【技術實現步驟摘要】
本專利技術涉及航天航空，具體為基于算法模型的航天器在軌運行狀態評估方法。
技術介紹
1、航天器的出現使人類的活動范圍從地球大氣層擴大到廣闊無垠的宇宙空間，引起了人類認識自然和改造自然能力的飛躍，對社會經濟和社會生活產生了重大影響。
2、航天器在地球大氣層以外運行，擺脫了大氣層阻礙，可以接收到來自宇宙天體的全部電磁輻射信息，開辟了全波段天文觀測；航天器從近地空間飛行到行星際空間飛行，實現了對空間環境的直接探測以及對月球和太陽系大行星的逼近觀測和直接取樣觀測；環繞地球運行的航天器從幾百千米到數萬千米的距離觀測地球，迅速而大量地收集有關地球大氣、海洋和陸地的各種各樣的電磁輻射信息，直接服務于氣象觀測、軍事偵察和資源考察等方面；人造地球衛星作為空間無線電中繼站，實現了全球衛星通信和廣播，而作為空間基準點，可以進行全球衛星導航和大地測量；利用空間高真空、強輻射和失重等特殊環境，可以在航天器上進行各種重要的科學實驗研究。
3、然而傳統的航天器運行狀態評估方法在模擬航天器的軌跡和狀態演化時，通常采用線性模型，雖然數學簡化使得問題更易于分析和求解，但是面對航天器的軌跡和狀態演化，線性模型無法準確捕捉這些非線性系統的復雜性，導致狀態估計不夠準確，同時也限制了風險分析的全面性，因此亟需一種多參數數據融合的基于算法模型的航天器在軌運行狀態評估方法來解決此類問題。
技術實現思路
1、針對現有技術的不足，本專利技術提供了基于算法模型的航天器在軌運行狀態評估方法，解決現有技術中存在的面
2、為實現以上目的，本專利技術通過以下技術方案予以實現，本專利技術提供了基于算法模型的航天器在軌運行狀態評估方法，包括：
3、步驟1.航天器數據處理，基于航天器傳感器和衛星數據源獲取多源數據，包括gps數據、星敏感數據、磁強計數據以及光譜數據，并對多源數據進行數據注冊、坐標轉換、噪聲過濾和數據插值；
4、步驟2.多源數據整合，采用神經網絡模型以及多模態數據融合法將來自不同數據源的信息整合到統一的狀態估計框架，包括gps數據、星敏感數據、磁強計數據以及光譜數據多模態數據的融合；
5、步驟3.航天器軌道狀態演化模擬，基于非線性動力學模型，基于航天器的多自由度運動、燃料消耗、大氣摩擦和非球面引力因素，模擬航天器的軌道和狀態演化；
6、步驟4.非線性模擬擾動平衡，采用鏈蒙特卡洛mcmc進行參數不確定性分析，捕捉非線性系統的參數不確定性、初值不確定性和外部擾動，生成狀態樣本；
7、步驟5.狀態估計，基于步驟4的蒙特卡洛模擬結果和實際觀測數據，采用擴展卡爾曼濾波進行狀態估計；
8、步驟6.狀態異常風險警告，采用深度異常檢測和自動編碼器，進行風險分析，檢測異常情況，識別潛在問題并提供預警。
9、本專利技術進一步地設置為：所述步驟2中，將多源數據整合到統一的狀態估計框架方法包括：
10、構建神經網絡模型，將不同數據源的信息輸入到網絡中，訓練網絡學習如何融合數據；
11、輸出融合后的數據，包含來自不同數據源的信息的整合；
12、本專利技術進一步地設置為：所述步驟2中，構建神經網絡模型方法具體為：
13、選用卷積神經網絡cnn和循環神經網絡rnn構建神經網絡模型；
14、對來自不同數據源的信息進行預處理，并將來自不同數據源的信息編碼成輸入特征向量；
15、使用激活函數引入非線性性；
16、通過加權融合添加數據融合層，將不同數據源的信息合并在一起；
17、定義損失函數，量化神經網絡輸出與真實狀態之間的差距，具體的：
18、，
19、其中n表示樣本數量，表示第i個樣本的真實狀態值，則為神經網絡模型的預測值；
20、通過反向傳播算法更新神經網絡的權重和偏差；
21、重復迭代訓練神經網絡，直到損失函數達到滿意的水平，融合結果輸出；
22、本專利技術進一步地設置為：所述步驟2中，所采用的非線性性的激活函數為relu函數，具體為：
23、，
24、其中x表示輸入，則為輸出；
25、在神經網絡的隱藏層中使用relu激活函數學習非線性關系；
26、本專利技術進一步地設置為：所述步驟3中，建立非線性動力學模型步驟包括：
27、采用笛卡爾坐標系（x、y、z）定義航天器在三維空間中的位置和速度；
28、建立航天器的動力學方程，定義航天器在時間上的演化，包括質點的質量、加速度和外部力的影響，具體為：
29、，
30、其中m表示質點的質量，r表示質點的位置矢量，則表示質點的加速度，表示外部力，包括大氣摩擦和非球面引力，用于表示推進器推動力；
31、燃料消耗對質點質量變化造成的影響表示為：
32、，
33、其中則表示質量流率，dm和dt分別表示質量和時間的微分變化；
34、將推進器的推力與質量流率相關聯，具體為：
35、，
36、其中表示航天器的排氣速度；
37、本專利技術進一步地設置為：所述步驟3中，建立非線性動力學模型步驟還包括：
