一种火箭推力下降故障下椭圆救援轨道的轨迹重规划方法

技术领域

本发明涉及故障下运载火箭救援技术领域，具体涉及一种火箭推力下降故障下椭圆救援轨道的轨迹重规划方法。

背景技术

发动机作为火箭动力装置，是全箭飞行可靠性及安全性的决定因素。在实际飞行任务中，运载火箭发动机故障等原因易造成推力下降，如果继续沿用标称弹道条件下的制导控制方案将难以完成任务，会导致飞行任务失败。

一般情况下，轨迹优化问题被描述为最优控制问题，传统的求解方法中自适应伪谱法被广泛应用。然而，仅用自适应伪谱法在解决推力下降故障的在线轨迹优化问题时存在一些不足。首先，对在线轨迹优化问题的初值设置不当可能会导致自适应伪谱法求解耗时较长或不收敛。其次，目标函数中轨道元素之间的矛盾会导致搜索方向发散，或搜索步长减小，从而降低在线应用的可行性。

发明内容

针对自适应伪谱法在推力下降故障的在线轨迹重规划中求解耗时长或不收敛的不足，本发明提供一种轨迹重规划方法，为在线椭圆救援轨道的轨迹规划提供合理的初值，且能避免出现因目标函数中各变量之间的冲突导致的计算效率降低。

为实现上述目的，本申请的技术方案为：一种火箭推力下降故障下椭圆救援轨道的轨迹重规划方法，包括：

在地心惯性坐标系中建立火箭的上升段二级飞行动力学方程，以不同的故障时刻、推力下降百分比设置边界条件和约束条件，构建各种推力下降故障下椭圆救援轨道的轨迹优化问题；

采用自适应伪谱法离线求解椭圆救援轨道的轨迹优化问题，得到故障状态-入轨参数的样本集，其中样本集的输入特征为故障状态，所述故障状态包括推力故障的时刻、推力下降的大小、位置、速度和质量，其中样本集的输出特征为入轨参数，所述入轨参数包括轨道半长轴、偏心率、轨道倾角、升交点赤经、终端的控制变量；

采用最大最小法对样本数据进行归一化处理，将所有数据规范化到[-1,1]之间，通过正交最小二乘法选择径向基神经网络数据中心，其中径向基函数为高斯基函数，离线训练径向基神经网络，从而建立故障状态到入轨参数非线性映射关系；

将径向基神经网络迁移到火箭实际飞行中，以飞行的故障状态作为输入，该径向基神经网络在线决策出入轨参数；利用决策出的救援轨道根数和终端控制变量，为轨迹规划设置合理的初始猜测值；利用决策出的救援轨道根数将椭圆救援轨道的轨迹优化问题转化为最优推进剂优化问题，采用自适应伪谱法在线求解最优推进剂优化问题，即可得到飞行轨迹。

进一步的，构建各种推力下降故障下椭圆救援轨道的轨迹优化问题时：

设X

式中r，v分别为运载火箭的位置、速度向量，

在推力下降故障情况下，发动机比冲不变，推进剂的秒耗量下降η，总飞行时间超过标称的飞行时间，假定发动机推力下降故障出现时刻为t

x(t

式中，x

用m

m(t

发生推力下降故障，为椭圆救援轨道类型，在调整轨道平面的同时，尽量提高轨道高度；椭圆救援轨道的轨迹优化问题描述为：

其中J是优化目标，λ

进一步的，为轨迹规划设置合理的初始猜测值，具体为：根据故障状态，采用径向基神经网络决策救援的终端轨道根数

进一步的，采用自适应伪谱法在线求解最优推进剂优化问题时，

由于已知了救援轨道的轨道根数，将椭圆救援轨道的轨迹优化问题转化为最优推进剂优化问题：

其中，δ是一个避免径向基神经网络决策出的轨道半长轴正误差导致最优推进剂优化问题无法求解的项；为了消除半长轴正误差对在线轨迹优化的影响，将半长轴的末端约束设置为

本发明由于采用以上技术方案，能够取得如下的技术效果：

(1)径向基神经网络能够很好拟合“故障状态-入轨参数”的非线性关系，可快速在线决策出救援轨道根数、终端控制变量。

(2)决策出的救援轨道根数、终端控制变量，为在线椭圆救援轨道的轨迹规划提供合理的初值。

(3)决策出的救援轨道根数将椭圆救援轨道的轨迹优化问题转化为最优推进剂优化问题，避免出现因目标函数中各变量之间的冲突导致的计算效率降低。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明中轨迹优化总体策略图；

