CN116627157A - 一种运载火箭的运行控制方法、装置及设备 - Google Patents
一种运载火箭的运行控制方法、装置及设备 Download PDFInfo
- Publication number
- CN116627157A CN116627157A CN202310920370.6A CN202310920370A CN116627157A CN 116627157 A CN116627157 A CN 116627157A CN 202310920370 A CN202310920370 A CN 202310920370A CN 116627157 A CN116627157 A CN 116627157A
- Authority
- CN
- China
- Prior art keywords
- preset
- carrier rocket
- model
- flight
- rocket
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 51
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000004088 simulation Methods 0.000 claims abstract description 25
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 30
- 230000000694 effects Effects 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000002277 temperature effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
- G05D1/0816—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability
- G05D1/0825—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft to ensure stability using mathematical models
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种运载火箭的运行控制方法、装置及设备，包括：获取基于仿真系统模拟运载火箭运行时产生的飞行数据；根据预设拉偏对象，构建所述火箭运行的飞行环境模型；根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；控制所述运载火箭按照所述目标轨迹信息运行。本发明提供的方案可以实现运载火箭轨迹信息快速准确的调整，保证运载火箭在飞行过程中的稳定性与安全性。
Description
技术领域
本发明涉及运载火箭控制技术领域，特别是指一种运载火箭的运行控制方法、装置及设备。
背景技术
随着现代火箭技术的发展，人们对火箭的安全性和可靠性提出了更高的要求。在火箭飞行过程中，可能会遇到各种应急情况，如发动机故障、气象突变等，这些情况可能会对火箭造成严重的威胁。因此，如何及时、准确地进行应急响应，是现代火箭技术发展中的一个重要课题。
现有方案中可以通过：视景仿真软件可以模拟各种应急情况，如火箭发生故障、遇到天气突变等，帮助工程师进行实时的决策和调整。但通常存在以下缺点：
（1）资源消耗大：仿真实验通常需要大量的物理资源，包括实验场地、设备、材料等，这可能导致高昂的成本和复杂的实验准备过程。
（2）实验数据获取困难：实验过程中获取的数据可能受到限制，无法获得全面、准确的信息；同时，数据采集和分析过程可能需要额外的时间。
（3）参数调节困难：在传统的火箭半实物仿真实验中，调节和变化系统参数可能较为困难，而且不能自适应环境变化进行动态调节，这可能限制了对系统行为的深入理解和多样性测试。
（4）时间和空间限制：半实物仿真实验通常需要耗费较长的时间来准备、执行和分析；此外，实验场地和设备的限制可能导致实验规模受限，难以进行大规模的研究和测试。
（5）可重复性和可控性差：由于外界条件的影响和实验难以精确复制的特性，半实物仿真实验的可重复性和可控性可能较差，难以进行精确对比和验证。
发明内容
本发明要解决的技术问题是提供一种运载火箭的运行控制方法、装置及设备，以快速且准确地优化运载火箭轨迹信息，提高火箭的飞行性能和稳定性，降低调试时间和成本。
为解决上述技术问题，本发明的技术方案如下：
一种运载火箭的运行控制方法，包括：
获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；
根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；
根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
控制所述运载火箭按照所述目标轨迹信息运行。
可选的，所述预设拉偏对象包括以下至少一项：
风力拉偏；
运载火箭推力拉偏；
运载火箭质心与转动惯量拉偏；
温度拉偏；
运载火箭初始姿态角拉偏与初始速度拉偏。
可选的，根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型，包括：
根据以下至少一项预设拉偏阈值，在所述预设三维运载火箭模型中模拟所述运载火箭的飞行环境；
所述风力拉偏的第一预设拉偏阈值；
所述运载火箭推力拉偏的第二预设拉偏阈值；
所述运载火箭质心的第三预设拉偏阈值；
所述温度拉偏的第四预设拉偏阈值；
所述运载火箭初始姿态角拉偏的第五预设拉偏阈值。
可选的，基于预设卷积神经网络对历史飞行数据进行训练得到预设优化模型，包括：
获取训练数据集，所述训练数据集是基于历史飞行数据进行预处理后得到的；
将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型。
可选的，将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型，包括：
将所述训练数据集输入所述预设卷积神经网络模型的卷积层中，按照预设大小和数量的卷积核对所述训练数据集中的数据进行卷积池化处理，获得第一特征数据集；
将所述第一特征数据集输入所述预设卷积神经网络模型的全连接层中，按照预设残差值进行连接处理，获得所述预设优化模型及训练优化结果。
