过地影区，但是对公式(15)的结果没有影响则记为1；如果控制过程中卫星经过地影区并且公式(15)的结果受到地影约束影响发生变化则记为2。在重复生成的多组数据中收集25维训练集数据以构建训练集，生成多组25维数据作为训练集数据，并选取少量数据作为测试集数据用以测试网络效果。由于在求解燃料最优解时对最短转移时间扩大倍数进行了遍历，训练集数据对应的燃料最优解在转移时间自由时也能保持燃料消耗较，使得后续步骤五建立的三相DNN能够提供燃料消耗尽可能小的燃料最优转移时间。
步骤五：针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计转移时间预测模块结构并训练转移时间预测子网络，解决燃料最优问题的转移时间难以获得的问题；通过设计地影预测模块并训练地影预测子网络解决地影判断困难的问题，设计协态初值预测模块结构并训练两个协态初值预测子网络解决协态初值优化困难的问题；在此基础上，构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
步骤5.1：针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计设计三相DNN结构代替传统间接法的求解方法，解决上述三个问题，减小求解负担。
在步骤三、四求解GEO卫星东西位置保持燃料最优问题过程中，存在三个问题：(一)燃料最优问题的转移时间难以获得，需要首先求解时间最优问题，会造成大量计算资源浪费；(二)地影判断困难；(三)协态初值优化困难，燃料最优的协态初值难以直接获得，需要使用同伦法，通过求解能量最优问题迭代获得，浪费大量计算资源。针对求解GEO卫星东西位置保持燃料最优问题过程中影响求解效率的三个因素，设计三相DNN结构代替传统间接法的求解方法，减小求解负担。所述三相DNN结构包括设计转移时间预测模块、地影预测模块、协态初值预测模块。
所述设计转移时间预测模块，用于预测燃料最优问题所需转移时间，用以代替时间最优问题求解，并希望转移时间预测模块提供的转移时间对应的燃料最优解有着较少燃料消耗。
为了能够针对地影是否出现准确地估计协态初值，地影预测模块被用来提供地影信息，加快求解效率。由于地影是由日地星的几何关系造成，且燃料最优解为bang-bang控制，地影对于卫星与电推力发动机的影响分为三种情况，第一种为转移过程不过地影，第二种为转移过程出现地影，但地影对于发动机没有影响，第三种为地影使得发动机被迫关机。第二种与第三种情况中，卫星都经过了地影，而地影对发动机的影响取决于位保策略，位保策略的制定与地影对发动机的影响相关，二者相互影响，无法提前预测第二，三两种情况。因此，地影预测模块利用人工智能方法分辨卫星在控制段是否会经过地影，也即将第一种情况分离出来。由于第一种情况在所有情况中所占比重很大，将其分离出来能有效增加求解效率。
所述协态初值预测模块，根据前两个模块提供的转移时间与地影信息提供协态初值估计，由于估计值距离优化值十分接近，使用估计值进行打靶能够提高收敛效率，减小求解负担。
三相DNN需要根据十五维输入给出协态初值估计与转移时间，这通过三个模块共同实现。其中，协态初值估计为燃料最优问题的初值估计，并考虑地影约束。所述十五维输入包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf。
步骤5.2：设计转移时间预测模块结构并训练转移时间预测子网络，用以获得燃料最优问题的转移时间，使得给出的转移时间对应的燃料最优解消耗燃料也相对较少，减少使用三相DNN求解的东西位保问题对应的燃料消耗。
转移时间预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf给出转移时间ttrans。由于在步骤4.2中，收集数据时在时间域上对燃料最优解已进行搜索，该转移时间预测模块给出的转移时间对应的燃料最优解消耗燃料也相对较少，减少使用三相DNN求解的东西位保问题对应的燃料消耗。
转移时间预测模块通过单个子网络实现。该转移时间预测子网络通过选取合适的网络深度、神经元个数、激活函数进行设计，网络的输入为15维数据，包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0与定点窗口经度范围半径ψ；输出为一维转移时间ttrans。该转移时间预测子网络构成了三相DNN的转移时间预测模块，输出的转移时间被用来预测地影信息、燃料最优协态初值估计，并作为三相DNN输出中的一维。通过使用该转移时间预测子网络代替时间最优问题的求解与燃料最优问题在时间域上的搜索，能够大幅减少求解负担，减少三相DNN求解东西位保问题时的燃料消耗。
使用步骤4.2中收集的训练集与测试集，选取初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0与定点窗口经度范围半径ψ为输入，转移时间ttrans为期望输出，对转移时间预测子网络进行有监督学习。选取学习率α、训练轮数n、批处理规模β，使用loss＝∑|tpre-ttrans|作为损失函数，并通过反向传播算法训练网络。其中tpre为网络预测值。
步骤5.3：通过设计地影预测模块并训练地影预测子网络，用以提供地影信息，将经过与不经过地影的位保任务分隔开，便于协态初值预测模块分别处理，增加求解效率，快速提供协态初值估计。
地影预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf与预测转移时间tpre判断控制过程是否会经过地影，该功能通过一个分类子网络实现。该地影预测子网络通过选取网络深度、神经元个数与激活函数而成。在输出层，激活函数需要选择Sigmoid函数，用以进行分类。该地影预测子网络提供的地影信息能够帮助协态初值预测模块更有效地提供协态初值估计，提高三相DNN的求解效率。
将步骤4.2中收集的训练集与测试集中地影标志量η'改为：
