一种在轨磁力矩器干扰效能预测方法及系统与流程

本发明属于卫星工程技术领域，尤其涉及一种在轨磁力矩器干扰效能预测方法及系统。

背景技术：

2017年某卫星发射成功后，进入在轨运行阶段为地面提供服务。该卫星所有功能和性能均符合设计要求，至今仍稳定运行。但在该卫星的在轨运行维护过程中，发现控制系统3+1s二浮陀螺惯性姿态敏感器零位不时发生偏移。尽管偏移的幅度在系统设计指标之内，但是二浮陀螺的零位偏移严重影响二浮陀螺测量精度的提高,故此现象引起了卫星研制方的高度重视。伴随着越来越多的与该卫星设计基线相同的卫星的发射成功，该类卫星的总数量达到了10余颗，均产生相同的陀螺零位偏移现象。

技术实现要素：

本发明解决的技术问题是：克服现有技术的不足，提供了一种在轨磁力矩器干扰效能预测方法及系统，可以通过输入磁力矩器磁力矩方向和通电时间预测磁力矩器对二浮陀螺的干扰效能。

本发明目的通过以下技术方案予以实现：一种在轨磁力矩器干扰效能预测方法，所述方法包括如下步骤：步骤s1：当在轨卫星的磁力矩器的电流状态为负磁矩时，读取时间采样点为0时的负陀螺常漂记数为zero0；当在轨卫星的磁力矩器的电流状态为正磁矩时，读取时间采样点为0时的正陀螺常漂记数为zero0’；步骤s2：若步骤s1中在轨卫星的磁力矩器的电流状态一直为负磁矩时，则读取时间采样点为a时的负陀螺常漂记数为zeroa；若步骤s1中在轨卫星的磁力矩器的电流状态一直为正磁矩时，读取时间采样点为b时的正陀螺常漂记数为zerob；其中，a＝1,2,3...n，b＝1,2,3...n，n为时间采样点总数；步骤s3：根据步骤s1中的负陀螺常漂记数zero0和步骤s2中的负陀螺常漂记数zeroa得到时间采样点为a时的负陀螺常漂数zero-；根据步骤s1中的正陀螺常漂记数zero0’和步骤s2中的正陀螺常漂记数为zerob得到时间采样点为b时的正陀螺常漂数zero+；步骤s4：预设待确认函数f(x)和d(x)，根据步骤s1中的负陀螺常漂数zero-和正陀螺常漂数zero+得到磁力矩器对陀螺常漂数的影响函数表达式；步骤s5：根据步骤s4中的磁力矩器对陀螺常漂数的影响函数表达式得到bp神经网络输入参数和输出参数；步骤s6：从数据源中提取样本数据，对样本数据进行归一化处理，确定模型的训练参数，建立bp神经网络进行训练得到函数f(x)和d(x)；步骤s7：根据函数f(x)和d(x)进行磁力矩器对陀螺常漂干扰预测。

上述在轨磁力矩器干扰效能预测方法中，在步骤s3中，时间采样点为a时的负陀螺常漂数zero-为：zero-＝zeroa-zero0,a＝1,2,3...n。

上述在轨磁力矩器干扰效能预测方法中，在步骤s3中，时间采样点为b时的负陀螺常漂数zero+为：zero+＝zerob-zero0',b＝1,2,3...n。

上述在轨磁力矩器干扰效能预测方法中，在步骤s4中，磁力矩器对陀螺常漂数的影响函数表达式为：

其中，t1为磁力矩器的电流状态为负磁矩时的时间记数；t2为磁力矩器的电流状态为负磁矩时的时间记数。

上述在轨磁力矩器干扰效能预测方法中，在步骤s5中，当磁力矩器的电流状态为负磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络的输入参数为t1,输出参数为负陀螺常漂数zero-。

上述在轨磁力矩器干扰效能预测方法中，在步骤s5中，当磁力矩器的电流状态为正磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络的输入参数为t2,输出参数为正陀螺常漂数zero+。

