基于机器学习的卫星星座碰撞预警问题研究

作     者：李岱 

作者单位：哈尔滨工业大学 

学位级别：硕士

导师姓名：张刚

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：轨道预报 大气参数 神经网络 碰撞预警 低轨星座 

摘      要：随着太空环境中空间目标数量的快速上升,对在轨航天器的威胁不断增加。因此,航天器的碰撞预警至关重要,是航天器能够正常运行的重要保障。航天器的碰撞预警离不开精确的轨道预报。通常碰撞预警流程中进行轨道预报采用的是高精度的数值预报模型。但是对于大型星座来说,要对每一颗卫星进行精确地轨道预报需要占用很大的计算能力,而且计算效率很低。且随着星座内卫星数量的增加,计算量呈现出指数型增加的趋势。本文对利用机器学习补偿动力学轨道预报进行了研究,将神经网络补偿解析预报模型引入到星座碰撞预警流程中,提高了计算效率。首先介绍了轨道预报中涉及到的各项基本理论,介绍了轨道计算中用到的不同类型的时间系统与坐标系统,并介绍了不同时间与坐标系表达方式之间的转换公式。然后介绍了航天器实际运行中涉及到的各类环境摄动力,建立了高精度轨道动力学模型。然后利用BP神经网络建立动力学预报误差模型,并根据训练后的BP神经网络的输出对动力学模型的预报结果进行误差补偿,从而提高预报的精度。对于高精度数值预报模型,通过神经网络学习位置速度与预报误差之间的关系。对于线性J解析预报模型,利用神经网络模拟轨道六根数与预报误差之间的关系。根据仿真实验的验证,神经网络对两种预报模型结果的修正都可以提高70%以上的预报精度。接着利用BP网络学习动力学模型中大气参数的变化规律,按照训练后神经网络的输出对大气参数进行修正,再代入到原来的预报模型中,从而提高预报的精度。对于SGP4解析预报模型,利用神经网络学习典型阻力系数B随太阳活动指数以及地磁指数的变化规律。对于高精度数值预报模型,通过神经网络大气阻力系数C随太阳活动指数以及地磁指数的变化规律。根据仿真实验的验证,神经网络对两种预报模型中大气参数的修正都可以提高30%以上的预报精度。最后利用神经网络补偿线性J解析模型替代数值预报模型,建立了单颗卫星的碰撞预警流程,再引入GPU并行计算,建立起快速计算的星座的碰撞预警流程。对于单星碰撞预警流程,按照预报精度从低到高的顺序,首先利用简单的几何关系快速排除没有碰撞风险的空间目标,然后通过Box区域判定方法筛选出卫星与空间目标接近的时刻点,最后利用神经网络补偿线性J模型计算接近时刻的位置,并计算碰撞概率。在此基础上,引入GPU并行计算,建立起星座碰撞预警流程。对于星座内部的卫星碰撞可以通过相位差筛选、经过相交点时间差筛选等方式进一步减少计算量。根据仿真实验的结果,建立的星座碰撞预警流程可以将计算效率提高90%以上。