论文部分内容阅读
热控系统是空间望远镜的服务性和保障性系统,其主要任务是在整个任务周期内为所有空间望远镜任务单元,如机电设备、关键零部件、镜组以及科学有效载荷等,提供一个可靠且适合的热环境。传统热控技术的策略与措施具有可靠性高、控制简单等特点,对于运行在固定轨道上的望远镜来说是非常实用且适用的。然而,随着各种新型空间载荷的不断引入以及望远镜探测任务的升级,空间望远镜对温度的敏感性越来越高,温度控制要求变得越来越高。同时,当空间望远镜需要完成变轨、快速机动等复杂的空间任务时,热控系统必须能够及时根据当前的环境变化以及望远镜自身需求自主进行热控策略调整。上述这些需求对传统热控技术提出了巨大的挑战,主要体现在以下4个方面:首先,要求提高热分析建模与计算效率,并实现多工况自适应建模;其次,要求热设计优化过程摆脱过度依赖工程师经验的束缚,实现优化过程的自动化与智能化;第三,要求实现空间望远镜的温度预测,具有预控温功能,降低望远镜温度波动;第四,要求主动热控系统能够根据环境及系统变化情况在线自适应整定系统参数,以达到智能自主运行。为此,本文对空间望远镜热控技术的发展现状进行了概述,并基于机器学习等人工智能技术在代理模型、温度预测、多目标优化及多软件集成仿真等方面的应用优势,提出了一种基于机器学习的空间望远镜智能热控技术,并围绕温度预测、热设计参数优化、多软件集成仿真等问题,开展了基于机器学习的空间望远镜热分析代理建模、基于机器学习的热设计参数多目标优化、基于机器学习的空间望远镜在轨温度预测、及基于DOS命令的多软件集成仿真系统等关键技术研究。传统热控技术以及热设计方案是智能热控的根基,一个好的智能优化热控方案是建立在一个稳固的传统热控设计基础之上的,一个坚固的传统热设计方案也能帮助我们更好的理解和发现智能算法与航天器热控的结合交叉点。所以,文章首先基于某大气指标探测器空间望远镜（简称DQM）的热设计工作详细阐述了热设计的流程、措施以及在这个过程中可以改进的和与机器学习等算法相结合的点,以此为基础,开展余文所描述的智能热控等一系列的工作。然后,研究了基于代理模型的空间望远镜热设计参数优化方案。空间望远镜向着深空探测、机动变轨方向发展,其经历的热环境变化且复杂。望远镜的温度直接影响着其成像质量,合理的热设计是保证望远镜稳定工作的基础。空间望远镜热设计参数优化主要通过参数遍历和反复尝试,存在严重依赖工程师经验、计算工作量大、耗时长且难以达到全局最优的等问题。第三章节提出一种基于改进的反向传播神经网络（称作GAALBP）建立代理模型,同时采用遗传算法（GA）优化模型参数的设计方法,简称SMPO。利用GAALBP建立大气指标探测器（称作DQM）的代理模型,与通过传统反向传播神经网络、径向基神经网络等方法建立的代理模型进行对比,结果表明基于GAALBP的代理模型回归率达到99.99%,MSE误差小于2×10-6,最大绝对误差小于4×10-3。采用GA优化代理模型的热设计参数,通过有限元仿真验证优化结果,对比手动热设计参数设计结果,CMOS最高温度降低5.33℃,最低温度降低0.39℃,温度波动降低4倍,且参数优化计算耗时缩小近十倍。此外,SMPO显示出多功能性,可用于为各种复杂的工程应用提供了较好的选择指导参数和优化。然后,提出了一种基于多软件集成的热源布局热设计优化策略,并通过仿真对比验证其可行性及有效性。多芯片组件（Muti-chip-module,MCM）是将数个LSI/VLSI/ASIC裸芯片和其它元器件搭载在互联基板上实现整体封装,裸芯片作为热源,其在基板上的位置直接关系到整体结构的热载荷分布和芯片结温,进而影响组件性能与可靠性,因此热布局优化成为多芯片组件热设计的重要部分。对此,本文建立一套抽象的多芯片组件模型代理模型,并提出一种基于多软件集成的智能优化系统来实现热源布局设计,通过WINDOWS DOS命令调用MATLAB、PYTHON、NX/SST等软件,同时嵌套多目标优化算法（非支配排序遗传算法NSGA-II）实现对MCM组件热源布局智能优化,仿真表明该方法能有效提升多芯片组件热布局优化速度、精度与智能化程度,验证了本文所提出的智能优化布局系统的有效性及实用性。最后,研究了基于PROPHET算法的空间望远镜温度预测。温度预测可预知望远镜未来的温度变化趋势,实现预先判断和提前介入控制,望远镜飞行的温度预测对实现航天器温度波动的“削峰填谷”以及自身热管理极其重要。同时,望远镜轨道温度预测在热系统故障分析诊断、指导热设计以及实现航天器热系统智能体都有很大的实际指导意义。温度预测是实现空间望远镜在轨温度预判和智能控制的基础。本文基于PROPHET算法对空间望远镜温度进行预测,建立了温度预测模型,开展了空间望远镜温度预测研究。首先,建立空间望远镜热分析模型,分析了系统动态特性。接着,基于PROPHET算法建立预测模型,然后给出PROPHET预测模型的输入、输出变量以及训练集和验证集的数据样本。最后,以空间望远镜关键控温点相邻两轨的温度值作为PROPHET预测模型的输入,其下一轨温度波动为模型的输出,给出预测结果。仿真结果表明,能够有效预测空间望远镜温度。这是第一次PROPHET在空间望远镜温度预测上应用,望远镜温度数据具有明显的时间序列性质,并且温度呈现周期性波动,这使得PROPHET算法在航天器在轨温度预测上表现优异。