可选的，在所述预设卷积神经网络模型对所述训练数据集进行迭代训练处理的过程中，每迭代一次，通过梯度反传算法对所述预设卷积神经网络模型的预设损失函数以及预设动态学习率调整函数的参数进行更新调整，获得一次迭代更新后的预设优化模型。
可选的，根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息，包括：
根据所述飞行环境模型以及所述预设三维运载火箭模型对所述飞行数据进行解算，获得运载火箭运行的惯组脉冲全量；
根据所述预设火箭飞控系统对所述惯组脉冲全量进行解算，获得第一轨迹信息。
可选的，所述第一轨迹信息包括：运载火箭当前所处位置、当前所处位置的高度、当前速度、当前加速度、当前航向角度；
根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息，包括：
将所述第一轨迹信息输入所述预设优化模型中，根据所述预设优化模型中的预设动态学习率调整函数对所述运载火箭当前所处位置、所述当前所处位置的高度、所述当前速度以及所述当前航向角度进行更新优化，获得所述目标轨迹信息。
一种运载火箭的运行控制装置，包括：
获取模块，用于获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
处理模块，用于根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
控制模块，用于控制所述运载火箭按照所述目标轨迹信息运行。
一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上述所述的方法。
本发明的上述方案至少包括以下有益效果：
1、高效性：利用深度学习技术和算法，能够快速且准确地优化运载火箭轨迹信息，提高运载火箭的飞行性能和稳定性；相比传统的手动调试和优化方法，可以节省大量的时间和人力成本；
2、自适应性：本发明利用CNN卷积神经网络模型对运载火箭轨迹信息进行优化，能够自适应地适应不同的飞行环境和异常情况；通过不断的训练和迭代，模型能够学习到运载火箭系统的特征和动态变化，从而更好地适应各种复杂的飞行情况；
3、准确性：利用大量飞行数据对CNN卷积神经网络模型进行训练和优化，能够提供更准确和可靠的优化结果；通过CNN卷积神经网络模型的学习和推断，能够发现和捕捉运载火箭参数和轨迹信息之间的非线性关系，从而实现更精确的优化和控制；
4、实时性：通过与运载火箭飞行控制系统的实时数据交互和反馈，能够及时响应和调整优化轨迹信息的策略，使运载火箭在飞行过程中保持稳定和安全；
5、可扩展性：基于CNN卷积神经网络模型的深度学习方法，具有较强的可扩展性和适应性；可以根据不同的火箭系统和任务需求，灵活地调整和扩展优化模型和算法，以适应不同的运载火箭类型和应用场景。
附图说明
图1是本发明实施例提供的运载火箭的运行控制方法流程图；
图2是本发明一可选实施例提供的对飞行数据进行解算的流程示意图；
图3是本发明实施例提供的运载火箭的运行控制装置模块框示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种运载火箭的运行控制方法，包括：
步骤11，获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
步骤12，根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；
步骤13，根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；
步骤14，根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
步骤15，控制所述运载火箭按照所述目标轨迹信息运行。
该实施例中，所述飞行数据可以包括：运载火箭飞行时的经度、纬度、高度、发射点重力加速度、各级发动机推力、各级质量、运载火箭当前轨迹数据，其中，所述运载火箭当前轨迹数据包括：途经各个轨迹点个数、轨迹点经度、纬度、高度、航向角度等信息；主令相当于点火指令，发送该指令火箭点火起飞；这里，所述飞行数据不仅限于基于预设仿真系统模拟运载火箭飞行时，在飞行过程中产生的各种数据，也可以是基于传感器等设备在实体运载火箭飞行过程中监测到的；
所述预设拉偏对象是影响运载火箭飞行的外部力量或因素，会导致运载火箭偏离预期的轨迹；根据所述预设拉偏对象及其对应的拉偏条件，在预设三维开发平台中构建影响所述火箭飞行轨迹的飞行环境模型，以模拟火箭在飞行过程中各种复杂的环境因素；
所述预设三维运载火箭模型可以包括：箭体模型、发动机模型、六自由度模型以及惯组模型；所述预设三维运载火箭模型是基于预设三维开发平台中的物理引擎对运载火箭实体的各种实体数据进行构建得到的；
在本发明的一可实现示例中，所述预设三维开发平台可以是Unity3D（UnityTechnologies）三维开发平台，其中，Unity3D内置的物理引擎可以模拟火箭在空间中的运动状态，如姿态、速度、加速度等；Unity3D的动画系统可以模拟火箭发生故障或遇到天气突变等应急情况；Unity3D的数据可视化技术，可以实时监测火箭的各种状态参数，如姿态、速度、高度、温度等数据；所述预设三维开发平台通过运载火箭实体的各种实体数据进行构建运载火箭模型，可以是通过与所述预设仿真系统进行数据交互实现的，且三维运载火箭模型与飞行环境模型形成整个运载火箭的数字孪生系统；
在本发明的一可实现示例中，当所述预设仿真系统与所述预设三维开发平台进行数据交互，构建预设三维运载火箭模型以及飞行环境模型时，所述预设仿真系统的客户端可以通过WebService技术，将相关实体数据上传至所述预设三维开发平台的服务端，并支持发送飞行数据等，具体数据交互可以包括以下几个步骤：
步骤21：预设仿真系统的客户端与预设三维开发平台的服务端建立连接：在客户端中使用WebService技术，通过指定预设三维开发平台的服务端的URL地址和相关参数建立连接；
步骤22：准备数据：客户端需要准备要上传的相关实体数据以及飞行数据等，这些数据可以从本地文件、数据库或其他数据源获取；
步骤23：构建请求消息：预设仿真系统的客户端根据预设三维开发平台的服务端定义的接口方法，构建请求消息；请求消息包含要上传的数据以及其他必要的参数信息；
步骤24：发送请求消息：客户端使用WebService技术将请求消息发送给预设三维开发平台的服务端。这可以通过调用WebService类的相应方法来实现，将请求消息作为参数传递给服务端。
步骤25：服务端接收请求消息：预设三维开发平台的服务端接收到预设仿真系统的客户端发送的请求消息，并解析其中的数据和参数；