公式(18)将地影标志量改为判断位保任务中是否经过地影，经过为1，不经过为0。将改动后的训练集与测试集用于训练地影预测子网络。将初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf与转移时间ttrans共十六维数据作为输入量，将更改后的地影标志量η'作为目标输出并选取学习率α、训练轮数n、批处理规模β，通过反向传播算法进行有监督学习，将BCE函数loss＝-∑[η'ln(ηpre)+(1-η')ln(1-ηpre)]作为损失函数，ηpre为网络预测的结果，由于输出层的激活函数为Sigmoid函数，ηpre∈(0,1)。需要注意的是，ηpre表示的意义为：针对输入数据，位保过程经过地影的概率。
步骤5.4：设计协态初值预测模块结构并训练其中的两个协态初值预测子网络，用以获得地影约束下的燃料最优问题协态初值估计，提高打靶法收敛速度，提高东西位保问题在轨求解效率，解决协态初值敏感问题。
协态初值预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、预测转移时间tpre与地影预测结果ηpre给出协态初值估计。由于地影约束的存在会对协态初值分布产生较大影响，难以仅用单个子网络实现模块功能。故构建两个协态初值预测子网络，包括：非地影协态初值预测子网络与地影协态初值预测子网络。二者分别用来预测不经过地影或地影对发动机开关机无影响位保任务的协态初值与地影约束影响发动机开关机序列位保任务的协态初值。两个子网络都使用初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、预测转移时间tpre作为输入值；协态初值作为输出值。地影预测结果ηpre被用来判断是否使用地影协态初值预测网络，在模块运行时，如果地影预测值为零，则只使用非地影协态初值预测子网络；如果地影预测值为1，则两个子网络都被使用，生成两组协态初值作为输出，分别在打靶问题中分别作为初值进行优化，选择优化成功的协态初值生成控制序列。利用协态初值预测模块能够跳过同伦求解过程，直接优化燃料最优问题，且不需要初值估计。通过多组数据的学习，协态初值预测模块能够准确给出协态初值附近的估计值，提高打靶法收敛速度，提高东西位保问题在轨求解效率，解决协态初值敏感问题。
两个子网络选择使用相同的网络深度、神经元个数与激活函数。在训练过程中，选取合适的学习率α、训练轮数n、批处理规模β，使用L1函数loss＝∑||ppre-p||作为损失函数，并通过反向传播算法训练网络，其中ppre为网络预测的协态初值，p为训练集中协态初值。
步骤5.5：通过将时间预测模块的输出作为地影预测模块与协态初值预测模块的输入，地影预测模块的输出作为协态初值预测模块的输入，实现三相DNN构建；所述三相DNN的输入与时间预测模块输入一致，为十五维矢量，输出为时间预测模块的输出与协态初值预测模块的输出相连后的矢量八维矢量。
三个模块共包含四个子网络，其中第三个模块协态初值预测模块包含两个子网络，将三个模块依次首尾相连，组成完整的三相DNN。其中，三相DNN的输入为15维数据，包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf，输出包括协态初值估计与转移时间；转移时间预测模块的输入与三相DNN相同，通过子网络获得转移时间作为输出，该时间作为地影预测模块、协态初值预测模块输入数据的一部分，并作为三相DNN输出的一部分；地影预测模块以三相DNN十五维输入与转移时间共十六维数据作为输入，通过子网络生成地影预测信息，该信息被输入到协态初值预测模块；协态初值预测模块以三相DNN十五维输入、转移时间、地影预测信息作为输入；如果地影预测信息为0，则仅使用非地影协态初值预测子网络，生成协态初值估计作为输出；如果地影预测信息为1，两个子网络都使用，生成两组协态初值估计作为输出，在打靶问题中分别优化生成控制率。三相DNN使用预测转移时间tpre与协态初值估计ppre作为输出，利用公式(11)即可求得完成控制率。至此，训练好的完整三相DNN能够根据输入信息快速给出协态初值估计与转移时间，解决间接法中的协态初值敏感问题，显著提高收敛速度。
步骤5.6：基于步骤5.2至步骤5.5训练并构建的三相DNN，根据实际工况获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
有益效果：
1、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，建立GEO卫星东西位置保持燃料最优问题模型，多次求解所述燃料最优问题并构建训练集。针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计转移时间预测模块结构并训练转移时间预测子网络，解决燃料最优问题的转移时间难以获得的问题；通过设计地影预测模块并训练地影预测子网络解决地影判断困难的问题，设计协态初值预测模块结构并训练两个协态初值预测子网络解决协态初值估计困难的问题；在此基础上，构建三相DNN，能够直接获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，能够跳过传统方法中的能量-燃料最优同伦过程，并且通过设计网络结构使之具有解决地影约束的能力，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。本发明能够拓展应用于解决其他间接法协态初值估计问题。
2、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，设计转移时间预测模块结构并训练转移时间预测子网络，用以获得燃料最优问题的转移时间，使得给出的转移时间对应的燃料最优解消耗燃料也相对较少，减少使用三相DNN求解的东西位保问题对应的燃料消耗。
3、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，通过设计地影预测模块并训练地影预测子网络，用以提供地影信息，将经过与不经过地影的位保任务分隔开，便于协态初值预测模块分别处理，增加求解效率，快速提供协态初值估计。
