航天飞行器轨迹异常算法研究
时间：2020-12-14 12:04:03 来源：雅意学习网 本文已影响 人 
摘要：针对目前实际遇到的关于对航天飞行器的轨异常的问题迹进行数学建模，BP神经网络由于具有良好的非线性，灵活度高，在预测控制研究上有着极大地运用。将BP神经网络应用于航天飞行器轨迹异常的问题当中，通过仿真模型的建立加之仿真实验的验证结果，表明了BP神经网络算法可有效应用于航天飞行器轨迹异常分析中。
关键词：航天飞行器；BP神经网络；建模；仿真
中图分类号：TD528 文献标识码：A 文章编号：1007-9416（2018）09-0094-02
航天飞行器在太空飞行时，其在以规划好的轨道上进行运行。但是，由于太空环境的复杂性，对航天器的运行控制有较大的影响。航天飞行器如果不在预定的轨道上进行飞行，会导致严重的后果，即航天器与其他物体发生碰撞，导致航天器的损毁。由于航天器的造价较为昂贵。一旦损毁，会带来较为巨大的经济损失。因此，对航天器轨迹异常进行研究具有十分重要意义。
1 航天飞行器的在轨控制
航天飞行在轨控制通常是通过一系列特殊的时序序列进行远程控制的。通过地面跟踪测量站的跟踪观测，航天器的飞行信息与陆地指挥中心的事实控制信息，得以顺利传输。航天飞行器是内部囊括了众多高精密仪器以及各类的仪器仪表。而太空环境的恶劣，对航天器携带的各类仪表会是较为严峻的考验。因此，航天飞行器太空轨迹异常问题的研究是一项复杂而又艰巨的任务[1]。
传统的时序序列进行分析时，一般假设该时序序列是分布均匀的。这里在进行计算时，采用单位根检验。计算过程如公式1、2、3所示。
在进行如上式的计算时，运用假设检验的思想，其核心判据是，假如至少存在一个单位根的情况下，时序序列不平稳。若不存在单位根，则序列平稳。
对于航空时序序列而言，经过大量的计算研究表明，该时序序列存在单位根的情况。因此，传统的时序序列研究方法无法应用于航空时序序列的应用研究中。而本文所使用的BP神经网络预测方法，可适用于此类非平稳信号，并能取得较好地预测成果。
2 人工神经网路的应用
2.1 人工神经网络算法简述
人工智能发展的方兴未艾，其与各个学科的相互融合，促进了各个学科的长足发展。下图1为人工神经网络结构示意图。如图1所示，该结构包括输入层、隐藏层、输出层三个层级。其中，输入层和输出层只含有一个，隐藏层的数量视具体推理复杂程度而定，至少为一个。可实现从输入到输出的任意非线性映射。具有灵活程度高，逼近能力强，进而将复杂问题简单化。因此，该优点有效地拓宽了该算法在实际应用的范围[2]。
2.2 航天飞行器轨迹时序控制序列的神经网络设计
将从测控站传输的接收的时实获取得到的航天飞行器的速度值、航向值、高度值（）和相对应的轨道偏移度作为新建神经网络的数据样本：
2.3 神经网络设计
2.3.1 样本数据的处理
在进行实际操作时，采集到的数据不在统一个范围内，在进行神经网络计算推理得出预测的时序序列值的准确性造成影响。因此，采用归一化的思想将各个变量，划归至区间范围内，归一化的计算公式如公式4所示。
（4）
式中，为归一化后的变量，为输入输出向量，、分别是的最小、最大值。
2.3.2 隐层神经元数选取
确定了输入层与输出层的个数之后，对隐层神经元的数量进行确立。通过经验表明，隐层神经元个数越多，计算程度越复杂。隐层个数太少，又不足以实现预设问题的功能。因此，合理选取隐层神经元的个数至关重要。选取神经元的个数方法可使用公式5进行确定。
（5）
式中，代表隐含层神经元个数，代表输入层个数，代表输出层神经元数，为1～5介于之间的常数。
在航天飞行器时序序列轨迹异常预测分析时，输入层个数为3个，输出层个数为1个，选取为3，最终可知选取的隐层神经元个数为5个。
2.3.3 权值训练过程的选取
BP神经网络在初始化时，会自动生成权值。在进行权值训练时，训练的样本越多，所最终得到的权值也就越准确。权值的选取依赖于训练样本的容量。將采集到的航天飞行数据进行归一化处理后吗，进行权值训练，得到权值的最终值[3]。
3 仿真研究
本实验选取2017年连续六个月采集得到的数据。在数据采样时，每五分钟采集一次数据。选取具有代表特征的3456组数据作为测试数据进行对比分析。图2所示为选取的3456组数据的偏移度值进行归一化后所得数据示意图。其中实线部分代表正常偏移度值，带有三角的实线代表异常偏移度值。
从图2中可以看出，飞行器的在轨的偏移度值合理区间范围在[0.2，0.4]的区间内。超出区间范围的偏移度值视为异常状态。图3所示为测试数据预测值与实际值对比分析图。
由图3所示，含有圆圈的实线代表表偏移值的真实值，含有三角的部分表偏移值的预测值。由于两条曲线重叠度高，从预测值可以很好地看出，BP神经网络在对航天飞行器轨迹偏移度进行预测时，有良好的效果。
4 结语
本文以实际的航天飞行器轨迹异常为研究对象，搭建了基于BP神经网络的数学模型。在数学模型建立完毕之后，利用BP神经网络对飞行器运行时的参数组成的数据集进行了样本归一化，隐含层以及权值的确定。最后利用测试数据进行了测试。最终的仿真结果表明，该算法对航天飞行器轨迹异常进行预测控制的有效性。
参考文献
[1]朱鲁青，张鑫伟.国外中小型航天器技术发展研究[J].国际太空，2010，（9）：1-9.
[2]朱辉.航天器故障诊断、预测与健康管理探讨[J].质量与可靠性，2013，（2）：15-19.
[3]胡波.基于粗糙集理论与BP神经网络结合的火电厂风机故障诊断研究[D].太原理工大学，2008.