步骤26：处理请求消息：预设三维开发平台的服务端根据接收到的请求消息中的数据和参数进行相应的处理，包括但不限于：数据存储、数据处理、场景加载等操作，以完成数据上传和消息功能的实现；
步骤27：返回响应消息：预设三维开发平台的服务端根据处理结果生成响应消息，并将响应消息发送回预设仿真系统的客户端；
步骤28：客户端处理响应消息：预设仿真系统的客户端接收到来自预设三维开发平台的服务端的响应消息，并根据其中的数据和状态进行相应的处理，包括但不限于：显示处理结果、更新界面或执行其他操作。
通过上述步骤，预设仿真系统的客户端可以使用WebService技术将相关实体数据上传至预设三维开发平台的服务端，并支持飞行数据等消息功能，实现数据交互和通信的目的；
进一步的，基于所述飞行环境模型、所述预设三维运载火箭模型以及预设火箭飞控系统依次对所述飞行数据进行解算，获得运载火箭运行的第一轨迹信息，所述第一轨迹信息为运载火箭基于所述飞行数据结算出来的初步轨迹信息；
进一步的，通过所述预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息，以在不同的飞行环境中自适应调整运载火箭的轨迹规划以及飞控算法参数；同时控制运载火箭按照所述目标轨迹信息对应的数据信息进行飞行，保证火箭飞行的稳定性与安全性。
本发明的一可选实施例中，所述预设拉偏对象包括以下至少一项：
风力拉偏；
运载火箭推力拉偏；
运载火箭质心与转动惯量拉偏；
温度拉偏；
运载火箭初始姿态角拉偏与初始速度拉偏。
该实施例中，所述预设拉偏对象均可以导致运载火箭偏离预期轨迹，则上述预设拉偏对象及其对应的拉偏条件，均可以形成运载火箭在运行过程中的故障，不同的预设拉偏对象形成不同的故障模式，也即是可以根据所述预设拉偏对象的不同拉偏条件形成运载火箭运行的飞行环境模型；
进一步的，上述步骤12，可以包括：
步骤121，根据以下至少一项预设拉偏阈值，在所述预设三维运载火箭模型中模拟所述运载火箭的飞行环境；
所述风力拉偏的第一预设拉偏阈值；
所述运载火箭推力拉偏的第二预设拉偏阈值；
所述运载火箭质心的第三预设拉偏阈值；
所述温度拉偏的第四预设拉偏阈值；
所述运载火箭初始姿态角拉偏的第五预设拉偏阈值。
该实施例中，根据不同预设拉偏对象的预设拉偏阈值，在所述预设三维运载火箭模型中构建运载火箭复杂的飞行环境，以模拟运载火箭在飞行过程中发生故障、遇到天气突变等应急情况，为后续模型的训练及优化提供复杂的飞行环境模式，保证解算第一轨迹信息的准确性；
所述第一预设拉偏阈值可以包括风速阈值、风向阈值湍流强度阈值等，其中，所述风速阈值可以设置为0m/s~20m/s，所述风向阈值可以是设定的几个不同角度值，如0°、45°、90°、135°、180°、225°、270°；所述第二预设拉偏阈值可以设置为运载火箭起始推力的-8%~+8%之间；所述第三预设拉偏阈值可以是设置为质心的轴向拉偏在-0.045~0.045之间；所述第四预设拉偏阈值可以是设定的几个不同温度值，如：-20℃、0℃、20℃、40℃、80℃、100℃；所述第五预设拉偏阈值可以设置为1.5°~8°之间；这里，所述第一预设拉偏阈值、所述第二预设拉偏阈值、所述第三预设拉偏阈值、所述第四预设拉偏阈值以及所述第五预设拉偏阈值均可以根据实际需求设置相对应的阈值数值。
在本发明的一可实现示例中，根据预设拉偏对象，在所述预设三维运载火箭模型中构建火箭复杂的飞行环境，具体操作过程如下：
（1）风力拉偏：
步骤101，创建风力区域：在预设三维开发平台中创建一个空对象，将该对象的组件类型设置为"Wind Zone"（风力区域）；
步骤102，调整风力参数：在"Wind Zone"组件的Inspector检视面板中，调整各种与风力相关的参数，包括风速、风向、湍流强度等，根据需求设置相对应的数值，以模拟运载火箭受到的风力；
步骤103，将风力应用于运载火箭：将"Wind Zone"对象放置在运载火箭所在的位置，通过旋转"Wind Zone"对象或在预设三维开发平台中调整其位置使风向与期望的拉偏方向相符；
步骤104，编写脚本控制运载火箭受力：创建一个脚本并将其附加到火箭对象上；在脚本中，可以通过检测风力区域的影响来模拟火箭受到的风力拉偏效果；同时使用预设三维开发平台提供的刚体组件和物理相关函数来实现运载火箭受力的计算和应用。
（2）推力拉偏：
步骤201，创建预设运载火箭模型：首先，在预设三维开发平台中根据预设三维开发平台的物理引擎对运载火箭实体的各种实体数据进行构建，获得预设火箭模型；当然，所述预设三维运载火箭模型也可以是在预设三维开发平台中导入的现有运载火箭模型，以确保运载火箭模型具有刚体组件以实现物理模拟效果；
步骤202，添加推力器：在预设三维运载火箭模型上添加推力器，以模拟运载火箭的推力效果。可以通过创建空对象并将其作为子对象添加到预设三维运载火箭模型中，或者在预设三维运载火箭模型上直接添加粒子系统等效果；
步骤203，调整推力参数：根据运载火箭的需求 ，调整推力器的参数以实现适当的推力拉偏效果；可以调整推力大小、推力方向和推力的应用方式等参数；
步骤204，编写脚本控制推力器：创建一个脚本并将其附加到火箭对象或推力器对象上；在脚本中，通过控制推力器的激活状态和推力方向来模拟运载火箭的推力拉偏效果。
（3）质心和转动惯量拉偏：
步骤301，调整质心位置：根据运载火箭的实际情况 ，调整预设三维运载火箭模型的质心位置；通过将刚体组件的Center of Mass质心属性设置为合适的位置来实现运载火箭质心的偏离；
步骤302，调整转动惯量：根据运载火箭的需求，调整预设三维运载火箭模型的转动惯量以实现拉偏效果；其中转动惯量是一个3x3的矩阵，用于描述物体围绕各个轴旋转的惯性特性；
步骤303，编写脚本控制转动惯量：创建一个脚本并将其附加到运载火箭对象上；在脚本中，可以通过设置刚体组件的Inertia Tensor惯性张量属性来控制运载火箭的转动惯量。
（4）温度拉偏：
步骤401，添加温度效果：使用粒子系统、着色器来模拟运载火箭的温度效果。创建一个类似火焰的粒子系统，将其放置在火箭飞行过程中的环境区域，以模拟运载火箭飞行的高温区域。
步骤402，编写脚本控制温度拉偏：创建一个脚本并将其附加到运载火箭对象上。在脚本中，可以通过调整运载火箭模型的材质属性来模拟温度拉偏效果。
（5）初始姿态角、初始速度拉偏：
步骤501，设置初始姿态角：在预设三维开发平台中选择运载火箭对象，然后通过脚本来设置初始的欧拉角，其中可以包括俯仰角、偏航角和滚转角；
步骤502，设置初始速度拉偏：通过给运载火箭对象添加刚体组件来实现物理效果；然后使用刚体的力或速度属性来设置运载火箭的初始速度和方向，在初始时给运载火箭一个施加在特定方向的力或速度，以实现速度的拉偏效果。
