CN107992669A - 一种航天器解体事件的类型判定方法和系统 - Google Patents
一种航天器解体事件的类型判定方法和系统 Download PDFInfo
- Publication number
- CN107992669A CN107992669A CN201711212888.5A CN201711212888A CN107992669A CN 107992669 A CN107992669 A CN 107992669A CN 201711212888 A CN201711212888 A CN 201711212888A CN 107992669 A CN107992669 A CN 107992669A
- Authority
- CN
- China
- Prior art keywords
- disintegration
- mrow
- fitness value
- particle
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种航天器解体事件的类型判定方法和系统，通过将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数中得到个体粒子的适应度值；基于最优算法遍历每个粒子的适应度值得到个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置；通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更新，并输出更新后的每个粒子的速度和位置下的最小适应度值，根据最最小适应度值确定航天器解体事件的类型的技术方案，解决了可及时判定航天器解体事件的类型的技术问题，当航天器发生解体事件时，为其提供一种求解速度快，结果准确的定量分析的方法。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种航天器解体事件的类 型判定方法和系统。
背景技术
空间碎片，尤其是航天器的空间碎片，主要是通过航天器的撞击 解体事件和/或航天器的爆炸解体事件产生，当发生航天器的空间解体 事件时，解体事件的类型的判定对维护国家空间安全、维护国家空间 权益有着重要意义，目前解体事件类型判定的方法主要集中于对解体 事件的定性分析，从而得出结论。
针对解体事件类型的判定，主要依据情报分析和/或解体能量的大 小分析，一般通过分析碎片的分离速度、解体能量、碰撞预警分析、 与卫星之间的通信以及相关情报定性分析从而判断航天器的解体类 型，即到底是发生了撞击解体事件还是爆炸解体事件。
基于情报分析判定解体事件类型时，依赖航天器与卫星之间的通 信获得相关情报，但是在航天器解体时，很可能伴随卫星通信故障的 发生，直接导致情报获取中断或终止，无法及时判定航天器解体事件 的类型。
基于解体能量的大小分析判定解体事件类型时，依赖于航天器解 体模型的建立。航天器解体模型的建立主要依靠实验数据进行拟合得 到航天器爆炸解体模型和航天器撞击解体模型。空间撞击解体模型的 主要经历了三个阶段，由最初的早期模型经过修正过渡到Battelle模型， 再到目前应用广泛的NASA标准解体模型；目前应用广泛的就是NASA 标准解体模型中的爆炸解体模型。
建立NASA标准解体模型的数据来源于在20世纪90年代末NASA 对航天器爆炸和撞击进行的实验，所以拟合建立了NASA标准解体模 型，并被应用于EVOLVE4.0等空间碎片环境模型中，应用中包括了航 天器爆炸和撞击解体两方面内容。模型中给出了碎片尺寸分布、面质 比分布和分离速度分布，因尺寸分布模型以幂律的形式给出，而面质 比和分离速度分布则正态分布形式给出，具有不确定性，所以相比较 而言，尺寸分布更能代表此次解体事件的特点，更具有说服性，因此， 本发明选择解体模型的尺寸分布作为解体事件类型判断的输入，会使 得输出的结果更加准确。
发明内容
为了解决上述技术问题，本发明的提供了一种航天器解体事件的 类型判定方法和系统，解决了可及时判定航天器解体事件的类型的技 术问题，当航天器发生解体事件时，为其提供一种求解速度快，结果 准确的定量分析的方法。
本发明一方面提供了一种航天器解体事件的类型判定方法，该方 法包括：
将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数 中得到个体粒子的适应度值；
基于最优算法遍历每个粒子的适应度值得到个体粒子的适应度值 对应的最优位置及群体粒子的最优适应度值中的最优位置；
通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应 度值中的最优位置分别对每个粒子的速度和位置进行更新，并输出更 新后的每个粒子的速度和位置下的最小适应度值，根据最小适应度值 确定航天器解体事件的类型。
进一步的，所述目标函数为：
式中，dr为个体粒子的适应度值，所述适应度值为解体模型计算 得到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误 差；D为碎片样本的数量；LcN为解体模型中的决策变量，为根据解体 模型计算得到的第N个碎片特征尺寸Lc，L′cN为解体事件中第N个碎片 的真实特征尺寸L′c，N为解体事件中按照碎片的尺寸大小排列的碎片 尺寸序号。
进一步的，将解体模型中的决策变量和碎片的真实特征尺寸输入 到目标函数中得到个体粒子的适应度值，包括：
将解体模型计算得到的碎片特征尺寸Lc和接收到的航天器解体事 件中碎片的真实特征尺寸L′c输入到目标函数中，得到解体模型计算得 到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误 差，从而得到决策变量中个体粒子的适应度值。
进一步的，所述解体模型的决策变量包括：
爆炸类型解体模型的决策变量，爆炸类型解体模型的决策变量计 算公式如下：
式中，S是无量纲系数。
撞击类型解体模型的决策变量，撞击类型解体模型的决策变量计 算公式如下：
式中，mtot为解体质量，单位为kg。
进一步的，解体质量mtot的计算方法如下：
式中，mp为碎片的射弹质量，mt为碎片的目标质量；v为碎片的 撞击速率；为碎片的实际比动能，即碎片的射弹动能与目标质量的 比值；为碎片的临界比能。
