CN116562117A - 一种可回收火箭控制效能评估系统和方法 - Google Patents

一种可回收火箭控制效能评估系统和方法 Download PDF

Info

Publication number
CN116562117A
CN116562117A CN202310128798.7A CN202310128798A CN116562117A CN 116562117 A CN116562117 A CN 116562117A CN 202310128798 A CN202310128798 A CN 202310128798A CN 116562117 A CN116562117 A CN 116562117A
Authority
CN
China
Prior art keywords
rocket
model
simulation
thrust
granularity
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
Application number
CN202310128798.7A
Other languages
English (en)
Inventor
李文婷
朱皓同
李洪珏
林岩
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.)
Beihang University
Beijing Aerospace Automatic Control Research Institute
Original Assignee
Beihang University
Beijing Aerospace Automatic Control Research Institute
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 Beihang University, Beijing Aerospace Automatic Control Research Institute filed Critical Beihang University
Priority to CN202310128798.7A priority Critical patent/CN116562117A/zh
Publication of CN116562117A publication Critical patent/CN116562117A/zh
Pending legal-status Critical Current

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Of Engines (AREA)

Abstract

本发明公开了一种可回收火箭控制效能评估系统和方法，该系统包括：多粒度分析模块、混合孪生修正模块、仿真工况设置模块和控制效能评估模块；该方法包括：根据任务需求进行火箭模型粒度配置和仿真环境粒度配置；根据粒度配置结果对部件、动力学和环境进行建模；如果要进行混合孪生修正，则使用真实数据与仿真数据计算得到残差，使用残差训练神经网络，使用神经网络对模型进行修正，根据任务需求，进行工况配置；选择一个工况，完成回收飞行控制仿真，进行控制效能评估。本发明采用多粒度的方式构建火箭及其各执行机构模型，可根据需要设置不同的仿真粒度，能够进行灵活的火箭回收飞行控制效能评估。