38、基于大氣摩擦對航天器的影響，采用大氣密度計算大氣摩擦力，具體為：
39、，
40、其中表示大氣密度，為航天器最大截面積，表示大氣阻力系數，v為是航天器的速度矢量，表示速度矢量的大小，即標量速度值，表示大氣摩擦力；
41、利用數值積分對動力學方程進行離散化，將各動力學影響整合到離散時間步驟；
42、重復迭代求解動力學方程，模擬航天器在時間上的軌跡和狀態演化；
43、本專利技術進一步地設置為：所述步驟4中，采用鏈蒙特卡洛mcmc處理非線性系統的參數不確定性方法為：
44、設當前非線性系統，需要確定參數值；
45、a.首先初始化mcmc鏈，從參數分布中抽樣得到起始參數值l并選擇；
46、b.然后采用隨機游走metropolishastings算法從參數分布中抽樣候選參數值；
47、c.使用當前的參數值執行非線性系統的模擬；
48、d.計算在給定參數值下觀測數據的似然度，基于似然度和先驗概率，決定是否接受新的參數值l；
49、e.如果新的參數值l被接受，將其添加到mcmc鏈中，否則保持原始值；
50、重復步驟b到步驟e，直到mcmc鏈收斂；
51、本專利技術進一步地設置為：所述步驟5中，進行狀態估計步驟包括：
52、初始狀態向量為狀態的估計值，使用系統動力學模型預測當前時刻的狀態估計，非線性狀態方程為：
53、，
54、其中表示當前時刻的狀態向量，表示上一時刻狀態向量，為本文檔來自技高網...
【技術保護點】
1.基于算法模型的航天器在軌運行狀態評估方法，其特征在于，包括：
2.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，將多源數據整合到統一的狀態估計框架方法包括：
3.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，構建神經網絡模型方法具體為：
4.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，所采用的非線性性的激活函數為ReLU函數，具體為：
5.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟3中，建立非線性動力學模型步驟包括：
6.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟3中，建立非線性動力學模型步驟還包括：
7.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟4中，采用鏈蒙特卡洛MCMC處理非線性系統的參數不確定性方法為：
8.根據權利要求1所述的基于算法模型的
9.一種終端設備，其特征在于，該設備包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的基于算法模型的航天器在軌運行狀態評估方法的控制程序，所述基于算法模型的航天器在軌運行狀態評估方法的控制程序被處理器執行時實現如權利要求1-8中任一項所述的基于算法模型的航天器在軌運行狀態評估方法。
10.一種存儲介質，其特征在于，該介質應用于計算機，所述存儲介質上存儲有基于算法模型的航天器在軌運行狀態評估方法的控制程序，所述基于算法模型的航天器在軌運行狀態評估方法的控制程序被處理器執行時實現如權利要求1-8中任一項所述的基于算法模型的航天器在軌運行狀態評估方法。
...【技術特征摘要】
1.基于算法模型的航天器在軌運行狀態評估方法，其特征在于，包括：
2.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，將多源數據整合到統一的狀態估計框架方法包括：
3.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，構建神經網絡模型方法具體為：
4.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟2中，所采用的非線性性的激活函數為relu函數，具體為：
5.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟3中，建立非線性動力學模型步驟包括：
6.根據權利要求1所述的基于算法模型的航天器在軌運行狀態評估方法，其特征在于，所述步驟3中，建立非線性動力學模型步驟還包括：
7.根據權利要求1所述的基于算法模型...
【專利技術屬性】
技術研發人員：李達，王碩，寧德正，亢瑞晟，
申請(專利權)人：北京開運聯合信息技術集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。