小推力转移燃料消耗估计的机器学习方法

李海洋; 宝音贺西

doi:10.15982/j.issn.2095-7777.2019.02.012

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名

邮箱

手机号码

标题

留言内容

验证码

小推力转移燃料消耗估计的机器学习方法

doi: 10.15982/j.issn.2095-7777.2019.02.012

清华大学航天航空学院, 北京 100084

Machine Learning Method of Estimation for Fuel Consumption of Low-Thrust Transfers

School of Aerospace Engineering, Tsinghua University, Beijing 100084, China

摘要: 深空探测任务设计初段往往需要求解复杂的全局优化问题。小推力轨迹的设计与优化问题精确求解较为复杂，求解速度较慢。由于计算能力与时间要求，不可能在全局优化的过程中对每一个方案都进行精确的小推力数值求解，所以在全局优化阶段需要对小推力转移进行快速准确地估计。采用机器学习的方法，对燃料最优小推力转移的燃料消耗进行了估计，其结果明显优于目前最为常用的Lambert估计方法。根据轨道描述方法的不同以及是否带有Lambert估计特征，采用不同的特征组合进行机器学习，分析结果发现带有Lambert估计特征的春分点轨道根数的特征组合为较好的机器学习特征组合。可为未来深空探测任务轨道设计提供参考。
- 小推力 /
- 燃料最优 /
- 快速估计 /
- 机器学习
Abstract: It is often necessary to solve complex global optimization problems in the preliminary deep space mission design. The exact solution to the design and optimization of low-thrust trajectory is more difficult and time-consuming, because of the limitation of calculation ability and time,it's impossible to solve each low-thrust problem accurately using numerical methods in the global optimization process. In this paper,we propose a machine learning method to estimate the fuel consumption for fueloptimal low-thrust transfer. The results show the performance is better compared with the Lambert method which is commonly used at present. Different features are used for machine learning,and the major differences are different orbit description and whether Lambert estimation result is considered. The feature with equinoctial orbit elements and Lambert estimation is the best feature. It can provide reference for future orbit design of deep space exploration mission.
- low-thrust /
- fuel optimal /
- fast estimation /
- machine learning

[1]	GATTO G,CASALINO L. Fast evaluation and optimization of lowthrust transfers to multiple targets[J]. Journal of Guidance Control & Dynamics,2014,38(8):420-423.
[2]	LI H Y,CHEN S Y,BAOYIN H X. J2-perturbed multi-target rendezvous optimization with low thrust[J]. Journal of Guidance, Control,and Dynamics,2018,41(3):802-808.
[3]	AMPATZIS C, IZZO D. Machine learning techniques for approximation of objective functions in trajectory optimisation[C]//Artificial Intelligence in Space(IJCAI-09 Workshop). Pasadena, California in US:Artificial Intelligence in Space(IJCAI-09 Workshop),2009.
[4]	CASSIOLI A,DI LORENZO D,LOCATELLI M,et al. Machine learning for global optimization[J]. Computational Optimization & Applications,2012,51(1):279-303.
[5]	HENNES D,IZZO D,LANDAU D. Fast approximators for optimal low-thrust hops between main belt asteroids[C]//Computational Intelligence(SSCI),2016 IEEE Symposium Series on 2016. Athens, Greece:IEEE,2016.
[6]	CASALINO L,COLASURDO G. Problem description for the 7th global trajectory optimisation competition. GTOC portal[EB/OL]. (2014)[2018-4-10]http://sophia.estec.esa.int/gtocportal,2014.
[7]	JIANG F H,BAOYIN H X,LI J F. Practical techniques for lowthrust trajectory optimization with homotopic approach[J]. Journal of Guidance,Control,and Dynamics,2012,35(1):245-258.
[8]	PEDREGOSA F,VAROQUAUX G,GRAMFORT,A,et al. Scikitlearn:machine learning in Python[J]. Journal of Machine Learning Research,2011(12):2825-2830.