Description

一种可回收火箭控制效能评估系统和方法
技术领域
本发明涉及航空航天技术领域，更具体的说是涉及一种可回收火箭控制效能评估系统和方法。
背景技术
随着深空探测、卫星发射等航天任务的需求不断增加，以成本低廉、可重复使用为特点的可回收运载火箭将成为主要的运载器。对可回收运载火箭而言，垂直回收过程中的制导方法是减小燃料消耗、保证回收精度、最终实现可重复利用火箭的关键技术。
火箭回收飞行控制一般使用火箭本身的一级发动机、四个正交安装的栅格舵以及偏航姿态推力器来进行本体的轨道和姿态控制。在理想情况下，所有执行机构的工作正常，火箭回收飞行控制可以等效为一个最优控制问题，火箭按照标称最优轨迹进行飞行控制即可完成顶点软着陆。然而，由于实际飞行过程的内外部环境复杂多变，执行机构可能会存在各种误差甚至失效，导致火箭回收飞行过程异常，回收失败。因此很有必要研究考虑执行机构各类误差和失效情况下的容错控制，评估控制效能，以便合理应对不同的异常情况。
为了实现精准的控制效能评估，需要构建精确的控制效能评估系统，建立完善的评估流程。效能评估系统是否准确的关键在于能否全面和精确地刻画执行机构的各类误差模型和失效模型。数字孪生技术是当今广泛采用的动态仿真技术，是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生的概念最早起源于工业制造领域，通过虚拟构建产品数字化模型，对其进行仿真测试和验证。生产制造时，可以模拟设备的运转，还有参数调整带来的变化，进而提升产品的可靠性和可用性，同时降低产品研发和制造风险。截至目前，数字孪生技术已经展现出巨大的潜力，被用于飞机、卫星、火箭的设计制造、飞行仿真和故障诊断等方面。
数字孪生的典型缺点在于孪生模型是由真实的物理基础模型构建的，是对真实模型的白盒模拟，需要对模型的所有物理特性均有精确的认识和刻画。当真实模型本身存在复杂不确定性或存在目前仍然无法理解的特性时(如未知误差源、未知失效模式)，采用数字孪生技术无法构建出与真实模型一致的虚拟模型。混合孪生在数字孪生的基础上，通过引入真实数据对模型进行修正，弥补了数字孪生模型的上述不足。但混合孪生模型的发展仍然处于起步阶段，公开的相关技术较少。
因此，如何提供一种采用混合孪生技术来实现对可回收火箭的容错控制效能评估系统和方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种可回收火箭控制效能评估系统和方法，使用混合孪生技术来解决数字孪生技术的典型缺点，从而对可回收火箭的容错控制效能进行评估。首先搭建可回收火箭的多场耦合飞行环境模型，并随时引入实际环境数据对模型进行修正；然后对可回收火箭及其安装的主发动机、栅格舵和姿控推力器进行零部件级多物理场耦合建模，并随时引入实际执行机构数据进行模型修正；最后设计大量不同飞行工况对可回收火箭的容错控制律进行效能评估。
为了实现上述目的，本发明采用如下技术方案：
一种可回收火箭控制效能评估系统，包括：多粒度分析模块、混合孪生修正模块、仿真工况设置模块和控制效能评估模块；
所述多粒度分析模块，用于根据可回收火箭的几何外形和部件安装位置对所述可回收火箭进行建模得到火箭孪生模型，所述火箭孪生模型按照粒度划分包括：粗粒度火箭模型、中粒度火箭模型和细粒度火箭模型，同时用于构建飞行环境模型，所述飞行环境模型按照粒度划分包括：粗粒度环境模型和细粒度环境模型；
所述混合孪生修正模块，用于引入真实数据与所述火箭孪生模型的仿真数据作差后得到残差，使用所述残差对深度神经网络进行训练，通过训练后的所述深度神经网络获取所述可回收火箭的预测残差，并通过所述预测残差对所述火箭孪生模型进行修正后得到混合孪生模型；
所述仿真工况设置模块，用于确定仿真粒度，设置仿真初始参数以及配置仿真工况；
所述控制效能评估模块，用于根据任务需求，设置加权和形式的控制效能评估指标，选择仿真工况完成回收飞行控制仿真，根据所述控制效能评估指标完成控制效能评估。
优选的，对于所述粗粒度火箭模型：
仅考虑火箭整体的刚体动力学，不考虑部件和柔性，火箭的状态方程表示为：
其中，x＝[r,v,q,ω,m]为火箭的状态量，包括火箭当前时刻的三轴位置矢量、三轴速度矢量和质量；u＝[fa,ma,ft,mt,θ]，fa为推力器推力，ma为推力器产生的力矩，ft为发动机推力，mt为发动机产生的力矩，θ为栅格舵转角；g为火箭整体收到的干扰。
优选的，对于所述中粒度火箭模型：
考虑火箭刚体动力学和理想部件模型,其中理想部件模型包括理想推力器模型、理想栅格舵模型和理想发动机模型：
所述理想推力器模型：
令推力大小和方向为常值，偏差服从正态分布；令推力器安装位置为r，标称推力大小为F，则推力器点火时产生的推力矢量为：
fa＝r·F+fr
其中fr是服从正态分布的推力大小偏差；
力矩矢量为：
ma＝r×fa
所述理想栅格舵模型：
将所述理想栅格舵模型等效为一个平板翼面，通过偏转产生法向气动力作为控制力fs；设栅格舵的参考面积Sarea、轴向力系数Ca、法向力系数Cn和压心系数Cp不随火箭飞行速度v的变化而变化，仅随栅格舵转角θ变化而变化；产生的控制力为：
fs＝f(Sarea,Ca,Cn,Cp,θ,v)
所述理想发动机模型：
除推力大小和安装方位不同外，所述理想发动机模型与所述理想推力器模型一致。
优选的，对于所述细粒度火箭模型：
同时考虑火箭柔性动力学和精确到零部件的执行机构模型，包括：火箭柔性动力学模型、推力器细粒度模型、发动机细粒度模型和细粒度栅格舵模型：
所述火箭柔性动力学模型用于描述内部氧化剂和燃料贮箱的液体晃动；设火箭本体干重为mrocket，氧化剂和燃料贮箱存储的液体质量为mfuel，则发动机推力F产生的加速度为：
a＝F/(mrocket+mfuel)
摆球的运动方程为：
其中，等效摆长为lk，摆球摆动角加速度为γk，箭体角加速度为摆球位置为Lk，摆球质量为mk，摆杆拉力为Fk；摆杆拉力与箭体受到的液体晃动干扰力互为作用力与反作用力；
所述推力器细粒度模型：
(a)根据推力器实验数据确定从点火指令发出到推力不为零的平均时延，作为推力器的开时延ton；
(b)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为推力器的标称推力开启曲线；
(c)根据推力器实验数据确定从关闭指令发出到推力开始降低的平均时延，作为推力器的关时延toff；