此外，在所述预设三维开发平台中还需设置轨迹信息以及诸元装订信息，具体如下：
步骤a，轨迹信息设置：创建一个轨迹对象，可以是一条曲线或者一系列的路径点。可以使用预设三维开发平台中的曲线或者自定义的路径点数据结构来表示；在轨迹对象上添加一个脚本，该脚本控制运载火箭在轨迹上的移动；可以根据时间或距离等参数，在轨迹上插值计算出运载火箭的位置，并更新运载火箭的位置和朝向；
步骤b，诸元装订信息设置：创建一个装订信息对象，用于存储运载火箭的相关参数，如质量、推力、气动特性等；在运载火箭对象上添加一个脚本，该脚本读取诸元装订信息对象中的参数，并将其应用于运载火箭的物理模拟。可以使用刚体组件和其他物理引擎相关的组件来模拟运载火箭的运动。
本发明的一可选实施例中，基于预设卷积神经网络对历史飞行数据进行训练得到预设优化模型，包括：
步骤21，获取训练数据集，所述训练数据集是基于历史飞行数据进行预处理后得到的；
步骤22，将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型。
该实施例中，对获取到的历史飞行数据预处理，可以包括数据清洗、特征提取和数据标准化；其中，清洗数据包括去除异常或错误的数据点，特征提取包括提取与异常情况和控制参数相关的特征，数据标准化主要让数据具有相似的尺度和范围；通过对所述历史飞行数据进行预处理，以保证模型训练的准确性；
进一步的，基于预处理后的历史飞行数据进行数据划分：将历史飞行数据划分为训练数据集和测试数据集；训练集用于训练预设卷积神经网络模型模型，测试集用于评估训练后模型的性能；这里，可以通过交叉验证的方法进行预处理后的历史飞行数据的划分；
将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，进而获得训练好的预设优化模型；
这里，对于所述预设卷积神经网络模型需要设计和构建适合于运载火箭轨迹优化的模型，设计选择卷积层、池化层、全连接层，确定激活函数和损失函数，以保证最终训练好的优化模型优化处理结果的准确性；其中对预设卷积神经网络模型通过以下步骤进行优化：
步骤一：构建自适应预设卷积神经网络模型的卷积核大小：设定卷积核大小为 H× W，其中 H 和 W 可以通过学习得到，使模型能够根据输入数据的特征自动调整卷积核的大小；其主要公式为：
；
其中，inpurt表示输入数据；
步骤二：多尺度卷积操作：使用不同尺度的卷积核进行特征提取，其中，设定尺度为 S1 的卷积核为 K1，尺度为 S2 的卷积核为 K2，以此类推。将输入数据分别与不同尺度的卷积核进行卷积操作，得到特征图 F1 和特征图 F2。通过组合不同尺度的特征图，获得更全面的特征Feature表示；其中主要公式如下：
；
；
；
步骤三：残差连接：设定输入特征图为 X，经过卷积操作和激活函数后得到的特征图为 H。使用残差连接，将 X 与 H 相加得到输出特征图 Y。其主要公式如下：
。
本发明的一可选实施例中，上述步骤22，可以包括：
步骤221，将所述训练数据集输入所述预设卷积神经网络模型的卷积层中，按照预设大小和数量的卷积核对所述训练数据集中的数据进行卷积池化处理，获得第一特征数据集；
步骤222，将所述第一特征数据集输入所述预设卷积神经网络模型的全连接层中，按照预设残差值进行连接处理，获得所述预设优化模型及训练优化结果。
该实施例中，可以采用随机旋转、平移和缩放等数据增强操作，对所述训练数据集中的数据进行增强处理，获得增强后的训练数据集，以增加训练数据集的多样性，减少模型对特定样本的过度拟合，从而提高模型的泛化能力，保证训练好的模型在真是场景下的性能评估的准确性；
进一步的，在所述预设卷积神经网络模型对所述训练数据集进行迭代训练处理的过程中，每迭代一次，通过梯度反传算法对所述预设卷积神经网络模型的预设损失函数以及预设动态学习率调整函数的参数进行更新调整，获得一次迭代更新后的预设优化模型。
该实施例中，通过梯度反传算法来调整模型的权重和参数，使其能够学习到火箭的相关参数和轨迹之间的复杂关系；在训练过程中设置最优批量大小、学习率和迭代训练次数，对模型训练做如下优化：
（1）定义预设组合损失函数为：
；
其中，L表示损失值，E1表示火箭的相关参数误差，E2表示轨迹信息误差；其中α和β为预设损失权重，用于平衡两个损失误差的重要性；
（2）预设动态学习率调整函数：设定模型的初始学习率为 LR-0，经过每个训练周期更新学习率，设定当前周期为 t，更新后的学习率为：
；
其中，γ为学习率衰减因子，表示更新后的学习率；
使用梯度下降法进行模型参数优化：；其中，P1表示优化后的参数向量，P表示模型当前的参数向量，表示更新后的学习率，以控制参数更新的步长，G表示损失函数关于参数的梯度；通过不断调整参数向量来最小化损失函数，梯度代表了损失函数在参数空间中的变化方向，学习率决定了每一次参数更新的步长；
（3）预设优化模型评估：使用测试集对训练好的预设优化模型进行评估，计算模型的性能指标，可以包含准确率、精确率、召回率、异常检测指标、稳定性等；其中，主要对如下两个指标结果进行评判：
（1）异常检测指标：设定重构误差为 R，定义异常指标：
；
其中， F3为异常指标函数，用于将重构误差映射到异常程度的评估指标。
（2）轨迹稳定性评估：设定轨迹平滑性指标为S，通过计算轨迹的平滑度和稳定性，得到轨迹稳定性评估结果；
；
根据上述两个指标，可以判断优化模型的泛化能力和优化效果，从而对优化模型进行调整和优化。
本发明的一可选实施例中，上述步骤13，可以包括：
步骤131，根据所述飞行环境模型以及所述预设三维运载火箭模型对所述飞行数据进行解算，获得运载火箭运行的惯组脉冲全量；
步骤132，根据所述预设火箭飞控系统对所述惯组脉冲全量进行解算，获得第一轨迹信息。
该实施例中，对所述飞行数据进行解算，主要是在预设三维开发平台中通过预设三维火箭模型进行解算，获得惯组脉冲全量，如图2所示，具体包括以下步骤：
步骤1311，预设三维开发平台的服务端首先进行箭体模型解算，输出引力、气动力、气动力矩马赫数等信息；
通过飞行环境模型解算，输出动压、风速等信息；
通过发动机模型解算，输出推力和质量等信息；
通过六自由度仿真计算模型，输出经纬高、角速度和角加速度等信息；
步骤1312，将解算的经度、纬度、高度、角速度和加速度等信息传递至惯组模型，惯组模型进行解算输出X、Y、Z三个方向加速度即正向和负向惯组脉冲全量，X、Y、Z三个方向陀螺仪正向和负向惯组脉冲全量。
进一步的，根据所述预设火箭飞控系统对所述惯组脉冲全量进行解算，获得第一轨迹信息，如图2所示，具体包括以下步骤：
