一种在线测量MEMS固体微推力器阵列输出推力的方法技术

本发明专利技术公开了一种在线测量MEMS固体微推力器阵列输出推力的方法，属于推力测量领域。将MEMS固体微推力器的六个阵列分别安装在立方体微纳卫星的6个面上；设计空间环境数据与飞行器测量状态数据发生器，生成深度神经网络推力测量模型的训练数据，并用训练数据训练深度神经网络；将MEMS固体微推力器点火前后引起的微纳卫星状态的改变量输入到训练好的深度神经网络中；通过正向计算得到点火的推力器输出的真实推力的估计值，并输入到控制系统和推力器阵列的点火分配系统，作为当前状态下的推力标定结果。不断更新MEMS固体微推力器的推力测量结果，实现自适应的在线推力测量。本发明专利技术解决了飞行环境对输出推力的影响问题，具有环境自适应能力。

A Method for On-line Measurement of Output Thrust of Solid Micro-thruster Array in MEMS

The invention discloses a method for on-line measuring the output thrust of a solid micro thruster array of MEMS, which belongs to the field of thrust measurement. Six arrays of solid micro-thruster are installed on six surfaces of cubic micro-nano satellite respectively. Spatial environment data and aircraft measurement state data generator are designed to generate training data of deep neural network thrust measurement model and train deep neural network with training data. The change of micro-nano satellite state caused by the ignition of solid micro-thruster is input into the system. In the trained depth neural network, the real thrust output of the ignited thruster is estimated by forward calculation and input to the control system and the ignition distribution system of the thruster array as the thrust calibration result under the current state. The thrust measurement results of the solid micro-thruster of the MEMS are updated continuously to realize the adaptive on-line thrust measurement. The invention solves the problem of the influence of flight environment on the output thrust, and has the environmental adaptive ability.