(d)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为推力器的标称推力关闭曲线；
(e)根据(a)-(d)得到的推力曲线，输入当前时刻，确定推力器实际输出推力；
(f)根据理想推力器模型计算推力产生的力矩；
所述发动机细粒度模型：
(1)根据发动机实验数据确定从点火指令发出到推力不为零的平均时延，作为发动机的开时延ton；
(2)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为发动机的标称推力开启曲线；
(4)根据发动机实验数据确定从关闭指令发出到推力为零的平均时延，作为推力器的关时延toff；
(4)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为发动机的标称推力关闭曲线；
(5)根据(1)-(4)得到的推力曲线，输入当前时刻，确定发动机实际输出推力；
(6)根据理想发动机模型计算推力产生的力矩；
所述细粒度栅格舵模型：
通过有限元仿真或风洞实验测定气动特性，然后进行建模。
优选的，所述粗粒度环境模型包括粗粒度引力模型和所述均匀大气模型：
设地球为标准球体，大气密度分布均匀，则火箭收到的引力加速度为所述粗粒度引力模型：
g＝GMearth/r2
其中，G为引力常数，Mearth为地球质量，r为火箭坐标；
所述均匀大气模型近似用指数函数来描述大气密度分布：
其中，ρ0为参考球面r＝r0上的大气密度，H为密度标高，r为火箭坐标；
考虑大气密度随高度增加而减小，则密度标高为：
H＝H0+μ(r-r0)
其中，μ为常量参数，H为标高常数；
所述细粒度环境模型包括细粒度地球引力场模型和细粒度大气模型：
细粒度地球引力场模型直接采用GEM系列模型、GRIM系列模型、JGM系列模型或EGM系列模型；
细粒度大气模型直接采用国际参考大气模型、Jacchia系列模型或DTM系列模型。
优选的，所述混合孪生修正模块包括残差计算单元、深度神经网络和残差修正单元；
所述残差计算单元，用于引入真实数据计算不确定性残差，其中真实数据Dreal来源于部件的测试数据或是火箭的真实飞行数据，将真实数据与火箭孪生模型仿真数据Ddigital作差，得到残差：
ΔD＝Dreal-Ddigital
其中，当采用粗粒度火箭模型时，可回收火箭下一时刻的整体飞行状态Xt与上一时刻飞行状态Xt-1、自身控制U和环境干扰G相关：
Xt＝f(Xt-1,U,G,t)
对于任意时刻t，将粗粒度火箭模型仿真飞行状态与真实飞行状态/>之间的残差作为可回收火箭整体残差：
当采用中细粒度火箭模型时，对于任意时刻t，某执行机构控制力/力矩输出的仿真量Cdigital与其真实输出量遥测值Creal之间的残差作为执行机构模型残差：
所述深度神经网络为多层深度神经网络f，并采用梯度下降的方式完成训练；
所述残差修正单元，用于在训练收敛后，通过训练后的所述深度神经网络获取预测残差；将所述预测残差累加至所述火箭孪生模型的仿真结果上，完成残差修正；
下一时刻火箭飞行状态
Xt＝f(Xt-1,Ut,G,t)+fφ(S)
其中
S＝[Xt-1,Ut,G]
Xt-1为上一时刻火箭飞行状态，Ut为当前时刻控制指令，G为当前时刻环境干扰，φ神经网络中可训练的超参数，S为火箭当前飞行状态、fφ(S)为S对应的预测残差。
优选的，在所述深度神经网络的训练过程中采用MSE损失函数作为训练评判指标：
其中，N为样本个数,环境参数、当前控制指令、多物理场参数构成的网络输入。
优选的，所述仿真工况设置模块包括仿真粒度确定单元、仿真初始参数设置单元和仿真工况配置单元；
所述仿真粒度确定单元，用于确定仿真粒度，其中，仿真粒度包括粗粒度、中等粒度、细粒度和混合粒度；
粗粒度仿真下，仅考虑粗粒度环境模型和粗粒度火箭模型；
中等粒度仿真下，仅考虑中粒度环境模型和中粒度火箭模型；
细粒度仿真下，考虑细粒度环境模型和细粒度火箭模型；
混合粒度仿真下，根据实际需求，分别考虑不同粒度的环境模型和火箭模型；
所述仿真初始参数设置单元，用于设置仿真初始参数，其中具体包括：选取仿真初始时间和仿真步长；
所述仿真工况配置单元，用于配置仿真工况，其中具体包括：按照任务要求，设置着陆点坐标Rs和火箭飞行的初始位姿区间；根据火箭飞行的初始位姿区间，通过随机采样的方式获取N个火箭初始飞行位姿。
优选的，所述控制效能评估模块包括：控制效能评估指标设置单元、仿真单元和控制效能评估单元；
所述控制效能评估指标设置单元，用于根据任务需求，设置加权和形式的控制效能评估指标，所述控制效能评估指标包括着陆准确度、着陆冲击大小、着陆横向速度和燃料消耗量；其中，
所述着陆准确度为：
Pa＝ΔR＝|Rr-Rs|
其中Rr为火箭着陆时刻的坐标，Rs为着陆场坐标；
所述着陆冲击大小为：
Ps＝|Vv|
其中Vv为火箭着陆时刻相对于着陆场地面的法向速度分量；
着陆横向速度为：
Pv＝|Vh|
其中Vh为火箭着陆时刻相对于着陆场地面的横向速度分量；
燃料消耗量定义为
Pm＝|mi-mf|
其中mi为火箭初始时刻总质量，mf为火箭着陆时刻总质量；
则控制效能评估指标为
P＝C1Pa+C2Ps+C3Pv+C4Pm
其中加权系数C1,C2,C3,C4根据任务需求确定；
所述仿真单元，用于选择仿真工况完成回收飞行控制仿真；
所述控制效能评估单元，用于根据所述控制效能评估指标完成控制效能评估。
一种可回收火箭控制效能评估方法，包括以下步骤：
S1.根据任务需求进行粒度配置，包括火箭模型粒度配置和仿真环境粒度配置；
S2.根据粒度配置结果对部件、动力学和环境进行建模；
S3.根据任务需求和是否存在可用真实数据，决定是否进行混合孪生修正；若要进行混合孪生修正则进行S4，若不进行混合孪生修正则进行S5；
S4.如果要进行混合孪生修正，则使用真实数据与仿真数据计算得到残差，使用残差训练神经网络，使用神经网络对模型进行修正，进入S5；
S5：根据任务需求，进行工况配置；
S6：选择一个工况，完成回收飞行控制仿真，进行控制效能评估；
S7：判断是否更换下一个工况，若更换则返回S6，若不更换则进入S8；
