En primer lugar, el autor revisó el par ambiental considerado en LEO. Para las naves espaciales LEO, el par aerodinámico y el par de gradiente de gravedad se consideraron principalmente. El par de gradiente de gravedad se utilizó a menudo para estabilizar el apuntado a la Tierra con varios grados de error. El par aerodinámico jugó un papel dominante en el LEO e interfirió con el sistema de control, provocando que la nave espacial se invirtiera al final de la misión. Posteriormente, el autor demostró el marco cinemático y dinámico de la predicción de actitud. La actitud del satélite normalmente se define mediante la rotación entre el sistema inercial centrado en la Tierra (ECI) y el marco fijo del cuerpo. La secuencia de rotación del ángulo de Euler utilizada en este trabajo fue guiñada-cabeceo-rolado. La ecuación cinemática de actitud normalmente se describe mediante el ángulo de Euler o los cuaterniones. El autor eligió cuaterniones considerando la principal ventaja de la representación del cuaternión era que la ecuación cinemática de actitud estaba libre de singularidades, y la matriz de la ecuación cinemática era lineal.
A continuación, el autor introdujo el método de filtrado y determinación de la actitud. En la predicción de bucle abierto, la medición precisa de la actitud del satélite fue muy importante. Una pequeña desviación inicial podría hacer que los resultados de la predicción se desviaran gradualmente de la condición real. El método más directo para estimar la actitud del satélite durante un tiempo prolongado fue combinar el modelo dinámico con los datos de observación, y luego calcular la estimación óptima de acuerdo con el principio de mínima varianza. Después de obtener la estimación de la actitud, la información no modelada de orden superior podría extraerse de los datos originales a través de la identificación de estado extendido, lo cual fue fundamental para refinar el modelo dinámico. Así, en detalle, los resultados de la estimación del estado del satélite se obtuvieron mediante el filtro de Kalman extendido (EKF), y luego el par no modelado del satélite se estimó mediante una serie del observador de estado extendido (ESO). Cabe destacar que en el proceso de EKF, el ruido del proceso y el ruido de medición deben cumplir las condiciones de la no correlación lineal, la media cero y la distribución gaussiana, de lo contrario el resultado del filtrado puede ser inexacto. Por otro lado, la estimación de la incertidumbre, incluyendo el acoplamiento interno, las perturbaciones externas desconocidas y la dinámica no modelada, podría determinarse con poca información de observación mediante la construcción de un observador de estado extendido. Después de obtener la estimación óptima de la actitud con el EKF, se introdujo una serie de observadores de estado extendidos para extraer la información no modelada de orden superior que se ocultaba en la actitud.
Luego, se construyó una red de retropropagación (BP) de doble capa oculta para aprender el par ambiental no modelado en el satélite. La red neuronal BP tenía una alta capacidad de generalización y autoaprendizaje y podía reconstruir la relación de mapeo entre el estado y el par ambiental, lo cual jugó un papel crítico en el sistema de predicción de actitud. En la red neuronal de tres capas, la capa de entrada de la red fue la información de actitud medida, y la señal tutora del aprendizaje supervisado fue el par no modelado. La función de activación de la primera capa oculta fue la función “Relu”. Mientras que la función de activación de la segunda capa oculta fue una función “Sigmoid”. Mover, la normalización de la red fue esencial. Dado que la magnitud del par ambiental identificado era demasiado pequeña, el conjunto de entrenamiento debía mapearse al rango de [0,1] mediante la normalización para una mejor eficiencia de entrenamiento. La transformación lineal correspondiente también fue necesaria para la eficiencia del entrenamiento.
Finalmente, el autor presentó el proceso completo y los resultados de la simulación del sistema de predicción. La nave espacial objetivo se seleccionó como la estación espacial Tiangong-1 que descendía a la atmósfera. Debido al efecto de acoplamiento de la órbita de la nave espacial y la actitud, fue difícil considerar la influencia independiente del par ambiental de forma independiente. Por lo tanto, se utilizaron 13 parámetros de estado, incluyendo una posición de tres ejes, una velocidad de tres ejes (ambas expresadas en el sistema de coordenadas J2000), un cuaternión y una velocidad angular, en la simulación. Una perturbación se agregó artificialmente a la simulación como el par ambiental no modelado. Los resultados de la simulación mostraron que este método tenía una alta precisión de predicción y una alta confiabilidad con medición discontinua, lo que demostró la superioridad y la viabilidad del nuevo método. Además, este método tenía una alta capacidad de expansión y podría aplicarse a varios campos de predicción de alta precisión con perturbaciones no modeladas. Se podrían obtener fácilmente resultados de predicción excelentes optimizando el algoritmo de identificación y diseñando una función de activación adecuada.
