本發(fā)明涉及地月特殊軌道間探測器轉(zhuǎn)移設(shè)計，具體涉及基于深度神經(jīng)網(wǎng)絡(luò)的地月三體模型下軌道轉(zhuǎn)移方法及系統(tǒng)。

背景技術(shù)：

1、月球作為地球唯一天然衛(wèi)星，對其進行探測研究一直是深空探測領(lǐng)域的熱門。月球資源勘探、深空探測器通信能力驗證、深空探測器交會對接能力驗證等任務(wù)的需求與日俱增，而探測器轉(zhuǎn)移軌道的設(shè)計是實現(xiàn)上述目標(biāo)的基礎(chǔ)之一。其中，halo軌道、nrho軌道以及dro等地月系統(tǒng)特殊軌道由于其空間位置、運行規(guī)律的特殊屬性，為一些空間任務(wù)的開展提供了便利。如何快速高效地完成特殊軌道間轉(zhuǎn)移軌道的設(shè)計已逐漸成為研究熱點。

2、傳統(tǒng)的深空探測軌道轉(zhuǎn)移方案設(shè)計中，廣泛使用圓錐曲線拼接法，但圓錐曲線拼接法受限于動力學(xué)模型，只適用于二體問題，無法真實地描述引力環(huán)境，存在較大誤差與不確定性。在三體動力學(xué)模型下，當(dāng)轉(zhuǎn)移軌道的始末狀態(tài)已知，轉(zhuǎn)移時間確定，則可以描述為三體lambert問題。但由于三體動力學(xué)模型的強非線性，三體問題沒有解析解，求解過程依賴數(shù)值積分。針對三體問題求解困難，計算量大的現(xiàn)狀，文獻[1]提出了一種擬線性化-局部變分迭代法(ql-lvim)，通過擬線性化思想，將非線性兩點邊值問題轉(zhuǎn)化為一系列具有一定迭代格式，并成對出現(xiàn)的初值問題，進而通過局部變分迭代法進行求解，但該方法需要進行多輪迭代，計算量依然比較大，而且計算效率依賴于初始估計解，需要設(shè)計人員具有一定的經(jīng)驗。文獻[2]針對傳統(tǒng)數(shù)值積分精度嚴重依賴于小積分步長，難以滿足航天器在軌快速計算需求的缺點，提出了一種局部配點反饋迭代算法。該算法可以實現(xiàn)大步長高速計算，比擬線性化-局部變分迭代法速度提高了1.5倍以上，但求解精度仍依賴于迭代次數(shù)，若想求得滿足精度需求的解，需要進行多輪迭代，同時，該方法仍然沒有解決迭代初值選取問題，如果初始計算參數(shù)設(shè)置的和理性不足，則會限制算法自身大步長高速計算特性的發(fā)揮。隨著智能算法的發(fā)展，神經(jīng)網(wǎng)絡(luò)在求解強非線性的問題上尤其獨特優(yōu)勢。文獻[3]基于深度神經(jīng)網(wǎng)絡(luò)模型完成了火星進入、下降和著陸時的軌道遞推，實現(xiàn)了軌道的實時快速計算。文獻[4]使用深度學(xué)習(xí)技術(shù)獲得太陽帆航天器軌道轉(zhuǎn)移任務(wù)時間最少軌道的實時最優(yōu)控制方法，在保證收斂性以及實時性的前提下進行了星上軌道優(yōu)化研究。但上述使用深度神經(jīng)網(wǎng)絡(luò)的案例都局限于單個場景，不具備普適性，面對不同軌道之間的轉(zhuǎn)移問題，傳統(tǒng)方法無法準確求解。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明提出基于深度神經(jīng)網(wǎng)絡(luò)的地月三體模型下軌道轉(zhuǎn)移方法及系統(tǒng)，用以解決現(xiàn)有方法無法解決計算量大且耗時長的技術(shù)問題。

2、根據(jù)本發(fā)明的一方面，提出基于深度神經(jīng)網(wǎng)絡(luò)的地月三體模型下軌道轉(zhuǎn)移方法，包括下述步驟：

3、步驟一、獲取特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集；

4、步驟二、構(gòu)建深度神經(jīng)網(wǎng)絡(luò)并根據(jù)所述特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)；

