CN113158343B - 一种航天器能力建模方法和系统 - Google Patents
一种航天器能力建模方法和系统 Download PDFInfo
- Publication number
- CN113158343B CN113158343B CN202110432079.5A CN202110432079A CN113158343B CN 113158343 B CN113158343 B CN 113158343B CN 202110432079 A CN202110432079 A CN 202110432079A CN 113158343 B CN113158343 B CN 113158343B
- Authority
- CN
- China
- Prior art keywords
- index
- capability
- task
- spacecraft
- indexes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000006798 recombination Effects 0.000 claims abstract description 7
- 238000005215 recombination Methods 0.000 claims abstract description 7
- 230000004083 survival effect Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 230000015572 biosynthetic process Effects 0.000 claims description 12
- 238000003786 synthesis reaction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008521 reorganization Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 5
- 230000006698 induction Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
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)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种航天器能力建模方法和系统，该方法包括：根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值；其中，多个类型的能力指标，包括：以航天器性能参数为特征的Np个性能指标，以航天器功能模式为特征的Nf个功能指标和以航天器智能化水平为特征的Ni个智能指标；对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合；根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型。本发明旨在解决传统的能力指标归纳方法存在的问题，实现航天器面向动态场景的能力分析与评估。
Description
技术领域
本发明属于航天器建模与控制技术领域，尤其涉及一种航天器能力建模方法和系统。
背景技术
未来航天器将面向动态不确定场景设计，控制系统由传统姿态轨道指令驱动转变为任务能力驱动。
目前的航天器面向确定任务设计，面对复杂、动态、不确定环境的场景难以做出自主应变。传统动力学模型描述的是航天器对指令的响应，是对航天器物理运动机理的表征。传统的能力指标归纳方法由于模型建立者对目标认知程度不同存在主观的差异，并且分解的能力之间存在标准不统一、指标耦合的问题。
发明内容
本发明的技术解决问题：克服现有技术的不足，提供一种航天器能力建模方法和系统，旨在解决传统的能力指标归纳方法存在的问题，实现航天器面向动态场景的能力分析与评估。
为了解决上述技术问题，本发明公开了一种航天器能力建模方法，包括：
根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值；其中，多个类型的能力指标，包括：以航天器性能参数为特征的Np个性能指标，以航天器功能模式为特征的Nf个功能指标和以航天器智能化水平为特征的Ni个智能指标；
对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合；
根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型。
在上述航天器能力建模方法中，通过如下步骤确定各能力指标的指标值：
获取航天器的单元级指标，对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素；