进一步的，所述基于最优算法遍历每个粒子的适应度值得到个体 粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优 位置，包括：
对解体模型的决策变量中的无量纲系数S和/或解体质量mtot赋值， 分别设定循环步长；
基于最优算法遍历赋值后的决策变量，得到个体粒子的适应度值， 以及个体粒子的适应度值对应的位置；将个体粒子的适应度值和其经 历过的位置的适应度值进行比较，将数值小的适应度值对应的位置作 为该个体粒子的最优位置；
将每个个体粒子的最优位置对应的适应度值和群体中每个个体粒 子的最优位置的适应度值进行比较，将数值小的适应度值对应的位置 作为群体粒子的最优适应度值中的最优位置。
进一步的，通过个体粒子的适应度值对应的最优位置及群体粒子 的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更 新，包括：
在任意t+1时刻，粒子群群体中第i个粒子的第d维的速度和位置 更新公式为：
vid(t+1)＝wvid(t)+c1r1d(pid(t)-xid(t))+c2r2d(t)(pgd(t)-xid(t))
xid(t+1)＝xid(t)+vid(t+1)
式中，i∈[1,50]为粒子种群中的第i个粒子；d∈[1,10]每个粒子的维度； w为动力常量，该动力常量控制前一速度对当前速度的影响，为非负数； c1和c2为学习因子，是非负常数；r1和r2为相互独立的随机数，服从[0,1]上 的均匀分布；pid为第i个粒子迄今为止搜索到的最优位置；pgd为整个粒 子群最优位置为；其中位置取值范围xid∈[1,1000]；速度取值范围为 vid∈[-100,100]。
进一步的，将数值小的适应度值对应的位置作为群体粒子的最优 适应度值中的最优位置之后，还包括：
得到解体模型的决策变量中的某一赋值后的无量纲系数S和/或解 体质量mtot下对应的最优解，判断循环是否结束，循环未结束则计算下 一个赋值后的无量纲系数S和/或解体质量mtot下对应的最优解；循环结 束则输出所有最优解中计算结果最小的适应度值。
进一步的，根据最小适应度值确定航天器解体事件的类型，包括：
将最小适应度值与解体模型中的预存储的值进行比较，差值小的 预存储的值对应的解体事件的类型为本次航天器解体事件的类型。
本发明另一方面还提供了一种航天器解体事件的类型判定系统， 包括：
输入模块，用于将解体模型中的决策变量和碎片的真实特征尺寸 输入到目标函数中得到个体粒子的适应度值；
遍历模块，用于基于最优算法遍历每个粒子的适应度值得到个体 粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优 位置；
判定模块，用于通过个体粒子的适应度值对应的最优位置及群体 粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行 更新，并输出更新后的每个粒子的速度和位置下的最小适应度值，根 据最小适应度值确定航天器解体事件的类型。
本发明提供的一种航天器解体事件的类型判定方法和系统，通过 将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数中得 到个体粒子的适应度值；基于最优算法遍历每个粒子的适应度值得到 个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的 最优位置；通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更新，并 输出更新后的每个粒子的速度和位置下的最小适应度值，根据最最小 适应度值确定航天器解体事件的类型的技术方案，解决了可及时判定 航天器解体事件的类型的技术问题，当航天器发生解体事件时，为其 提供一种求解速度快，结果准确的定量分析的方法。
附图说明
图1为根据本发明的一种航天器解体事件的类型判定方法的实施 例一的流程图；
图2为根据本发明的一种航天器解体事件的类型判定方法的碎片 尺寸特征示意图；
图3为根据本发明的一种航天器解体事件的类型判定方法的爆炸 模型碎片特征尺寸分布曲线示意图；
图4为根据本发明的一种航天器解体事件的类型判定方法的撞击 模型碎片特征尺寸分布曲线示意图；
图5-1至图5-10为根据本发明的一种航天器解体事件的类型判定 方法的不同维度的适应度分布曲线示意图；
图6-1为根据本发明的一种航天器解体事件的类型判定方法的爆 炸解体模型适应度曲线示意图；
图6-2为根据本发明的一种航天器解体事件的类型判定方法的撞 击解体模型适应度曲线示意图；
图7-1至图7-2为根据本发明的一种航天器解体事件的类型判定方 法的适应度最小值曲线示意图；
图8-1为根据本发明的一种航天器解体事件的类型判定方法的爆 炸解体模型适应度曲线示意图；
图8-2为根据本发明的一种航天器解体事件的类型判定方法的撞 击解体模型适应度曲线示意图；
图9-1至图9-2为根据本发明的一种航天器解体事件的类型判定方 法的适应度最小值曲线示意图；
图10-1至图10-2为根据本发明的一种航天器解体事件的类型判定 方法的碎片对应不同模型的适应度曲线示意图；
图11为根据本发明的一种航天器解体事件的类型判定系统的实施 例二的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不 是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没 有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发 明保护的范围。
实施例一
如图1所示，本发明实施例一提供了一种航天器解体事件的类型 判定方法，该方法包括步骤S110至步骤S130。
在步骤S110中，将解体模型中的决策变量和碎片的真实特征尺寸 输入到目标函数中得到个体粒子的适应度值。
在步骤S120中，基于最优算法遍历每个粒子的适应度值得到个体 粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优 位置。
在步骤S130中，通过个体粒子的适应度值对应的最优位置及群体 粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行 更新，并输出更新后的每个粒子的速度和位置下的最小适应度值，根 据最小适应度值确定航天器解体事件的类型。
