por el Instituto de Tecnología de Beijing Press Co.
Plataforma de calibración y testeo del sensor solar. Préstamo: Espacio: ciencia y tecnología
La nave espacial puede estimar el estado posicional comparando las mediciones externas de los sensores de actitud con información de referencia. Los CubeSat tienden a utilizar sensores solares analógicos de 4 cuadrantes, que tienen las ventajas de un consumo de energía extremadamente bajo, un volumen mínimo, una complejidad baja, un costo bajo y una alta confiabilidad como sensores de actitud, dadas las limitaciones del volumen y la carga útil del satélite. El rendimiento del sensor se puede mejorar significativamente con un procedimiento de calibración y un modelo de compensación.
Sin embargo, las diversas fuentes de error que afectan la calibración del sensor solar de 4 cuadrantes conducen a un proceso complicado para establecer un modelo de compensación. El aprendizaje profundo, que ha sido ampliamente utilizado en el campo aeroespacial en los últimos años, es capaz de aproximar cualquier función continua sobre un conjunto cerrado finito, aportando nuevas ideas para resolver un problema tradicional.
En un artículo de investigación publicado recientemente en Espacio: ciencia y tecnologíaLos autores de la Universidad Politécnica del Noroeste, el Centro Aeroespacial Alemán y la Universidad Tecnológica de Dalian proponen conjuntamente un método para calibrar los sensores solares mediante el aprendizaje profundo, que no solo es capaz de integrar el impacto de varios errores, sino que también evita la necesidad de analizar y modelar cada uno de ellos. error.
Los autores explican primero el proceso de calibración del sensor de irradiación basado en el ajuste a áreas cúbicas. La plataforma de prueba y calibración del sensor solar incluye una fuente de luz para simular la luz solar, una mesa giratoria de precisión de 2 ejes y un servocontrolador. Las salidas del sensor de insolación son el ángulo de incidencia λ y el acimut υ, cuyos valores teóricos se obtienen del ángulo de giro de la mesa, y los valores reales son medidos por el sensor de insolación. Hay grandes errores entre los valores teóricos y reales, hasta 3°.
Al sustituir los valores teóricos y reales en la fórmula de ajuste de superficie de orden 3, se obtiene un modelo de ajuste de superficie cúbico. La salida del sensor de insolación analógica se corrige mediante el modelo de ajuste de área cúbica y el error se reduce efectivamente. Los errores más grandes, sin embargo, ocurren cerca del borde del FOV (campo de visión) del sensor solar.
Luego, los autores presentan el entrenamiento y el entrenamiento de un modelo de red neuronal profunda que se aproxima al modelo de error real y se utiliza para la corrección de errores. En el experimento de calibración del sensor solar analógico, se seleccionó una red neuronal de alimentación directa profunda para ajustarse al modelo de error, donde se seleccionó ReLU (función de enderezamiento lineal) como la función de activación, la conexión completa como el modo de conexión entre 2 capas adyacentes y el error cuadrático medio (MSE) como las pérdidas de función. La red neuronal se entrena utilizando un algoritmo de descenso de gradiente y un algoritmo de retropropagación.
Finalmente, se verifica la efectividad del algoritmo propuesto utilizando datos experimentales. En el experimento de calibración del sensor de insolación analógica, el entrenamiento del modelo de red se divide en dos pasos: el modelo de ajuste cúbico genera el conjunto de datos en el paso de entrenamiento inicial, mientras que el modelo de red profunda acepta los datos medidos para el entrenamiento en el último entrenamiento. paso.
Además, los datos de entrenamiento se normalizan a un valor entre 0 y 1 utilizando el método max-min. Después de entrenar la red en la etapa inicial, el error entre la salida del modelo de red y el valor estimado del modelo de ajuste cúbico se concentra en 0,02°, lo que indica que el modelo de red profunda puede representar mejor el modelo de ajuste cúbico en este momento. .
En la etapa de entrenamiento final del modelo de red neuronal de retroalimentación, el error de calibración del ángulo incidente puede alcanzar 0,1° (1σ) y 0,25° (3σ), lo que mejora en gran medida el efecto de calibración del modelo de ajuste de superficie cúbica. Estos resultados muestran que el método puede eliminar de manera efectiva los errores deterministas, incluidas las distorsiones de puntos y los errores de ensamblaje.
Proporcionado por Beijing Institute of Technology Press Co.