S8：判断是否调整粒度，若调整粒度，则返回S1，否则完成控制效能评估，结束。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种可回收火箭控制效能评估系统和方法，本发明用于解决新型可回收运载火箭容错控制律设计、分析与验证，采用多粒度的混合孪生技术，建立多粒度的多场耦合混合孪生飞行环境模型、火箭模型和执行机构模型，逼近真实部件的误差和失效情况，该系统和方法可适用于各类可回收火箭容错控制律，支持在各种飞行工况下评估控制效能。与已有系统和流程相比，本发明提出的系统和流程具有多粒度、多场耦合、虚实数据融合等优势，可以灵活覆盖各类可回收火箭、各类执行机构和各种飞行工况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种可回收火箭控制效能评估系统的系统结构示意图；
图2为本发明实施例提供的可回收火箭的结构示意图；
图3为本发明实施例提供的液体晃动的等效摆模型示意图；
图4为本发明实施例提供的推力器的指令曲线与实际推力曲线示意图；
图5为本发明提供的一种可回收火箭控制效能评估方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种可回收火箭控制效能评估系统，如图1所示，包括：多粒度分析模块、混合孪生修正模块、仿真工况设置模块和控制效能评估模块；
多粒度分析模块，用于根据可回收火箭的几何外形和部件安装位置对可回收火箭进行建模得到火箭孪生模型，火箭孪生模型按照粒度划分包括：粗粒度火箭模型、中粒度火箭模型和细粒度火箭模型，同时用于构建飞行环境模型，飞行环境模型按照粒度划分包括：粗粒度环境模型和细粒度环境模型；
混合孪生修正模块，用于引入真实数据与火箭孪生模型的仿真数据作差后得到残差，使用残差对深度神经网络进行训练，通过训练后的深度神经网络获取可回收火箭的预测残差，并通过预测残差对火箭孪生模型进行修正后得到混合孪生模型；
仿真工况设置模块，用于确定仿真粒度，设置仿真初始参数以及配置仿真工况；
控制效能评估模块，用于根据任务需求，设置加权和形式的控制效能评估指标，选择仿真工况完成回收飞行控制仿真，根据控制效能评估指标完成控制效能评估。
需要说明的是：
可回收火箭一般为细长圆柱体，圆柱体底端中心安装有一级火箭发动机，火箭中上部位正交安装有四个栅格舵，有些可回收火箭还在箭体额外安装有成对的姿控推力器；一种可能的可回收火箭构型如图2所示。
火箭圆柱体几何特性参数(长、宽、高、圆柱体截面半径、形心、燃料贮箱尺寸等)、质量特性参数(火箭干质量、燃料质量、氧化剂质量)、部件安装信息(安装位置、安装姿态)和部件标称参数(发动机推力大小、栅格舵等效截面积、栅格舵最大转速等)均由配置文件设置，根据任务工况的需求灵活调整。
为了进一步实施上述技术方案，对于粗粒度火箭模型：
仅考虑火箭整体的刚体动力学，不考虑部件和柔性，火箭的状态方程表示为：
其中，x＝[r,v,q,ω,m]为火箭的状态量，包括火箭当前时刻的三轴位置矢量、三轴速度矢量和质量；u＝[fa,ma,ft,mt,]，fa为推力器推力，ma为推力器产生的力矩，ft为发动机推力，mt为发动机产生的力矩，θ为栅格舵转角；g为火箭整体收到的干扰。
为了进一步实施上述技术方案，对于中粒度火箭模型：
考虑火箭刚体动力学和理想部件模型,其中理想部件模型包括理想推力器模型、理想栅格舵模型和理想发动机模型：
理想推力器模型：
令推力大小和方向为常值，偏差服从正态分布；令推力器安装位置为r，标称推力大小为F，则推力器点火时产生的推力矢量为：
fa＝r·F+fr
其中fr是服从正态分布的推力大小偏差；
力矩矢量为：
ma＝r×fa
理想栅格舵模型：
将所述理想栅格舵模型等效为一个平板翼面，通过偏转产生法向气动力作为控制力fs；设栅格舵的参考面积Sarea、轴向力系数Ca、法向力系数Cn和压心系数Cp不随火箭飞行速度v的变化而变化，仅随栅格舵转角θ变化而变化；产生的控制力为：
fs＝f(Sarea,Ca,Cn,Cp,θ,v)
理想发动机模型：
除推力大小和安装方位不同外，理想发动机模型与理想推力器模型一致。
为了进一步实施上述技术方案，对于细粒度火箭模型：
同时考虑火箭柔性动力学和精确到零部件的执行机构模型，包括：火箭柔性动力学模型、推力器细粒度模型、发动机细粒度模型和细粒度栅格舵模型：
火箭柔性动力学模型用于描述内部氧化剂和燃料贮箱的液体晃动；液体晃动可以等效为等效摆模型，如图3所示。等效近似条件包括：等效模型的动量近似等于液体的动量，等效模型相对总质心的动量矩近似等于液体相对总质心的动量矩，等效模型的动力学方程近似等于液体晃动的动力学方程。
当可回收火箭无重力下降时，箭体近乎处于自由落体状态。栅格舵打开时会对箭体产生反向阻力，但该阻力不会激起太大的液体晃动。直到发动机点火后，整个箭体可视为收到一个向上的等效加速度，此时再加上栅格舵和姿控推力器的作动，会引起液体产生较为明显的晃动。
设火箭本体干重为mrocket，氧化剂和燃料贮箱存储的液体质量为mfuel，则发动机推力F产生的加速度为：
a＝F/(mrocket+mfuel)
摆球的运动方程为：
其中，等效摆长为lk，摆球摆动角加速度为γk，箭体角加速度为摆球位置为Lk，摆球质量为mk，摆杆拉力为Fk；摆杆拉力与箭体受到的液体晃动干扰力互为作用力与反作用力；
推力器由电磁阀、燃烧室和喷管组成。电磁阀开关状态为瞬时切换，但氧化剂和燃料从贮箱流出到燃烧室进行燃烧存在一个过程，则推力器推力的产生和消失也存在一个过程。引入真实实验和测试数据，推力器细粒度模型为：
(a)根据推力器实验数据确定从点火指令发出到推力不为零的平均时延，作为推力器的开时延ton；
(b)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为推力器的标称推力开启曲线；
(c)根据推力器实验数据确定从关闭指令发出到推力开始降低的平均时延，作为推力器的关时延toff；
(d)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为推力器的标称推力关闭曲线；
(e)根据(a)-(d)得到的推力曲线，输入当前时刻，确定推力器实际输出推力；
(f)根据理想推力器模型计算推力产生的力矩；
最终得到的标称推力曲线如图4所示；
发动机细粒度模型：
(1)根据发动机实验数据确定从点火指令发出到推力不为零的平均时延，作为发动机的开时延ton；
(2)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为发动机的标称推力开启曲线；
