CN117451238B - 基于神经网络的推进器推力波动在轨光学检测方法及装置 - Google Patents
基于神经网络的推进器推力波动在轨光学检测方法及装置 Download PDFInfo
- Publication number
- CN117451238B CN117451238B CN202311743364.4A CN202311743364A CN117451238B CN 117451238 B CN117451238 B CN 117451238B CN 202311743364 A CN202311743364 A CN 202311743364A CN 117451238 B CN117451238 B CN 117451238B
- Authority
- CN
- China
- Prior art keywords
- thrust
- neural network
- orbit
- ion
- plume
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 103
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 230000003287 optical effect Effects 0.000 title claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 84
- 238000000034 method Methods 0.000 claims abstract description 81
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 51
- 230000004044 response Effects 0.000 claims abstract description 21
- 150000002500 ions Chemical class 0.000 claims description 69
- 229910052724 xenon Inorganic materials 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 32
- 239000002245 particle Substances 0.000 claims description 25
- -1 xenon ion Chemical class 0.000 claims description 23
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 12
- 239000003380 propellant Substances 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 150000003736 xenon Chemical class 0.000 description 1
Classifications
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L1/00—Measuring force or stress, in general
- G01L1/24—Measuring force or stress, in general by measuring variations of optical properties of material when it is stressed, e.g. by photoelastic stress analysis using infrared, visible light, ultraviolet
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
- G01L5/0028—Force sensors associated with force applying means
- G01L5/0038—Force sensors associated with force applying means applying a pushing force
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种基于神经网络的推进器推力波动在轨光学检测方法及装置,涉及电推进技术领域,方法包括:将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;将预先测得的响应时间间隔内的卫星动量差以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力;该方法结合循环神经网络计算得出实时推力变化,具有实时性高、高精度、对推力器羽流没有影响的优势。
Description
技术领域
本发明涉及电推进技术领域,具体涉及一种基于神经网络的推进器推力波动在轨光学检测方法及装置。
背景技术
以霍尔推进器、离子推进器为代表的航天电推进系统在航天器姿态控制、位置保持、阻力补偿、轨道转移等任务中被美俄等航天强国普遍采用。我国已步入等离子体推进大规模应用时代,在载人航天、通讯星座、空间对抗、深空探测、空间科学等领域对等离子体推进技术有迫切需求,随着星网星座的启动,批量、高效、高准确度电推进羽流检测评价技术需求迫切,在电推力器在轨运行过程中,对于推力波动的监测是重中之重,通过推力的波动情况可以推测推力器的工作状态又能计算羽流发散角,防止太阳能板被过度污染。
对于电推进羽流推力波动的监测技术主要分为电探针法、光谱法与GPS检测三种,电探针法的主要思路是通过电学测试方法,实际测量等离子体中电势电流以及电流密度,通过上述三者的关系计算推力大小与推力矢量;光谱方法则是通过分析原子跃迁所发出的光,通过相关模型分析出一价二价离子密度占比,计算推力波动与发散角;而GPS在轨检测则是通过在一段时间间隔的动量变换计算对应的速度,通过速度计算推力。