进一步的，所述目标函数为：
式中，dr为个体粒子的适应度值，所述适应度值为解体模型计算 得到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误 差；D为碎片样本的数量；LcN为解体模型中的决策变量，为根据解体 模型计算得到的第N个碎片的特征尺寸Lc，L′cN为解体事件中第N个碎 片的真实特征尺寸L′c，N为解体事件中按照碎片的特征尺寸大小排列 的碎片尺寸序号。
进一步的，将解体模型中的决策变量和碎片的真实特征尺寸输入 到目标函数中得到个体粒子的适应度值，包括：
将解体模型计算得到的碎片的特征尺寸Lc和接收到的航天器解体 事件中碎片的真实特征尺寸L′c输入到目标函数中，得到解体模型计算 得到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误 差，从而得到决策变量中个体粒子的适应度值。
在事件类型判定中，需要在已知部分碎片特征尺寸作为爆炸类型 解体模型和撞击类型解体模型的样本输入，计算出两模型中所涉及的 未知量，从而得到完整的模型。根据得到的两个模型完整表达式计算 碎片尺寸分布，与实际解体所产生的碎片进行比较，适应度值较小的 确定为该次事件所发生解体事件的类型。
所述解体模型的决策变量包括：
爆炸类型解体模型的决策变量，爆炸类型解体模型的决策变量计 算公式如下：
式中，S是无量纲系数。
对于不同的爆炸事件，S的取值如表1所示。
表1 S与爆炸类型的关系
从表1中可以看出，在爆炸模型当中的S取值范围在0～1之间，在 比例系数S确定后，即可计算对应特征尺寸Lc的碎片数量。
特征尺寸Lc表达式如下：
Lc＝(x+y+z)/3
式中，x为碎片的最大长度；y为与x垂直的最大长度；z为与x-y 平面垂直的最大长度，碎片特征尺寸特征示意图如图2所示。
一优选实施例，以S取值为0.7，对爆炸模型进行碎片特征尺寸分 布情况计算，其分布曲线如图3所示。
撞击类型解体模型的决策变量，撞击类型解体模型的决策变量计 算公式如下：
式中，mtot为解体质量，单位为kg。
进一步的，解体质量mtot的计算方法如下：
式中，mp为碎片的射弹质量，mt为碎片的目标质量；v为碎片的 撞击速率；为碎片的实际比动能，即碎片的射弹动能与目标质量的 比值；为碎片的临界比能。
一优选实施例，以mtot取值为1000，对撞击模型进行碎片特征尺寸 分布情况计算，其分布曲线如图4所示。
当解体模型中的序号N为已知情况下，只需要一颗碎片的特征尺 寸以及碎片对应的序号N即可计算得到模型中的未知量。但是因模型 的建立过程是一个非常复杂的统计学过程，无法准确通过工程模型预 估，即便撞击或爆炸条件相同，得到的数据也会有所区别，它是根据 实验数据进行拟合而得来的公式，造成在实际的爆炸或者撞击解体时 与理想情况会存在一定的偏差，如果单纯的用一颗碎片的数据求解模 型中的未知量显然会造成引入更大的误差。因此，在根据模型公式求 解模型中未知量S和mtot时，不能简单的用一颗碎片的特征尺寸数据来 求解。
由于在未知量中既有实数又有整数，且变量的意义不同，在S或者 mtot确定时，才能对碎片特征尺寸大小排列序列继续求解。本发明基于 最优算法遍历每个粒子的适应度值得到个体粒子的适应度值对应的最 优位置及群体粒子的最优适应度值中的最优位置，包括以下步骤：
对解体模型的决策变量中的无量纲系数S和/或解体质量mtot赋值， 分别设定循环步长；
基于最优算法遍历赋值后的决策变量，得到个体粒子的适应度值， 以及个体粒子的适应度值对应的位置；将个体粒子的适应度值和其经 历过的位置的适应度值进行比较，将数值小的适应度值对应的位置作 为该个体粒子的最优位置；
将每个个体粒子的最优位置对应的适应度值和群体中每个个体粒 子的最优位置的适应度值进行比较，将数值小的适应度值对应的位置 作为群体粒子的最优适应度值中的最优位置。
优选的，最优算法可选择粒子群算法，粒子群优化算法的具体算 法以及操作过程如下：
设在一个D维的目标搜索空间中，有m个粒子组成一个群体，其 中第i个粒子表示为一个D维的向量i＝1,2,…,m，每个粒 子的位置就是一个潜在的解。将代入目标函数则可得到其适应度的 值，根据适应度值可衡量此粒子的优劣性。第i个粒子的飞行速度是 D维向量，记为记第i个粒子迄今为止搜索到的最优位 置为记整个粒子群最优位置为
进一步的，通过个体粒子的适应度值对应的最优位置及群体粒子 的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更 新，包括：
在任意t+1时刻，粒子群群体中第i个粒子的第d维的速度和位置 更新公式为：
vid(t+1)＝wvid(t)+c1r1d(pid(t)-xid(t))+c2r2d(t)(pgd(t)-xid(t))
xid(t+1)＝xid(t)+vid(t+1)
式中，i∈[1,50]为粒子种群中的第i个粒子；d∈[1,10]每个粒子的维度； w为动力常量，该动力常量控制前一速度对当前速度的影响，为非负数； c1和c2为学习因子是非负常数；r1和r2为相互独立的随机数，服从[0,1]上 的均匀分布；pid为第i个粒子迄今为止搜索到的最优位置pgd为整个粒子 群最优位置为其中位置取值范围xid∈[1,1000]速度取值范围为 vid∈[-100,100]。
进一步的，将数值小的适应度值对应的位置作为群体粒子的最优 适应度值中的最优位置之后，还包括：
得到解体模型的决策变量中的某一赋值后的无量纲系数S和/或解 体质量mtot下对应的最优解，判断循环是否结束，循环未结束则计算下 一个赋值后的无量纲系数S和/或解体质量mtot下对应的最优解；循环结 束则输出所有最优解中计算结果最小的适应度值。
进一步的，根据最小适应度值确定航天器解体事件的类型，包括：
将最小适应度值与解体模型中的预存储的值进行比较，差值小的 预存储的值对应的解体事件的类型为本次航天器解体事件的类型。
利用模型计算得到的碎片特征尺寸与解体事件中碎片的真实特征 尺寸进行比较，通过对应序号的碎片真实特征尺寸与模型理想特征尺 寸之差可得到碎片样本总体的平均相对误差，理论上根据不同解体模 型(爆炸解体模型或者撞击解体模型)会得到不同的平均相对误差， 所以本发明就以这一点作为区分解体事件类型的关键，平均相对误差越小则代表其与对应的模型计算得到的碎片特征尺寸上吻合度更高， 则可以判断解体事件的类型。