上述在轨磁力矩器干扰效能预测方法中，在步骤s6中，对样本数据进行归一化处理通过以下公式实现：

y＝(y-ymin)/(ymax-ymin)；

其中，y为无量纲参数，ymin为样本数据中最大值，ymax为样本数据中最小值。

一种在轨磁力矩器干扰效能预测系统，包括：第一模块，用于当在轨卫星的磁力矩器的电流状态为负磁矩时，读取时间采样点为0时的负陀螺常漂记数为zero0；当在轨卫星的磁力矩器的电流状态为正磁矩时，读取时间采样点为0时的正陀螺常漂记数为zero0’；第二模块，用于若第一模块中在轨卫星的磁力矩器的电流状态一直为负磁矩时，则读取时间采样点为a时的负陀螺常漂记数为zeroa；若第一模块中在轨卫星的磁力矩器的电流状态一直为正磁矩时，读取时间采样点为b时的正陀螺常漂记数为zerob；其中，a＝1,2,3...n，b＝1,2,3...n，n为时间采样点总数；第三模块，用于根据负陀螺常漂记数zero0和负陀螺常漂记数zeroa得到时间采样点为a时的负陀螺常漂数zero-；根据正陀螺常漂记数zero0’和正陀螺常漂记数为zerob得到时间采样点为b时的正陀螺常漂数zero+；第四模块，用于预设待确认函数f(x)和d(x)，根据负陀螺常漂数zero-和正陀螺常漂数zero+得到磁力矩器对陀螺常漂数的影响函数表达式；第五模块，用于根据第四模块中的磁力矩器对陀螺常漂数的影响函数表达式得到bp神经网络输入参数和输出参数；第六模块，用于从数据源中提取样本数据，对样本数据进行归一化处理，确定模型的训练参数，建立bp神经网络进行训练得到函数f(x)和d(x)；第七模块，用于根据函数f(x)和d(x)进行磁力矩器对陀螺常漂干扰预测。

上述在轨磁力矩器干扰效能预测系统中，在第三模块中，时间采样点为a时的负陀螺常漂数zero-为：zero-＝zeroa-zero0,a＝1,2,3...n。

上述在轨磁力矩器干扰效能预测系统中，在第三模块中，时间采样点为b时的负陀螺常漂数zero+为：zerod＝zerob-zero0',b＝1,2,3...n。

本发明与现有技术相比具有如下有益效果：

本发明通过bp神经网络模型，根据输入的磁力矩器通电方向及时间，预测出磁力矩器对二浮陀螺干扰的效能，计算上提供了简单易行的方法；提高磁力矩器的在轨可靠性和易用性。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明实施例提供的在轨磁力矩器干扰效能预测方法的流程图；

图2是本发明实施例提供的bp神经网络拓扑结构图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

引起二浮陀螺零偏现象的原因可能是该卫星磁力矩器产生的恒定磁场。通过对在轨遥测数据、地面历史数据和专项试验数据的处理与分析，发现并验证了磁力矩器产生的恒定磁场对二浮陀螺零位的影响，建立了模型对该类卫星磁力矩器最长安全卸载时间做出预测。

图1是本发明实施例提供的在轨磁力矩器干扰效能预测方法的流程图。如图1所示，该方法包括如下步骤：

步骤s1：当在轨卫星的磁力矩器的电流状态为负磁矩时，读取时间采样点为0时的负陀螺常漂记数为zero0；当在轨卫星的磁力矩器的电流状态为正磁矩时，读取时间采样点为0时的正陀螺常漂记数为zero0’；

步骤s2：若步骤s1中在轨卫星的磁力矩器的电流状态一直为负磁矩时，则读取时间采样点为a时的负陀螺常漂记数为zeroa；若步骤s1中在轨卫星的磁力矩器的电流状态一直为正磁矩时，读取时间采样点为b时的正陀螺常漂记数为zerob；其中，a＝1,2,3...n，b＝1,2,3...n，n为时间采样点总数；

步骤s3：根据步骤s1中的负陀螺常漂记数zero0和步骤s2中的负陀螺常漂记数zeroa得到时间采样点为a时的负陀螺常漂数zero-；根据步骤s1中的正陀螺常漂记数zero0’和步骤s2中的正陀螺常漂记数为zerob得到时间采样点为b时的正陀螺常漂数zero+；