电探针诊断方法存在如下问题:其一,单个电探针仅能测试空间单点参数,难以对特征参数进行高分辨测量;其二,电推进束流能量高,测试电极在高能束流轰击下,热学特性、电学特性甚至几何特性会发生变化,给测试准确性带来较大不确定性;其三,电推进等离子体中电场、磁场、流场复杂,测试电极与等离子体相互作用的物理模型缺乏针对性的调整,不能准确描述测试回路伏安特性与特征参数间的关系;其四,浸入等离子体的电极会干扰推进器放电状态,对工作特性造成影响;其五,在轨过程中由于寿命短、测量过程复杂、采样不全等原因,探针法在轨存在应用较为复杂,同时备用探针占用空间过大等问题。同时,单纯的光谱分析方法也存在一定问题,单纯依赖谱线对推力器羽流参数进行分析会导致空间与频谱分辨率底下、同时操作复杂、数据不全面,最关键的是光谱仪不能在轨应用。GPS检测虽然在一定程度上避免了前两种测量方法的弊端,但是由于GPS检测是每隔时间对速度进行测量来计算推力,导致其实时性不足,不能满足在轨的需要。
因此,如何提供一种能够实时监测且精度足够高的推进器推力波动检测方法,成为本领域亟待解决的技术问题。
发明内容
为了解决上述技术问题,本发明提供了一种基于神经网络的推进器推力波动在轨光学检测方法及装置,该方法及装置结合二维数据采集以及循环神经网络计算得出的实时推力变化,相比于现有方法,具有空间小、实时性高、高精度、对推力器羽流没有影响的优势。
一种基于神经网络的推进器推力波动在轨光学检测方法,包括:
采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置,采集推进器羽流实时图像;
将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
将预先测得的响应时间间隔前后的卫星速度、推进剂质量流量以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力;
其中,所述发散角修正系数循环神经网络基于各价态离子的图像、离子原子密度比、二价和一价离子密度比以及羽流角的关系进行构建;
所述推力循环神经网络用于基于粒子密度比、在轨电压、在轨电流以及电压电流噪声特性得到未修正推力。
进一步地,所述原子光与各价离子光数据通过在二维数据采集装置叠加滤光片采集;
所述推进器在轨工作过程中,使电压表和电流表空转,测得所述电压电流噪声特性。
进一步地,所述发散角修正系数循环神经网络基于如下步骤构建:
构建羽流角循环神经网络,用于描述所述原子光与各价离子光数据、各价态粒子密度比以及羽流发散角之间的关系,所述羽流发散角通过所述羽流实时图像得到;
基于所述羽流角循环神经网络,得到各价态粒子密度比,并基于所述各价态粒子密度比计算各价态粒子的推力;
构建各价态离子的电流、电压以及推力的关系,并基于所述各价态粒子的推力,构建发散角修正系数循环神经网络。
进一步地,各价态离子电流、电压以及推力的关系表示如下:
;
其中,C为对应离子的离子质量,η为羽流发散角的修正系数,为各价态离子电流,U为各价态离子电压,/>为各价态离子推力。
进一步地,所述羽流角循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为羽流角,image(Xe)为氙原子图像,image(Xe +)为一价氙离子图像,image(Xe 2+)为二价氙离子图像,net1表示羽流角循环神经网络;
所述羽流角循环神经网络基于碰撞截面、氙粒子质量以及电子能量分布数据训练得到。
进一步地,所述推力循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为电压电流噪声特性,/>为在轨电压,/>为在轨电流,/>为未修正推力,net3为推力循环神经网络。
进一步地,卫星入轨后,在测试阶段采集数据,可由下式构建所述天地修正循环神经网络:
;
;
其中,ΔP为响应时间间隔内的卫星动量差,Δt为响应时间间隔,β为天地修正系数,T 2(t)为t时刻测得的未修正推力,V(t)为卫星t时刻的速度,由GPS系统测量给出,net4为天地修正循环神经网络,为响应初始时刻,/>为t0+Δt时刻卫星质量,为t0+Δt时刻卫星速度,/>为t0时刻卫星质量,/>为t0时刻卫星速度;
m g(t)为t时刻的供给给推力器的推进剂质量流量,其与卫星质量m(t)间存在以下关系:
;
式中,m 0为卫星入轨时的初始质量。
一种应用于上述方法的基于神经网络的推进器推力波动在轨光学检测装置,包括:
采集模块,用于采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置采集推进器羽流实时图像;
羽流修正模块,用于将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
推力初步计算模块,用于根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
推力修正模块,用于将预先测得的响应时间间隔前后的卫星速度、推进剂质量流量以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力;
其中,所述发散角修正系数循环神经网络基于各价态离子的图像、离子原子密度比、二价和一价离子密度比以及羽流角的关系进行构建;
所述推力循环神经网络用于基于粒子密度比、在轨电压、在轨电流以及电压电流噪声特性得到未修正推力。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
一种电子设备,包括处理器和存储装置,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