4、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，设计协态初值预测模块结构并训练其中的两个协态初值预测子网络，用以获得地影约束下的燃料最优问题协态初值估计，提高打靶法收敛速度，提高东西位保问题在轨求解效率，解决协态初值敏感问题。
5、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，设计构建的三相DNN与训练集收集方法能够根据不同工况的卫星收集对应的训练集，训练特定的网络实现在轨规划东西位保任务。同时，三相DNN对初始值范围具有延拓性，处理训练集取值范围之外的数据时能保持较好效果，能解决大多数预期之外的东西位保任务，尤其是应对训练集外的初始历元时间，该网络效果几乎不会下降，并能够广泛运用于各种型号的GEO卫星中。
6、本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法，通过将受地影约束影响的优化问题筛出，并单独处理，能够有效解决地影带来的非线性优化问题。同时，由于地影造成影响的工况较少出现，将其筛出单独处理的方式能够有效增加求解效率，所述处理方式在处理其他受地影约束的优化问题时也能被有效应用。
附图说明
图1为本发明公开的一种基于神经网络的卫星东西位保协态初值估计方法流程图；
图2为三相DNN应用流程图图；
图3为用于判断地影约束的日地星几何关系图；
图4为三相DNN内部结构图；
图5为子网络训练过程损失函数图，其中：图5(a)为转移时间预测子网络训练过程损失函数图，图5(b)为地影预测子网络训练过程损失函数图，图5(c)为非地影协态初值预测子网络训练过程损失函数图，图5(b)为地影协态初值预测子网络训练过程损失函数图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
本实施例公开的一种基于神经网络的卫星东西位保协态初值估计方法，为验证该方法，本例，如图1，选取卫星数据初始化范围，通过GEO卫星受控制力作用下的轨道运动模型与GEO卫星轨道运动的地影约束模型，求解时间最优问题获得最短转移时间，在此基础上选取10个扩大倍数给出10个燃料最优问题转移时间，分别求解10个燃料最优问题转移时间对应的燃料最优问题获得10个GEO卫星东西位置保持燃料最优控制率，选取燃料消耗最小的一组记录数据，以此收集训练集与测试集，并设计三相DNN结构如图4，训练其中子网络并构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛。最终使用训练好的三相DNN，通过流程如图2，为随机生成初始数据的1500个地影约束下的东西位保任务提供协态初值估计，进而生成最优控制率，测试三相DNN性能。
步骤一：选取卫星数据初始化范围，通过GEO卫星受控制力作用下的轨道运动模型与GEO卫星轨道运动的地影约束模型，求解时间最优问题获得最短转移时间，在此基础上选取10个扩大倍数给出10个燃料最优问题转移时间，分别求解10个燃料最优问题转移时间对应的燃料最优问题获得10个GEO卫星东西位置保持燃料最优控制率，选取燃料消耗最小的一组记录数据，以此收集训练集与测试集。
选取训练集数据初始化范围如下表所示。
表1:训练集数据初始化范围
根据表1中所示范围随机生成数据，并选取符合位保任务要求的目标无奇点根数。首先求解时间最优问题，协态初值与转移时间采用随机估计的方法，通过梯度下降法进行优化。协态初值估计与转移时间估计均服从均匀分布：
[pg,tg]～U^8(-1,1) (19)
其中，U^8(-1,1)表示八维矢量中每一维都服从-1至1的均匀分布，pg为估计的协态初值，tg为估计的转移时间。通过求解时间最优问题获得最短转移时间tmin，选取放大倍数δ依次取1.1、1.2、1.3、1.4、1.5、1.6、1.7、1.8、1.9、2获得十个转移时间tf，并求解对应的燃料最优问题，获得十个转移时间对应的燃料最优解，选取燃料消耗最小的解作为结果，记录下转移时间ttrans与对应的协态初值p。重复上述过程多次，直到地影标志量η为2的数据达到15万组后完成训练集的收集。
步骤二：设计三相DNN结构如图4，训练其中子网络并构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛。
按照图4中的三相DNN的设计结构，分别构建四个子网络，网络参数选取如下表所示。
表2:子网络参数取值
表2中LeakyRelu激活函数公式为：
其中，y为激活函数输入，z为激活函数输出，a取值为0.01。Sigmod激活函数公式为：
利用步骤一中收集的数据集构建四个子训练集训练四个子网络。转移时间预测子网络以初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf为输入，转移时间ttrans为目标输出；地影预测子网络以初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf与预测转移时间ttrans为输入，使用式(18)更改后的地影标志量η'为目标输出；非地影协态初值预测子网络与地影协态初值预测子网络以初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、预测转移时间ttrans与使用式(18)更改后的地影预测结果η'为输入，以协态初值p为目标输出。
从训练集中随机抽取1万组数据用于训练转移时间预测子网络；选取20万组地影标志量η为1或2的数据与20万组地影标志量η为0的数据用于训练地影预测子网络，其中，使用公式(18)处理训练集的地影标志量η；选择15万组地影标志量η为0的数据用于训练非地影协态初值预测子网络；选择15万组地影标志量η为2的数据用于训练地影协态初值预测子网络。其余训练参数选取如下表所示。
表3:子网络训练参数取值
表3中L1损失函数为：
其中，x为网络预测值，xi为预测值矢量第i维数据，y为期望值，yi为期望值矢量第i维数据。BCE损失函数为：