[1]	李贺, 王禹, 杜小振, 曾庆良. 一种可跳跃的月面移动机器人系统设计 . 深空探测学报(中英文）, 2020, 7(3): 304-310. doi: 10.15982/j.issn.2095-7777.2020.20191011011
[2]	滕锐, 韩宏伟, 乔栋. 火星探测最优离轨制导方法研究 . 深空探测学报(中英文）, 2020, 7(2): 184-190. doi: 10.15982/j.issn.2095-7777.2020.20190315001
[3]	徐亚男, 康小录, 余水淋. 磁屏蔽霍尔推力器技术的发展与展望 . 深空探测学报(中英文）, 2018, 5(4): 354-360. doi: 10.15982/j.issn.2095-7777.2018.04.005
[4]	柯森锎, 李爽, 肖东东, 王卫华, 聂钦博. 基于高斯伪谱法的火星表面上升燃耗最优轨迹设计 . 深空探测学报(中英文）, 2018, 5(3): 269-275. doi: 10.15982/j.issn.2095-7777.2018.6.009
[5]	王元超, 郑建华, 潘之辰, 李明涛. 脉冲星候选样本分类方法综述 . 深空探测学报(中英文）, 2018, 5(3): 203-211,218. doi: 10.15982/j.issn.2095-7777.2018.3.001
[6]	耿金越, 熊子昌, 龙军, 沈岩, 刘旭辉, 陈君. 微阴极电弧推力器研究进展 . 深空探测学报(中英文）, 2017, 4(3): 212-218,231. doi: 10.15982/j.issn.2095-7777.2017.03.002
[7]	熊森, 程谋森, 王墨戈, 杭观荣, 康小录. 同心嵌套式霍尔推力器参数设计方法研究 . 深空探测学报(中英文）, 2017, 4(3): 238-244. doi: 10.15982/j.issn.2095-7777.2017.03.006
[8]	任德鹏, 李青, 彭松. 月面探测器燃料电池应用的初步研究 . 深空探测学报(中英文）, 2017, 4(6): 552-556. doi: 10.15982/j.issn.2095-7777.2017.12.008
[9]	苏奕粼, 侯绪研, 曹盼, 薛萍萍, 唐天峰, 李龙, 陈涛, 姜生元. 针对在轨维护的爬行机器人足粘附机理研究 . 深空探测学报(中英文）, 2017, 4(3): 293-298. doi: 10.15982/j.issn.2095-7777.2017.03.015
[10]	朱政帆, 高扬. 空间小推力轨道最优Bang-Bang控制的两类延拓解法综述 . 深空探测学报(中英文）, 2017, 4(2): 101-110. doi: 10.15982/j.issn.2095-7777.2017.02.001
[11]	安然, 王敏, 梁新刚. 基于不变流形的地-月L2点转移轨道优化设计 . 深空探测学报(中英文）, 2017, 4(3): 252-257. doi: 10.15982/j.issn.2095-7777.2017.03.008
[12]	潘迅, 泮斌峰. 基于同伦方法三体问题小推力推进转移轨道设计 . 深空探测学报(中英文）, 2017, 4(3): 270-275. doi: 10.15982/j.issn.2095-7717.2017.03.011
[13]	袁旭, 朱圣英. 基于伪谱法的小天体最优下降轨迹优化方法 . 深空探测学报(中英文）, 2016, 3(1): 51-55. doi: 10.15982/j.issn.2095-7777.2016.01.008
[14]	倪彦硕, 施伟璜, 杨洪伟, 宝音贺西, 李俊峰. 利用Breakwell间距比法制定行星际探测中途修正策略 . 深空探测学报(中英文）, 2016, 3(1): 83-89. doi: 10.15982/j.issn.2095-7777.2016.01.013
[15]	秦同, 朱圣英, 崔平远. 火星软着陆能量最优制导律转移能力分析 . 深空探测学报(中英文）, 2015, 2(3): 218-223. doi: 10.15982/j.issn.2095-7777.2015.03.005
[16]	傅惠民, 娄泰山, 肖强. 火星进入段探测器自校准状态估计 . 深空探测学报(中英文）, 2015, 2(3): 224-228. doi: 10.15982/j.issn.2095-7777.2015.03.006
[17]	赵凡宇, 徐瑞, 崔平远. 资源约束突变的航天器观测快速重调度优化算法 . 深空探测学报(中英文）, 2015, 2(3): 262-266. doi: 10.15982/j.issn.2095-7777.2015.03.012
[18]	郑博, 张泽旭, 周浩, 揭昭斌, 崔祜涛. 一种小推力借力飞行转移轨道初始设计方法 . 深空探测学报(中英文）, 2015, 2(3): 256-261. doi: 10.15982/j.issn.2095-7777.2015.03.011
[19]	江秀强, 陶婷, 杨威, 李爽. 附着小天体的最优制导控制方法 . 深空探测学报(中英文）, 2015, 2(1): 53-60. doi: 10.15982/j.issn.2095-7777.2015.01.008
[20]	郭延宁, 马广富, 曾添一, 崔祜涛. 基于燃料最优解的火星精确着陆制导策略研究 . 深空探测学报(中英文）, 2015, 2(1): 61-68. doi: 10.15982/j.issn.2095-7777.2015.01.009