(5)根据发动机实验数据确定从关闭指令发出到推力为零的平均时延，作为推力器的关时延toff；
(4)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为发动机的标称推力关闭曲线；
(5)根据(1)-(4)得到的推力曲线，输入当前时刻，确定发动机实际输出推力；
(6)根据理想发动机模型计算推力产生的力矩；
细粒度栅格舵模型：
通过有限元仿真或风洞实验测定气动特性，然后进行建模。
为了进一步实施上述技术方案，粗粒度环境模型包括粗粒度引力模型和均匀大气模型：
设地球为标准球体，大气密度分布均匀，则火箭收到的引力加速度为粗粒度引力模型：
g＝GMearth/r2
其中，G为引力常数，Mearth为地球质量，r为火箭坐标；
均匀大气模型近似用指数函数来描述大气密度分布：
其中，ρ0为参考球面r＝r0上的大气密度，H为密度标高，r为火箭坐标；
考虑大气密度随高度增加而减小，则密度标高为：
H＝H0+μ(r-r0)
其中，μ为常量参数，H为标高常数；
细粒度环境模型包括细粒度地球引力场模型和细粒度大气模型：
细粒度地球引力场模型直接采用GEM系列模型、GRIM系列模型、JGM系列模型或EGM系列模型；
细粒度大气模型直接采用国际参考大气模型、Jacchia系列模型或DTM系列模型。
为了进一步实施上述技术方案，混合孪生修正模块包括残差计算单元、深度神经网络和残差修正单元；
残差计算单元，用于引入真实数据计算不确定性残差，其中真实数据Dreal来源于部件的测试数据或是火箭的真实飞行数据，将真实数据与火箭孪生模型仿真数据Ddigital作差，得到残差：
ΔD＝Dreal-Ddigital
其中，当采用粗粒度火箭模型时，可回收火箭下一时刻的整体飞行状态Xt与上一时刻飞行状态Xt-1、自身控制U和环境干扰G相关：
Xt＝f(Xt-1,U,G,t)
对于任意时刻t，将粗粒度火箭模型仿真飞行状态与真实飞行状态/>之间的残差作为可回收火箭整体残差：
当采用中细粒度火箭模型时，对于任意时刻t，某执行机构控制力/力矩输出的仿真量Cdigital与其真实输出量遥测值Creal之间的残差作为执行机构模型残差：
深度神经网络为多层深度神经网络f，并采用梯度下降的方式完成训练；
残差修正单元，用于在训练收敛后，通过训练后的深度神经网络获取预测残差；将预测残差累加至火箭孪生模型的仿真结果上，完成残差修正；
下一时刻火箭飞行状态
Xt＝f(Xt-1,Ut,G,t)+fφ(S)
其中
S＝[Xt-1,Ut,G]
Xt-1为上一时刻火箭飞行状态，Ut为当前时刻控制指令，G为当前时刻环境干扰，φ神经网络中可训练的超参数，S为火箭当前飞行状态、fφ(S)为S对应的预测残差。
为了进一步实施上述技术方案，在深度神经网络的训练过程中采用MSE损失函数作为训练评判指标：
其中，N为样本个数,环境参数、当前控制指令、多物理场参数构成的网络输入。
为了进一步实施上述技术方案，仿真工况设置模块包括仿真粒度确定单元、仿真初始参数设置单元和仿真工况配置单元；
仿真粒度确定单元，用于确定仿真粒度，其中，仿真粒度包括粗粒度、中等粒度、细粒度和混合粒度；
粗粒度仿真下，仅考虑粗粒度环境模型和粗粒度火箭模型；
中等粒度仿真下，仅考虑中粒度环境模型和中粒度火箭模型；
细粒度仿真下，考虑细粒度环境模型和细粒度火箭模型；
混合粒度仿真下，根据实际需求，分别考虑不同粒度的环境模型和火箭模型；
仿真初始参数设置单元，用于设置仿真初始参数，其中具体包括：选取仿真初始时间和仿真步长；
仿真工况配置单元，用于配置仿真工况，其中具体包括：按照任务要求，设置着陆点坐标Rs和火箭飞行的初始位姿区间；根据火箭飞行的初始位姿区间，通过随机采样的方式获取N个火箭初始飞行位姿。
需要说明的是：
在实际应用过程中，粗粒度仿真下，仿真步长一般不小于1秒；
中等粒度仿真下，仿真步长一般不小于0.1秒；
细粒度仿真下，仿真步长一般不小于0.01秒；
混合粒度仿真下，按照考虑的最细粒度模型的仿真步长选取。
为了进一步实施上述技术方案，控制效能评估模块包括：控制效能评估指标设置单元、仿真单元和控制效能评估单元；
控制效能评估指标设置单元，用于根据任务需求，设置加权和形式的控制效能评估指标，控制效能评估指标包括着陆准确度、着陆冲击大小、着陆横向速度和燃料消耗量；其中，
着陆准确度为：
Pa＝ΔR＝|Rr-Rs|
其中Rr为火箭着陆时刻的坐标，Rs为着陆场坐标；
着陆冲击大小为：
Ps＝|Vv|
其中Vv为火箭着陆时刻相对于着陆场地面的法向速度分量；
着陆横向速度为：
Pv＝|Vh|
其中Vh为火箭着陆时刻相对于着陆场地面的横向速度分量；
燃料消耗量定义为
Pm＝|mi-mf|
其中mi为火箭初始时刻总质量，mf为火箭着陆时刻总质量；
则控制效能评估指标为
P＝C1Pa+C2Ps+C3Pv+C4Pm
其中加权系数C1,C2,C3,C4根据任务需求确定；
仿真单元，用于选择仿真工况完成回收飞行控制仿真；
控制效能评估单元，用于根据控制效能评估指标完成控制效能评估。
一种可回收火箭控制效能评估方法，如图5所示，包括以下步骤：
S1.根据任务需求进行粒度配置，包括火箭模型粒度配置和仿真环境粒度配置；
S2.根据粒度配置结果对部件、动力学和环境进行建模；
S3.根据任务需求和是否存在可用真实数据，决定是否进行混合孪生修正；若要进行混合孪生修正则进行S4，若不进行混合孪生修正则进行S5；
S4.如果要进行混合孪生修正，则使用真实数据与仿真数据计算得到残差，使用残差训练神经网络，使用神经网络对模型进行修正，进入S5；
S5：根据任务需求，进行工况配置；
S6：选择一个工况，完成回收飞行控制仿真，进行控制效能评估；
S7：判断是否更换下一个工况，若更换则返回S6，若不更换则进入S8；
S8：判断是否调整粒度，若调整粒度，则返回S1，否则完成控制效能评估，结束。
需要说明的是：
S4中残差为真实数据与仿真数据的差值，当进行首次混合孪生修正时，其中的仿真数据采用的是预先进行的仿真所获取到的数据，在迭代的过程中，此处的仿真数据则为S6中仿真所获取到的数据。
本发明可支持各类可回收火箭控制律，在该方法中在不进行进行混合孪生修正的情况下，还可以包括对可回收火箭着陆飞行控制律设计。
本发明提出一种可回收火箭控制效能评估系统和流程,用于解决可回收火箭着陆飞行控制过程中效能评估不全面、不灵活的问题，具有以下优越性。