本发明提供的基于神经网络的推进器推力波动在轨光学检测方法及装置,至少包括如下有益效果:
(1)通过二维数据采集装置对推力器羽流图像进行采集,反馈至接收端后通过循环神经网络计算天地修正系数从而获得实时推力波动,为推力器的在轨测试、研发提供可靠的测试数据,这种方法相比于传统方法具有自动化程度高、省时省力、测试数据准确、干扰小、可信度高的优点;
(2)在轨阶段操作简单仅需要采集二维图像数据,数据采集操作较为简单,同时记录的数据围绕二维图像数据,相比于常规光谱方法数据直观,整套装置与程序具有极快的响应能力,获得数据快速便于及时对于推力器进行调整;
(3)属于非接触式式测量,所采用装置对在轨运行过程中的推力器羽流无影响,确保了数据的正确性;采集数据装置对推进器羽流进行连续测量,避免了测试过程中数据的离散化,同时提高了光谱测试过程中的时间分辨率,具有较高的空间分辨率以及较高的测量精度;
(4)采用循环神经网络来计算对应光谱分析中较复杂的离子占比分析,减少成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于神经网络的推进器推力波动在轨光学检测方法一种实施例的流程图;
图2为本发明提供的基于神经网络的推进器推力波动在轨光学检测方法所采用的数据采集装置的示意图。
附图标记:1-支架,2-推力器所处平面,3-二维光强数据采集装置,4-推力器羽流,5-推力器。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
实施例一:
参见图1,在一些实施例中,提供一种基于神经网络的推进器推力波动在轨光学检测方法,包括:
S1、采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置,采集推进器羽流实时图像;
S2、将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
S3、根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
S4、将预先测得的响应时间间隔前后的卫星速度、推进剂质量流量以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力。
参见图2,是本实施例提供的方法采用的在轨装置推力器平面与相机装置示意图,该装置由支架1、二维光强数据采集装置3、推力器所处平面2、推力器5以及推力器羽流4组成。在装置运行过程中,相机对推力器羽流4进行摄像,汇总以便进行下一步操作。二维光强数据采集装置3固定在支架1上围绕着推力器5,并对推力器羽流4进行实时拍照,反馈至终端,用于计算不同价态的离子占比与发散角。通过上述描述的安装方法,使用围绕推力器5的六个相机在推力器5在轨运行的过程中进行实时拍照获得二维图像数据,通过地面的接收装置对二维图像进行再处理,利用日冕模型通过图像获得羽流中的等离子体参数。整套装置可以在推力器在轨运行期间对等离子体羽流进行拍照并上传至数据处理终端,通过数据处理终端对推力器的工作状态进行分析。
优选的,二维光强数据采集装置3为相机。
步骤S1中,所述原子光与各价离子光数据通过在二维数据采集装置叠加滤光片采集;
所述推进器在轨工作过程中,使电压表和电流表空转,测得所述电压电流噪声特性。
进行在轨光学检测数据采集过程中,包括以下步骤:
S11、在轨过程中,使电压表电流表空转,获得两者的噪声特性。
S12、在地测试过程中,开启推力器,在推力器正常工作状态下获得其光学数据image(Xe)、image(Xe +)以及image(Xe 2+),并且使用推力架获得推力器推力T 1、电压值U 1。
S13、在轨过程中开启推力器,获得正常工作情况下流过推力器的电压与/>。
S14、开启二维数据采集装置,对推力器羽流图像进行实时测量,上传数据至上位机。
S15、开启GPS检测装置,间隔Δt时间测试卫星间隔前后的速度V(t)和V(t+Δt),并测量推进剂质量流量m g(t)。
步骤S2中,所述发散角修正系数循环神经网络基于如下步骤构建:
S21、构建羽流角循环神经网络,用于描述所述原子光与各价离子光数据、各价态粒子密度比以及羽流发散角之间的关系,所述羽流发散角通过所述羽流实时图像得到;
S22、基于所述羽流角循环神经网络,得到各价态粒子密度比,并基于所述各价态粒子密度比计算各价态粒子的推力;
S23、构建各价态离子电流、电压以及推力的关系,并基于所述各价态粒子的推力,构建发散角修正系数循环神经网络。
步骤S21中,所述羽流角循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为羽流角,/>为氙原子图像,/>为一价氙离子图像,/>为二价氙离子图像,net1表示羽流角循环神经网络;
所述羽流角循环神经网络基于氙粒子截面、氙粒子动能、氙粒子质量以及电子能量分布数据训练得到。
步骤S23中,各价态离子电流、电压以及推力的关系表示如下:
;
其中,C为对应离子的离子质量,η为羽流发散角的修正系数,为各价态离子电流,U则为各价态离子电压。
步骤S3中,所述推力循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为电压电流噪声特性,/>为在轨电压,/>为在轨电流,/>为未修正推力,net3为推力循环神经网络。
步骤S4中,所述天地修正循环神经网络表示如下:
其中,β为天地修正系数,T 2(t)为t时刻测得的未修正推力,V(t)为卫星t时刻的速度,由GPS系统测量给出。net4为天地修正循环神经网络,为响应初始时刻,/>为t0+Δt时刻卫星质量,/>为t0+Δt时刻卫星速度,/>为t0时刻卫星质量,/>为t0时刻卫星速度;
m g(t)为t时刻的供给给推力器的推进剂质量流量,其与卫星质量m(t)间存在以下关系:
式中m 0为卫星入轨时的初始质量。卫星入轨后,在测试阶段采集数据,可由下式构建数据集:
;