步骤1321，预设火箭飞控系统可以通过1553B总线接收上述惯组脉冲全量，进行工具误差补偿，输出X、Y、Z三方向视速度增量和角增量；
步骤1322，将视速度增量和角增量传入预设火箭飞控系统的导航模块进行导航解算，输出三通道姿态角度、高度、相对速度倾角、视加速度均值和角速度均值；
步骤1323，将三通道姿态角度、高度、视加速度均值和角速度均值等信息传入预设火箭飞控系统的制导模块进行制导解算，制导解算输出助推级、芯一级、芯二级、芯三级点火和分离时序，整流罩、星箭分离时序，摄像和匹配电阻切换等分离时序，同时输出三通道程序角供姿控模块进行模型解算；
步骤1324，预设火箭飞控系统的姿控模块接收导航模块传入的视加速度均值、角速度均值和四元数，同时接收制导模块的时序控制信号和三通道程序角，通过接收两个模块输入的数据信息分别进行助推级、芯一级、芯二级、芯三级和末级姿态控制解算，输出伺服指令信息和RCS姿控开关；
步骤1325，根据输出的伺服指令信息和RCS姿控开关，获得控制火箭运行轨迹的第一轨迹信息；
步骤1326，预设三维开发平台的服务端接收箭上输出的伺服指令信息、RCS姿控开关、时序控制信号和姿态等数据信息，进行三维显示，于此同时，形成数据流闭环运行。
本发明的一可选实施例中，所述第一轨迹信息包括：运载火箭当前所处位置、当前所处位置的高度、当前速度、当前加速度、当前航向角度；
上述步骤14，可以包括：
步骤141，将所述第一轨迹信息输入所述预设优化模型中，根据所述预设优化模型中的预设动态学习率调整函数对所述运载火箭当前所处位置、所述当前所处位置的高度、所述当前速度以及所述当前航向角度进行更新优化，获得所述目标轨迹信息。
该实施例中，使用训练好的预设优化模型对所述第一轨迹信息进行优化，根据所述第一轨迹信息中的运载火箭当前的相关参数信息（运载火箭当前所处位置、当前所处位置的高度、当前速度、当前加速度、当前航向角度），通过模型预测出优化后的参数，以使运载火箭在异常情况下能够更加平稳地飞行，可以根据优化模型输出优化后的参数，进而根据优化后的参数，获得目标轨迹信息，并控制运载火箭按照目标轨迹信息运行；
将所述第一轨迹信息输入所述预设优化模型中，对所述第一轨迹信息中所述运载火箭当前所处位置、所述当前所处位置的高度、所述当前速度以及所述当前航向角度进行更新优化，具体如下：
（1）轨迹更新：
；
；
其中，PN表示优化后的运载火箭所处的新位置；PC表示运载火箭当前所处的位置；表示更新后的学习率，以控制轨迹更新的步长；VC表示当前速度；VN表示优化后的新速度，J表示加速度；
通过上述公式，可以根据运载火箭当前所处位置、速度以及学习率和加速度的调整，通过一定的步长来计算优化后的新位置和新速度。学习率决定了每一次航迹更新的幅度，加速度可以根据需要进行调整，以达到更好的轨迹优化效果；
（2）轨迹调整：
；
；
其中，HN表示优化后的新航向角度；HC表示当前的航向角度；HE表示航向角度的误差；AN表示优化后的新高度；AC表示当前的高度；AE表示高度的误差；
通过上述公式，可以根据当前的航向角度、高度以及学习率和误差的调整，通过一定的步长来计算优化后的新航向角度和新高度。学习率决定了每一次轨迹更新的幅度，误差表示当前航向角度和高度与目标值之间的差异。
（3）轨迹约束：
；
TN = F4(TN)；
其中，TN表示优化后的新航迹；TC表示当前的航迹；表示更新后的学习率，以控制航迹更新的步长；V1表示航迹更新的速度向量；F4表示应用航迹约束的函数，具体约束条件可以包括：约束条件可以包括空间限制、速度限制、角度限制等，如：经度约束在东经75度至120度之间；纬度约束在北纬约20度至40度之间；高度约束在160公里到2000公里之间；航向角度约束在0到45度之间；
通过上述公式，对更新优化后的目标轨迹信息进行轨迹约束，以确保优化后的目标轨迹信息符合飞行安全和设计要求。
本发明的上述实施例，通过获取基于仿真系统模拟运载火箭运行时产生的飞行数据；根据预设拉偏对象及所述预设拉偏对象的拉偏条件，在预设三维运载火箭模型中构建所述火箭运行的飞行环境模型；根据所述飞行环境模型、所述预设火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
进一步的，将优化后获得的目标轨迹信息应用到实际的运载火箭飞行中，控制所述运载火箭按照所述目标轨迹信息运行；同时进行验证和调整；通过观察运载火箭的实际飞行情况和性能指标，评估优化效果，并根据运载火箭飞行需求，对相关参数及对应的轨迹信息进行进一步调整和优化；此外，根据实际运载火箭飞行的情况和需求，进行循环迭代，不断优化和改进预设优化模型、运载火箭相关参数优化以及与相关参数对应的轨迹信息优化的过程，提高运载火箭的控制精度和飞行稳定性，以实现运载火箭飞行的平稳性和效果的完善，达到更好的飞行效果。
如图3所示，本发明的实施例还提供一种运载火箭的运行控制装置30，包括：
获取模块31，用于获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
处理模块32，用于根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
控制模块33，用于控制所述运载火箭按照所述目标轨迹信息运行。
可选的，所述预设拉偏对象包括以下至少一项：
风力拉偏；
运载火箭推力拉偏；
运载火箭质心与转动惯量拉偏；
温度拉偏；
运载火箭初始姿态角拉偏与初始速度拉偏。
可选的，所述处理模块32根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型，具体用于：
根据以下至少一项预设拉偏阈值，在所述预设三维运载火箭模型中模拟所述运载火箭的飞行环境；
所述风力拉偏的第一预设拉偏阈值；
所述运载火箭推力拉偏的第二预设拉偏阈值；
所述运载火箭质心的第三预设拉偏阈值；
所述温度拉偏的第四预设拉偏阈值；
所述运载火箭初始姿态角拉偏的第五预设拉偏阈值。
可选的，所述处理模块32基于预设卷积神经网络对历史飞行数据进行训练得到预设优化模型，具体用于：
获取训练数据集，所述训练数据集是基于历史飞行数据进行预处理后得到的；
将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型。
可选的，所述处理模块32将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型，具体用于：
将所述训练数据集输入所述预设卷积神经网络模型的卷积层中，按照预设大小和数量的卷积核对所述训练数据集中的数据进行卷积池化处理，获得第一特征数据集；
将所述第一特征数据集输入所述预设卷积神经网络模型的全连接层中，按照预设残差值进行连接处理，获得所述预设优化模型及训练优化结果。
