基于深度学习的海上火箭发射平台姿态稳定控制方法

1.基于深度学习的海上火箭发射平台姿态稳定控制方法，其特征在于，该方法包括以下步骤：步骤S1：获取海上火箭发射平台在历史运行过程中的历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据；判断所述发射平台的运行状态，所述运行状态包括平稳状态、中等扰动状态和强扰动状态；步骤S2：统计所述发射平台的所有历史运行节点时间，并生成历史运行节点时间集合；将运行状态与历史运行节点时间进行对应关系映射；步骤S3：根据映射关系，标记运行状态转移事件；对所有的运行状态转移事件进行识别，并生成运行状态转移矩阵；计算任意一种运行状态转移事件的运行状态转移概率；计算运行状态转移概率之间的误差转移概率；步骤S4：提取所有的运行状态转移概率，将概率最高的运行状态作为初步预测的下一运行状态；计算目标姿态角阈值；预设误差阈值，若总误差转移概率大于等于误差阈值，则执行控制策略；若总误差转移概率小于误差阈值，则直接切换至目标姿态角阈值；所述步骤S2的具体实施过程包括：统计所述发射平台的所有历史运行节点时间，并生成历史运行节点时间集合，记为 ，其中， 表示第t个历史运行节点时间，T表示历史运行节点时间总数；将平稳状态、中等扰动状态和强扰动状态分别标记为 、 和 ，根据历史运行节点时间集合，将运行状态与历史运行节点时间进行时间→运行状态的对应关系映射，其中，一个历史运行节点时间对应一个运行状态，即 ，且 ；所述步骤S3的具体实施过程包括：根据映射关系，对运行状态转移事件进行梳理，如果相邻两个历史运行节点时间发生了运行状态转移，则标记为运行状态转移事件，所述运行状态转移表示为 ，其中， 且i、j≠v；对所有的运行状态转移事件进行识别，并生成运行状态转移矩阵，记为： ，其中， 表示由运行状态 转移到运行状态 ，即 ；根据运行状态转移矩阵和历史运行节点时间集合，统计每一种运行状态转移事件的数量，记为 ；根据每一种运行状态转移事件的数量，计算任意一种运行状态转移事件的运行状态转移概率，具体计算公式如下： ，其中， 表示由 的运行状态转移事件的运行状态转移概率；计算运行状态 转移到运行状态 的运行状态转移概率和运行状态 转移到运行状态 的运行状态转移概率之间的误差转移概率，计算公式如下： ，其中， 表示误差转移概率， 表示预设的运行状态 的扰动权重， 表示预设的误差项， 表示由运行状态 到运行状态 的运行状态转移事件的运行状态转移概率。 2.根据权利要求1所述的基于深度学习的海上火箭发射平台姿态稳定控制方法，其特征在于，所述步骤S1的具体实施过程包括：通过传感器与数据处理分析技术，获取海上火箭发射平台在历史运行过程中的历史运行状态参数，所述历史运行状态参数包括历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据；基于所述历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据，判断所述发射平台的运行状态，具体如下：预设姿态角数据区间、横摇角速度数据区间和环境干扰力数据区间；若历史姿态角数据小于等于所述姿态角数据区间的最小值、历史横摇角速度数据小于等于所述横摇角速度数据区间的最小值，且历史环境干扰力数据小于等于所述环境干扰力数据区间的最小值，则判断运行状态为平稳状态；若历史姿态角数据在所述姿态角数据区间内、历史横摇角速度数据在所述横摇角速度数据区间内，且历史环境干扰力数据在所述环境干扰力数据区间内，则判断运行状态为中等扰动状态；若历史姿态角数据大于等于所述姿态角数据区间的最大值、历史横摇角速度数据大于等于所述横摇角速度数据区间的最大值，且历史环境干扰力数据大于等于所述环境干扰力数据区间的最大值，则判断运行状态为强扰动状态。 3.根据权利要求2所述的基于深度学习的海上火箭发射平台姿态稳定控制方法，其特征在于，所述步骤S4的具体实施过程包括：若当前运行状态为 ，提取所有的运行状态转移概率 ，将概率最高的运行状态 作为初步预测的下一运行状态，具体为： ；根据下一运行状态 和误差转移概率 ，调整目标姿态角阈值，具体如下： ，其中， 表示目标姿态角阈值， 表示运行状态 对应的姿态角物理极限值， 表示预设的当前姿态偏差修正系数， 表示运行状态 对应的姿态角， 表示当前实际姿态角， 表示预设的调节系数， 表示运行状态 转移到其他所有非自身状态的总误差转移概率；预设误差阈值，若总误差转移概率 大于等于误差阈值，则基于目标姿态角阈值 ，执行控制策略，具体如下： ，其中， 表示姿态角调整步长， 表示预设的最大姿态调整步长， 表示预设的姿态偏差阈值， 表示预设的基础姿态调整步长；若总误差转移概率 小于误差阈值，则直接切换至目标姿态角阈值 。 