(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111220164.1 (22)申请日 2021.10.20 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 李爽　叶松　林子瑞　刘旭　杨彬　 黄旭星　乔毅涛　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/27(2020.01) G06F 111/10(2020.01) G06F 119/14(2020.01) (54)发明名称 基于局部配点法和神经网络的入轨能力评 估与轨迹重构方法 (57)摘要 本发明公开了一种基于局部配点法和神经 网络的入轨能力评估与轨迹重构方法， 步骤如 下： (1)局部配点法轨迹优化得到运载火箭无故 障条件下入轨最优轨迹； (2)对动力故障进行逻 辑分类， 采用神经网络模型对离线仿真得到的大 量数据库进行训练学习， 建立动力故障与任务能 力之间的映射关系； (3)针对任意预定的动力故 障模式， 根据前述建立的故障模式与火箭任务能 力之间的映射关系， 评估火箭当前任务能力。 本 发明实现运载火箭推力下 降时入轨能力评估和 在线轨迹重构， 提高了发射任务的成功率。 权利要求书3页 说明书10页 附图8页 CN 114065375 A 2022.02.18 CN 114065375 A 1.一种基于局部配点法和神经网络的入轨能力评估与轨迹重构方法， 其特征在于， 包 括以下步骤： (1)建立运载火箭上升轨迹优化问题， 对所述轨迹优化问题进行求解， 得到一条参考轨 迹； (2)对不同动力故障运载火箭进行离线仿真分析， 利用局部配点法进行轨迹优化， 建立 运载火箭进入目标轨道和次级轨道的离线轨 迹数据库； (3)采用神经网络学习轨迹数据库， 建立动力故障与入轨能力之间的映射关系； 针对任 意预定的动力故障模式， 根据映射关系， 评估火箭当前任务能力； 如果火箭还具有任务能 力， 则在任务能力范围内， 根据预置的偏好， 重新调整目标任务， 采用在线规划方法重新规 划上升轨迹。 2.根据权利要求1所述的基于局部配点法和神经网络的入轨能力评估与轨迹重构方 法， 其特征在于， 所述 步骤(1)实现过程如下： 运载火箭上升 轨迹优化问题的目标函数为： min J＝‑mf 其中， J为轨迹优化的目标函数； mf为运载火箭在tf时刻的质量； tf运载火箭芯级关机时 刻； 运载火箭的状态方程如下： 其中， r为火箭质心距地心的距离(m)； v为飞行器相对地球的速度(m/s)； m为火箭的质 量(kg)； θ 为飞行航程角(rad)； γ 为航迹角(rad)； α 为攻角(rad)； Iep为火箭发动机的燃料比 冲(s)； g0为海平面的重力加速度(m/s2)； μ为地球引力常数； G＝ ‑m μ/r2为运载火箭受到的引 力； P为运载火箭在飞行 过程中受到的来自发动机的总推力： 其中， PE为运载火箭助推级火箭的推力大小， PC为运载火箭芯级火箭的推力大小， te为 运载火箭助推级 脱离时刻； D和L分别为阻力和升力： 权　利　要　求　书 1/3 页 2 CN 114065375 A 2其中， CL和CD为阻力系数和升力系数， Sref为火箭的参考面积(m2)； ρ 为大气密度(kg/m3)， ρ0为海平面大气密度， h为 运载火箭飞行高度， h0为常量； 运载火箭在上升时应满足初始约束、 末端约束、 范围约束和路径约束； 初始约束如下： r(t0)＝r0， θ(t0)＝θ0， v(t0)＝v0， γ(t0)＝γ0， m(t0)＝m0， α(t0)＝α0 其中， t0为初始时刻； r为飞行高度； m0为运载火箭的初始质量， m0＝4mP+mC+mf+ml， 其中mP 为运载火箭助推级的质量， mC为运载火箭芯级发动机的质量， mf为运载火箭整流罩的质量， ml为运载火箭载荷的质量； θ0， v0， γ0和 α0分别为对应的状态变量初值； 运载火箭飞行应满足机动能力与 结构承受能力， 运载火箭在飞行过程中控制量和状态 量应在一定范围内变化， 从而 使运载火箭 正常飞行， 因此运载火箭应满足如下 范围约束： αmin≤α ≤αmax， γmin≤γ≤γmax， rmin≤r≤rmax， vmin≤v≤vmax， 其中， αmin， αmax， γmin， γmax， rmin， rmax， vmin， vmax分别是对应控制变量和状态变量的上下 界， 为攻角 α 随着时间的变化 率， ωmin与ωmax为 的上下界； 运载火箭脱离发射塔之前保持垂直飞行， 对攻角施加如下路径约束： α ＝0， t0≤t≤t1 其中， α 为 攻角， t0为运载火箭 开始飞行时刻， t1为运载火箭垂直飞行 结束时刻； 运载火箭的末端约束为： r(tf)＝rf， v(tf)＝vf， γ(tf)＝γf 其中， rf， vf， γf为火箭入轨时的轨道高度、 速度与航迹角。 3.根据权利要求1所述基于局部配点法和神经网络的入轨能力评估与轨迹重构方法， 其特征在于， 步骤(2)所述的不同运载火箭故障模式为发动机推力比例下降和运载火箭发 动机推力线性持续下降两种模式， 其中： a)运载火箭发动机推力下降为发动机原推力的比例值， 对应数 学模型为： 其中， Pxt为运载火箭芯级发动机推力大小； Pzt为四个助推级推力大小之和； kx_k， kz_k分 别表示芯级发动机与助推级发动机发生推力比例下降故障后 发动机输出推力大小与额定 推力的比例系数； Pxt_k， Pzt_k分别为芯级发动机与助推级发动机发生推力下降故障后输出的 推力值； b)运载火箭发动机推力持续线性下降至一定推力值， 对应数 学模型为： 其中， kx_l， kz_l分别表示芯级发动机与助推级发动机发生推力比例下降故障后发动机权　利　要　求　书 2/3 页 3 CN 114065375 A 3