Araştırmacılar, derin bir sinir ağı tabanlı 4 çeyrek analog güneş sensörü kalibrasyonu önermektedir.

Bir uzay aracı, tutum sensörlerinden gelen harici ölçümleri referans bilgileriyle karşılaştırarak tutum durumunu tahmin edebilir. CubeSats, uydu hacminin ve yükün sınırlandırılması göz önüne alındığında, tutum sensörleri olarak son derece düşük güç tüketimi, minimum hacim, düşük karmaşıklık, düşük maliyet ve yüksek güvenilirlik avantajlarına sahip 4 çeyrek analog güneş sensörlerini kullanma eğilimindedir. Sensörün performansı, kalibrasyon prosedürü ve telafi modeli ile önemli ölçüde iyileştirilebilir.

Ancak, 4 bölgeli güneş sensörünün kalibrasyonunu etkileyen çeşitli hata kaynakları, karmaşık bir telafi modeli oluşturma sürecine yol açar. Son yıllarda havacılık alanında yaygın olarak kullanılan derin öğrenme, geleneksel problemi çözmek için yeni fikirler sağlayarak, sınırlı kapalı bir küme üzerindeki herhangi bir sürekli fonksiyona yaklaşabilmektedir.

Geçenlerde yayınlanan bir araştırma makalesinde Uzay: Bilim ve TeknolojiNorthwestern Polytechnical University, German Aerospace Center ve Dalian University of Technology’den yazarlar birlikte, yalnızca çeşitli hataların etkisini entegre etmekle kalmayıp aynı zamanda her birini analiz etme ve modelleme ihtiyacını ortadan kaldıran derin öğrenme yoluyla güneş sensörlerini kalibre etmek için bir yöntem önermektedir. tek hata

Yazarlar önce güneş sensörünün kalibrasyon sürecini kübik yüzey uyumuna dayalı olarak açıklamaktadır. Güneş sensörünün kalibrasyon ve test platformu, bir güneş simülasyonu ışık kaynağı, yüksek hassasiyetli 2 eksenli döner tabla ve servo denetleyici içerir. Güneş sensörünün çıktıları, teorik değerleri döner tablanın açısından elde edilen ve gerçek değerleri güneş sensörü tarafından ölçülen geliş λ ve azimut υ’dır. Teorik ve gerçek değerler arasında 3°’ye kadar büyük hatalar vardır.

Teorik ve gerçek değerler 3’lü yüzey bağlantı formülünde yerine konularak kübik yüzey bağlantı modeli elde edilir. Analog güneş sensörünün çıkış değeri, kübik yüzey uydurma modeli ile düzeltilir ve hata etkili bir şekilde azaltılır. Ancak, güneş sensörünün FOV (görüş alanı) kenarına yakın daha büyük hatalar vardır.

Daha sonra yazarlar, gerçek hata modeline yaklaşan ve hata düzeltme için kullanılan derin sinir ağı modelinin öğrenimini ve eğitimini tanıtmaktadır. Analog güneş sensörünün kalibrasyon deneyinde, hata modeline uyacak şekilde derin ileri beslemeli sinir ağı seçilir, burada aktivasyon fonksiyonu olarak ReLU (doğrusal düzeltme fonksiyonu), 2 bitişik katman arasındaki bağlantı modu olarak tam bağlantı ve kayıp fonksiyonu olarak ortalama kare hatası (MSE). Sinir ağı, gradyan iniş algoritması ve geri yayılım algoritması ile eğitilir.

Son olarak, önerilen algoritmanın etkinliği deneysel veriler kullanılarak doğrulanmıştır. Bir analog güneş sensörünün kalibrasyon deneyinde, ağ modelinin eğitimi iki aşamaya ayrılır: veri seti, ilk eğitim aşamasında kübik yüzey uydurma modeli tarafından üretilirken, derin ağ modeli, öğrenme için ölçülen verileri benimser. son eğitim aşaması.

Ek olarak, öğrenme verileri max-min yöntemiyle 0 ile 1 arasındaki büyüklüğe normalize edilir. İlk aşamada ağ öğreniminden sonra, ağ modelinin çıktısı ile kübik yüzey uydurma modelinin tahmini değeri arasındaki hata 0,02° içinde yoğunlaşır, bu da şu anda derin ağ modelinin kübik yüzey uydurma modelini daha iyi eşleyebileceğini gösterir. .

İleri beslemeli sinir ağı modelinin son eğitim aşamasında, olay açısının kalibrasyon hatası 0,1° (1σ) ve 0,25°’ye (3σ) ulaşabilir, bu da kübik yüzey uydurma modelinin kalibrasyon etkisini büyük ölçüde geliştirir. Bu sonuçlar, yöntemin nokta distorsiyonu ve montaj hataları dahil olmak üzere deterministik hataları etkili bir şekilde ortadan kaldırabildiğini göstermektedir.