【摘 要】
:
随着卫星飞行任务的不断扩展以及控制精度要求的不断提高,卫星状态监测技术已经成为保证在轨卫星安全可靠运行的关键技术之一,其中卫星热场反演是卫星状态监测中的重要一环,通过对系统热场监测准确定位温度异常点,发现潜在不可靠因素,对于提高系统寿命和可靠性起着十分重要作用。通过有限测点数据反演整体热场是典型的热分析逆问题,无法通过有限元等数值仿真方法进行求解。常用工程手段主要基于插值等方法,但是精度十分有限,
论文部分内容阅读
随着卫星飞行任务的不断扩展以及控制精度要求的不断提高,卫星状态监测技术已经成为保证在轨卫星安全可靠运行的关键技术之一,其中卫星热场反演是卫星状态监测中的重要一环,通过对系统热场监测准确定位温度异常点,发现潜在不可靠因素,对于提高系统寿命和可靠性起着十分重要作用。通过有限测点数据反演整体热场是典型的热分析逆问题,无法通过有限元等数值仿真方法进行求解。常用工程手段主要基于插值等方法,但是精度十分有限,且不能自适应学习预测点和监测点间的物理相关性。本论文引入深度学习方法构建热场反演计算模型,从问题建模、求解方法以及方法性能优化三个方面对卫星热场反演方法开展了系统性的研究,形成了一套高精度、高效的热场反演方法。全文研究内容包括以下四个方面:首先,本文研究了卫星热场反演问题的建模。从实际工程应用出发,定义了热源系统热场反演任务,建立了该任务的数学模型。实现了热场数值仿真方法,并结合热场反演任务定义了评估热场重构性能的四项指标,为后续热场反演方法提供数据支持和评价标准。其次,本文研究了内嵌物理知识深度学习方法。结合热场反演任务,提出了基于内嵌物理知识神经网络的热场反演方法。通过热场物理信息与传感器测点信息编码到神经网络损失函数,将热场反演任务转化为最小化损失函数的优化问题,再利用梯度优化算法求解热场。该方法能够减少热场反演对测点数量的依赖,利用少量测点准确反演热场。通过算例分析验证了上述方法的有效性。然后,针对噪声测点影响热场反演方法重构性能问题,本文提出了基于测点位置优化的内嵌物理知识热场反演方法。通过观测方程和有限差分方法离散的热场控制方程,利用罚函数方法将带约束的热场反演任务转化为无约束优化问题。在噪声测点下,通过对该优化问题的误差分析,理论上证明了重构误差上界与测点位置条件数正相关。将条件数最小化作为评价准则对测点位置优化,由此提升噪声条件下反演算法的鲁棒性。实验结果验证了上述方法的有效性。最后,针对反演模型训练效率问题,本文提出了基于元学习初始化的内嵌物理知识神经网络热场反演加速方法。Reptile元学习算法仅能利用有标签数据在相似任务上的监督学习得到模型初始化参数。为克服这一局限,结合热场信息对Reptile元学习算法损失项进行改进,通过在有标签和无标签的相似任务上学习获取初始化参数后,在新任务上快速反演出热场。数值算例结果验证了热场反演加速方法的有效性。综上,论文以卫星热场反演任务研究为切入点,探索了基于内嵌物理知识深度学习的热场反演方法,进一步提出了考虑噪声测点下的热场反演改进方法以及针对模型训练效率的热场反演加速方法,能够突破传统插值方法在反演问题上的局限性,为后续工程实际应用提供借鉴和指导。
其他文献
作为社会最基本的组织单位,家庭在满足老人经济支持、生活照护、精神慰藉等养老需求中发挥着重要作用,是其他养老模式所无法替代的。然而,伴随着家庭结构趋向小型化、人口跨区域流动、思想观念转变等社会变迁,传统的家庭养老功能逐渐式微,并呈现加速弱化的趋势。因此,在厘清家庭养老功能变迁轨迹的基础上,可对我国家庭养老现实困境进行剖析,并提出有利于家庭养老功能重塑的对策建议,以期为缓解我国老龄化压力、促进家庭关系
随着大数据处理技术的发展,基于深度学习的目标检测方法广泛应用于视频监控、自动驾驶、医学图像分析、人脸识别、遥感图像分析等领域。由于传统相机在高速运动和极端光照场景下会产生运动模糊和过曝欠曝现象,导致目标检测算法失效,拥有高动态范围、高时间分辨率等特性的事件相机为复杂条件下的目标检测算法研究提供了新的方向。目前,基于事件相机的目标检测算法面临的重要挑战问题是,如何充分利用事件相机输出的事件序列的特有