1)本发明采用多粒度的方式构建火箭及其各执行机构模型，可根据需要设置不同的仿真粒度。在火箭设计和回收方案设计初期，采用粗粒度模型进行快速迭代；在详细设计和容错控制律评估阶段，采用细粒度模型进行详细分析评估，实现火箭回收飞行控制效能全面评估；根据具体飞行控制任务需求，还可以设置不同粒度的模型组合，形成混合粒度仿真工况，进行灵活的火箭回收飞行控制效能评估；
2)本发明采用混合孪生技术构建虚拟模型。对可建模的物理模型部分采用数字孪生的方式建模；对于不可建模和无法认知的部分，通过引入真实数据作为样本训练神经网络模型进行量化预测。上述虚拟模型构建过程可以在保证模型物理特性与机制正确的基础上，充分考虑已有的真实测试或实验数据，尽可能贴近真实部件和模型的状态及输出特性，实现逼近真实部件的误差和失效情况；
本发明在构建多粒度的混合孪生模型的基础上，引入力、热、光、电耦合的物理场环境，可以搭建十分逼真的可回收火箭飞行控制场景，从而建立从敏感器状态测量到箭载计算机执行控制律、再到执行机构根据控制指令作动的完整闭环。进而支持多物理场耦合条件下、不同误差和失效情况下容错控制律的效能分析；
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种可回收火箭控制效能评估系统，其特征在于，包括：多粒度分析模块、混合孪生修正模块、仿真工况设置模块和控制效能评估模块；
所述多粒度分析模块，用于根据可回收火箭的几何外形和部件安装位置对所述可回收火箭进行建模得到火箭孪生模型，所述火箭孪生模型按照粒度划分包括：粗粒度火箭模型、中粒度火箭模型和细粒度火箭模型，同时用于构建飞行环境模型，所述飞行环境模型按照粒度划分包括：粗粒度环境模型和细粒度环境模型；
所述混合孪生修正模块，用于引入真实数据与所述火箭孪生模型的仿真数据作差后得到残差，使用所述残差对深度神经网络进行训练，通过训练后的所述深度神经网络获取所述可回收火箭的预测残差，并通过所述预测残差对所述火箭孪生模型进行修正后得到混合孪生模型；
所述仿真工况设置模块，用于确定仿真粒度，设置仿真初始参数以及配置仿真工况；
所述控制效能评估模块，用于根据任务需求，设置加权和形式的控制效能评估指标，选择仿真工况完成回收飞行控制仿真，根据所述控制效能评估指标完成控制效能评估。
2.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，对于所述粗粒度火箭模型：
仅考虑火箭整体的刚体动力学，不考虑部件和柔性，火箭的状态方程表示为：
其中，x＝[r,v,q,ω,m]为火箭的状态量，包括火箭当前时刻的三轴位置矢量、三轴速度矢量和质量；u＝[fa,ma,ft,mt,θ]，fa为推力器推力，ma为推力器产生的力矩，ft为发动机推力，mt为发动机产生的力矩，θ为栅格舵转角；g为火箭整体收到的干扰。
3.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，对于所述中粒度火箭模型：
考虑火箭刚体动力学和理想部件模型，其中理想部件模型包括理想推力器模型、理想栅格舵模型和理想发动机模型：
所述理想推力器模型：
令推力大小和方向为常值，偏差服从正态分布；令推力器安装位置为r，标称推力大小为F，则推力器点火时产生的推力矢量为：
fa＝r·F+fr
其中fr是服从正态分布的推力大小偏差；
力矩矢量为：
ma＝r×fa
所述理想栅格舵模型：
将所述理想栅格舵模型等效为一个平板翼面，通过偏转产生法向气动力作为控制力fs；设栅格舵的参考面积Sarea、轴向力系数Ca、法向力系数Cn和压心系数Cp不随火箭飞行速度v的变化而变化，仅随栅格舵转角θ变化而变化；产生的控制力为：
fs＝f(Sared，Ca，Cn，Cp，θ，v)
所述理想发动机模型：
令推力大小和方向为常值，偏差服从正态分布；令发动机安装位置为r，标称推力大小为F，则发动机点火时产生的推力矢量为：
ft＝s·(r·F+fr)
其中fr是服从正态分布的推力大小偏差；
力矩矢量为：
mt＝r×ft。
4.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，对于所述细粒度火箭模型：
同时考虑火箭柔性动力学和精确到零部件的执行机构模型，包括：火箭柔性动力学模型、推力器细粒度模型、发动机细粒度模型和细粒度栅格舵模型：
所述火箭柔性动力学模型用于描述内部氧化剂和燃料贮箱的液体晃动；设火箭本体干重为mrocket，氧化剂和燃料贮箱存储的液体质量为mfuel，则发动机推力F产生的加速度为：
a＝F/(mrocket+mfuel)
摆球的运动方程为：
其中，等效摆长为lk，摆球摆动角加速度为γk，箭体角加速度为摆球位置为Lk，摆球质量为mk，摆杆拉力为Fk；摆杆拉力与箭体受到的液体晃动干扰力互为作用力与反作用力；
所述推力器细粒度模型：
(a)根据推力器实验数据确定从点火指令发出到推力不为零的平均时延，作为推力器的开时延ton；
(b)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为推力器的标称推力开启曲线；
(c)根据推力器实验数据确定从关闭指令发出到推力开始降低的平均时延，作为推力器的关时延toff；
(d)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为推力器的标称推力关闭曲线；
(e)根据(a)-(d)得到的推力曲线，输入当前时刻，确定推力器实际输出推力；
(f)根据理想推力器模型计算推力产生的力矩；
所述发动机细粒度模型：
(1)根据发动机实验数据确定从点火指令发出到推力不为零的平均时延，作为发动机的开时延ton；
(2)根据真实燃烧室燃烧数据估算推力器从0推力到标称推力的推力器曲线，作为发动机的标称推力开启曲线；
(3)根据发动机实验数据确定从关闭指令发出到推力为零的平均时延，作为推力器的关时延toff；
(4)根据真实燃烧室燃烧数据估计推力器从标称推力到0推力的推力器曲线，作为发动机的标称推力关闭曲线；
(5)根据(1)-(4)得到的推力曲线，输入当前时刻，确定发动机实际输出推力；
(6)根据理想发动机模型计算推力产生的力矩；
所述细粒度栅格舵模型：
通过有限元仿真或风洞实验测定气动特性，然后进行建模。
