融合载体动力学特征的智能多源自主导航方法研究

多源自主导航系统技术是新一代国家综合定位、导航与授时(PNT)体系下终端用户的重要技术发展方向。面向新一代健壮性综合PNT体系跨场景的导航任务,多源自主导航系统面临着智能化的迫切需求。针对复杂导航行为决策可信性问题,提出了融合载体动力学特征的智能多源自主导航基本概念,归纳了其实践中面临的主要科学问题,系统阐述了深度融合载体动力学特征与人工智能方法的多源自主导航理论框架与方法内涵,为智能多源自主导航系统的理论、方法及应用提供支撑。

基于SCSO-BP神经网络的卫星姿态控制系统故障预测

近年来,随着人工智能的迅速发展,基于人工神经网络的卫星姿态控制系统故障预测方法得到了越来越多的重视。在反向传播(Back Propagation,BP)神经网络中,权重和偏置是重要的可调节参数,与神经网络的预测性能密切相关。BP神经网络的初始权重和偏置为随机生成,设置不当容易导致网络在训练过程中陷入局部极值,进而影响预测性能。为了提高BP神经网络的预测性能,提出了一种将沙猫群优化(Sand Cat Swarm Optimization,SCSO)算法与BP神经网络相结合的预测方法。在训练过程中,首先通过SCSO算法对BP神经网络权重和偏置进行预训练,在此基础上,利用精调后的BP神经网络对卫星姿态控制系统周期渐变故障数据的未来趋势进行预测。实验结果表明,与原始BP神经网络预测方法相比,SCSO-BP预测方法能够有效减小预测误差,具有更好的预测精度。

组合体航天器角速度信号深度学习降噪方法

服务航天器与非合作目标构成组合体航天器后,实际测量的角速度信号往往掺杂了较大噪声,这会严重影响后续控制的精度,但由于非合作目标惯性张量未知,导致无法根据模型信息对其有效降噪.针对上述问题,本文基于深度学习方法提出一种无需预先构建模型、完全由数据驱动的组合体航天器角速度信号降噪方法.首先给出采用深度学习方法对角速度进行降噪所需训练数据的生成过程;然后构建组合体航天器角速度信号降噪的深度网络模型,并提出该模型的优化方法和参数初始化方法;最后用测试数据对本文方法和小波降噪方法的降噪效果进行了比较,结果表明本文方法与小波降噪方法相比具有更好的降噪性能.

主控格栅反射器基体结构/压电作动器参数集成优化设计

为提高反射器形面控制能力和减小在轨热变形,本文以锆钛酸铅压电陶瓷(PZT)驱动的主控格栅反射器为研究对象,开展反射器基体结构和PZT压电作动器参数的集成优化设计研究。首先,建立主控格栅反射器有限元模型并通过实验验证了有限元模型的正确性。然后,以形面控制能力最大和热变形最小为目标函数,以设计变量上限、下限和结构基频为约束,采用遗传算法(GA)和非支配排序遗传算法(NSGA-II)求解。最后,给出多个仿真算例的优化结果。仿真结果表明,控制能力最大的单目标优化,其热变形远大于控制能力,多目标的帕累托(Pareto)最优前沿可以给出更合理的设计方案。通过优化设计可以显著提高形面控制能力和减小热变形。

基于LSTM的空间机器人系统惯性张量在轨辨识

在空间机器人抓捕目标的过程中,整个系统的惯性张量会随时间变化且在目标被捕获瞬间发生突变,这会严重影响整体姿态控制的精度。针对以上问题,提出了一种基于长短期记忆(LSTM)的系统惯性张量在轨实时辨识方法。首先,对于目标捕获前后的2个阶段,利用拉格朗日方程建立了空间机器人的动力学模型;然后,基于所建空间机器人模型采用域随机化方法生成足量训练数据,并用其对由LSTM网络与多层全连接网络构建的参数辨识网络进行训练;最后,使用训练好的参数辨识网络对系统惯性张量进行辨识。数值仿真结果表明:所提方法能够精确辨识空间机器人抓捕过程中的系统惯性张量,所研究系统的主惯量平均相对辨识误差小于0.001,惯性积的平均相对辨识误差小于0.01。