使用表3中的参数训练四个子网络，并按照三相DNN的结构将训练好的网络连接成为完整的三相DNN网络，训练过程图像如图5所示，地影预测子网络中，损失函数值最终在0.15附近，这是因为地影预测子网络预测值为概率，0.15的误差值能够具备较高的准确性与较好的延拓性。
步骤三：使用训练好的三相DNN，通过流程如图2，为随机生成初始数据的地影约束下的东西位保任务估计协态初值用以生成最优控制率，测试三相DNN性能；
为了验证三相DNN网络的效果，选取了三组参数初始化范围。第一组范围与表1中展示一致，第二、三组范围如表4所示。
从表1与表4所示的三种范围内随机取值，并针对位保任务选取对应的目标无奇点根数值，获得取值范围不同的数据用来测试三相DNN效果。通过在初始化范围内随机取值的方式，从每种取值范围内生成500组数据，共1500组数据，用来进行蒙特卡洛仿真。
表4:数据初始化扩展取值范围
将初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf输入到三相DNN中，获得转移时间tpre、协态初值估计ppre。需要注意的是，当地影预测子网络预测可能会出现地影时，输出的协态初值估计有两组。以转移时间作为燃料最优问题求解的转移时间；以协态初值估计为初值，使用梯度下降法进行打靶问题求解。将求解结果记录在表5中。
表5中数据表明，使用三相DNN预测协态初值与转移时间并优化，在前两种数据初始化范围内成功率达到了百分之百，第三种也达到了95.8％，说明了三相DNN具有较强鲁棒性；地影预测成功次数占比在前两种范围中达到90％以上，第三种也达到了80％左右，说明了网络结构设计的有效性。对于受地影约束影响的位保任务，三相DNN能表现出100％的成功率，说明了三相DNN的结构设计解决了地影约束；平均计算时间都在一两秒左右，与传统方法(90秒左右)相比有很大提升，能够满足在轨计算要求。
表5:三相DNN测试结果
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 (1)
1.一种基于神经网络的卫星东西位保协态初值估计方法，其特征在于：包括以下步骤；
步骤一：通过Gauss摄动方程建立GEO卫星受控制力作用下的轨道运动模型；
步骤一实现方法为，
步骤1.1：建立无奇点轨道根数和经典轨道根数的对应关系；
由于经典轨道根数{a,e,i,w,W,M}在描述倾角接近零、偏心率接近零的GEO轨道时会出现奇异，故建立无奇点的轨道要素{a,l,ex,ey,ix,iy}用来描述GEO轨道；无奇点轨道根数和经典轨道根数的对应关系为：
上式中a为半长轴，e为偏心率，i为轨道倾角，ω为近地点幅角，Ω为升交点赤经，M为真近点角，θG为格林尼治恒星时角，l为平经度，是卫星在地球固连坐标系下的经度，用来判断卫星是否在定点窗口内；
步骤1.2：建立无奇点轨道根数的Gauss摄动方程；
Gauss方程能够将外力对轨道根数的作用很好地体现出来，被用来描述静止轨道卫星在电推力发动机作用下的轨道运动；将二阶小量略去后的轨道运动模型如下所示：
其中u是电推力发动机的推力幅值比，取值在0-1之间，代表当前推力占推力幅值的百分比；T为发动机推力幅值；m是卫星的总质量；V是GEO卫星的速度；dR，dT，dN是推力在卫星质心轨道坐标系下沿着径向，切向和法向的推力分量与T的比值；λ是GEO卫星在地心惯性坐标系下的经度，λ＝ω+Ω+M；
步骤二：通过地球、太阳、卫星三者的几何关系，建立电推力GEO卫星轨道运动的地影约束模型；
步骤二实现方法为，
地影是指卫星运行时，太阳光被地球遮挡住，以至于太阳能帆板无法接收到太阳光照射的现象；精准的地影模型认为太阳光为非平行光，导致地影区分为本影区和半影区，二者都呈圆锥形；在本影区中，卫星完全接收不到太阳光，电推力发动机无法开机，虽然在半影区中卫星仍可接收到部分太阳光，但由于功率较低，判定电推力发动机仍不能开机；定义日心夹角为卫星到日心连线与地心到日心连线之间的夹角；存在两个特殊的日心夹角分别为卫星在半影区的圆锥母线上与卫星在本影区的圆锥母线上时的日心夹角；二者的计算公式为：
其中，ae为地球半径；Rs为太阳半径；A为日地距离；根据几何关系，当时，卫星处于光照区，发动机能够正常工作；当时，卫星处于半影区；当时，卫星处于本影区；综上所述，当卫星轨道运动过程中的日心夹角时，卫星便受到地影约束无法开机；
步骤三：基于步骤一中建立的轨道运动模型和步骤二中建立的地影约束模型，建立考虑地影约束的时间最优和燃料最优位置保持问题，求解时间最优问题获得最短转移时间，在此基础上扩大一定倍数给出燃料最优问题转移时间，并求解燃料最优问题获得GEO卫星东西位置保持燃料最优控制率；
步骤三实现方法为，
步骤3.1：基于步骤一中建立的轨道运动模型和步骤二中建立的地影约束模型建立时间最优位置保持问题模型；
为了更方便的表示时间最优问题对应的哈密顿函数，将公式(2)描述为状态空间的形式：
其中，
控制过程中，质量的微分方程为：
其中，Isp为燃料比冲，g0为海平面处的重力加速度；
时间最优问题的性能指标为最小化转移时间，因此表示性能指标为：
其中，t0为转移初始时间，tf为转移结束时间；选取无奇点根数与航天器质量共7个变量作为状态量，对应存在7个协态量，记为：记时间最优问题的哈密顿函数Ht为：
由公式(7)推导出协态量的微分方程：
其中，在时间最优问题中，推力器应一直处于开启状态，但是由于地影约束的存在，在地影区内推力器无法开机，因此最优推力幅值比应为：
其中，与为步骤二中所述的日心夹角；最优推力方向d*为：
综合公式(4)(5)(8)，同时，推力方向d与开关常数u能够确认，得到状态与协态的微分方程：
在时间最优东西位保问题中，无奇点根数的末端值为给定的固定值，而末端质量与终端时间值为自由量；因此，终端量需要满足：
其中，t0为初始时间，tf为终端时间；xf为给定的终端目标值；φ为打靶函数，当p(t0)与tf的取值使得打靶函数为零时，时间最优问题求解完成，记位保任务所需的最短转移时间为tmin；
步骤3.2：通过同伦法建立燃料最优问题求解模型，获得燃料最优控制率，其中，燃料最优解所需的转移时间由时间最优问题解出的最短转移时间扩大一定倍数获得；
