基于势函数法的航天器自主姿态机动控制

主要研究存在禁止姿态的航天器自主姿态机动控制问题.首先,给出航天器的动力学和运动学模型,利用四元数描述航天器与机动姿态和禁止姿态的姿态偏差,用相应的欧拉转角描述不同姿态间的距离.为利用势函数完成禁止姿态回避,结合航天器的运动情况设计排斥势函数(RPF)存在条件后,根据禁止姿态最小允许夹角构造一种新的排斥势函数.接着,利...     

基于神经网络的飞行器再入制导研究

论述了神经网络理论在飞行器再入制导方面的应用.在分析各方法优缺点的基础上,提出了一种基于广义同归神经网络(GRNN)模型的再入制导方法.神经网络通过一组选定的轨迹样本进行有导师训练,训练好之后作为控制指令生成器,输入为再入过程中飞行器的状态参数,输出为倾侧角控制量,迎角控制量则由迎角剖面给定.仿真结果验证了该方法在再入...     

基于二叉树支持向量机的装备故障诊断研究

本文提出了一种基于二叉树支持向量机的某型装备故障诊断方法,应用该方法构造了多故障分类器,并通过某型装备故障实例验证了该方法故障诊断结果的正确性,证明了该故障诊断方法具有良好的鲁棒性和推广性。     

基于YOLO智能网络的红外弱小多目标检测技术

复杂背景下的红外弱小多目标检测是红外目标检测的难点,现有算法的稳健性难以满足实际弹载应用需求。针对弹载环境下的红外场景图像开展了基于典型深度学习网络模型的目标检测应用研究,提出一种基于YOLO(you only look once)网络的智能目标检测方法,通过高维特征学习表征和推理实现红外弱小多目标检测。采用传统的模板匹配算法和YOLO深度学习算法进行识别性能对比分析,验证了YOLO网络在红外弱小多目标检测方面的良好性能。实验结果表明:YOLO算法的检测概率可达92.2%,平均检测精度为0.844,与传统的模板匹配方法相比,YOLO具有明显的优势。     

再入飞行器自适应最优姿态控制

针对再入飞行器姿态控制问题,应用自适应动态规划（ADP）理论设计了姿态控制器。将再入飞行器的姿态控制建模为非线性系统的最优控制问题,提出单网络积分型强化学习（SNIRL）算法进行求解,该算法简化了积分型强化学习（IRL）算法在迭代计算中的执行-评价双网络结构,只需要采用评价网络估计值函数就可以求得最优控制律,其收敛性得到了理论证明。基于SNIRL算法设计了自适应最优控制器,并证明了闭环系统的稳定性。通过数值仿真校验了SNIRL算法比IRL算法计算效率更高,收敛速度更快,并校验了自适应最优姿态控制器的有效性 。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点,借助深度学习在多参数寻优上的优势,提出了一种基于卷积神经网络的模型预测控制算法,满足航天工程低硬件需求,实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态,然后将控制过程中状态量用于3层3核卷积神经网络的训练,训练完成后,用该卷积神经网络代替模型预测对组合航天器进行控制,从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数,相比传统模型预测算法所需硬件计算时间降低约5倍,在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制,控制精度在10 -4 量级。     

基于EM‑EKF的深空光学自主导航系统光轴偏差补偿算法

在深空探测任务中,光学自主导航的精度受导航敏感器件安装精度的影响较大。提出了一种基于期望最大化-扩展卡尔曼滤波(EM-EKF)的光学自主导航系统光轴偏差补偿算法。算法基于条件概率的思想,预先设定状态变量和观测量的统计特性参数,通过不断地最大化条件期望,得到出现概率最大的状态变量估值和光轴偏差参数估值。该算法可分为4步:EKF、固定区间平滑、求解条件期望和期望最大化,不断迭代即可得到光轴偏差估计值。以火星探测近火段为例进行仿真验证,经光轴偏差补偿后,导航精度由100 km提升至20 km以内。     

基于器间测量的火星进入过程实时高精度导航

精确着陆于火星特定目标区域是未来火星着陆探测的关键技术。面向火星精确着陆需求,研究火星进入过程中基于器间测量的实时高精度导航方法具有重要意义。该方法利用火星已有的环绕探测器,在着陆器接近进入过程中,通过无线电链路获得量测信息,结合器上滤波算法实时估计着陆器的位置与速度状态。仿真结果显示该导航方法可有效提高进入过程中的导航精度。     

面向任务的小卫星自主指令设计

为了提高卫星的安全性、可靠性和可用性,在分析小卫星遥控指令特点的基础上,提出了面向任务的小卫星自主指令设计,把以往多条独立的间接指令组成封装系列指令,星上可以自动判断指令的执行条件,发现指令执行异常时进行处理,从而简化了卫星遥控操作。封装系列指令可以由程控指令以及星上自主产生的事件启动,文章所设计的自主指令已在多颗小卫星上成功应用。     

航天器轨道追逃博弈多阶段强化学习训练方法

针对航天器轨道追逃博弈问题,提出一种多阶段学习训练赋能方法,使得追踪星在终端时刻抵近逃逸星的特定区域,而逃逸星需要通过轨道机动规避追踪星。首先,构建两星的训练策略集,基于逻辑规则设计追踪星和逃逸星的机动策略,通过实时预测对方的终端位置,设计己方的期望位置和脉冲策略,显式给出追逃策略的解析表达式,用于训练赋能;其次,为提升航天器的训练赋能效率及应对未知环境的博弈能力,提出一种基于强化学习技术多模式、分阶段的学习训练方法,先使追踪星和逃逸星分别应对上述逻辑规则引导下的逃逸星和追踪星,完成预训练;再次,开展二次训练,两星都采用邻近策略优化(PPO)策略进行追逃博弈,在博弈中不断调整网络权值,提升决策能力;最后,在仿真环境中验证提出的训练方法的有效性,经过二次训练后,追踪星和逃逸星可有效应对不同策略驱动下的对手,提升追逃成功率。