其中,ΔP为响应时间间隔内的卫星动量差,Δt为响应时间间隔,在该数据集的基础上可获得天地循环神经网络net4。
步骤S2-S4完成了四个数据处理过程。
关于第一数据处理过程,该步骤主要用于构建拍摄图像与各价态粒子密度比以及羽流发散角之间的关系。
在地面测试阶段,对正常运行过程中的推力器进行原子光与各价离子光进行采集(相机叠加滤光片),获得光学数据image。
通过日冕模型的原理,存在以下公式(1),可用于计算与/>的比值:
;(1)
式中,为电子数密度,/>为对应氙离子数密度,/>是氙原子数密度,/>是一价氙离子反应速率系数,/>是氙原子子反应速率系数。速率系数由式(2)获得:
;(2)
其中,为碰撞截面,E e和/>代表电子能量与电子质量,/>代表电子能量分布函数,均可有实验数据以及资料获得,以此作为训练数据,构建羽流角循环神经网络net1,用于描述羽流光强比与对应各价态密度比以及羽流角ε的关系,/>表示激发过程阈值能量,下标exc表示激发过程。
对于羽流角循环神经网络net1,存在如下关系:
;(3)
对于第二数据处理过程,该过程主要通过循环神经网络寻找在地测试中光学数据、推力架测试推力T 1与羽流发散角修正因子η的关系。
在地面测试过程中,各价态离子的密度与总电流存在以下关系:
;(4)
其中,v(Xe +)表示一价氙离子的速度,v(Xe 2+)表示二价氙离子的速度,积分域S为推力器出口面,e为元电荷量。
同时测试获得的电压值与离子速度存在关系,如公式(5)所示:
;(5)
其中,v代表离子速度,m代表离子质量,q为离子荷电量,通过公式(5)可以获得各个价态的离子相对应的速度值。
依据公式(3)可以获得与/>以及与/>与/>的密度比值,如公式(6)所示:
;(6)
综合上式(1)至式(6)可以获得每种价态对应的离子电流,该电流值将用于计算对应的推力。
各价态离子电流、电压以及推力存在如下关系,见式(7):
;(7)
式中,C是常数,与工质种类有关,这里计算对应氙离子的离子质量,η为羽流发散角的修正系数,为各价态离子电流根据前文可求,U则为对应电压,/>为各价态离子推力。
与/>各自产生的推力与总推力存在如下关系:
;(8)
通过(1)-(8),构建发散角修正系数循环神经网络net2,该神经网络用于测试羽流发散系数η与Xe +与Xe的密度比值的关系,通过式(4)、(5)、(6)、(7)可以计算每种状态下对应的η与的关系,神经网络的输入量为/>,/>,输出量为对应的羽流发散角修正因子η,公式如下所示
;(9)
关于第三数据处理过程,第三数据处理过程主要为了通过构建推力循环神经网络寻找电压电流噪声特性、在轨测量电压电流/>、各价态粒子密度和未修正推力/>的关系。
在轨工作过程中,电压与电流测试设备在测试过程中总会出现噪声,导致测试结果出现抖动,不便于通过公式对推力进行推导,于是在地面测试过程中,需要对电压电流测试结构进行空载实验,获得电压电流噪声特性。
在推力器正常启动后对推力器进行在轨电压与在轨电流测量,记录为与/>。
已知电压电流噪声特性、在轨电压/>与在轨电流/>,经过公式(3)、(4)、(5)的推导,可以获得不同粒子各自的分配电流以及密度,通过式(9)计算对应的羽流发散角系数η,在已知各种情况下羽流发散角系数的条件下,通过式(7)、(8)构建推力循环神经网络net3,可以获得在轨过程中推力器羽流产生的推力/>,如下式所示:
;(10)
此方法计算推力器推力是相对于地面的,该推力与所求羽流推力器推力/>存在如下关系 :
;(11)
其中,β为天地修正系数,为最终所得推力器推力大小。
第四数据处理过程主要为了构建天地修正循环神经网络描述天地修正系数与GPS所测动量差、前式所求推力的关系,以获得天地修正系数。
t时刻的供给给推力器的推进剂质量流量为m g(t),其与卫星质量m(t)间存在以下关系:
;
式中,m 0为卫星入轨时的初始质量。卫星入轨后,在测试阶段采集数据,可由下式构建数据集:
;
;
其中,ΔP为响应时间间隔内的卫星动量差,Δt为响应时间间隔,net4为天地修正循环神经网络,为响应初始时刻,/>为t0+Δt时刻卫星质量,/>为t0+Δt时刻卫星速度,/>为t0时刻卫星质量,/>为t0时刻卫星速度,在该数据集的基础上可获得天地循环神经网络net4。
求解天地修正系数的天地修正循环神经网络如下所示:
;(14)
其中,β为天地修正系数,T 2(t)为t时刻测得的未修正推力,V(t)为卫星t时刻的速度,由GPS系统测量给出。m g(t)为t时刻的供给给推力器的推进剂质量,通过上式可以获得对应的天地修正系数,从而获得航天推力器在轨实时推力。
实施例二:
在一些实施例中,提供一种基于神经网络的推进器推力波动在轨光学检测装置,包括:
采集模块,用于采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置采集推进器羽流实时图像;
羽流修正模块,用于将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
推力初步计算模块,用于根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
推力修正模块,用于将预先测得的响应时间间隔内的卫星动量差以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力。
实施例三:
在一些实施例中,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
实施例四:
在一些实施例中,提供一种电子设备,包括处理器和存储装置,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行上述的方法。