可选的，所述处理模块32在所述预设卷积神经网络模型对所述训练数据集进行迭代训练处理的过程中，每迭代一次，通过梯度反传算法对所述预设卷积神经网络模型的预设损失函数以及预设动态学习率调整函数的参数进行更新调整，获得一次迭代更新后的预设优化模型。
可选的，所述处理模块32根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息，具体用于：
根据所述飞行环境模型以及所述预设三维运载火箭模型对所述飞行数据进行解算，获得运载火箭运行的惯组脉冲全量；
根据所述预设火箭飞控系统对所述惯组脉冲全量进行解算，获得第一轨迹信息。
可选的，所述第一轨迹信息包括：运载火箭当前所处位置、当前所处位置的高度、当前速度、当前加速度、当前航向角度；
所述处理模块32根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息，具体用于：
将所述第一轨迹信息输入所述预设优化模型中，根据所述预设优化模型中的预设动态学习率调整函数对所述运载火箭当前所处位置、所述当前所处位置的高度、所述当前速度以及所述当前航向角度进行更新优化，获得所述目标轨迹信息。
需要说明的是，该装置是与上述运载火箭的运行控制方法相对应的装置，上述方法实施例中的所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
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。
所述功能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介质中。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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，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。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种运载火箭的运行控制方法，其特征在于，包括：
获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；
根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；
根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
控制所述运载火箭按照所述目标轨迹信息运行。
2.根据权利要求1所述的运载火箭的运行控制方法，其特征在于，所述预设拉偏对象包括以下至少一项：
风力拉偏；
运载火箭推力拉偏；
运载火箭质心与转动惯量拉偏；
温度拉偏；
运载火箭初始姿态角拉偏与初始速度拉偏。
3.根据权利要求2所述的运载火箭的运行控制方法，其特征在于，根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型，包括：
根据以下至少一项预设拉偏阈值，在所述预设三维运载火箭模型中模拟所述运载火箭的飞行环境；
所述风力拉偏的第一预设拉偏阈值；
所述运载火箭推力拉偏的第二预设拉偏阈值；
所述运载火箭质心的第三预设拉偏阈值；
所述温度拉偏的第四预设拉偏阈值；
所述运载火箭初始姿态角拉偏的第五预设拉偏阈值。
4.根据权利要求1所述的运载火箭的运行控制方法，其特征在于，基于预设卷积神经网络对历史飞行数据进行训练得到预设优化模型，包括：
获取训练数据集，所述训练数据集是基于历史飞行数据进行预处理后得到的；
将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型。
5.根据权利要求4所述的运载火箭的运行控制方法，其特征在于，将所述训练数据集输入预设卷积神经网络模型中，通过梯度反传算法进行迭代训练处理，获得所述预设优化模型，包括：
将所述训练数据集输入所述预设卷积神经网络模型的卷积层中，按照预设大小和数量的卷积核对所述训练数据集中的数据进行卷积池化处理，获得第一特征数据集；
将所述第一特征数据集输入所述预设卷积神经网络模型的全连接层中，按照预设残差值进行连接处理，获得所述预设优化模型及训练优化结果。
6.根据权利要求5所述的运载火箭的运行控制方法，其特征在于，在所述预设卷积神经网络模型对所述训练数据集进行迭代训练处理的过程中，每迭代一次，通过梯度反传算法对所述预设卷积神经网络模型的预设损失函数以及预设动态学习率调整函数的参数进行更新调整，获得一次迭代更新后的预设优化模型。
7.根据权利要求1所述的运载火箭的运行控制方法，其特征在于，根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息，包括：
根据所述飞行环境模型以及所述预设三维运载火箭模型对所述飞行数据进行解算，获得运载火箭运行的惯组脉冲全量；
根据所述预设火箭飞控系统对所述惯组脉冲全量进行解算，获得第一轨迹信息。
8.根据权利要求1所述的运载火箭的运行控制方法，其特征在于，所述第一轨迹信息包括：运载火箭当前所处位置、当前所处位置的高度、当前速度、当前加速度、当前航向角度；
根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息，包括：
将所述第一轨迹信息输入所述预设优化模型中，根据所述预设优化模型中的预设动态学习率调整函数对所述运载火箭当前所处位置、所述当前所处位置的高度、所述当前速度以及所述当前航向角度进行更新优化，获得所述目标轨迹信息。
9.一种运载火箭的运行控制装置，其特征在于，包括：
获取模块，用于获取基于仿真系统模拟运载火箭运行时产生的飞行数据；
处理模块，用于根据预设拉偏对象，构建所述运载火箭运行的飞行环境模型；根据所述飞行环境模型、预设三维运载火箭模型以及预设火箭飞控系统对所述飞行数据进行解算，获得第一轨迹信息；根据预设优化模型对所述第一轨迹信息进行优化处理，获得目标轨迹信息；所述预设优化模型是基于预设卷积神经网络对历史飞行数据进行训练得到的；
控制模块，用于控制所述运载火箭按照所述目标轨迹信息运行。
