[发明专利]一种在线测量MEMS固体微推力器阵列输出推力的方法

权利要求书

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；v_c^T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固体微推力器的真实推力估计值f(t)；

真实推力估计值f(t)通过以下公式计算得到：

Δx(t+1)＝AΔx(t)+Bv_c(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∈R^n×n为系统矩阵，与微纳卫星的轨道要素和状态量x相关；B∈R^n×m为输入矩阵，m是控制输入的维数；v_c(t)∈R³为t时刻的理想控制输入；

f(t)∈R^m为t时刻的MEMS固体微推力器真实推力估计值；

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，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，即训练好的深度神经网络的最后一层输出值；

Iⁱ⁺¹＝O_i

Iⁱ为第i层网络的输入量，w_ij为第i层网络的第j个权值，O_i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。

2.如权利要求1所述的一种在线测量MEMS固体微推力器阵列输出推力的方法，其特征在于，步骤二中所述的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固体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。

3.如权利要求1所述的一种在线测量MEMS固体微推力器阵列输出推力的方法，其特征在于，步骤三中所述的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。