本实施例提供的基于神经网络的推进器推力波动在轨光学检测方法及装置,通过二维数据采集装置对推力器羽流图像进行采集,反馈至接收端后通过循环神经网络计算天地修正系数从而获得实时推力波动,为推力器的在轨测试、研发提供可靠的测试数据,这种方法相比于传统方法具有自动化程度高、省时省力、测试数据准确、干扰小、可信度高的优点;在轨阶段操作简单仅需要采集二维图像数据,数据采集操作较为简单,同时记录的数据围绕二维图像数据,相比于常规光谱方法数据直观,整套装置与程序具有极快的响应能力,获得数据快速便于及时对于推力器进行调整;属于非接触式式测量,所采用装置对在轨运行过程中的推力器羽流无影响,确保了数据的正确性;采集数据装置对推进器羽流进行连续测量,避免了测试过程中数据的离散化,同时提高了光谱测试过程中的时间分辨率,具有较高的空间分辨率以及较高的测量精度;采用循环神经网络来计算对应光谱分析中较复杂的离子占比分析,减少成本。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于神经网络的推进器推力波动在轨光学检测方法,其特征在于,包括:
采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置采集推进器羽流实时图像;
将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
将预先测得的响应时间间隔前后的卫星速度、推进剂质量流量以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力;
其中,所述发散角修正系数循环神经网络基于各价态离子的图像、离子原子密度比、二价和一价离子密度比以及羽流角的关系进行构建;
所述推力循环神经网络用于基于粒子密度比、在轨电压、在轨电流以及电压电流噪声特性得到未修正推力;
所述发散角修正系数循环神经网络基于如下步骤构建:
构建羽流角循环神经网络,用于描述所述原子光与各价离子光数据、各价态粒子密度比以及羽流发散角之间的关系,所述羽流发散角通过所述羽流实时图像得到;
基于所述羽流角循环神经网络,得到各价态粒子密度比,并基于所述各价态粒子密度比计算各价态粒子的推力;
构建各价态离子的电流、电压以及推力的关系,并基于所述各价态粒子的推力,构建发散角修正系数循环神经网络;
各价态离子电流、电压以及推力的关系表示如下:
;
其中,C为对应离子的离子质量,η为羽流发散角的修正系数,为各价态离子电流,U为各价态离子电压,/>为各价态离子推力;
所述羽流角循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为羽流角,/>为氙原子图像,/>为一价氙离子图像,/>为二价氙离子图像,net1表示羽流角循环神经网络;
所述羽流角循环神经网络基于碰撞截面、氙粒子质量和电子能量分布数据训练得到;
所述推力循环神经网络表示如下:
;
其中,为氙原子密度,/>为一价氙离子密度,/>为二价氙离子密度,/>为电压电流噪声特性,/>为在轨电压,/>为在轨电流,/>为未修正推力,net3为推力循环神经网络;
卫星入轨后,在测试阶段采集数据,可由下式构建所述天地修正循环神经网络:
;
;
其中,ΔP为响应时间间隔内的卫星动量差,Δt为响应时间间隔,β为天地修正系数,T 2(t)为t时刻测得的未修正推力,V(t)为卫星t时刻的速度,由GPS系统测量给出,net4为天地修正循环神经网络,为响应初始时刻,/>为t0+Δt时刻卫星质量,/>为t0+Δt时刻卫星速度,/>为t0时刻卫星质量,/>为t0时刻卫星速度;
m g(t)为t时刻的供给给推力器的推进剂质量流量,其与卫星质量m(t)间存在以下关系:
;
式中,m 0为卫星入轨时的初始质量。
2.根据权利要求1所述的方法,其特征在于,所述原子光与各价离子光数据通过在二维数据采集装置叠加滤光片采集;
所述推进器在轨工作过程中,使电压表和电流表空转,测得所述电压电流噪声特性。
3.一种应用于如权利要求1-2任一所述方法的基于神经网络的推进器推力波动在轨光学检测装置,其特征在于,包括:
采集模块,用于采集在地工作状态的推进器中的原子光与各价离子光数据,并采集基于推力架获得的推进器推力;采集在轨工作状态的推进器的在轨电压和在轨电流,并通过二维数据采集装置采集推进器羽流实时图像;
羽流修正模块,用于将所述原子光与各价离子光数据和所述基于推力架获得的推进器推力输入发散角修正系数循环神经网络,得到羽流发散角修正系数;
推力初步计算模块,用于根据所述羽流发散角修正系数构建推力循环神经网络,将预先测得的电压电流噪声特性和所述在轨电压和在轨电流输入所述推力循环神经网络,得到未修正推力;
推力修正模块,用于将预先测得的响应时间间隔前后的卫星速度、推进剂质量流量以及所述未修正推力输入天地修正循环神经网络,得到天地修正系数,并根据所述天地修正系数对所述未修正推力进行修正得到实时推力;
其中,所述发散角修正系数循环神经网络基于各价态离子的图像、离子原子密度比、二价和一价离子密度比以及羽流角的关系进行构建;
所述推力循环神经网络用于基于粒子密度比、在轨电压、在轨电流以及电压电流噪声特性得到未修正推力。
4.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-2任一所述的方法。
5.一种电子设备,包括处理器和存储装置,其特征在于,所述存储装置中存有多条指令,所述处理器用于读取所述存储装置中的多条指令并执行如权利要求1-2任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743364.4A CN117451238B (zh) | 2023-12-19 | 2023-12-19 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743364.4A CN117451238B (zh) | 2023-12-19 | 2023-12-19 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117451238A CN117451238A (zh) | 2024-01-26 |