5、步驟三、構(gòu)建地月系統(tǒng)特殊軌道間直接轉(zhuǎn)移優(yōu)化模型，并利用粒子群算法與訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對所述直接轉(zhuǎn)移優(yōu)化模型進行迭代求解，直至達到期望指標(biāo)或最大迭代次數(shù)，得到迭代指標(biāo)曲線、地月三體模型下轉(zhuǎn)移軌道。

6、進一步地，步驟一的具體步驟包括：

7、步驟一一、利用圓型限制性三體動力學(xué)模型計算獲得地月系統(tǒng)特殊軌道的離散數(shù)據(jù)；所述地月系統(tǒng)特殊軌道的離散數(shù)據(jù)為從起始軌道任意一點到目標(biāo)軌道任意一點的消耗不同時間長度的轉(zhuǎn)移軌道數(shù)據(jù)，包括位置數(shù)據(jù)和速度數(shù)據(jù)；

8、步驟一二、將期望轉(zhuǎn)移時間范圍離散化，得到離散的轉(zhuǎn)移時間；

9、步驟一三、利用遍歷計算方式計算所述地月系統(tǒng)特殊軌道的離散數(shù)據(jù)，建立特殊軌道間轉(zhuǎn)移訓(xùn)練集；所述特殊軌道間轉(zhuǎn)移訓(xùn)練集包括起始軌道數(shù)據(jù)集與目標(biāo)軌道數(shù)據(jù)集。

10、進一步地，步驟三中所述地月系統(tǒng)特殊軌道間直接轉(zhuǎn)移優(yōu)化模型包括上層優(yōu)化模型和下層優(yōu)化模型；其中，

11、所述上層優(yōu)化模型為：

12、目標(biāo)函數(shù)為脈沖j1最小化：能量j2最小化：

13、式中，||δvi||2表示第i次脈沖幅值大小；n為脈沖次數(shù)；

14、所述下層優(yōu)化模型為：

15、

16、約束條件：

17、式中，分別表示離開起始軌道的離軌脈沖；分別表示進入目標(biāo)軌道的入軌脈沖；xc,i,yc,i,zc,i分別表示起始軌道第i個數(shù)據(jù)點的三軸坐標(biāo)，分別表示起始軌道第i個數(shù)據(jù)點的三軸速度；xt,j,yt,j,zt,j分別表示目標(biāo)軌道第j個數(shù)據(jù)點的三軸坐標(biāo)，分別表示目標(biāo)軌道第j個數(shù)據(jù)點的三軸速度，tk表示轉(zhuǎn)移時間第k個數(shù)據(jù)點；i表示轉(zhuǎn)移起始點在起始軌道數(shù)據(jù)中的位置，j表示轉(zhuǎn)移目標(biāo)點在目標(biāo)軌道中的位置，k表示轉(zhuǎn)移時間在轉(zhuǎn)移時間序列中的位置，p表示起始軌道數(shù)據(jù)點總數(shù)，q表示目標(biāo)軌道數(shù)據(jù)點總數(shù)，m表示轉(zhuǎn)移時間數(shù)據(jù)點總數(shù)；dnn表示訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)。

18、進一步地，所述基于粒子群算法與訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對所述直接轉(zhuǎn)移優(yōu)化模型進行迭代求解包括：將所述特殊軌道間轉(zhuǎn)移訓(xùn)練集和離散的轉(zhuǎn)移時間作為搜索條件，利用粒子群算法對所述上層優(yōu)化模型進行優(yōu)化求解，計算獲得最優(yōu)轉(zhuǎn)移方案作為輸出量，其中，所述最優(yōu)轉(zhuǎn)移方案包括轉(zhuǎn)移起始點位置及速度、轉(zhuǎn)移目標(biāo)點位置及速度和轉(zhuǎn)移時間的組合；對于下層優(yōu)化模型，將上層優(yōu)化模型輸出的最優(yōu)轉(zhuǎn)移方案輸入訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)，得到對應(yīng)的脈沖序列，并計算得到對應(yīng)指標(biāo)；其中，所述對應(yīng)指標(biāo)為轉(zhuǎn)移軌道數(shù)據(jù)、轉(zhuǎn)移脈沖的大小或消耗能量的多少；將所述對應(yīng)指標(biāo)反饋至上層優(yōu)化模型，利用粒子群算法重新進行選點，重復(fù)迭代上述步驟直至達到期望指標(biāo)或最大迭代次數(shù)，得到迭代指標(biāo)曲線、地月三體模型下轉(zhuǎn)移軌道。