将得到的能力要素分别赋值给对应的各类型的能力指标，得到携带有指标值的各类型的能力指标。
在上述航天器能力建模方法中，通过如下方式对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素：
能力要素i＝第i个单元级指标的当前值/第i个单元级指标的最优值；其中，i代表航天器所有单元级指标中的第i个。
在上述航天器能力建模方法中，各类型的能力指标与能力要素之间的对应关系如下：
其中，Fp表示性能指标与能力要素的关联函数，Ff表示功能指标与能力要素的关联函数，Fi表示智能指标与能力要素的关联函数。
在上述航天器能力建模方法中，对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合，包括：
从Np个性能指标、Nf个功能指标和Ni个智能指标中，分别筛选得到与场景需求相匹配的性能指标筛选集合Φp、功能指标筛选集合Φf和智能指标筛选集合Φi；
则，确定场景下的航天器能力指标集合Φ1为：Φ1＝Φp+Φf+Φi。
在上述航天器能力建模方法中，任务能力指标是航天器针对总任务的完成能力的表征，包括：总任务完成率、总任务成功率、总任务生存率和总任务消耗比；
总任务完成率表示在规定时间内总任务完成进度与任务目标的比值，表示为：总任务完成率＝(完成进度/任务目标)×100％；其中，任务目标为：子任务的总个数N；完成进度为：子任务完成比较结果为1的个数K，K≤N；
总任务成功率表示在规定时间内达到最大完成率的概率，是每个完成比较结果为1的子任务成功概率的乘积，表示为：总任务成功率＝(子任务1成功概率×子任务2成功概率×子任务K成功概率)×100％；
总任务生存率表示在规定时间内总任务成功或失败但生存的概率，表示为：总任务生存率＝总任务成功率+(1-总任务成功率)×存活概率×100％；
总任务消耗比表示在规定时间内达到最大完成率的航天器能力折损，表示为：总任务消耗比＝【(任务前能力综合-任务后能力综合)/任务前能力综合】×100％；其中，能力综合为各能力要素最大值的乘积，表示为：能力综合＝能力要素1最大值×能力要素2最大值×···×能力要素M最大值。
在上述航天器能力建模方法中，进行面向任务进行能力指标重组的步骤如下：
根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成所必要的或可明确边界值的能力指标划分为确定性指标，得到确定性指标集合Φ11＝{确定性指标1、确定性指标2、···、确定性指标a}；其中，确定性指标与任务需求能力的比较结果为1或0，1表示确定性指标满足任务需求能力，0表示确定性指标不满足任务需求能力；
根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成非必要的或不明确边界值的能力指标划分为概率性指标，得到概率性指标集合Φ12＝{概率性指标1、概率性指标2、···、概率性指标b}；其中，概率性指标与任务需求能力的比较结果为P，P表示除当前概率性指标外其余概率性指标均满足需求的条件下当前子任务成功的概率，P为0到1之间的数。
在上述航天器能力建模方法中，还包括：在得到的确定性指标集合Φ11和概率性指标集合Φ12的基础上，判定各子任务是否能完成以及成功率；其中，针对一项子任务n，若所有确定性指标与所述子任务n的任务需求能力的比较结果为1，则确定所述子任务n能完成，否则所述子任务n不能完成；针对一项子任务m，对所有概率性指标设计概率函数有P1，P2，···，Pb，则子任务m成功概率＝P×P1×P2×···×Pb。
在上述航天器能力建模方法中，还包括：对确定场景下的航天器能力指标集合进行多维能力图形化表式。
相应的，本发明还公开了一种航天器能力建模系统，包括：
处理模块，用于根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值；其中，多个类型的能力指标，包括：以航天器性能参数为特征的Np个性能指标，以航天器功能模式为特征的Nf个功能指标和以航天器智能化水平为特征的Ni个智能指标；
筛选模块，用于对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合；
模型构建模块，用于根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型。
本发明具有以下优点：
(1)本发明公开了一种航天器能力建模方案，实现了基于任务和全域能力约束的任务能力指标构建，完成了对典型动态不确定场景的航天器能力指标的合理归纳，能够对任务直接响应，对航天器的任务完成性能进行表征，可作为航天器面向动态场景的能力分析与评估工具，为航天器自主决策控制算法提供可控维数、准确高效的模型输入。