10.一种计算设备，其特征在于，包括：处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920370.6A CN116627157B (zh) | 2023-07-26 | 2023-07-26 | 一种运载火箭的运行控制方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310920370.6A CN116627157B (zh) | 2023-07-26 | 2023-07-26 | 一种运载火箭的运行控制方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116627157A true CN116627157A (zh) | 2023-08-22 |
| CN116627157B CN116627157B (zh) | 2023-09-29 |
Family
ID=87610317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310920370.6A Active CN116627157B (zh) | 2023-07-26 | 2023-07-26 | 一种运载火箭的运行控制方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116627157B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
| CN118470616A (zh) * | 2024-07-12 | 2024-08-09 | 浙江深象智能科技有限公司 | 轨迹数据处理方法、装置及设备 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111176310A (zh) * | 2019-12-31 | 2020-05-19 | 北京星际荣耀空间科技有限公司 | 一种运载火箭姿态控制系统的测试方法、装置及系统 |
| CN111290299A (zh) * | 2020-03-20 | 2020-06-16 | 湖南云顶智能科技有限公司 | 一种高超声速试飞器助推段控制系统仿真平台 |
| CN111522326A (zh) * | 2020-04-17 | 2020-08-11 | 上海宇航系统工程研究所 | 一种火箭子级回收综合控制器仿真测试系统及测试方法 |
| CN113609584A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 重复使用火箭发动机推力室可靠性优化设计方法 |
| CN113834386A (zh) * | 2021-10-29 | 2021-12-24 | 湖北航天技术研究院总体设计所 | 一种固体运载火箭大气层外制导控制方法 |
| CN113917854A (zh) * | 2021-10-18 | 2022-01-11 | 北京航空航天大学 | 一种面向大中型无人机的飞行控制系统半物理仿真平台 |
| CN114239134A (zh) * | 2021-11-29 | 2022-03-25 | 北京航天自动控制研究所 | 用于构建控制极性故障辨识样本数据的方法及装置 |
| US20220147820A1 (en) * | 2020-11-12 | 2022-05-12 | Dalian University Of Technology | Optimal rescue orbital elements online decision-making method based on rbfnn for launch vehicles under thrust drop fault |
| CN116088349A (zh) * | 2023-03-07 | 2023-05-09 | 东方空间技术(山东)有限公司 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
| CN116331510A (zh) * | 2023-03-27 | 2023-06-27 | 西安航天动力技术研究所 | 基于固体火箭发动机助推飞行器的速度约束分离方法 |
| CN116382124A (zh) * | 2023-05-29 | 2023-07-04 | 东方空间技术(山东)有限公司 | 一种运载火箭的姿态控制仿真方法和系统 |
-
2023
- 2023-07-26 CN CN202310920370.6A patent/CN116627157B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111176310A (zh) * | 2019-12-31 | 2020-05-19 | 北京星际荣耀空间科技有限公司 | 一种运载火箭姿态控制系统的测试方法、装置及系统 |
| CN111290299A (zh) * | 2020-03-20 | 2020-06-16 | 湖南云顶智能科技有限公司 | 一种高超声速试飞器助推段控制系统仿真平台 |
| CN111522326A (zh) * | 2020-04-17 | 2020-08-11 | 上海宇航系统工程研究所 | 一种火箭子级回收综合控制器仿真测试系统及测试方法 |
| US20220147820A1 (en) * | 2020-11-12 | 2022-05-12 | Dalian University Of Technology | Optimal rescue orbital elements online decision-making method based on rbfnn for launch vehicles under thrust drop fault |
| CN113609584A (zh) * | 2021-08-02 | 2021-11-05 | 北京航空航天大学 | 重复使用火箭发动机推力室可靠性优化设计方法 |
| CN113917854A (zh) * | 2021-10-18 | 2022-01-11 | 北京航空航天大学 | 一种面向大中型无人机的飞行控制系统半物理仿真平台 |
| CN113834386A (zh) * | 2021-10-29 | 2021-12-24 | 湖北航天技术研究院总体设计所 | 一种固体运载火箭大气层外制导控制方法 |
| CN114239134A (zh) * | 2021-11-29 | 2022-03-25 | 北京航天自动控制研究所 | 用于构建控制极性故障辨识样本数据的方法及装置 |
| CN116088349A (zh) * | 2023-03-07 | 2023-05-09 | 东方空间技术(山东)有限公司 | 基于lstm的火箭半实物仿真数据异常评估方法及决策装置 |