19、根據(jù)本發(fā)明的另一方面，提出基于深度神經(jīng)網(wǎng)絡(luò)的地月三體模型下軌道轉(zhuǎn)移系統(tǒng)，包括：

20、數(shù)據(jù)獲取模塊，其配置成獲取特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集；

21、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，其配置成構(gòu)建深度神經(jīng)網(wǎng)絡(luò)并根據(jù)所述特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)；

22、模型求解模塊，其配置成構(gòu)建地月系統(tǒng)特殊軌道間直接轉(zhuǎn)移優(yōu)化模型，并利用粒子群算法與訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對所述直接轉(zhuǎn)移優(yōu)化模型進行迭代求解，直至達到期望指標(biāo)或最大迭代次數(shù)，得到迭代指標(biāo)曲線、地月三體模型下轉(zhuǎn)移軌道。

23、進一步地，所述數(shù)據(jù)獲取模塊中獲取特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集包括：

24、步驟一一、利用圓型限制性三體動力學(xué)模型計算獲得地月系統(tǒng)特殊軌道的離散數(shù)據(jù)；所述地月系統(tǒng)特殊軌道的離散數(shù)據(jù)為從起始軌道任意一點到目標(biāo)軌道任意一點的消耗不同時間長度的轉(zhuǎn)移軌道數(shù)據(jù)，包括位置數(shù)據(jù)和速度數(shù)據(jù)；

25、步驟一二、將期望轉(zhuǎn)移時間范圍離散化，得到離散的轉(zhuǎn)移時間；

26、步驟一三、利用遍歷計算方式計算所述地月系統(tǒng)特殊軌道的離散數(shù)據(jù)，建立特殊軌道間轉(zhuǎn)移訓(xùn)練集；所述特殊軌道間轉(zhuǎn)移訓(xùn)練集包括起始軌道數(shù)據(jù)集與目標(biāo)軌道數(shù)據(jù)集。

27、進一步地，所述模型求解模塊中所述地月系統(tǒng)特殊軌道間直接轉(zhuǎn)移優(yōu)化模型包括上層優(yōu)化模型和下層優(yōu)化模型；其中，

28、所述上層優(yōu)化模型為：

29、目標(biāo)函數(shù)為脈沖j1最小化：能量j2最小化：

30、式中，||δvi||2表示第i次脈沖幅值大??；n為脈沖次數(shù)；

31、所述下層優(yōu)化模型為：

32、

33、約束條件：

34、式中，分別表示離開起始軌道的離軌脈沖；分別表示進入目標(biāo)軌道的入軌脈沖；xc,i,yc,i,zc,i分別表示起始軌道第i個數(shù)據(jù)點的三軸坐標(biāo)，分別表示起始軌道第i個數(shù)據(jù)點的三軸速度；xt,j,yt,j,zt,j分別表示目標(biāo)軌道第j個數(shù)據(jù)點的三軸坐標(biāo)，分別表示目標(biāo)軌道第j個數(shù)據(jù)點的三軸速度，tk表示轉(zhuǎn)移時間第k個數(shù)據(jù)點；i表示轉(zhuǎn)移起始點在起始軌道數(shù)據(jù)中的位置，j表示轉(zhuǎn)移目標(biāo)點在目標(biāo)軌道中的位置，k表示轉(zhuǎn)移時間在轉(zhuǎn)移時間序列中的位置，p表示起始軌道數(shù)據(jù)點總數(shù)，q表示目標(biāo)軌道數(shù)據(jù)點總數(shù)，m表示轉(zhuǎn)移時間數(shù)據(jù)點總數(shù)；dnn表示訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)。