时间最优问题中的发动机一直开机，燃料消耗并不是最优，为了最小化位保任务的燃料消耗，需要求解燃料最优问题；燃料最优控制为bang-bang控制，求解过程中的协态初值估计有较大困难，结合同伦方法的打靶法能够提高求解燃料最优问题的成功率；将同伦法求解的燃料最优问题目标函数Jf写为：
其中ε为同伦系数，当ε＝1时，目标函数对应的最优问题为能量最优问题，求解过程相对容易，当ε＝0时，目标函数对应的最优问题为燃料最优问题；在求解过程中，首先求解ε为1的能量最优问题，而后进行多步迭代，将ε逐渐减小到0，并将迭代前一步解出的协态初值作为下一步迭代的打靶初值，获得燃料最优解；
在同伦求解燃料最优问题的过程中，哈密顿函数Hf为：
在燃料最优问题求解中，最优推力幅值比u*不应常为1，同时考虑到地影的影响，最优推力幅值比u*表示为：
其中，燃料最优开关函数S为：
燃料最优问题的状态与协态微分方程和时间最优问题一致；需要注意的是，燃料最优问题同伦求解过程中，转移时间tf是固定的，间接法中由时间最优问题获得的最短转移时间tmin为基础，乘以预定倍数获得；因此，燃料最优问题中的终端无奇点根数值固定、终端时间固定；终端质量自由；因此，燃料最优问题的打靶函数φfuel为：
当协态初值p(t0)的取值使得打靶函数为0时，燃料最优问题得解，将协态初值，根数初值与质量初值放到微分方程(11)中进行积分，积分时间为tf，便获得GEO卫星东西位置保持燃料最优控制率；
步骤四：按照步骤三重复求解GEO卫星东西位置保持燃料最优问题，并通过遍历最短转移时间扩大倍数获得多个燃料最优转移时间，收集燃料消耗最小的转移时间，并结合燃料最优问题初值与协态初值构建训练集，以使得后续步骤五建立的三相DNN能够提供燃料消耗尽可能小的燃料最优转移时间；
步骤四实现方法为，
根据目标GEO卫星的工况，确定初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ的取值范围作为训练集数据生成的范围，使得使用该取值范围选取的训练集训练的三相DNN对在该工况下工作的卫星东西位保任务有较好包络性，其中定点窗口经度范围半径ψ为GEO卫星容许的经度漂移范围；
重复在训练集数据生成范围内随机生成初始无奇点根数、初始卫星质量、位保任务初始历元时间、定点窗口经度范围半径，并选取满足位保任务需求的目标无奇点根数；根据重复生成的初始数据，重复利用步骤3.1中构建的考虑地影约束的时间最优求解框架获得完成位保任务的最短转移时间，并在此基础上遍历最短转移时间扩大倍数并得到多个燃料最优问题的转移时间，而后针对多个燃料最优问题转移时间利用步骤3.2构建的燃料最优问题同伦求解方法，求解燃料最优解，选取所有燃料最优解中燃料消耗最小的一组记录对应的燃料最优问题转移时间与协态初值，得到多组初值在训练集手机范围内的数据；使用该种方法记录的数据都对应着时间自由情况下的燃料最优解，进一步减小燃料消耗；
选取初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、燃料最优解的协态初值p、转移时间ttrans与地影标志量η共25维数据作为训练集数据，其中地影标志量η表示在位保控制过程中是否经过地影区，如果控制过程中卫星未经过地影区，则记为0；如果控制过程中卫星经过地影区，但是对公式(15)的结果没有影响则记为1；如果控制过程中卫星经过地影区并且公式(15)的结果受到地影约束影响发生变化则记为2；在重复生成的多组数据中收集25维训练集数据以构建训练集，生成多组25维数据作为训练集数据，并选取少量数据作为测试集数据用以测试网络效果；由于在求解燃料最优解时对最短转移时间扩大倍数进行了遍历，训练集数据对应的燃料最优解在转移时间自由时也能保持燃料消耗较，使得后续步骤五建立的三相DNN能够提供燃料消耗尽可能小的燃料最优转移时间；
步骤五：针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计转移时间预测模块结构并训练转移时间预测子网络，解决燃料最优问题的转移时间难以获得的问题；通过设计地影预测模块并训练地影预测子网络解决地影判断困难的问题，设计协态初值预测模块结构并训练两个协态初值预测子网络解决协态初值优化困难的问题；在此基础上，构建三相DNN，用以获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性；
步骤五实现方法为，
步骤5.1：针对在求解GEO卫星东西位置保持燃料最优问题过程中，存在燃料最优问题的转移时间难以获得、地影判断困难、协态初值优化困难三个问题，通过设计设计三相DNN结构代替传统间接法的求解方法，解决上述三个问题，减小求解负担；
所述设计转移时间预测模块，用于预测燃料最优问题所需转移时间，用以代替时间最优问题求解，并希望转移时间预测模块提供的转移时间对应的燃料最优解有着较少燃料消耗；
为了能够针对地影是否出现准确地估计协态初值，地影预测模块被用来提供地影信息，加快求解效率；由于地影是由日地星的几何关系造成，且燃料最优解为bang-bang控制，地影对于卫星与电推力发动机的影响分为三种情况，第一种为转移过程不过地影，第二种为转移过程出现地影，但地影对于发动机没有影响，第三种为地影使得发动机被迫关机；第二种与第三种情况中，卫星都经过了地影，而地影对发动机的影响取决于位保策略，位保策略的制定与地影对发动机的影响相关，二者相互影响，无法提前预测第二，三两种情况；因此，地影预测模块利用人工智能方法分辨卫星在控制段是否会经过地影，也即将第一种情况分离出来；由于第一种情况在所有情况中所占比重很大，将其分离出来能有效增加求解效率；
所述协态初值预测模块，根据前两个模块提供的转移时间与地影信息提供协态初值估计，由于估计值距离优化值十分接近，使用估计值进行打靶能够提高收敛效率，减小求解负担；
三相DNN需要根据十五维输入给出协态初值估计与转移时间，这通过三个模块共同实现；其中，协态初值估计为燃料最优问题的初值估计，并考虑地影约束；所述十五维输入包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf；