CN117451238B true CN117451238B (zh) | 2024-04-09 |
Family
ID=89595157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743364.4A Active CN117451238B (zh) | 2023-12-19 | 2023-12-19 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117451238B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001041836A (ja) * | 1999-07-30 | 2001-02-16 | Mitsubishi Heavy Ind Ltd | 推力測定装置 |
JP2005114492A (ja) * | 2003-10-07 | 2005-04-28 | Ishikawajima Harima Heavy Ind Co Ltd | アクティブ制御パルス推力測定装置 |
DE102006007406B3 (de) * | 2006-02-17 | 2007-06-28 | Eads Space Transportation Gmbh | Schubmessbrücke und Verfahren zur messtechnischen Erfassung des Schubes von Triebwerken |
KR20100079806A (ko) * | 2008-12-31 | 2010-07-08 | 한국항공우주연구원 | 추력 측정 장치 및 방법 |
KR20140137124A (ko) * | 2013-05-22 | 2014-12-02 | (주)코어센스 | 전동 무인기의 추진부 특성 분석장치 |
CN104406761A (zh) * | 2014-10-25 | 2015-03-11 | 哈尔滨工业大学 | 霍尔推力器低频振荡时间尺度内羽流发散角测量方法 |
CN105574883A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种图像法评估霍尔推力器羽流发散角的方法 |
KR20170028659A (ko) * | 2015-09-04 | 2017-03-14 | 한국해양과학기술원 | 아지무스 추진기의 추진력 측정장치 및 이를 이용하여 추진력의 측정이 가능한 아지무스 추진기 |
CN106772543A (zh) * | 2016-12-07 | 2017-05-31 | 哈尔滨工业大学 | 霍尔推力器羽流发散角测量修正方法 |
CN110160688A (zh) * | 2019-05-23 | 2019-08-23 | 哈尔滨工业大学 | 一种测量在轨等离子体推力器的推力的方法及系统 |
CN113553752A (zh) * | 2021-07-23 | 2021-10-26 | 中国电子科技集团公司第十八研究所 | 一种电推进羽流对太阳电池阵影响的研究方法 |
CN114662417A (zh) * | 2022-03-02 | 2022-06-24 | 国科大杭州高等研究院 | 霍尔推力器推力密度分布计算方法 |
CN114674474A (zh) * | 2022-03-02 | 2022-06-28 | 国科大杭州高等研究院 | 霍尔推力器推力密度分布测量 |
CN115324772A (zh) * | 2022-07-28 | 2022-11-11 | 北京控制工程研究所 | 一种双组元推力器推进剂混合比预测方法 |
CN115640696A (zh) * | 2022-11-07 | 2023-01-24 | 哈尔滨工业大学 | 一种霍尔推力器总冲量余量的在轨预测方法及预测系统 |
CN115790932A (zh) * | 2022-11-07 | 2023-03-14 | 哈尔滨工业大学 | 一种等离子体霍尔效应推力器在轨推力计算方法及系统 |
CN116818261A (zh) * | 2023-06-28 | 2023-09-29 | 北京航空航天大学 | 一种电推力器滚转力矩的等离子体探针测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6777862B2 (en) * | 2000-04-14 | 2004-08-17 | General Plasma Technologies Llc | Segmented electrode hall thruster with reduced plume |
-
2023
- 2023-12-19 CN CN202311743364.4A patent/CN117451238B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001041836A (ja) * | 1999-07-30 | 2001-02-16 | Mitsubishi Heavy Ind Ltd | 推力測定装置 |
JP2005114492A (ja) * | 2003-10-07 | 2005-04-28 | Ishikawajima Harima Heavy Ind Co Ltd | アクティブ制御パルス推力測定装置 |
DE102006007406B3 (de) * | 2006-02-17 | 2007-06-28 | Eads Space Transportation Gmbh | Schubmessbrücke und Verfahren zur messtechnischen Erfassung des Schubes von Triebwerken |