【技术实现步骤摘要】
一种在线测量MEMS固体微推力器阵列输出推力的方法
本专利技术属于推力测量领域，涉及一种在线测量MEMS固体微推力器阵列输出推力的方法。
技术介绍
推力测量是航天发动机领域的一个重要方向，但目前的所有测量方法都是针对低集成度、可重复使用的大推力发动机，并且是在地面环境下离线标定推力后不再进行后续修正，如文献[1]：2017年10月，李得天，张伟文，张天平，郭宁，孟伟，唐福俊，杨福全发表的《空间电推进地面综合测试评价技术研究》。MEMS固体微推力器阵列具有高度集成、功耗低、体积小、质量轻以及结构简单等特点，是微纳卫星理想的控制执行机构；如文献[2]，杨灵芝，魏延明，刘旭辉在2016年2月发表的《MEMS固体微推力器阵列发展研究》。由于该推力器的每个单元输出的推力很小，并且输出推力受工作环境影响较大，无法像传统的大推力器一样在地面测试时对每个推力输出单元进行推力标定，为此需要研发MEMS固体微推力器阵列的在轨推力测量方法，在空间环境下实时估计推力器阵列上每个推力输出单元在当前条件下的真实推力，为微纳卫星的高精度控制提供保障。由于MEMS固体微推力器阵列上每个推力输出单元的推力很小，并且输出推力与所处的工作环境也有很大关系，如果仍使用目前的地面离线测量技术，在空间环境下使用点火时，地面标定的结果会与空间环境中推力器输出的真实推力之间产生较大误差，这种误差甚至会超出固体微推力器本身推力数倍，会严重降低控制精度，造成推力器浪费，从而降低卫星寿命。
技术实现思路
本专利技术针对上述问题，提出了一种在线测量MEMS固体微推力器阵列输出推力的方法，利用深度神经网络强大的特征提取能力，从MEMS固体微推力器点火前后引起的微纳卫星状态的改变量中，估计出推力器在当前工作条件下的真实推力，相比地面离线推力测量方法，测量精度更高，对环境的自适应能力更强。具体步骤如下：步骤一、将MEMS固体微推力器的六个阵列分别安装在立方体微纳卫星的6个面上；步骤二、设计空间环境数据与飞行器测量状态数据发生器，生成深度神经网络推力测量模型的训练数据。空间环境数据包括已知和未知的随机摄动量；飞行器测量状态数据包括三轴位置和三轴速度，MEMS微推力器控制作用前后三轴位置和三轴速度的改变量，以及状态测量的传感器误差。深度神经网络的输入数据为：式中，是微推力器点火燃烧完后的卫星惯性系状态量；Δx(1)是微推力器点火前的卫星状态改变量；Δx(2)是微推力器点火过程中的卫星状态改变量；Δx(3)是微推力器点火燃烧完后的卫星状态改变量；是可建模的J2摄动力；vcT是控制系统计算出的理想控制力。深度神经网络的输出是待求的微纳卫星6个面上的MEMS推力器的推力偏差f(t)。推理偏差f(t)通过以下公式计算得到：Δx(t+1)＝AΔx(t)+Bvc(t)+Bf(t)式中，Δx(t)∈Rn为t时刻微纳卫星受到所有外力作用后的状态改变量；状态包括地心惯性系内的三轴位置和三轴速度，表示为x，n是状态量的维数；A∈Rn×n为系统矩阵，与微纳卫星的轨道要素和状态量x相关；B∈Rn×m为输入矩阵，m是控制输入的维数；vc(t)∈R3为t时刻的理想控制输入；f(t)∈Rm为t时刻的MEMS固体微推力器推力偏差。步骤三、初始化深度神经网络结构的参数，并用训练数据训练深度神经网络；参数包括神经网络的层数、每层的神经元数目以及神经元的激活函数等；训练神经网络时对输入数据进行规范化处理，对每个维度的输入数据按照最大——最小缩放方法进行缩放，将值域缩放到-1～1之间。深度神经网络的训练通过采用误差反向传播算法来更新神经网络的权值，设神经网络输出的优化目标函数为：f[q(x,y),z]式中，x,y,z为待求的神经网络权值。首先，使用链式法则来求出使网络输出误差具有局部极小值的权值梯度方向；局部梯度方向表示为：然后，得到权值x,y,z的梯度方向后，采用当前广泛使用的适应性矩估计算法来更新权值。步骤四、在测试环境或真实空间飞行环境下，将MEMS固体微推力器点火前后引起的微纳卫星状态的改变量输入到训练好的深度神经网络中；步骤五、通过一次正向的计算得到点火的推力器输出的真实推力的估计值，将此估计值输入到控制系统和推力器阵列的点火分配系统，作为当前状态下的推力标定结果。按如下公式逐层递推得到推力器输出的真实推力的估计值，即神经网络的最后一层输出值。Ii+1＝OiIi为第i层网络的输入量，wij为第i层网络的第j个权值，Oi为第i层网络的输出向量，g(·)为神经元的激活函数。步骤六、随着飞行环境的不断改变，重复步骤四，不断更新MEMS固体微推力器的推力测量结果，实现自适应的在线推力测量。本专利技术的优点在于：一种在线测量MEMS固体微推力器阵列输出推力的方法，提出了用深度神经网络从微纳卫星受控前后的状态改变量中估计出MEMS固体微推力器的真实推力，该方法能够实现对微小推力的高精度测量，并且能够在飞行过程中实时在线测量，解决了传统测量方法无法处理的飞行环境对输出推力的影响问题，具有环境自适应能力。附图说明图1为本专利技术采用的MEMS固体微推力器阵列在立方体卫星上的安装方式示意图；图2为本专利技术一种在线测量MEMS固体微推力器阵列输出推力的方法的流程图；图3为本专利技术用于产生训练数据的1000条轨道的3维空间图；图4为本专利技术不同层数的神经网络结构的推力测量误差对比图；图5为本专利技术测试仿真中用深度神经网络测量得到的推力结果对比图；图6为本专利技术测试仿真中深度神经网络测量得到的推力误差百分比图；具体实施方式下面将结合附图和实例对本专利技术作进一步的详细说明。本专利技术是一种通过训练深度神经网络技术在线测量MEMS固体微推力器阵列输出推力的方法，实施流程如图2所示，分以下步骤：步骤一、将MEMS固体微推力器阵列安装在立方体微纳卫星的6个面上；如图1所示，立方体微纳卫星模型的6个面，分别定义为左侧面的中心位置固定安装第一阵列，右侧面的中心位置固定安装第二阵列，前侧面的中心位置固定安装第三阵列，后侧面的中心位置固定安装第四阵列，上侧面的中心位置固定安装第五阵列，下侧面的中心位置固定安装第六阵列，本专利技术不局限该安装方式，也可以采用其他其他安装方式，只要固定一种即可开展后续的在线推力测量工作。步骤二、设计高保真空间环境数据与飞行器测量状态数据发生器，生成深度神经网络推力测量模型的训练数据。模拟的空间环境数据主要包括已知和未知的随机摄动量；飞行器测量状态数据包括三轴位置+速度，MEMS微推力器控制作用前后三轴位置+速度的改变量，此外还有状态测量的传感器误差。为了使生成的训练数据贴近实际空间飞行环境，加入导航测量误差和空间摄动力。导航测量误差设定为30m(1σ)。分别模拟可建模摄动力与未知摄动力，将J2摄动项作为可建模摄动力，其余J3及以上、太阳光压、空气阻力且日月引力等摄动力作为未知摄动力。在深度神经网络的输入端数据维度方面，将微推力器点火的前、中和后时刻的卫星状态改变量均输入到深度神经网络，有利于提取时间维度上的特征，提高推力估计精度。因此，深度神经网络的全部的输入设计为(共33维)式中，(·)T表示向量(·)的转置；是微推力器点火燃烧完后的卫星惯性系状态量；Δx(1)是微推力器点火前的卫星状态改变量；Δx(2)是微推力器点火过程中的卫本文档来自技高网...

【技术保护点】
1.一种在线测量MEMS固体微推力器阵列输出推力的方法，其特征在于，具体步骤如下：步骤一、将MEMS固体微推力器的六个阵列分别安装在立方体微纳卫星的6个面上；步骤二、设计空间环境数据与飞行器测量状态数据发生器，生成深度神经网络推力测量模型的训练数据；深度神经网络的输入数据为：

【技术特征摘要】
1.一种在线测量MEMS固体微推力器阵列输出推力的方法，其特征在于，具体步骤如下：步骤一、将MEMS固体微推力器的六个阵列分别安装在立方体微纳卫星的6个面上；步骤二、设计空间环境数据与飞行器测量状态数据发生器，生成深度神经网络推力测量模型的训练数据；深度神经网络的输入数据为：式中，是微推力器点火燃烧完后的卫星惯性系状态量；Δx(1)是微推力器点火前的卫星状态改变量；Δx(2)是微推力器点火过程中的卫星状态改变量；Δx(3)是微推力器点火燃烧完后的卫星状态改变量；是可建模的J2摄动力；vcT是控制系统计算出的理想控制力；深度神经网络的输出是待求的微纳卫星6个面上的MEMS推力器的推力偏差f(t)；推理偏差f(t)通过以下公式计算得到：Δx(t+1)＝AΔx(t)+Bvc(t)+Bf(t)式中，Δx(t)∈Rn为t时刻微纳卫星受到所有外力作用后的状态改变量；状态包括地心惯性系内的三轴位置和三轴速度，表示为x，n是状态量的维数；A∈Rn×n为系统矩阵，与微纳卫星的轨道要素和状态量x相关；B∈Rn×m为输入矩阵，m是控制输入的维数；vc(t)∈R3为t时刻的理想控制输入；f(t)∈Rm为t时刻的MEMS固体微推力器推力偏差；步骤三、初始化深度神经网络结构的参数，并用训练数据训练深度神经网络；训练神经网络时对输入数据进行规范化处理，对每个维度的输入数据按照最大——最小缩放方法进行缩放，将值域缩放到-1～1之间；深度神经网络的训练通过采用误差反向传播算法来更新神经网络的权值，...

【专利技术属性】
技术研发人员：杨博，樊子辰，于贺，杨航，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11