一应用例子，NASA模型建立的所根据的数据来源主要源于一些地 面和在轨的实验，从而拟合建立的经验模型。从碎片的实际特征尺寸 分布位置看出，无论是爆炸解体所产生的碎片特征尺寸分布或撞击所 产生的碎片特征尺寸分布都不是严格的呈线性的关系，解体模型建模 的主要依据为碎片特征尺寸分布中线性度较好的一段。发现碎片特征尺寸在0.1m～1m的中等特征尺寸的碎片线性度较好，所以本发明实施 例一在选择碎片特征尺寸样本输入时，选择特征尺寸在0.1m～1m范围 内的碎片较为合理。
在碎片特征尺寸序列号N已知的情况下，模型中只有一个未知量， 以样本碎片数量为10为例定义目标函数：
式中，dr为真实碎片特征尺寸与模型计算得到的特征碎片特征尺寸 之间的平均误差，LcN表示根据解体模型计算得到的特征尺寸，由解体 模型的公式得到，从目标函数中可看出，只要对两种模型所对应的最 小误差进行求解即可，根据下式中以样本中最大特征尺寸的碎片求得 模型的未知量(S和mtot)的解作为初值，并以合适步长对其进行遍历 即可求得相对平均误差的最小值。
可选择S∈[0,1]，步长可选择ΔS＝0.1；mtot∈[0,1500]，步长可选择Δmtot＝10。
一优选实施例，以某爆炸模型产生碎片数据为例，本发明实施例 分别对维度D＝2,、D＝4、D＝6、D＝8以及D＝10进行了仿真计算，通过 对比发现当D＝10时，两模型适应度值区分度相对较明显，所以选择 D＝10，计算结果如图5-1至5-10所示。
一应用例子：
通过两解体模型对航天器解体碎片进行计算得到事件中所产生碎 片的特征尺寸，两解体事件的初始参数如表2所示：
表2
两解体模型按照特征尺寸序列号计算得到的部分碎片特征尺寸信 息如表3和表4所示。表3为利用爆炸解体模型在S＝0.7计算得到碎片 特征尺寸信息，表4为利用撞击解体模型在mtot＝960计算得到碎片特征 尺寸信息。
表3
表4
表3和表4中已经计算得到某次事件中所产生的部分碎片的特征 尺寸信息，所以利用本发明的解体事件类型判断方法进行仿真计算。
在碎片特征尺寸序号已知情况下，根据对解体模型的分析，选择 碎片特征尺寸在0.1m～1m之间的碎片作为解体类型判定的输入，选择 表3和表4中满足条件的10颗碎片作为类型判断的初始输入，如表5和表6所示。
表5爆炸解体中的碎片
表6撞击解体中的碎片
根据得到的两个模型对应的最小平均相对误差即可作为判断事件 类型的判断依据，即模型适应度，其值越小代表误差较小说明更符合 哪种模型，发生了何种类型的解体事件。
图6-1表示利用爆炸解体模型生成一组爆炸解体所产生碎片数据， 并将其代入到爆炸解体事件判定模型当中计算得到的适应度曲线。图 6-2表示利用撞击解体模型生成一组撞击解体所产生碎片数据，并将其 代入到撞击解体事件判定模型当中计算得到的适应度曲线。
从图7中可以看出，在利用爆炸解体数据分别代入两事件类型判 定模型当中后，可得到其对应模型的适应度最小值，也就是相对平均 误差的最小值。如图7-1所示，其适应度的最小值为0.057，而在图7-2中其最小值为1.285，所以相比较而言，此次解体事件中样本碎片的特 征尺寸与爆炸解体模型更加吻合，所以根据样本碎片的数据可判断此 次解体事件为爆炸事件。
另一应用例子：
在碎片特征尺寸序列号未知情况下，随机选择表3和表4中的10 颗碎片作为类型判断的初始输入。所选择的两组随机碎片特征尺寸数 据如表7和表8所示。
表7随机选择的爆炸解体事件中碎片
表8随机选择的撞击解体事件中碎片
根据事件类型判定方法，分别利用所选择碎片数据计算得到的模 型适应度曲线如图8和图9所示。
图8是利用爆炸模型生成一组爆炸解体所产生碎片数据，并将其 代入到上述有优化算法中得到的不同模型的适应度曲线，图8-1表示爆 炸解体模型适应度曲线，图8-2表示撞击解体模型适应度曲线。
从图8中可以看出，在利用爆炸解体数据分别代入两事件类型判 定模型当中后，可得到其对应模型的相对平均误差的最小值。图8-1所示，其适应度的最小值为0.001，而在图8-2中其最小值为0.035，所 以相比较而言，此次解体事件中样本碎片的特征尺寸与爆炸解体模型 更加吻合，所以根据样本碎片的数据可判断此次解体事件为爆炸事件。
从图9中可以看出，在利用撞击解体数据分别代入两事件类型判 定模型当中后，可得到其对应模型的相对平均误差的最小值。如图9-1所示，代入爆炸模型后，其适应度的最小值为0.06；而在图9-2中，代 入撞击解体模型后，其最小值为0.001，所以相比较而言，此次解体事 件中样本碎片的特征尺寸与撞击解体模型更加吻合，所以根据样本碎 片的数据可判断此次解体事件为撞击事件。
另一实用例子：
北京时间2009年2月11日0时55分，美国铱星-33和俄罗斯宇 宙-2251两颗卫星在太空相撞，在所在的高度产生了大量新增空间碎片, 使得空间碎片环境更加严峻，低轨航天器运行遭受空间碎片撞击的风 险大幅增加。这是人类历史上首次发生卫星相撞事故，经确认，铱星-33 重量约为560kg，俄罗斯卫星的重量则达到1t。这次相撞事故产生了 大量空间碎片，美国公布的新碎片已达到1228个，这些都是监测网能 跟踪到的较大的碎片，其中宇宙-2251产生的碎片865个，其中某10 颗的碎片特征尺寸数据如表9所示。
表9宇宙-2251卫星所产生的部分碎片特征尺寸数据
利用表9中数据，根据未知碎片序号的时间判定方法，可得到图 10所示不同模型的适应度曲线。
从图10中可以看出，在利用撞击解体数据分别代入两事件类型判 定模型当中后，可得到其对应模型的平均相对误差的最小值。如图10中a所示，代入爆炸模型后，其适应度的最小值为0.042；而在图b中， 代入撞击解体模型后，其最小值为0.008，所以相比较而言，此次解体 事件中样本碎片特征尺寸与撞击解体模型更加吻合，所以根据样本碎 片的数据可判断此次解体事件为撞击事件。
仿真结果与实际情况相符，验证了此解体事件判定方法的正确性。
实施例二
如图10所示，本发明实施例二提供了一种航天器解体事件的类型 判定系统200，包括：
输入模块21，用于将解体模型中的决策变量和碎片的真实特征尺 寸输入到目标函数中得到个体粒子的适应度值。
遍历模块22，用于基于最优算法遍历每个粒子的适应度值得到个 体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最 优位置。