KR20100079806A (ko) * | 2008-12-31 | 2010-07-08 | 한국항공우주연구원 | 추력 측정 장치 및 방법 |
KR20140137124A (ko) * | 2013-05-22 | 2014-12-02 | (주)코어센스 | 전동 무인기의 추진부 특성 분석장치 |
CN104406761A (zh) * | 2014-10-25 | 2015-03-11 | 哈尔滨工业大学 | 霍尔推力器低频振荡时间尺度内羽流发散角测量方法 |
KR20170028659A (ko) * | 2015-09-04 | 2017-03-14 | 한국해양과학기술원 | 아지무스 추진기의 추진력 측정장치 및 이를 이용하여 추진력의 측정이 가능한 아지무스 추진기 |
CN105574883A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种图像法评估霍尔推力器羽流发散角的方法 |
CN106772543A (zh) * | 2016-12-07 | 2017-05-31 | 哈尔滨工业大学 | 霍尔推力器羽流发散角测量修正方法 |
CN110160688A (zh) * | 2019-05-23 | 2019-08-23 | 哈尔滨工业大学 | 一种测量在轨等离子体推力器的推力的方法及系统 |
CN113553752A (zh) * | 2021-07-23 | 2021-10-26 | 中国电子科技集团公司第十八研究所 | 一种电推进羽流对太阳电池阵影响的研究方法 |
CN114662417A (zh) * | 2022-03-02 | 2022-06-24 | 国科大杭州高等研究院 | 霍尔推力器推力密度分布计算方法 |
CN114674474A (zh) * | 2022-03-02 | 2022-06-28 | 国科大杭州高等研究院 | 霍尔推力器推力密度分布测量 |
CN115324772A (zh) * | 2022-07-28 | 2022-11-11 | 北京控制工程研究所 | 一种双组元推力器推进剂混合比预测方法 |
CN115640696A (zh) * | 2022-11-07 | 2023-01-24 | 哈尔滨工业大学 | 一种霍尔推力器总冲量余量的在轨预测方法及预测系统 |
CN115790932A (zh) * | 2022-11-07 | 2023-03-14 | 哈尔滨工业大学 | 一种等离子体霍尔效应推力器在轨推力计算方法及系统 |
CN116818261A (zh) * | 2023-06-28 | 2023-09-29 | 北京航空航天大学 | 一种电推力器滚转力矩的等离子体探针测量方法 |
Non-Patent Citations (10)
Title |
---|
Calculation on 2 cm ECRIT Thrust Regulation Based on 3D PIC Numerical Simulation Method;Hu Zhan等;Journal of Northwestern Polytechnical University;20210430;全文 * |
Characterization of a Geostationary Satellite Thruster Plumes Using Response Surface Generation;Yeliz Saka等;2019 9th International Conference on Recent Advances in Space Technologies (RAST);20190722;全文 * |
Development of a circumferential-scanning tomography system for the measurement of 3-D plume distribution of the spacecraft plasma thrusters;Yan-Fei Wang等;Measurement;20230731;全文 * |
卫星姿态控制系统执行器的故障诊断方法研究;陈辛;魏炳翌;闻新;;航空兵器;20180515(第02期);全文 * |
基于数字孪生的航天电推进器优化设计方法;张文杰等;宇航学报;20220430;第43卷(第4期);全文 * |
基于神经网络的霍尔推力器信号处理研究;汪颖;中国优秀硕士学位论文全文数据库 工程科技II辑;20211231(第12期);C031-52 * |
应用图像法诊断霍尔推力器等离子体参数的实验研究;吕游;中国优秀硕士学位论文全文数据库 工程科技II辑;20210228(第2期);C031-404 * |
微推力ECR离子推力器中和器实验研究;孟海波;杨涓;朱康武;孙俊;黄益智;金逸舟;刘宪闯;;西北工业大学学报;20180215(第01期);全文 * |
氙离子推力器束流双荷离子特性及诊断;孔令轩;顾左;郭德洲;王蒙;郭宁;;航空动力学报;20170430;32(第04期);全文 * |
霍尔推力器在轨羽流图像诊断方法;胡俊锋;杨鑫勇;仲小清;黄涛;魏立秋;于达仁;;中国空间科学技术;20171025;37(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117451238A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ginet et al. | AE9, AP9 and SPM: New models for specifying the trapped energetic particle and space plasma environment | |