步骤s4：预设待确认函数f(x)和d(x)，根据步骤s1中的负陀螺常漂数zero-和正陀螺常漂数zero+得到磁力矩器对陀螺常漂数的影响函数表达式；

步骤s5：根据步骤s4中的磁力矩器对陀螺常漂数的影响函数表达式得到bp神经网络输入参数和输出参数；

步骤s6：从数据源中提取样本数据，对样本数据进行归一化处理，确定模型的训练参数，建立bp神经网络进行训练得到函数f(x)和d(x)；

步骤s7：根据函数f(x)和d(x)进行磁力矩器对陀螺常漂干扰预测。

具体的，在步骤s1中，根据在轨卫星两个遥测参数，磁力矩器产生正、负、零磁矩的电流状态和陀螺常漂记数。从数据源处得到的这两个遥测参数的原始数据按下列规则处理：读取第一个磁力矩器产生的磁矩电流状态数据时，记录并判断磁力矩器电流值，分为三种状态：磁力矩器产生负磁矩；磁力矩器产生零磁矩；磁力矩器产生正磁矩。当磁力矩器产生负磁矩时，读取的第一个陀螺常漂记数为zeroa,zero为陀螺常漂记数，a为累计时间采样点。(a＝0，1，2，3…n)。当磁力矩器产生正磁矩时，读取的第一个陀螺常漂记数为zerob,zero为陀螺常漂记数，b为时间采样点。(b＝0，1，2，3…n)。

在步骤s2中，当磁力矩器产生负磁矩时，对第二次采样点数据zeroa而言，先判步骤一中得到的磁力矩是否发生变化。若磁矩状态未变，则根据卫星遥测采样点的增加逐次累加a值。当磁力矩器产生正磁矩时，对下一次采样点数据zerob而言，先判步骤一中得到的磁力矩是否发生变化。若磁矩状态未变，则根据卫星遥测采样点的增加逐次累加b值。

在步骤s3中，当磁力矩器产生负磁矩时，设zero-为欲求数，对陀螺常漂记数zeroa进行处理：根据步骤一的磁矩状态，记录陀螺零漂初值。当a＝0时，zero-＝zeroa＝0；当a不等于0时，

zero-＝zeroa-zero0,a＝1,2,3...n

当磁力矩器产生正磁矩时，设zero+为欲求数，对陀螺常漂记数zerob进行处理：根据步骤一的磁矩状态，记录陀螺零漂初值。当b＝0时，zero+＝zerob＝0；当b不等于0时，

zero+＝zerob-zero0',b＝1,2,3...n。

在步骤s4中，设f(x)、d(x)为待确认函数。根据步骤三可得磁力矩器对陀螺常漂记数的影响函数表达式：

t1＝1，2，3…n是时间记数；t2＝1，2，3…n是时间记数。

在步骤s5中，当磁力矩器电流状态为负磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络输入参数为t1,输出参数为陀螺零位陀螺常漂记数为zero-，从数据源中提取样本数据，样本数据指磁力矩器产生负磁矩的电流状态连续时间至少在5分钟以上。按照5：1的比例确定模型训练集和测试集；当磁力矩器电流状态为正磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络输入参数为t2,输出参数为陀螺零位陀螺常漂记数为zero+，从数据源中提取样本数据，样本数据指磁力矩器产生正磁矩的电流状态连续时间在5分钟以上。按照5：1的比例确定模型训练集和测试集。

在步骤s6中，对样本数据进行归一化处理，即将输入和输出参数放到[-1,1]区间，公式如下：

y＝(y-ymin)/(ymax-ymin)

y为无量纲数，仅为了bp神经网络训练方便而将输入和输出参数值放到[-1,1]区间。之后，确定模型的训练参数。通过不断的试验和调试确定隐藏神经元个数。设置最大迭代次数，训练目标最小误差和学习率，建立bp神经网络进行训练。得到当磁力矩器产生负磁矩时，t1与zero-的关系f(x)；当磁力矩器产生正磁矩时，t2与zero+的关系d(x)。由于磁力矩器产生正磁矩和负磁矩对陀螺常漂记数的影响是不一致的，需要分别求解f(x)、d(x)。