判定模块23，用于通过个体粒子的适应度值对应的最优位置及群 体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进 行更新，并输出更新后的每个粒子的速度和位置下的最小适应度值， 根据最小适应度值确定航天器解体事件的类型。
具体实现的功能和处理方式参见方法实施例一描述的具体步骤。 发明实施例二中的具体流程及功能效果参考实施例一中的表述，说明 书篇幅的限制，在此不再复述。具体的动作和算法以及实施例参考实 施例一的描述。但是本领域技术人员应该知悉，本申请并不受所描述 的算法以及动作顺序限制，依据本发明，根据公开的技术特征、凡是 具有所公开的功能，达到所描述的技术效果的方案都在本发明的保护 范围之内。说明书中所描述的实施例均属于优选实施例，所涉及的动 作和模块并不一定是本申请所必须的。
由于本实施例二的系统所实现的处理及功能基本相应于前述图 1-9所示的方法的实施例、原理和实例，故本实施例的描述中未详尽之 处，可以参见前述实施例中的相关说明，在此不做赘述。
本发明实施例二提供的一种航天器解体事件的类型判定系统，通 过输入模块将解体模型中的决策变量和碎片的真实特征尺寸输入到目 标函数中得到个体粒子的适应度值；遍历模块基于最优算法遍历每个 粒子的适应度值得到个体粒子的适应度值对应的最优位置及群体粒子 的最优适应度值中的最优位置；判定模块通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒 子的速度和位置进行更新，并输出更新后的每个粒子的速度和位置下 的最小适应度值，根据最最小适应度值确定航天器解体事件的类型的 技术方案，解决了可及时判定航天器解体事件的类型的技术问题，当 航天器发生解体事件时，为其提供一种求解速度快，结果准确的定量 分析的系统。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将 其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发 明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以 采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说 明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不 一定是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例 中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可 通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性 的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可 以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到 另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨 论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装 置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分 开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以 位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的 需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理 单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单 元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现， 也可以采用软件功能单元的形式实现。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件 拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部 分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可 存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的 软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录 介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机 代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器 或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的 软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬 件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、 ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件 访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问 用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为 用于执行在此示出的处理的专用计算机。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并 不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范 围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。 因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种航天器解体事件的类型判定方法，其特征在于，该方法包括：