Houck et al. | The infrared spectrograph*(IRS) on the Spitzer space telescope | |
Migliaccio et al. | GOCE data analysis: the space-wise approach and the first space-wise gravity field model | |
Gourdji et al. | Regional-scale geostatistical inverse modeling of North American CO 2 fluxes: a synthetic data study | |
US8686721B2 (en) | Automated pre-processing of body-mounted magnetometer data from constellations of low earth orbit satellites for derivation of birkeland current signatures | |
Siemes et al. | Monitoring GOCE gradiometer calibration parameters using accelerometer and star sensor data: methodology and first results | |
Stummer et al. | Alternative method for angular rate determination within the GOCE gradiometer processing | |
US9733312B1 (en) | Methods for dynamic characterization of electrochemical systems | |
Fowler et al. | In‐situ measurements of ion density in the Martian ionosphere: Underlying structure and variability observed by the MAVEN‐STATIC instrument | |
Hanley et al. | In situ measurements of thermal ion temperature in the Martian ionosphere | |
CN117451238B (zh) | 基于神经网络的推进器推力波动在轨光学检测方法及装置 | |
Mascarich et al. | Autonomous distributed 3d radiation field estimation for nuclear environment characterization | |
CN112540367B (zh) | 空间目标雷达定轨实时识别方法、设备和存储介质 | |
Miladinovich et al. | Assimilation of thermospheric measurements for ionosphere-thermosphere state estimation | |
Wang et al. | X-ray pulsar/starlight Doppler deeply-integrated navigation method | |
Wright et al. | Charging of the international space station as observed by the floating potential measurement unit: Initial results | |
Fraunberger et al. | Auroral ionospheric plasma flow extraction using subsonic retarding potential analyzers | |
Cherrier et al. | Forecasting ionospheric Total Electron Content maps with deep neural networks | |
Shen et al. | Measurements of the net charge density of space plasmas | |
Shprits et al. | Data assimilation in the near-earth electron radiation environment | |
Butala et al. | Dynamic tomographic imaging of the solar corona | |
Viereck et al. | Space Weather, 2 | |
Ranvier et al. | Laboratory measurements of the performances of the Sweeping Langmuir Probe instrument aboard the PICASSO CubeSat | |
Coffey et al. | Validation of the plasma densities and temperatures from the ISS floating potential measurement unit | |
Viñas et al. | Spherical harmonic analysis of particle velocity distribution function: Comparison of moments and anisotropies using Cluster data |
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 |