在步骤s7中，用测试集数据对bp神经网络准确性进行检验，确定f(x)、d(x)的准确性。根据t1与zero-的关系f(x)；t2与zero+的关系d(x)，自由设置t1或t2的数值，进行磁力矩器对陀螺常漂干扰预测。

数据源全由9个设计基线相同的卫星提供。均为已发射成功在轨稳定运行时间为4个月到2年不等的卫星且这些卫星均运行在离地球21500km的中圆倾斜轨道。以其中1颗卫星为样本：

表1原始数据

上表中：time为卫星遥测下传采样时间，p为采样时间点计数，i为磁力矩器电流，该系列卫星遥测参数经处理后显示电压值单位为v福特，右下角标对应卫星的三轴磁力矩器。

将9颗卫星的原始数据按下列规则变换：读取初始数据时，记录并判断磁力矩器电流值i，将i分为三类：i∈(-1,2)物理上磁力矩器产生负磁矩；i∈(2,3)产生零磁矩；i∈(3,5)产生正磁矩。当磁力矩器产生负磁矩时，读取的第一个陀螺常漂记数为zeroa,zero为陀螺常漂记数，a为累计时间采样点。(a＝0，1，2，3…n)。当磁力矩器产生正磁矩时，读取的第一个陀螺常漂记数为zerob,zero为陀螺常漂记数，b为时间采样点。(b＝0，1，2，3…n)。当磁力矩器产生负磁矩时，对第二次采样点数据zeroa而言，先判步骤一中得到的磁力矩是否发生变化。若磁矩状态未变，则根据卫星遥测采样点的增加逐次累加a值。当磁力矩器产生正磁矩时，对下一次采样点数据zerob而言，先判步骤一中得到的磁力矩是否发生变化。若磁矩状态未变，则根据卫星遥测采样点的增加逐次累加b值。当磁力矩器产生负磁矩时，设zero-为欲求数，对陀螺常漂记数zeroa进行处理：根据步骤一的磁矩状态，记录陀螺零漂初值。当a＝0时，zero-＝zeroa＝0；当a不等于0时，

zero-＝zeroa-zero0,a＝1,2,3...n

当磁力矩器产生正磁矩时，设zero+为欲求数，对陀螺常漂记数zerob进行处理：根据步骤一的磁矩状态，记录陀螺零漂初值。当b＝0时，zero+＝zerob＝0；当b不等于0时，

zero+＝zerob-zero0',b＝1,2,3...n

设f(x)、d(x)为待确认函数。根据步骤三可得磁力矩器对陀螺常漂记数的影响函数表达式：

t1＝(1，2，3…n)是时间记数；t2＝(1，2，3…n)是时间记数。

当磁力矩器电流状态为负磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络输入参数为t1,输出参数为陀螺零位陀螺常漂记数为zero-，从数据源中提取样本数据，样本数据指磁力矩器产生负磁矩的电流状态连续时间至少在5分钟以上。按照5：1的比例确定模型训练集和测试集；当磁力矩器电流状态为正磁矩时，根据磁力矩器对陀螺常漂记数的影响函数表达式，确定bp神经网络输入参数为t2,输出参数为陀螺零位陀螺常漂记数为zero+。

考虑到空间环境、温度、地磁场及其他干扰因素对二浮陀螺零偏的影响，f(x)、d(x)很难进行具体描述。为了能预测出磁力矩器产生的正负磁矩对陀螺的影响，引入bp神经网络来训练z轴磁力矩器通电时间与x轴陀螺零位输出间的非线性映射稳态模型。

bp神经网络拓扑结构如图2所示，其中x表示模型输入，y表示模型输出，n表示模型输入变量个数，v表示模型输出变量个数，n表示隐含层神经元个数.下面对模型的输入输出、样本采点、模型训练参数设计分进行说明：