将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数中得到个体粒子的适应度值；
基于最优算法遍历每个粒子的适应度值得到个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置；
通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更新，并输出更新后的每个粒子的速度和位置下的最小适应度值，根据最小适应度值确定航天器解体事件的类型。
2.如权利要求1所述的方法，其特征在于，所述目标函数为：
<mrow>
<mi>min</mi>
<mi> </mi>
<msub>
<mi>d</mi>
<mi>r</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>N</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>D</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>Lc</mi>
<mi>N</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>Lc</mi>
<mi>N</mi>
<mo>&prime;</mo>
</msubsup>
<mo>&rsqb;</mo>
</mrow>
<mi>D</mi>
</mfrac>
</mrow>
式中，dr为个体粒子的适应度值，所述适应度值为解体模型计算得到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误差；D为碎片样本的数量；LcN为解体模型中的决策变量，为根据解体模型计算得到的第N个碎片特征尺寸Lc，Lc′N为解体事件中第N个碎片的真实特征尺寸Lc′，N为解体事件中按照碎片的尺寸大小排列的碎片尺寸序号。
3.如权利要求1或2所述的方法，其特征在于，将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数中得到个体粒子的适应度值，包括：
将解体模型计算得到的碎片特征尺寸Lc和接收到的航天器解体事件中碎片的真实特征尺寸Lc′输入到目标函数中，得到解体模型计算得到的碎片特征尺寸与解体事件中碎片的真实特征尺寸的平均相对误差，从而得到决策变量中个体粒子的适应度值。
4.如权利要求3所述的方法，其特征在于，所述解体模型的决策变量包括：
爆炸类型解体模型的决策变量，爆炸类型解体模型的决策变量计算公式如下：
<mrow>
<msub>
<mi>L</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>N</mi>
<mrow>
<mn>6</mn>
<mi>S</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>1.6</mn>
</mfrac>
</mrow>
</msup>
</mrow>
式中，S是无量纲系数。
撞击类型解体模型的决策变量，撞击类型解体模型的决策变量计算公式如下：
<mrow>
<msub>
<mi>L</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>0.1</mn>
<msubsup>
<mi>m</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
</mrow>
<mn>0.75</mn>
</msubsup>
</mrow>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mfrac>
<mn>1</mn>
<mn>1.71</mn>
</mfrac>
</msup>
</mrow>
式中，mtot为解体质量，单位为kg。
5.如权利要求4所述的方法，其特征在于，解体质量mtot的计算方法如下：
<mrow>
<msub>
<mi>m</mi>
<mrow>
<mi>t</mi>
<mi>o</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>t</mi>
</msub>
<mo>+</mo>
<msub>
<mi>m</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mi>p</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msubsup>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mi>p</mi>
<mo>*</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>m</mi>
<mi>p</mi>
</msub>
<msup>
<mi>v</mi>
<mn>2</mn>
</msup>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mi>p</mi>
</msub>
<mo><</mo>
<msubsup>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mi>p</mi>
<mo>*</mo>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
式中，mp为碎片的射弹质量，mt为碎片的目标质量；v为碎片的撞击速率；为碎片的实际比动能，即碎片的射弹动能与目标质量的比值；为碎片的临界比能。
6.如权利要求1-5之一所述的方法，其特征在于，所述基于最优算法遍历每个粒子的适应度值得到个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置，包括：
对解体模型的决策变量中的无量纲系数S和/或解体质量mtot赋值，分别设定循环步长；