5.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，所述粗粒度环境模型包括粗粒度引力模型和所述均匀大气模型：
设地球为标准球体，大气密度分布均匀，则火箭收到的引力加速度为所述粗粒度引力模型：
g＝GMearth/r2
其中，G为引力常数，Mearth为地球质量，r为火箭坐标；
所述均匀大气模型近似用指数函数来描述大气密度分布：
其中，ρ0为参考球面r＝r0上的大气密度，H为密度标高，r为火箭坐标；
考虑大气密度随高度增加而减小，则密度标高为：
H＝H0+μ(r-r0)
其中，μ为常量参数，H为标高常数；
所述细粒度环境模型包括细粒度地球引力场模型和细粒度大气模型：
细粒度地球引力场模型直接采用GEM系列模型、GRIM系列模型、JGM系列模型或EGM系列模型；
细粒度大气模型直接采用国际参考大气模型、Jacchia系列模型或DTM系列模型。
6.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，所述混合孪生修正模块包括残差计算单元、深度神经网络和残差修正单元；
所述残差计算单元，用于引入真实数据计算不确定性残差，其中真实数据Dreal来源于部件的测试数据或是火箭的真实飞行数据，将真实数据与火箭孪生模型仿真数据Ddigital作差，得到残差：
ΔD＝Dreal-Ddigital
其中，当采用粗粒度火箭模型时，可回收火箭下一时刻的整体飞行状态Xt与上一时刻飞行状态Xt-1、自身控制U和环境干扰G相关：
Xt＝f(Xt-1，U，G，t)
对于任意时刻t，将粗粒度火箭模型仿真飞行状态与真实飞行状态/>之间的残差作为可回收火箭整体残差：
当采用中细粒度火箭模型时，对于任意时刻t，某执行机构控制力/力矩输出的仿真量Cdigital与其真实输出量遥测值Creal之间的残差作为执行机构模型残差：
所述深度神经网络为多层深度神经网络f，并采用梯度下降的方式完成训练；
所述残差修正单元，用于在训练收敛后，通过训练后的所述深度神经网络获取预测残差；将所述预测残差累加至所述火箭孪生模型的仿真结果上，完成残差修正；
下一时刻火箭飞行状态
Xt＝f(Xt-1，Ut，G，t)+fφ(S)
其中
S＝[Xt-1，Ut，G]
Xt-1为上一时刻火箭飞行状态，Ut为当前时刻控制指令，G为当前时刻环境干扰，φ神经网络中可训练的超参数，S为火箭当前飞行状态、fφ(S)为S对应的预测残差。
7.根据权利要求6所述的一种可回收火箭控制效能评估系统，其特征在于，在所述深度神经网络的训练过程中采用MSE损失函数作为训练评判指标：
其中，N为样本个数，环境参数、当前控制指令、多物理场参数构成的网络输入。
8.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，所述仿真工况设置模块包括仿真粒度确定单元、仿真初始参数设置单元和仿真工况配置单元；
所述仿真粒度确定单元，用于确定仿真粒度，其中，仿真粒度包括粗粒度、中等粒度、细粒度和混合粒度；
粗粒度仿真下，仅考虑粗粒度环境模型和粗粒度火箭模型；
中等粒度仿真下，仅考虑中粒度环境模型和中粒度火箭模型；
细粒度仿真下，考虑细粒度环境模型和细粒度火箭模型；
混合粒度仿真下，根据实际需求，分别考虑不同粒度的环境模型和火箭模型；
所述仿真初始参数设置单元，用于设置仿真初始参数，其中具体包括：选取仿真初始时间和仿真步长；
所述仿真工况配置单元，用于配置仿真工况，其中具体包括：按照任务要求，设置着陆点坐标Rs和火箭飞行的初始位姿区间；根据火箭飞行的初始位姿区间，通过随机采样的方式获取N个火箭初始飞行位姿。
9.根据权利要求1所述的一种可回收火箭控制效能评估系统，其特征在于，所述控制效能评估模块包括：控制效能评估指标设置单元、仿真单元和控制效能评估单元；
所述控制效能评估指标设置单元，用于根据任务需求，设置加权和形式的控制效能评估指标，所述控制效能评估指标包括着陆准确度、着陆冲击大小、着陆横向速度和燃料消耗量；其中，
所述着陆准确度为：
Pa＝ΔR＝|Rr-Rs|
其中Rr为火箭着陆时刻的坐标，Rs为着陆场坐标；
所述着陆冲击大小为：
Ps＝|Vv|
其中Vv为火箭着陆时刻相对于着陆场地面的法向速度分量；
着陆横向速度为：
Pv＝|Vh|
其中Vh为火箭着陆时刻相对于着陆场地面的横向速度分量；
燃料消耗量定义为
Pm＝|mi-mf|
其中mi为火箭初始时刻总质量，mf为火箭着陆时刻总质量；
则控制效能评估指标为
P＝C1Pa+C2Ps+C3Pv+C4Pm
其中加权系数C1，C2，C3，C4根据任务需求确定；
所述仿真单元，用于选择仿真工况完成回收飞行控制仿真；
所述控制效能评估单元，用于根据所述控制效能评估指标完成控制效能评估。
10.一种可回收火箭控制效能评估方法，其特征在于，包括以下步骤：
S1.根据任务需求进行粒度配置，包括火箭模型粒度配置和仿真环境粒度配置；
S2.根据粒度配置结果对部件、动力学和环境进行建模；
S3.根据任务需求和是否存在可用真实数据，决定是否进行混合孪生修正；若要进行混合孪生修正则进行S4，若不进行混合孪生修正则进行S5；
S4.如果要进行混合孪生修正，则使用真实数据与仿真数据计算得到残差，使用残差训练神经网络，使用神经网络对模型进行修正，进入S5；
S5：根据任务需求，进行工况配置；
S6：选择一个工况，完成回收飞行控制仿真，进行控制效能评估；
S7：判断是否更换下一个工况，若更换则返回S6，若不更换则进入S8；
S8：判断是否调整粒度，若调整粒度，则返回S1，否则完成控制效能评估，结束。
CN202310128798.7A 2023-02-17 2023-02-17 一种可回收火箭控制效能评估系统和方法 Pending CN116562117A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310128798.7A CN116562117A (zh) 2023-02-17 2023-02-17 一种可回收火箭控制效能评估系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310128798.7A CN116562117A (zh) 2023-02-17 2023-02-17 一种可回收火箭控制效能评估系统和方法