建立bp神经网络模型(以d(x)为例)：

确定模型输入为t2，而输出为zero+。该模型为单输入/输出模型，即input＝1,output＝1。

从编号a卫星专项测试数据中提取350条样本数据，作为模型的训练集；提取45条数据为测试集。

为了提高模型精度，需要对模型进行归一化处理，即将输入和输出参数放到[-1,1]区间，公式如下：

y＝(y-ymin)/(ymax-ymin)

确定模型的训练参数。通过不断的试验和调试确定隐藏神经元个数为n＝20，最大迭代次数epochs＝1000，训练目标最小误差为goal＝1×10^-4，学习率lr＝0.001。建立bp神经网络进行训练。当训练次数到达7次时，bp神经网络的误差满足训练误差的要求，认为神经网络训练完成。用测试集45条数据进行检验，输出结果同真实值的误差约为0.99207。

为了进一步验证该模型准确性，分别选取并使用编号b到i的8颗在轨卫星磁力矩器正磁矩卸载时的陀螺零位偏移数据(每颗卫星45条数据)作为测试集，带入模型进行检验，其结果如表2所示：

表2检验结果对比

由上表结果可知,d(x)是准确的。

最后，求解得到：

假设陀螺零位初使值为0且z轴磁力矩器一直正磁矩工作，结合3+1s二浮陀螺设计指标和卫星控制系统控制参数，可以预测出该类型卫星z轴磁力矩器最大正磁矩安全卸载时间为0.45小时。

使用相同方法建立磁力矩器负磁矩与陀螺z零偏关系模型后,假设陀螺零位初使值为0且z轴磁力矩器一直正/负磁矩工作，可得到最大负磁矩安全卸载时间为0.6小时。

本实施例还提供了一种在轨磁力矩器干扰效能预测系统，包括：第一模块，用于当在轨卫星的磁力矩器的电流状态为负磁矩时，读取时间采样点为0时的负陀螺常漂记数为zero0；当在轨卫星的磁力矩器的电流状态为正磁矩时，读取时间采样点为0时的正陀螺常漂记数为zero0’；第二模块，用于若第一模块中在轨卫星的磁力矩器的电流状态一直为负磁矩时，则读取时间采样点为a时的负陀螺常漂记数为zeroa；若第一模块中在轨卫星的磁力矩器的电流状态一直为正磁矩时，读取时间采样点为b时的正陀螺常漂记数为zerob；其中，a＝1,2,3...n，b＝1,2,3...n，n为时间采样点总数；第三模块，用于根据负陀螺常漂记数zero0和负陀螺常漂记数zeroa得到时间采样点为a时的负陀螺常漂数zero-；根据正陀螺常漂记数zero0’和正陀螺常漂记数为zerob得到时间采样点为b时的正陀螺常漂数zero+；第四模块，用于预设待确认函数f(x)和d(x)，根据负陀螺常漂数zero-和正陀螺常漂数zero+得到磁力矩器对陀螺常漂数的影响函数表达式；第五模块，用于根据第四模块中的磁力矩器对陀螺常漂数的影响函数表达式得到bp神经网络输入参数和输出参数；第六模块，用于从数据源中提取样本数据，对样本数据进行归一化处理，确定模型的训练参数，建立bp神经网络进行训练得到函数f(x)和d(x)；第七模块，用于根据函数f(x)和d(x)进行磁力矩器对陀螺常漂干扰预测。

上述实施例中，在第三模块中，时间采样点为a时的负陀螺常漂数zero-为：zero-＝zeroa-zero0,a＝1,2,3...n。

上述实施例中，在第三模块中，时间采样点为b时的负陀螺常漂数zero+为：zero+＝zerob-zero0',b＝1,2,3...n。

上述实施例中，在第四模块中，磁力矩器对陀螺常漂数的影响函数表达式为：

其中，t1为磁力矩器的电流状态为负磁矩时的时间记数；t2为磁力矩器的电流状态为负磁矩时的时间记数。

本实施例通过bp神经网络模型，根据输入的磁力矩器通电方向及时间，预测出磁力矩器对二浮陀螺干扰的效能，计算上提供了简单易行的方法；同时，利用本实施例可优化软件中的漂移补偿算法；对整星的结构设计,外部规避磁力矩干扰设计提供参考。提高磁力矩器的在轨可靠性和易用性。

本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。