基于最优算法遍历赋值后的决策变量，得到个体粒子的适应度值，以及个体粒子的适应度值对应的位置；将个体粒子的适应度值和其经历过的位置的适应度值进行比较，将数值小的适应度值对应的位置作为该个体粒子的最优位置；
将每个个体粒子的最优位置对应的适应度值和群体中每个个体粒子的最优位置的适应度值进行比较，将数值小的适应度值对应的位置作为群体粒子的最优适应度值中的最优位置。
7.如权利要求1-6之一所述的方法，其特征在于，通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更新，包括：
在任意t+1时刻，粒子群群体中第i个粒子的第d维的速度和位置更新公式为：
vid(t+1)＝wvid(t)+c1r1d(pid(t)-xid(t))+c2r2d(t)(pgd(t)-xid(t))
xid(t+1)＝xid(t)+vid(t+1)
式中，i∈[1,50]为粒子种群中的第i个粒子；d∈[1,10]每个粒子的维度；w为动力常量，该动力常量控制前一速度对当前速度的影响，为非负数；c1和c2为学习因子，是非负常数；r1和r2为相互独立的随机数，服从[0,1]上的均匀分布；pid为第i个粒子迄今为止搜索到的最优位置；pgd为整个粒子群最优位置为；其中位置取值范围xid∈[1,1000]；速度取值范围为vid∈[-100,100]。
8.如权利要求6所述的方法，其特征在于，将数值小的适应度值对应的位置作为群体粒子的最优适应度值中的最优位置之后，还包括：
得到解体模型的决策变量中的某一赋值后的无量纲系数S和/或解体质量mtot下对应的最优解，判断循环是否结束，循环未结束则计算下一个赋值后的无量纲系数S和/或解体质量mtot下对应的最优解；循环结束则输出所有最优解中计算结果最小的适应度值。
9.如权利要求1-8之一所述的方法，其特征在于，根据最小适应度值确定航天器解体事件的类型，包括：
将最小适应度值与解体模型中的预存储的值进行比较，差值小的预存储的值对应的解体事件的类型为本次航天器解体事件的类型。
10.一种航天器解体事件的类型判定系统，其特征在于，包括：
输入模块，用于将解体模型中的决策变量和碎片的真实特征尺寸输入到目标函数中得到个体粒子的适应度值；
遍历模块，用于基于最优算法遍历每个粒子的适应度值得到个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置；
判定模块，用于通过个体粒子的适应度值对应的最优位置及群体粒子的最优适应度值中的最优位置分别对每个粒子的速度和位置进行更新，并输出更新后的每个粒子的速度和位置下的最小适应度值，根据最小适应度值确定航天器解体事件的类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711212888.5A CN107992669B (zh) | 2017-11-28 | 2017-11-28 | 一种航天器解体事件的类型判定方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711212888.5A CN107992669B (zh) | 2017-11-28 | 2017-11-28 | 一种航天器解体事件的类型判定方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107992669A true CN107992669A (zh) | 2018-05-04 |
| CN107992669B CN107992669B (zh) | 2021-02-02 |
Family
ID=62033599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711212888.5A Active CN107992669B (zh) | 2017-11-28 | 2017-11-28 | 一种航天器解体事件的类型判定方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107992669B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145390A (zh) * | 2018-07-26 | 2019-01-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星信息应用终端效能评估的半实物仿真系统 |
| CN111831958A (zh) * | 2020-07-21 | 2020-10-27 | 中国人民解放军32035部队 | 基于最小包围圆的解体时刻精确计算方法 |
| CN113283573A (zh) * | 2021-06-25 | 2021-08-20 | 江南大学 | 一种卷积神经网络最优结构自动搜索方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495960A (zh) * | 2011-12-02 | 2012-06-13 | 北京理工大学 | 一种碎片对航天器结构破坏效应的粒子评估方法 |
| RU2481256C1 (ru) * | 2011-10-24 | 2013-05-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)" (СГАУ) | Устройство для защиты космического аппарата от метеорных частиц |
| CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
| CN107066641A (zh) * | 2016-11-23 | 2017-08-18 | 清华大学 | 大规模空间碎片分布演化的数值计算方法及系统 |
-
2017