步骤5.2：设计转移时间预测模块结构并训练转移时间预测子网络，用以获得燃料最优问题的转移时间，使得给出的转移时间对应的燃料最优解消耗燃料也相对较少，减少使用三相DNN求解的东西位保问题对应的燃料消耗；
转移时间预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf给出转移时间ttrans；由于在步骤4.2中，收集数据时在时间域上对燃料最优解已进行搜索，该转移时间预测模块给出的转移时间对应的燃料最优解消耗燃料也相对较少，减少使用三相DNN求解的东西位保问题对应的燃料消耗；
转移时间预测模块通过单个子网络实现；该转移时间预测子网络通过选取合适的网络深度、神经元个数、激活函数进行设计，网络的输入为15维数据，包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0与定点窗口经度范围半径ψ；输出为一维转移时间ttrans；该转移时间预测子网络构成了三相DNN的转移时间预测模块，输出的转移时间被用来预测地影信息、燃料最优协态初值估计，并作为三相DNN输出中的一维；通过使用该转移时间预测子网络代替时间最优问题的求解与燃料最优问题在时间域上的搜索，能够大幅减少求解负担，减少三相DNN求解东西位保问题时的燃料消耗；
使用步骤4.2中收集的训练集与测试集，选取初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0与定点窗口经度范围半径ψ为输入，转移时间ttrans为期望输出，对转移时间预测子网络进行有监督学习；选取学习率α、训练轮数n、批处理规模β，使用loss＝∑|tpre-ttrans|作为损失函数，并通过反向传播算法训练网络；其中tpre为网络预测值；
步骤5.3：通过设计地影预测模块并训练地影预测子网络，用以提供地影信息，将经过与不经过地影的位保任务分隔开，便于协态初值预测模块分别处理，增加求解效率，快速提供协态初值估计；
地影预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf与预测转移时间tpre判断控制过程是否会经过地影，该功能通过一个分类子网络实现；该地影预测子网络通过选取网络深度、神经元个数与激活函数而成；在输出层，激活函数需要选择Sigmoid函数，用以进行分类；该地影预测子网络提供的地影信息能够帮助协态初值预测模块更有效地提供协态初值估计，提高三相DNN的求解效率；
将步骤4.2中收集的训练集与测试集中地影标志量η'改为：
公式(18)将地影标志量改为判断位保任务中是否经过地影，经过为1，不经过为0；将改动后的训练集与测试集用于训练地影预测子网络；将初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf与转移时间ttrans共十六维数据作为输入量，将更改后的地影标志量η'作为目标输出并选取学习率α、训练轮数n、批处理规模β，通过反向传播算法进行有监督学习，将BCE函数loss＝-∑[η'ln(ηpre)+(1-η')ln(1-ηpre)]作为损失函数，ηpre为网络预测的结果，由于输出层的激活函数为Sigmoid函数，ηpre∈(0,1)；需要注意的是，ηpre表示的意义为：针对输入数据，位保过程经过地影的概率；
步骤5.4：设计协态初值预测模块结构并训练其中的两个协态初值预测子网络，用以获得地影约束下的燃料最优问题协态初值估计，提高打靶法收敛速度，提高东西位保问题在轨求解效率，解决协态初值敏感问题；
协态初值预测模块需要根据初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、预测转移时间tpre与地影预测结果ηpre给出协态初值估计；由于地影约束的存在会对协态初值分布产生较大影响，难以仅用单个子网络实现模块功能；故构建两个协态初值预测子网络，包括：非地影协态初值预测子网络与地影协态初值预测子网络；二者分别用来预测不经过地影或地影对发动机开关机无影响位保任务的协态初值与地影约束影响发动机开关机序列位保任务的协态初值；两个子网络都使用初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf、预测转移时间tpre作为输入值；协态初值作为输出值；地影预测结果ηpre被用来判断是否使用地影协态初值预测网络，在模块运行时，如果地影预测值为零，则只使用非地影协态初值预测子网络；如果地影预测值为1，则两个子网络都被使用，生成两组协态初值作为输出，分别在打靶问题中分别作为初值进行优化，选择优化成功的协态初值生成控制序列；利用协态初值预测模块能够跳过同伦求解过程，直接优化燃料最优问题，且不需要初值估计；通过多组数据的学习，协态初值预测模块能够准确给出协态初值附近的估计值，提高打靶法收敛速度，提高东西位保问题在轨求解效率，解决协态初值敏感问题；
两个子网络选择使用相同的网络深度、神经元个数与激活函数；在训练过程中，选取合适的学习率α、训练轮数n、批处理规模β，使用L1函数loss＝∑||ppre-p||作为损失函数，并通过反向传播算法训练网络，其中ppre为网络预测的协态初值，p为训练集中协态初值；
步骤5.5：通过将时间预测模块的输出作为地影预测模块与协态初值预测模块的输入，地影预测模块的输出作为协态初值预测模块的输入，实现三相DNN构建；所述三相DNN的输入与时间预测模块输入一致，为十五维矢量，输出为时间预测模块的输出与协态初值预测模块的输出相连后的矢量八维矢量；
