Forscher schlagen eine auf einem tiefen neuronalen Netzwerk basierende analoge 4-Quadranten-Sonnensensorkalibrierung vor

Ein Raumfahrzeug kann den Lagezustand abschätzen, indem es externe Messungen von Lagesensoren mit Referenzinformationen vergleicht. CubeSats verwenden in der Regel analoge 4-Quadranten-Solarsensoren, die angesichts der Begrenzung des Satellitenvolumens und der Nutzlast die Vorteile eines extrem geringen Stromverbrauchs, eines minimalen Volumens, einer geringen Komplexität, niedriger Kosten und einer hohen Zuverlässigkeit als Lagesensoren bieten. Die Leistung des Sensors kann durch das Kalibrierungsverfahren und das Kompensationsmodell erheblich verbessert werden.

Allerdings führen die verschiedenen Fehlerquellen bei der Kalibrierung des 4-Quadranten-Sonnensensors zu einem komplizierten Prozess bei der Erstellung des Kompensationsmodells. Deep Learning, das in den letzten Jahren im Luft- und Raumfahrtbereich weit verbreitet ist, ist in der Lage, jede kontinuierliche Funktion auf einer begrenzten geschlossenen Menge zu approximieren und liefert so neue Ideen zur Lösung des traditionellen Problems.

In einer kürzlich veröffentlichten Forschungsarbeit in Weltraum: Wissenschaft und Technologieschlagen Autoren der Northwestern Polytechnical University, des Deutschen Zentrums für Luft- und Raumfahrt und der Dalian University of Technology gemeinsam eine Methode zur Kalibrierung von Sonnensensoren durch Deep Learning vor, die nicht nur in der Lage ist, den Einfluss verschiedener Fehler zu integrieren, sondern auch die Notwendigkeit einer Analyse und Modellierung jedes Fehlers vermeidet Einzelfehler.

Die Autoren erläutern zunächst den Kalibrierungsprozess des Sonnensensors basierend auf der kubischen Oberflächenanpassung. Die Kalibrierungs- und Testplattform des Sonnensensors umfasst eine Sonnensimulationslichtquelle, einen hochpräzisen 2-Achsen-Drehteller und einen Servocontroller. Die Ausgänge des Sonnensensors sind der Einfallswinkel λ und der Azimut υ, deren theoretische Werte aus dem Winkel des Drehtellers ermittelt werden und deren tatsächliche Werte vom Sonnensensor gemessen werden. Es gibt große Fehler zwischen den theoretischen und tatsächlichen Werten, bis zu 3°.

Durch Einsetzen der theoretischen und tatsächlichen Werte in die Oberflächenanpassungsformel 3. Ordnung erhält man das kubische Oberflächenanpassungsmodell. Der Ausgabewert des analogen Sonnensensors wird durch das kubische Oberflächenanpassungsmodell korrigiert und der Fehler effektiv reduziert. Am Rand des FOV (Sichtfelds) des Sonnensensors treten jedoch größere Fehler auf.

Anschließend stellen die Autoren das Lernen und Training des tiefen neuronalen Netzwerkmodells vor, das sich dem tatsächlichen Fehlermodell annähert und zur Fehlerkorrektur verwendet wird. Im Kalibrierungsexperiment des analogen Sonnensensors wird das tiefe Feedforward-Neuronale Netzwerk so ausgewählt, dass es zum Fehlermodell passt, wobei ReLU (lineare Gleichrichtungsfunktion) als Aktivierungsfunktion und eine vollständige Verbindung als Verbindungsmodus zwischen zwei benachbarten Schichten ausgewählt werden der mittlere quadratische Fehler (MSE) als Verlustfunktion. Das neuronale Netzwerk wird durch den Gradientenabstiegsalgorithmus und den Backpropagation-Algorithmus trainiert.

Abschließend wird die Wirksamkeit des vorgeschlagenen Algorithmus anhand experimenteller Daten überprüft. Im Kalibrierungsexperiment eines analogen Sonnensensors ist das Training des Netzwerkmodells in zwei Phasen unterteilt: Der Datensatz wird in der anfänglichen Trainingsphase durch das kubische Oberflächenanpassungsmodell generiert, während das tiefe Netzwerkmodell die gemessenen Daten zum Lernen übernimmt letzte Ausbildungsphase.

Darüber hinaus werden Lerndaten mithilfe der Max-Min-Methode auf die Größe zwischen 0 und 1 normiert. Nach dem Netzwerklernen in der Anfangsphase konzentriert sich der Fehler zwischen der Ausgabe des Netzwerkmodells und dem geschätzten Wert des kubischen Oberflächenanpassungsmodells auf 0,02°, was darauf hinweist, dass das tiefe Netzwerkmodell zu diesem Zeitpunkt das kubische Oberflächenanpassungsmodell besser abbilden kann .

In der letzten Trainingsphase des Feedforward-Neuronalen Netzwerkmodells kann der Kalibrierungsfehler des Einfallswinkels 0,1° (1σ) und 0,25° (3σ) erreichen, was den Kalibrierungseffekt des kubischen Oberflächenanpassungsmodells erheblich verbessert. Diese Ergebnisse zeigen, dass die Methode deterministische Fehler, einschließlich punktueller Verzerrungen und Montagefehler, effektiv beseitigen kann.