点击查看大图

计量

文章访问数: 684
HTML全文浏览量: 34
PDF下载量: 323
被引次数: 0

小推力转移燃料消耗估计的机器学习方法

清华大学航天航空学院, 北京 100084

收稿日期: 2017-12-31

修回日期: 2018-05-10

刊出日期: 2019-04-01

关键词:

小推力 /

燃料最优 /

快速估计 /

机器学习

摘要: 深空探测任务设计初段往往需要求解复杂的全局优化问题。小推力轨迹的设计与优化问题精确求解较为复杂，求解速度较慢。由于计算能力与时间要求，不可能在全局优化的过程中对每一个方案都进行精确的小推力数值求解，所以在全局优化阶段需要对小推力转移进行快速准确地估计。采用机器学习的方法，对燃料最优小推力转移的燃料消耗进行了估计，其结果明显优于目前最为常用的Lambert估计方法。根据轨道描述方法的不同以及是否带有Lambert估计特征，采用不同的特征组合进行机器学习，分析结果发现带有Lambert估计特征的春分点轨道根数的特征组合为较好的机器学习特征组合。可为未来深空探测任务轨道设计提供参考。

全文HTML

参考文献 (8)

留言板

小推力转移燃料消耗估计的机器学习方法

doi: 10.15982/j.issn.2095-7777.2019.02.012

Machine Learning Method of Estimation for Fuel Consumption of Low-Thrust Transfers

计量

小推力转移燃料消耗估计的机器学习方法

doi: 10.15982/j.issn.2095-7777.2019.02.012

清华大学航天航空学院, 北京 100084

English Abstract

Machine Learning Method of Estimation for Fuel Consumption of Low-Thrust Transfers

School of Aerospace Engineering, Tsinghua University, Beijing 100084, China

全文HTML

目录

留言板

小推力转移燃料消耗估计的机器学习方法

doi: 10.15982/j.issn.2095-7777.2019.02.012

Machine Learning Method of Estimation for Fuel Consumption of Low-Thrust Transfers

计量

出版历程

小推力转移燃料消耗估计的机器学习方法

doi: 10.15982/j.issn.2095-7777.2019.02.012

清华大学 航天航空学院, 北京 100084

English Abstract

Machine Learning Method of Estimation for Fuel Consumption of Low-Thrust Transfers

School of Aerospace Engineering, Tsinghua University, Beijing 100084, China

全文HTML

目录

清华大学航天航空学院, 北京 100084