目前航天任务的发展逐渐多样化,以在轨服务技术为代表的空间任务不断增加。在航天器在轨服务的任务执行过程中,首先要在保证服务航天器和目标不发生碰撞的情况下对目标实施接近。由于航天器本身的易损性和目标可能存在的非合作性,对服务航天器接近过程中的控制技术提出了较高的要求。同时航天器的安全接近控制方法在其他空间操作任务中具有非常重要的意义。本文以空间目标在轨操作为研究背景,研究了对空间碎片等障碍物和失控的非
在机械臂的设计与制造中,借助仿生思想是一种重要思路。肌肉是驱动人体关节活动的主要驱动器,作为一类生物软材料,肌肉对于软体机械臂的研发起着借鉴作用,而肌肉力学模型的建立对于探索生物肌肉作动机理的研究是十分重要的。近年来,随着仿生控制的机械臂尤其是人工肌肉驱动的智能机械臂的广泛使用,分析生物骨骼肌作动原理、建立力学模型将对机械臂的设计工作提供参考依据。本文以分析肌肉力学特性,建立体现肌肉时变作动力特性
近年来,随着强化学习方法在各个领域所取得的显著成绩,如何优化强化学习方法的学习过程得到了越来越多的关注。由于强化学习的学习机制,智能体需要在学习过程中不断试错,利用收集到的样本积累经验,更新自身策略。在强化学习算法的应用中,由环境状态特征不明确、回报值稀疏、样本质量低、探索空间过大等所导致的学习效率低下问题成为强化学习所面临的一大挑战。人工势场法所提供的势函数可以形式化地表示当前观测状态中的态势分
军事指标作为评价军事领域发展状况的重要标准,在评估军事发展现状和指导发展方向等方面具有重要作用。当前军事领域指标主要依靠专家通过对评价对象深入研究后提出,其构建过程给领域专家带来大量繁琐的工作并且效率不高,没有一个有力的辅助工具对专家构建军事指标提供支撑。因此,本文提出将历史积累的军事指标进行系统分类、有效组织,为构建新的军事指标体系提供参考,提升军事指标体系的构建效率,为领域专家提供有力辅助。本
软件的脆弱性是软件自身存在的安全缺陷,因软件的错误行为引发的安全故障,软件的脆弱性检测就是找到并识别出软件的安全故障。随着现代软件规模的不断增加和程序复杂度的逐步演化,软件开源逐渐成为主流的开发趋势,目前开源软件的脆弱性定位方法仍以人工检测为主,程序开发人员通过检查软件源代码来定位漏洞所在的位置。然而单单依靠手动分析找出所有的代码缺陷与软件漏洞几乎是不可能实现的,并且基于人工的软件脆弱性检测方法因
自动调制分类(AMC)是无线通信系统中参数估计、信号解调和频谱管理等技术的基础,在民用领域和军事领域都有重要的作用。随着通信技术的快速发展,现代通信中调制样式日趋多样化和复杂化,传统的调制识别技术已难以适应如今复杂的通信环境和繁杂的调制样式。相对于专家依赖性较高、适用范围较小的人工设计特征,深度学习方法可以从复杂的数据结构中学习通用特征,并获得较高的分类精度,因此,用深度学习方法进行自动调制分类是
多智能体问题是一类在军事、经济和物理世界中广泛存在的挑战性问题,其核心是如何获取智能体之间合作或非合作模式下的整体最优策略,其求解难度随着智能体数量和博弈强度而指数上升,因此面临着算法可支持的智能体数量少和难收敛等难题。与此同时,其作为典型的决策问题,强化学习和规划方法是多智能体问题主流的解决手段。强化学习(Reinforcement Learnning)通过与环境不断交互获取数据并进行学习,在以
随着小型无人机在测绘、摄影等民用领域和局部地区冲突等军事领域的广泛应用,小型无人机严重威胁公共安全和国家安全,小型无人机防御系统也因此得到迅速发展。在小型无人机防御系统中,指挥决策负责高效筹划防御任务和准确部署兵力,是小型无人机防御系统的核心能力。因此,对于防御指挥决策技术已成为小型无人机防御研究的重点。强化学习算法通过与环境交互学习以寻找问题最优解,凭借较强的自学习能力及模型适应能力,已在基础理