[发明专利]一种脉冲等离子体推力器的神经网络控制方法

说明书

本发明公开了一种脉冲等离子体推力器的神经网络控制方法，包括建立多输入单输出的单层神经网络模型，用于分析等离子体推力器推力与脉冲电流之间的关系，建立多输入单输出的多层神经网络模型，输入层为不同幅值和频率的脉冲电流，中间层为脉冲电压，输出层为推力，脉冲电压与脉冲电流成正比，脉冲电压的平方与推力值成正比，从而确定脉冲电流与等离子体推力器的关系，从而获得推力的精确值。通过本发明的技术方案，分析脉冲等离子体的脉冲电流与推力之间的关系，通过优化神经网络算法以提高网络学习的收敛速度和提高网络学习的稳定性，实现推力器推力的实时控制，从而提高应对推力不确定性的能力。

技术领域

本发明属于电推进等离子体控制技术领域，尤其涉及一种脉冲等离子体推力器的神经网络控制方法。

背景技术

电推进是一类利用电能直接加热推进剂或利用电磁作用电离加速推进剂以获得推进动力的先进推进方式，具有较高的比冲、推力和效率，在大型航天器的轨道控制、深空探测和星际航行等空间任务中有广阔的应用前景。

脉冲式离子推力器为电磁式电推力器的一种，目前已被广泛应用于卫星以及深空探测器的主推进系统。

对脉冲等离子体推力器的脉冲控制对于提高优化发动机设计、提高发动机性能具有重要意义。神经网络的控制方法的优点是适合于非线性逼近，对于脉冲等离子体推力器脉冲控制的研究具有重要的学术价值和工程意义，目前还没有专门针对脉冲等离子体推力器脉冲控制的神经网络控制方法研究。

发明内容

以脉冲等离子体推力器为研究对象，分析推力器的脉冲电流大小的不确定性，确定不确定因素，作为神经网络控制器的输入；通过神经网络对推力器脉冲电流的控制参数进行调节，通过优化神经网络算法以提高网络学习的收敛速度和提高网络学习的稳定性，实现推力器推力的实时控制，从而提高应对推力不确定性的能力。

具体地，本发明的技术方案如下：一种脉冲等离子体推力器的神经网络控制方法，其特征在于，包括以下步骤：

S1：建立多输入单输出的单层神经网络模型，其中，输入层为不同幅值和频率的脉冲电流，输出层为推力，输入层和输出层直接相连，具有其中，X＝(x₁，x₂......x_n)为脉冲电流输入，x_i为脉冲电流输入分量；W＝(w₁，w₂......w_n)为权重向量，代表每个脉冲电流对推力的影响程度，w_i为权重分量；b为脉冲电流阈值；y为推力输出；f为输入层与输出层之间的函数关系；n为神经元的个数，i为神经元的序号；

S2：建立多输入单输出的多层神经网络模型，其中，输入层为不同幅值和频率的脉冲电流，中间层为脉冲电压，输出层为推力；脉冲电压与脉冲电流成正比，进而得到输入层与中间层之间的连接；脉冲电压的平方与推力值成正比，进而确定推力的精确值；

S3：对于脉冲电流输入数据，随机抽取5％的数据作为检验组，其余95％的数据为训练组，训练组作为学习样本用于神经网络模型的学习构建，检验组用于神经网络模型的准确性验证；选取测量q个状态点，表示为I_i＝f(A_i，w_i，b_i)，其中，I为不同状态点的脉冲电流，A为脉冲电流的幅值，w为脉冲电流的频率，b为脉冲电流的相位，i为状态点序号，i＝1......q；

S4：对于多输入单输出的多层神经网络模型的中间层，定义中间层为脉冲电压，其神经网络的参数向量U^T＝[u₁，u₂，...，u_n]，网络在中间层输入下的偏差e^T＝[e₁，e₂，...，e_m]，其中，n为神经元的个数，m为训练样本的个数，损失函数f为平方和误差的形式：