- 2017-11-28 CN CN201711212888.5A patent/CN107992669B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2481256C1 (ru) * | 2011-10-24 | 2013-05-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Самарский государственный аэрокосмический университет имени академика С.П. Королева (национальный исследовательский университет)" (СГАУ) | Устройство для защиты космического аппарата от метеорных частиц |
| CN102495960A (zh) * | 2011-12-02 | 2012-06-13 | 北京理工大学 | 一种碎片对航天器结构破坏效应的粒子评估方法 |
| CN105160417A (zh) * | 2015-08-04 | 2015-12-16 | 大连大学 | 基于改进nsga-ii算法的航天器任务规划求解方法 |
| CN107066641A (zh) * | 2016-11-23 | 2017-08-18 | 清华大学 | 大规模空间碎片分布演化的数值计算方法及系统 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145390A (zh) * | 2018-07-26 | 2019-01-04 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星信息应用终端效能评估的半实物仿真系统 |
| CN109145390B (zh) * | 2018-07-26 | 2022-06-14 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 卫星信息应用终端效能评估的半实物仿真系统 |
| CN111831958A (zh) * | 2020-07-21 | 2020-10-27 | 中国人民解放军32035部队 | 基于最小包围圆的解体时刻精确计算方法 |
| CN111831958B (zh) * | 2020-07-21 | 2022-07-01 | 中国人民解放军32035部队 | 基于最小包围圆的解体时刻精确计算方法 |
| CN113283573A (zh) * | 2021-06-25 | 2021-08-20 | 江南大学 | 一种卷积神经网络最优结构自动搜索方法 |
| CN113283573B (zh) * | 2021-06-25 | 2024-03-29 | 江南大学 | 一种卷积神经网络最优结构自动搜索方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107992669B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Faradonbeh et al. | Genetic programming and gene expression programming for flyrock assessment due to mine blasting | |
| CN108615048A (zh) | 基于扰动进化对图像分类器对抗性攻击的防御方法 | |
| CN106897821A (zh) | 一种暂态评估特征选择方法及装置 | |
| CN106407493B (zh) | 一种基于多维高斯云模型的岩爆等级评价方法 | |
| CN107844835A (zh) | 基于动态权重m‑topsis多属性决策的多目标优化改进遗传算法 | |
| CN107992669A (zh) | 一种航天器解体事件的类型判定方法和系统 | |
| Zhou et al. | Parameters inversion of high central core rockfill dams based on a novel genetic algorithm | |
| CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
| CN105389486B (zh) | 一种基于鼠标行为的认证方法 | |
| CN106482967A (zh) | 一种代价敏感支持向量机机车车轮检测系统及方法 | |
| CN106651373A (zh) | 一种混合欺诈交易检测分类器建立方法及装置 | |
| CN105893876A (zh) | 芯片硬件木马检测方法和系统 | |
| CN112199862B (zh) | 纳米粒子运移的预测方法、其影响因子分析方法及系统 | |
| CN104866863A (zh) | 一种生物标志物筛选方法 | |
| CN112017070A (zh) | 一种基于数据增强评估电力系统暂态稳定的方法及系统 | |
| CN106570537A (zh) | 一种基于混淆矩阵的随机森林模型选择方法 | |
| CN111639882A (zh) | 一种基于深度学习的用电风险的判定方法 | |
| CN110020868A (zh) | 基于线上交易特征的反欺诈模块决策融合方法 | |
| CN105354583B (zh) | 基于局部均值的不平衡数据分类方法 | |
| Wang et al. | Changing lane probability estimating model based on neural network | |
| CN105824998B (zh) | 一种爆破掘进施工智能设计系统与方法 | |
| CN106161458B (zh) | 基于双加权在线极限学习机的网络入侵检测方法 | |
| Jiang et al. | Parameters calibration of traffic simulation model based on data mining | |
| CN108133240A (zh) | 一种基于烟花算法的多标签分类方法及系统 | |
| Zheng et al. | An effective genetic algorithm to VDA with discontinuous “on-off” switches |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |