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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。