| CN116331510A (zh) * | 2023-03-27 | 2023-06-27 | 西安航天动力技术研究所 | 基于固体火箭发动机助推飞行器的速度约束分离方法 |
| CN116382124A (zh) * | 2023-05-29 | 2023-07-04 | 东方空间技术(山东)有限公司 | 一种运载火箭的姿态控制仿真方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吕新广;宋征宇;: "长征运载火箭制导方法", 宇航学报, no. 09, pages 895 - 902 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116975577A (zh) * | 2023-09-25 | 2023-10-31 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
| CN116975577B (zh) * | 2023-09-25 | 2023-12-22 | 东方空间技术(山东)有限公司 | 一种火箭半实物仿真数据的处理方法、系统及设备 |
| CN118470616A (zh) * | 2024-07-12 | 2024-08-09 | 浙江深象智能科技有限公司 | 轨迹数据处理方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116627157B (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116627157B (zh) | 一种运载火箭的运行控制方法、装置及设备 | |
| CN107479368B (zh) | 一种基于人工智能的训练无人机控制模型的方法及系统 | |
| Lu et al. | Real-time simulation system for UAV based on Matlab/Simulink | |
| Huang et al. | A review of wind tunnel based virtual flight testing techniques for evaluation of flight control systems | |
| US20230080379A1 (en) | Digital twin for an autonomous vehicle | |
| Wallace | Dynamics and control of a quadrotor with active geometric morphing | |
| CN116382124B (zh) | 一种运载火箭的姿态控制仿真方法和系统 | |
| Prabowo et al. | Hardware in-the-loop simulation for visual servoing of fixed wing UAV | |
| CN114329766A (zh) | 面向深度强化学习的飞行动力学模型可信度评估方法 | |
| US20210357692A1 (en) | Multi-fidelity simulated data for machine learning | |
| CN113031448A (zh) | 基于神经网络的飞行器上升段轨迹优化方法 | |
| CN116562117A (zh) | 一种可回收火箭控制效能评估系统和方法 | |
| CN113985732B (zh) | 针对飞行器系统的自适应神经网络控制方法及装置 | |
| Khuwaja et al. | Virtual reality based visualization and training of a quadcopter by using RC remote control transmitter | |
| CN117763713A (zh) | 一种飞行器飞行动力学的模拟仿真方法及应用 | |
| Lei et al. | PC based high quality and low cost flight simulator | |
| Ahsan et al. | Grey box modeling of lateral-directional dynamics of a uav through system identification | |
| Hendrix et al. | Experimental testing for a learning-based powered-descent guidance algorithm | |
| Karali et al. | Data-driven Synthetic Air Data Estimation System Development for a Fighter Aircraft | |
| CN115046433A (zh) | 基于深度强化学习的飞行器时间协同制导方法 | |
| Kaden et al. | Hardware-in-the-loop flight simulator–an essential part in the development process for the automatic flight control system of a utility aircraft | |
| Ou et al. | Integrated flight dynamics modelling for unmanned aerial vehicles | |
| Zheng et al. | Semi-Physical Simulation Design of UAV Simulation Training System | |
| RU2782035C2 (ru) | Имитационная модель системы управления воздушной мишенью на основе беспилотного летательного аппарата из состава мишенного комплекса | |
| El-Gabri et al. | Command guidance missile tracking algorithms evaluation based on visual simulation |
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 |