35、進一步地，所述基于粒子群算法與訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對所述直接轉(zhuǎn)移優(yōu)化模型進行迭代求解包括：將所述特殊軌道間轉(zhuǎn)移訓(xùn)練集和離散的轉(zhuǎn)移時間作為搜索條件，利用粒子群算法對所述上層優(yōu)化模型進行優(yōu)化求解，計算獲得最優(yōu)轉(zhuǎn)移方案作為輸出量，其中，所述最優(yōu)轉(zhuǎn)移方案包括轉(zhuǎn)移起始點位置及速度、轉(zhuǎn)移目標(biāo)點位置及速度和轉(zhuǎn)移時間的組合；對于下層優(yōu)化模型，將上層優(yōu)化模型輸出的最優(yōu)轉(zhuǎn)移方案輸入訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)，得到對應(yīng)的脈沖序列，并計算得到對應(yīng)指標(biāo)；其中，所述對應(yīng)指標(biāo)為轉(zhuǎn)移軌道數(shù)據(jù)、轉(zhuǎn)移脈沖的大小或消耗能量的多少；將所述對應(yīng)指標(biāo)反饋至上層優(yōu)化模型，利用粒子群算法重新進行選點，重復(fù)迭代上述步驟直至達到期望指標(biāo)或最大迭代次數(shù)，得到迭代指標(biāo)曲線、地月三體模型下轉(zhuǎn)移軌道。

36、本發(fā)明的有益技術(shù)效果是：

37、本發(fā)明提出了基于深度神經(jīng)網(wǎng)絡(luò)的地月三體模型下軌道轉(zhuǎn)移方法及系統(tǒng)，首先，獲取特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集；然后，構(gòu)建深度神經(jīng)網(wǎng)絡(luò)并根據(jù)所述特殊軌道間轉(zhuǎn)移訓(xùn)練數(shù)據(jù)集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)；然后，構(gòu)建地月系統(tǒng)特殊軌道間直接轉(zhuǎn)移優(yōu)化模型，并基于粒子群算法與訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)對所述直接轉(zhuǎn)移優(yōu)化模型進行迭代求解，直至達到期望指標(biāo)或最大迭代次數(shù)，得到迭代指標(biāo)曲線、地月三體模型下轉(zhuǎn)移軌道。

38、針對地月空間特殊軌道之間的轉(zhuǎn)移軌道快速設(shè)計需求，本發(fā)明提出一種具有普適性且能夠快速實時計算的方法，通過智能算法與深度學(xué)習(xí)的組合使用，保證了算法的求解效率，提高了算法結(jié)構(gòu)的簡潔性，使得求解過程不再依賴復(fù)雜的動力學(xué)模型以及邊界條件約束，為未來月球探測任務(wù)軌道快速設(shè)計提供了有力的技術(shù)支持，提高了在軌實時軌道優(yōu)化設(shè)計的可行性，實現(xiàn)了地月系統(tǒng)中三體動力學(xué)模型下的多種類型特殊軌道間的最小脈沖轉(zhuǎn)移軌道快速計算與設(shè)計。

39、本發(fā)明根據(jù)轉(zhuǎn)移起始點狀態(tài)量、轉(zhuǎn)移目標(biāo)點狀態(tài)量以及轉(zhuǎn)移時間直接給出轉(zhuǎn)移脈沖方案的算法，解決了使用傳統(tǒng)方法求解三體lambert問題需要使用大量計算資源的問題；考慮到快速設(shè)計任務(wù)對求解效率的嚴格要求、星載計算機的計算能力約束等，本發(fā)明基于月球探測任務(wù)中的轉(zhuǎn)移軌道快速設(shè)計任務(wù)需求，以及一定程度的在軌實時優(yōu)化需求，使用了一種求解速度快、計算量小、求解精度足夠高的計算方法—基于深度學(xué)習(xí)構(gòu)建的深度神經(jīng)網(wǎng)絡(luò)(dnn)；只需要有足夠的訓(xùn)練集來對深度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，就可實現(xiàn)轉(zhuǎn)移軌道的快速計算。本發(fā)明使用的深度神經(jīng)網(wǎng)絡(luò)進行轉(zhuǎn)移軌道設(shè)計的計算方法，針對輸入量和輸出量分別優(yōu)化；其中，輸入量使用粒子群算法、遺傳算法等智能算法進行搜索；輸出量優(yōu)化使用深度神經(jīng)網(wǎng)絡(luò)進行l(wèi)ambert問題求解；達到了使用更少計算資源的目的，在消耗盡可能少的燃料的前提下，得到地月特殊軌道間的轉(zhuǎn)移軌道。