转移时间预测模块、地影预测模块、协态初值预测模块三个模块共包含四个子网络，其中协态初值预测模块包含两个子网络，将三个模块依次首尾相连，组成完整的三相DNN；其中，三相DNN的输入为15维数据，包括初始无奇点根数x0、初始卫星质量m、位保任务初始历元时间t0、定点窗口经度范围半径ψ、目标无奇点根数xf，输出包括协态初值估计与转移时间；转移时间预测模块的输入与三相DNN相同，通过子网络获得转移时间作为输出，该时间作为地影预测模块、协态初值预测模块输入数据的一部分，并作为三相DNN输出的一部分；地影预测模块以三相DNN十五维输入与转移时间共十六维数据作为输入，通过子网络生成地影预测信息，该信息被输入到协态初值预测模块；协态初值预测模块以三相DNN十五维输入、转移时间、地影预测信息作为输入；如果地影预测信息为0，则仅使用非地影协态初值预测子网络，生成协态初值估计作为输出；如果地影预测信息为1，两个子网络都使用，生成两组协态初值估计作为输出，在打靶问题中分别优化生成控制率；三相DNN使用预测转移时间tpre与协态初值估计ppre作为输出，利用公式(11)即能够求得完成控制率；至此，训练好的完整三相DNN能够根据输入信息快速给出协态初值估计与转移时间，解决间接法中的协态初值敏感问题，显著提高收敛速度；
步骤5.6：基于步骤5.2至步骤5.5训练并构建的三相DNN，根据实际工况获得燃料最优消耗较少的转移时间与考虑地影约束的协态初值估计，使得最优问题打靶法能够快速收敛，提高东西位保问题在轨求解效率，解决协态初值敏感问题，实现卫星在轨东西位保协态初值实时估计，进而减小地面站压力并增强卫星自主性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210587606.4A CN114967453B (zh) | 2022-05-25 | 2022-05-25 | 一种基于神经网络的卫星东西位保协态初值估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210587606.4A CN114967453B (zh) | 2022-05-25 | 2022-05-25 | 一种基于神经网络的卫星东西位保协态初值估计方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114967453A CN114967453A (zh) | 2022-08-30 |
| CN114967453B true CN114967453B (zh) | 2024-07-16 |
Family
ID=82955602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210587606.4A Active CN114967453B (zh) | 2022-05-25 | 2022-05-25 | 一种基于神经网络的卫星东西位保协态初值估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967453B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115586786A (zh) * | 2022-09-29 | 2023-01-10 | 上海航天控制技术研究所 | 一种地球同步轨道偏心率矢量和轨道幅角同时保持方法 |
| CN115407664B (zh) * | 2022-11-01 | 2023-02-03 | 北京航天自动控制研究所 | 一种基于神经网络训练的非程序制导方法 |
| CN115758706B (zh) * | 2022-11-10 | 2023-04-25 | 北京航天驭星科技有限公司 | 卫星东西保持策略模型的建模方法、模型、获取方法 |
| CN115865166B (zh) * | 2022-11-10 | 2023-06-13 | 北京航天驭星科技有限公司 | 卫星南北保持策略模型的建模方法、系统、获取方法 |
| CN115795816B (zh) * | 2022-11-10 | 2023-04-21 | 北京航天驭星科技有限公司 | 卫星东西保持策略模型的建模方法、模型、获取方法 |
| CN115758707B (zh) * | 2022-11-10 | 2023-05-12 | 北京航天驭星科技有限公司 | 卫星东西保持策略模型的建模方法、系统、获取方法 |
| CN116430725B (zh) * | 2023-03-24 | 2024-03-29 | 中国西安卫星测控中心 | 一种geo卫星东西控制量优化选取方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106379555A (zh) * | 2016-09-05 | 2017-02-08 | 北京理工大学 | 一种考虑j2摄动的近地卫星有限推力最优变轨方法 |
| CN110262241A (zh) * | 2019-06-28 | 2019-09-20 | 中国空间技术研究院 | 基于高斯过程预测控制的航天器轨道控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130309961A1 (en) * | 2009-01-27 | 2013-11-21 | Wah Lim | Method and system for maintaining communication with inclined orbit geostationary satellites |
| CN113184220B (zh) * | 2021-04-21 | 2021-11-19 | 中国人民解放军63923部队 | 一种地球同步轨道通信卫星的轨道控制方法及装置 |
-
2022
- 2022-05-25 CN CN202210587606.4A patent/CN114967453B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106379555A (zh) * | 2016-09-05 | 2017-02-08 | 北京理工大学 | 一种考虑j2摄动的近地卫星有限推力最优变轨方法 |
