基于高斯伪谱法的化-电混合推进系统转移轨道优化设计

提出利用化-电混合模式推进系统完成地球同步卫星轨道转移任务,该推进系统极具应用前景,能够满足高有效载荷率、高入轨精度的工程实践需求。并针对基于该混合模式推进系统的转移轨道的优化方法展开研究,提出一种多阶段最优控制问题（OCP）的高斯伪谱法求解方法。该方法通过分段点的关联设置,将多个经高斯伪谱法转化而来的非线性规划问题转化为一个连贯的非线性规划问题(NLP)。两个不同算例的仿真过程与分析结果表明,该方法能够有效地解决多阶段非光滑连接轨道的优化问题,具有运算效率高、收敛性半径大、求解精度高等优点,可便捷地处理化 电混合模式推进系统的转移轨道优化设计问题。     

基于蝙蝠飞行的仿生智能卫星编队管理策略

摘要： 卫星编队构型的保持对编队任务实施至关重要，针对高精度卫星编队控制策略复杂不易于实现的问题，提出了一种基于蝙蝠飞行的仿生智能编队管理策略.首先分析了编队动力学和图论理论，总结自然界中蝙蝠群体的行为规律，给出了蝙蝠飞行数学模型，以此设计了编队虚拟中心用于衡量卫星编队整体效益和局部效益，进而给出了仿生编队管理策略，算法清晰实用.最后，应用卫星编队算法对对卫星编队构型进行控制仿真验证，实现了高精度、低能耗的稳定控制.     

基于卫星编队的空间碎片视觉高精度导航方法

视觉方法被广泛应用于空间碎片这类和卫星之间没有任何通信的非合作目标导航。针对观测过程中视觉传感器的像差偏差引起位置不确定的问题,提出了利用卫星编队的立体视觉导航方法。首先,利用卫星编队构造了长基线的视觉传感器,通过Fisher矩阵对系统的可观测性进行了分析,验证了系统是可观的;其次,对视觉传感器进行了误差分析,通过安排最优视差角,使多颗卫星的观测信息融合达到最优;最后,应用卫星编队的视觉导航方法对空间碎片进行了导航仿真验证。结果表明,基于卫星编队的视觉导航方法可以显著减小观测误差,精度能达到01m量级,而且编队构形简单,易于工程实现。     

固体微推力器阵列的推力估计与分配补偿方法

针对固体微推力器阵列(SPMA)中微推力器一次性点火，推力测试中难以获得精确推力的特点，为实现推力在线估计和实时补偿，提出一种利用二次规划对微推力器阵列推力进行估计，同时结合混合整数规划算法进行推力分配的方法，对估计算法收敛性以及控制系统稳定性进行了分析。该方法在不修改控制律的前提下，对推力器推力进行在线估计，并采用推力分配的方法实时补偿推力器出现的推力偏差，对系统稳定性的分析证明该方法可以保证系统的有界稳定。将其应用到微纳卫星编队保持中，仿真结果表明，在微推力器阵列出现推力偏差的情况下，该方法能很好地补偿推力偏差对控制系统造成的影响。     

一种航天器星光折射连续导航方法

针对星光折射航天器自主导航应用中观测缺失导航折射星造成误差上升甚至导航发散的情况，提出一种适用于航天器星光折射导航空白段的新方法。阐述了星光折射导航机理，给出了导航星观测窗口，进而设计基于神经网络的导航算法，该方法充分利用已有信息，有效预测并修正航天器状态信息，使星光空白段前后导航误差变化平稳，发挥星光折射间接敏感地平精度高的特点，保证了航天器高精度定位，且不需要添加硬件设备，算法简洁、实用。最后，通过计算机仿真校验了该导航方法的有效性。     

微小卫星轨道保持的混合切换控制方法

固体微推力器阵列作为一种新型推力装置用于微小卫星轨道保持具有精度高、无燃料泄漏、冲量可调等优点,但是微推力器推力不连续的特点,使得控制系统设计时与以往的连续系统有所不同。为了充分发挥微推力器高精度的特性,采用基于混合系统的切换控制思想,建立了微推力器混合切换系统控制模型。首先,根据固体微推力器的推力特点推导了卫星离散动力学模型;其次,以李雅普诺夫稳定性定律为基础,设计了混合系统脉冲切换控制律;最后,针对小卫星轨道控制进行了仿真验证。结果表明,基于混合系统建立的控制模型能准确反映微推力器的特点,轨道保持精度能达到0.2m,而且推力器消耗量满足卫星长时间在轨运行要求。     

一种利用地球敏感器的星光导航方法

针对直接敏感地平的红外地平仪-星光导航系统精度低的问题,提出通过建立扁率误差补偿函数,研究扁率引起的姿态角测量误差;建立地心矢量的姿态角误差模型,通过修正地球扁率误差来补偿姿态角,对卫星施加姿态偏转指令调整地心矢量偏移。同时基于SODERN地球红外辐射模型,考虑红外辐射强度随纬度和季节的变化建立真实红外辐射曲线,通过滤波算法获得精确的地球切线边缘的量测信息,提高红外地平仪测量精度。仿真结果表明,该方法有效提高了基于红外地平仪的星光导航定位方法的可靠性和精度,导航位置误差能达到500m左右,较原有系统提高3倍以上。     

基于ADDPG策略的超立方体卫星编队控制

针对大规模卫星高精度编队控制问题，提出了一种基于吸引法则的深度确定性策略梯度控制方法(attraction-based deep deterministic policy gradient, ADDPG)。首先阐述了超立方体拓扑编队拓扑构型特性，建立了卫星编队动力学模型，设计了超立方体卫星编队虚拟中心用于衡量编队整体飞行状态。为解决无模型深度强化学习的探索和扩展平衡问题，设计了ε-imitation动作选择策略方法，最终提出了基于ADDPG的卫星编队控制策略。算法不依赖于环境模型，通过充分利用已有信息，可以降低学习模型初期探索过程中的盲目试错。仿真结果表明ADDPG策略以较少的能量消耗达到更高的精度，相比知名算法在加快编队收敛速度的同时，误差减少5%以上，能量消耗减少7%以上，验证了算法的有效性。