4.基于深度学习的海上火箭发射平台姿态稳定控制系统，执行如权利要求1-3中任一项所述的基于深度学习的海上火箭发射平台姿态稳定控制方法，其特征在于，所述系统包括：数据获取与状态判断模块、映射模块、矩阵构建与误差计算模块和阈值计算与控制模块；所述数据获取与状态判断模块：获取海上火箭发射平台在历史运行过程中的历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据；判断所述发射平台的运行状态，所述运行状态包括平稳状态、中等扰动状态和强扰动状态；所述映射模块：统计所述发射平台的所有历史运行节点时间，并生成历史运行节点时间集合；将运行状态与历史运行节点时间进行对应关系映射；所述矩阵构建与误差计算模块：根据映射关系，标记运行状态转移事件；对所有的运行状态转移事件进行识别，并生成运行状态转移矩阵；计算任意一种运行状态转移事件的运行状态转移概率；计算运行状态转移概率之间的误差转移概率；所述阈值计算与控制模块：提取所有的运行状态转移概率，将概率最高的运行状态作为初步预测的下一运行状态；计算目标姿态角阈值；预设误差阈值，若总误差转移概率大于等于误差阈值，则执行控制策略；若总误差转移概率小于误差阈值，则直接切换至目标姿态角阈值。 5.根据权利要求4所述的基于深度学习的海上火箭发射平台姿态稳定控制系统，其特征在于：所述数据获取与状态判断模块包括数据获取单元和状态判断单元；所述数据获取单元：通过传感器与数据处理分析技术，获取海上火箭发射平台在历史运行过程中的历史运行状态参数，所述历史运行状态参数包括历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据；基于所述历史姿态角数据、历史横摇角速度数据和历史环境干扰力数据；所述状态判断单元：判断所述发射平台的运行状态，具体如下：预设姿态角数据区间、横摇角速度数据区间和环境干扰力数据区间；若历史姿态角数据小于等于所述姿态角数据区间的最小值、历史横摇角速度数据小于等于所述横摇角速度数据区间的最小值，且历史环境干扰力数据小于等于所述环境干扰力数据区间的最小值，则判断运行状态为平稳状态；若历史姿态角数据在所述姿态角数据区间内、历史横摇角速度数据在所述横摇角速度数据区间内，且历史环境干扰力数据在所述环境干扰力数据区间内，则判断运行状态为中等扰动状态；若历史姿态角数据大于等于所述姿态角数据区间的最大值、历史横摇角速度数据大于等于所述横摇角速度数据区间的最大值，且历史环境干扰力数据大于等于所述环境干扰力数据区间的最大值，则判断运行状态为强扰动状态。 6.根据权利要求5所述的基于深度学习的海上火箭发射平台姿态稳定控制系统，其特征在于：所述映射模块包括映射单元；所述映射单元：统计所述发射平台的所有历史运行节点时间，并生成历史运行节点时间集合；根据历史运行节点时间集合，将运行状态与历史运行节点时间进行时间→运行状态的对应关系映射，其中，一个历史运行节点时间对应一个运行状态。 7.根据权利要求6所述的基于深度学习的海上火箭发射平台姿态稳定控制系统，其特征在于：所述矩阵构建与误差计算模块包括矩阵构建单元和误差计算单元；所述矩阵构建单元：根据映射关系，对运行状态转移事件进行梳理，如果相邻两个历史运行节点时间发生了运行状态转移，则标记为运行状态转移事件；对所有的运行状态转移事件进行识别，并生成运行状态转移矩阵；所述误差计算单元：根据运行状态转移矩阵和历史运行节点时间集合，统计每一种运行状态转移事件的数量；根据每一种运行状态转移事件的数量，计算任意一种运行状态转移事件的运行状态转移概率；计算运行状态转移概率之间的误差转移概率。 8.根据权利要求7所述的基于深度学习的海上火箭发射平台姿态稳定控制系统，其特征在于：所述阈值计算与控制模块包括阈值计算单元和控制单元；所述阈值计算单元：提取所有的运行状态转移概率，将概率最高的运行状态作为初步预测的下一运行状态；根据下一运行状态和误差转移概率，调整目标姿态角阈值；所述控制单元：预设误差阈值，若总误差转移概率大于等于误差阈值，则基于目标姿态角阈值，执行控制策略；若总误差转移概率小于误差阈值，则直接切换至目标姿态角阈值。