| CN110262241A (zh) * | 2019-06-28 | 2019-09-20 | 中国空间技术研究院 | 基于高斯过程预测控制的航天器轨道控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114967453A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114967453B (zh) | 一种基于神经网络的卫星东西位保协态初值估计方法 | |
| Wu et al. | Active disturbance rejection controller design for dynamically positioned vessels based on adaptive hybrid biogeography-based optimization and differential evolution | |
| Song et al. | The feasibility criterion of fuel-optimal planetary landing using neural networks | |
| Rahimi et al. | Fault isolation of reaction wheels for satellite attitude control | |
| CN113867143B (zh) | 地外天体安全软着陆解析避障制导方法 | |
| Holt et al. | Low-thrust trajectory design using closed-loop feedback-driven control laws and state-dependent parameters | |
| Wang et al. | Mission-oriented 3D path planning for high-altitude long-endurance solar-powered UAVs with optimal energy management | |
| Zhang et al. | Minimum-fuel geostationary east-west station-keeping using a three-phase deep neural network | |
| Yu et al. | Comprehensive global path planning for lunar rovers | |
| CN115618988A (zh) | 基于深度神经网络的海水温度、盐度与流速的三维时空场联合预测方法 | |
| CN113093246A (zh) | 地面多目标点成像快速判定及任务参数计算方法 | |
| Song et al. | Search and tracking strategy of autonomous surface underwater vehicle in oceanic eddies based on deep reinforcement learning | |
| WO1998033704A9 (en) | Computer implemented procedure for ballistic capture transfer | |
| Yao et al. | Autonomous control method of rotor UAVs for power inspection with renewable energy based on swarm intelligence | |
| CN115795816A (zh) | 卫星东西保持策略模型的建模方法、模型、获取方法 | |
| Zhu et al. | Trajectory optimization of multi-asteroids exploration with low thrust | |
| Huang et al. | Optimization design of response satellite deployment for regional target emergency observation | |
| Han et al. | Engineering Optimization Method of Orbit Transfer Strategy for All-electric Propulsion Satellites | |
| Bellome | Trajectory design of multi-target missions via graph transcription and dynamic programming. | |
| Luyi et al. | Fast solution to the free return orbit's reachable domain of the manned lunar mission by deep neural network | |
| CN111552317A (zh) | 一种多航天器四维协同轨迹确定方法 | |
| Khalil et al. | A Novel Bio-Inspired Path Planning for Autonomous Underwater Vehicle for Search and Tracing of Underwater Target | |
| Ramezani et al. | Autonomous Orbital Correction for Nano Satellites Using J2 Perturbation and LSTM Networks | |
| CN104554828B (zh) | 基于脉冲调控的180°转角转移轨道不收敛的解决方法 | |
| Qu et al. | A Method of Spacecraft Orbit Anomaly Discrimination Based on Long Short-Term Memory 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 |