Publications (1)

Publication Number Publication Date
CN116562117A true CN116562117A (zh) 2023-08-08

Family

ID=87500716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310128798.7A Pending CN116562117A (zh) 2023-02-17 2023-02-17 一种可回收火箭控制效能评估系统和方法

Country Status (1)

Country Link
CN (1) CN116562117A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057171A (zh) * 2023-10-12 2023-11-14 中国电子科技集团公司第十研究所 一种实测数据与仿真数据相结合的半实装仿真方法
CN117933104A (zh) * 2024-03-25 2024-04-26 中国人民解放军国防科技大学 固体姿轨控发动机燃气调节阀压强修正方法
CN118095966A (zh) * 2024-04-24 2024-05-28 江苏深蓝航天有限公司 一种用于低空回收的实时箭体质量估算方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057171A (zh) * 2023-10-12 2023-11-14 中国电子科技集团公司第十研究所 一种实测数据与仿真数据相结合的半实装仿真方法
CN117057171B (zh) * 2023-10-12 2024-02-06 中国电子科技集团公司第十研究所 一种实测数据与仿真数据相结合的半实装仿真方法
CN117933104A (zh) * 2024-03-25 2024-04-26 中国人民解放军国防科技大学 固体姿轨控发动机燃气调节阀压强修正方法
CN117933104B (zh) * 2024-03-25 2024-06-07 中国人民解放军国防科技大学 固体姿轨控发动机燃气调节阀压强修正方法
CN118095966A (zh) * 2024-04-24 2024-05-28 江苏深蓝航天有限公司 一种用于低空回收的实时箭体质量估算方法

Similar Documents

Publication Publication Date Title
CN116562117A (zh) 一种可回收火箭控制效能评估系统和方法
Zhang et al. Extended state observer based robust adaptive control on SE (3) for coupled spacecraft tracking maneuver with actuator saturation and misalignment
Paw Synthesis and validation of flight control for UAV
CN105136164B (zh) 考虑卫星综合运动的凝视成像仿真及质量评估方法及装置
CN110262241B (zh) 基于高斯过程预测控制的航天器轨道控制方法
CN110329546A (zh) 一种考虑引力姿轨耦合效应的小天体着陆轨迹优化方法
Sushchenko et al. Processing of redundant information in airborne electronic systems by means of neural networks
CN109856995B (zh) 一种面向测试方法验证评估的整星控制分系统模拟平台
CN107861386A (zh) 一种基于角速度观测器的抗干扰姿态控制地面验证系统及其控制方法
Cameron et al. DSENDS: multi-mission flight dynamics simulator for NASA missions
CN114721261A (zh) 一种火箭子级姿态翻转着陆在线制导方法
CN116627157B (zh) 一种运载火箭的运行控制方法、装置及设备
He et al. Robust Controller Designing for an Air‐Breathing Hypersonic Vehicle with an HOSVD‐Based LPV Model
Garrido et al. Ascent and descent guidance of multistage rockets via pseudospectral methods
Riwanto Cubesat attitude system calibration and testing
Hendrix et al. Experimental testing for a learning-based powered-descent guidance algorithm
Angeletti et al. Learning-based control of a spacecraft with sloshing propellant
Galliath et al. Design and Analysis of a CubeSat
Di Domenico Development of a hardware-in-the-loop simulation framework for interplanetary transfers on smaller timescales
Nicholas Attitude and formation control design and system simulation for a three-satellite CubeSat mission
Searcy Observability-enhanced dual-filter design for attitude estimation with minimum observations
Shirazi et al. Simulation framework for orbit propagation and space trajectory visualization
Erbetta An object-oriented approach to the modeling of a student-developed sounding rocket and its control systems
Costa et al. Atmospheric reentry modeling and simulation
ALEMAYEHU Neuro-Fuzzy System and Genetic Algorithm for Cubesat Lqr Based Attitude Control System

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