航天飛行器軌跡異常算法研究

楊永忠　崔興強

摘要：針對目前實際遇到的關于對航天飛行器的軌異常的問題跡進行數學建模，BP神經網絡由于具有良好的非線性，靈活度高，在預測控制研究上有著極大地運用。將BP神經網絡應用于航天飛行器軌跡異常的問題當中，通過仿真模型的建立加之仿真實驗的驗證結果，表明了BP神經網絡算法可有效應用于航天飛行器軌跡異常分析中。

關鍵詞：航天飛行器；BP神經網絡；建模；仿真

中圖分類號：TD528 文獻標識碼：A 文章編號：1007-9416（2018）09-0094-02

航天飛行器在太空飛行時，其在以規劃好的軌道上進行運行。但是，由于太空環境的復雜性，對航天器的運行控制有較大的影響。航天飛行器如果不在預定的軌道上進行飛行，會導致嚴重的后果，即航天器與其他物體發生碰撞，導致航天器的損毀。由于航天器的造價較為昂貴。一旦損毀，會帶來較為巨大的經濟損失。因此，對航天器軌跡異常進行研究具有十分重要意義。

1 航天飛行器的在軌控制

航天飛行在軌控制通常是通過一系列特殊的時序序列進行遠程控制的。通過地面跟蹤測量站的跟蹤觀測，航天器的飛行信息與陸地指揮中心的事實控制信息，得以順利傳輸。航天飛行器是內部囊括了眾多高精密儀器以及各類的儀器儀表。而太空環境的惡劣，對航天器攜帶的各類儀表會是較為嚴峻的考驗。因此，航天飛行器太空軌跡異常問題的研究是一項復雜而又艱巨的任務[1]。

傳統的時序序列進行分析時，一般假設該時序序列是分布均勻的。這里在進行計算時，采用單位根檢驗。計算過程如公式1、2、3所示。

在進行如上式的計算時，運用假設檢驗的思想，其核心判據是，假如至少存在一個單位根的情況下，時序序列不平穩。若不存在單位根，則序列平穩。

對于航空時序序列而言，經過大量的計算研究表明，該時序序列存在單位根的情況。因此，傳統的時序序列研究方法無法應用于航空時序序列的應用研究中。而本文所使用的BP神經網絡預測方法，可適用于此類非平穩信號，并能取得較好地預測成果。

2 人工神經網路的應用

2.1 人工神經網絡算法簡述

人工智能發展的方興未艾，其與各個學科的相互融合，促進了各個學科的長足發展。下圖1為人工神經網絡結構示意圖。如圖1所示，該結構包括輸入層、隱藏層、輸出層三個層級。其中，輸入層和輸出層只含有一個，隱藏層的數量視具體推理復雜程度而定，至少為一個。可實現從輸入到輸出的任意非線性映射。具有靈活程度高，逼近能力強，進而將復雜問題簡單化。因此，該優點有效地拓寬了該算法在實際應用的范圍[2]。

2.2 航天飛行器軌跡時序控制序列的神經網絡設計

將從測控站傳輸的接收的時實獲取得到的航天飛行器的速度值、航向值、高度值（）和相對應的軌道偏移度作為新建神經網絡的數據樣本：

2.3 神經網絡設計

2.3.1 樣本數據的處理

在進行實際操作時，采集到的數據不在統一個范圍內，在進行神經網絡計算推理得出預測的時序序列值的準確性造成影響。因此，采用歸一化的思想將各個變量，劃歸至區間范圍內，歸一化的計算公式如公式4所示。

（4）

式中，為歸一化后的變量，為輸入輸出向量，、分別是的最小、最大值。

2.3.2 隱層神經元數選取

確定了輸入層與輸出層的個數之后，對隱層神經元的數量進行確立。通過經驗表明，隱層神經元個數越多，計算程度越復雜。隱層個數太少，又不足以實現預設問題的功能。因此，合理選取隱層神經元的個數至關重要。選取神經元的個數方法可使用公式5進行確定。

（5）

式中，代表隱含層神經元個數，代表輸入層個數，代表輸出層神經元數，為1～5介于之間的常數。

在航天飛行器時序序列軌跡異常預測分析時，輸入層個數為3個，輸出層個數為1個，選取為3，最終可知選取的隱層神經元個數為5個。

2.3.3 權值訓練過程的選取

BP神經網絡在初始化時，會自動生成權值。在進行權值訓練時，訓練的樣本越多，所最終得到的權值也就越準確。權值的選取依賴于訓練樣本的容量。將采集到的航天飛行數據進行歸一化處理后嗎，進行權值訓練，得到權值的最終值[3]。

3 仿真研究

本實驗選取2017年連續六個月采集得到的數據。在數據采樣時，每五分鐘采集一次數據。選取具有代表特征的3456組數據作為測試數據進行對比分析。圖2所示為選取的3456組數據的偏移度值進行歸一化后所得數據示意圖。其中實線部分代表正常偏移度值，帶有三角的實線代表異常偏移度值。

從圖2中可以看出，飛行器的在軌的偏移度值合理區間范圍在[0.2，0.4]的區間內。超出區間范圍的偏移度值視為異常狀態。圖3所示為測試數據預測值與實際值對比分析圖。

由圖3所示，含有圓圈的實線代表表偏移值的真實值，含有三角的部分表偏移值的預測值。由于兩條曲線重疊度高，從預測值可以很好地看出，BP神經網絡在對航天飛行器軌跡偏移度進行預測時，有良好的效果。

4 結語

本文以實際的航天飛行器軌跡異常為研究對象，搭建了基于BP神經網絡的數學模型。在數學模型建立完畢之后，利用BP神經網絡對飛行器運行時的參數組成的數據集進行了樣本歸一化，隱含層以及權值的確定。最后利用測試數據進行了測試。最終的仿真結果表明，該算法對航天飛行器軌跡異常進行預測控制的有效性。

參考文獻

[1]朱魯青，張鑫偉.國外中小型航天器技術發展研究[J].國際太空，2010，（9）：1-9.

[2]朱輝.航天器故障診斷、預測與健康管理探討[J].質量與可靠性，2013，（2）：15-19.

[3]胡波.基于粗糙集理論與BP神經網絡結合的火電廠風機故障診斷研究[D].太原理工大學，2008.