图2为本发明中速度高度曲线图；

图3为本发明中海拔曲线图。

具体实施方式

本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

本实施例提供一种火箭推力下降故障下椭圆救援轨道的轨迹重规划方法，结合附图1进行说明，具体包括如下实现步骤：

S1：设X

式中r，v为运载火箭的位置、速度向量，μ＝GM为地球引力常数，m是火箭的总质量，I

在推力下降故障情况下，发动机比冲不变，推进剂的秒耗量下降η，总飞行时间超过标称的飞行时间，假定发动机推力下降故障出现时刻为t

x(t

式中，x

用m

m(t

发生推力下降故障，为椭圆救援轨道类型，在调整轨道平面的同时，尽量提高轨道高度。椭圆救援轨道的轨迹优化问题可描述为：

其中J是优化目标，λ

S2：采用自适应伪谱法离线求解椭圆救援轨道的轨迹优化问题，得到的故障状态入轨参数的样本集，其中样本集的输入特征为故障状态，所述故障状态包括推力故障的时刻、推力下降的大小、位置、速度和质量，其中样本集的输出特征为入轨参数，所述入轨参数包括轨道半长轴、偏心率、轨道倾角、升交点赤经、终端的控制变量。

S3：为了消除各维数据间数量级差别，避免因为输入、输出数据数量级差别较大而造成的预测误差较大，需要对数据做归一化处理。采用最大最小法对数据归一化，将所有数据规范化到[-1,1]之间。考虑到箭载计算机的计算任务繁多，救援轨道决策所占用的计算资源越少越好。采用正交最小二乘法选择RBF网络数据中心，建立“故障状态-入轨参数”非线性映射关系。

隐藏单元由基函数激活，本发明采用高斯基函数，第j个隐藏层的输出为：

式中，w

S4：将救援轨道决策模型在线迁移应用，以实际飞行的故障状态作为输入，采用径向基神经网络决策救援的终端轨道根数

由于已知了救援轨道的轨道根数，可将椭圆救援轨道的轨迹优化问题转化为最优推进剂优化问题

其中，δ是一个避免神经网络决策出的轨道半长轴正误差导致最优推进剂优化问题无法求解的项。为了消除半长轴正误差对在线轨迹优化的影响，将半长轴的末端约束设置为

实施例1

以运载火箭的整个二级飞行阶段为研究对象，参数来自文献Z.Song,C.Wang,Q.Gong,Joint dynamic optimization of the target orbit and flight trajectoryof a launch vehicle based on state-triggered indices,ActaAstronaut.,174(2020)82-93.自适应伪谱法所采用的配点是正交Legendre多项式的零点。样本集建立的故障的状态分布按发生时间0～378s，步长为0.5s；推力下降大小13％～50％，步长为0.25％，5330个椭圆救援轨道类型样本。在样本集中，随机抽取90％的数据作为训练集，剩余10％的数据作为测试集。径向基神经网络训练的扩散因子是0.5，最终训练好的隐藏层神经元数量是300。半长轴决策的绝对误差在[-1.5,1.5]km区间，偏心率的绝对误差在[-2×10

本发明的基于入轨参数决策方法的轨迹与仅用自适应伪谱法得到的轨迹一致，如图2所示，本文方法与自适应伪谱法得到的速度曲线重合。在147.5s后调整飞行轨迹，延长飞行时间，确保有效载荷进入椭圆救援轨道。由图3可知，再本发明方法的入轨高度比仅用自适应伪谱法求得轨迹的入轨高度略低，这是由于引入δ项造成。本发明提出的在线轨迹重规划方法的计算时间，比仅用自适应伪谱法的少98.8％。计算效率的提高主要是因为入轨参数决策。一方面，决策出的入轨参数为了初值的设置提供了合适的参考值；另一方面的目标函数被简化，提高了最优解的搜索效率。

本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且这应被发明实施例所属技术领域的技术人员所理解。