本发明公开了一种航天器能力建模方案，可实现航天器能力模型的多维能力图形化表达，能适配基于图像深度学习的智能算法，可进行高度具象化的能力计算与寻优，对特定任务场景进行能力匹配。
附图说明
图1是本发明实施例中一种航天器能力建模方法的步骤流程图；
图2是本发明实施例中一种确定场景下的航天器能力指标集合的多维能力图形化表式示意图；
图3是本发明实施例中一种航天器能力建模系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明公开的实施方式作进一步详细描述。
航天器载荷、执行机构、测量感知等单元数量多，功能多变，多维能力模型是对复杂系统综合能力的高度抽象化归纳，可作为航天器面向动态场景的能力分析与评估工具，为航天器自主决策控制算法提供可控维数、准确高效的模型输入。基于上述思考，本发明提出一种航天器能力建模方法，如图1，具体可以包括如下步骤：
步骤101，根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值。
在本实施例中，能力指标是体现航天器某一项外在能力的基本指标，归纳能力指标是对具有相同技术要求的一类能力指标的综合，具体可以包括：以航天器性能参数为特征的Np个性能指标(如寿命、可靠性、精度、稳定性、机动性等指标)，以航天器功能模式为特征的Nf个功能指标(如对地、态势感知、巡视、强机动、非合作运动等指标)和以航天器智能化水平为特征的Ni个智能指标(如感知精度、感知范围、智能算力等指标)。
优选的，可以通过如下步骤确定各能力指标的指标值：获取航天器的单元级指标，对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素；将得到的能力要素分别赋值给对应的各类型的能力指标，得到携带有指标值的各类型的能力指标。其中，能力要素是航天器各单元的使用约束、算力要求、刷新速率等单元级指标，能力要素的个数为M，能力要素集合为ΦM＝{能力要素1、能力要素2、···、能力要素M}。如，燃料存量(能力要素1)、执行机构最大输出约束(能力要素2)、控制器带宽(能力要素3)、燃料短时消耗约束(能力要素4)、对地敏感器配置(能力要素5)、对空间目标敏感器配置(能力要素6)、刷新率(能力要素7)、算力资源(能力要素8)等。
进一步的，可以通过如下方式对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素：能力要素i＝第i个单元级指标的当前值/第i个单元级指标的最优值；其中，i代表航天器所有单元级指标中的第i个。其中，第i个单元级指标的当前值是指：单元当前设定的指标值；第i个单元级指标的最优值是指：单元初始入轨状态能够实现的最优指标值。
更进一步的，各类型的能力指标与能力要素之间的对应关系可以表示如下：
其中，Fp表示性能指标与能力要素的关联函数，Ff表示功能指标与能力要素的关联函数，Fi表示智能指标与能力要素的关联函数。需要说明的是，各关联函数是根据航天器控制系统的分析结果所确定的，可以为确定的数学表达式或逻辑关系，对本领域技术人员来说是公知的。
例如，
对于性能指标，有：
对于功能指标，有：
对于智能指标，有：
步骤102，对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合。
在本实施例中，场景是指航天器工作所处的环境状态和态势，包括但不仅限于：信息支援场景、轨道巡视场景、博弈场景等。可根据场景需求筛选得到某一确定场景下的航天器能力指标集合，该某一确定场景下的航天器能力指标集合为该确定场景下能够满足所有潜在任务需求的能力指标的最大集合。具体的：从Np个性能指标、Nf个功能指标和Ni个智能指标中，分别筛选得到与场景需求相匹配的性能指标筛选集合Φp、功能指标筛选集合Φf和智能指标筛选集合Φi；则，确定场景下的航天器能力指标集合Φ1为：Φ1＝Φp+Φf+Φi。确定场景下的航天器能力指标集合Φ1力即为确定场景下的航天器能力模型。
例如，对于信息支援场景，确定航天器能力指标集合Φ1为：Φ1＝{寿命、可靠性、精度、稳定性、机动性、对地、态势感知、感知范围}。其中，Φp＝{寿命、可靠性、精度、稳定性、机动性}，Φf＝{对地、态势感知}，Φi＝{感知范围}。
步骤103，根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型。
在本实施例中，任务能力指标是航天器针对总任务的完成能力的表征，包括：总任务完成率、总任务成功率、总任务生存率和总任务消耗比。其中，总任务是由各子任务组成任务序列，表示为[子任务1、子任务2、···、子任务N]。例如，总任务＝[态势感知、动中成像、···、对日定向]。
总任务完成率表示在规定时间内总任务完成进度与任务目标的比值，表示为：总任务完成率＝(完成进度/任务目标)×100％。其中，任务目标为：子任务的总个数N；完成进度为：子任务完成比较结果为1的个数K，K≤N。
总任务成功率表示在规定时间内达到最大完成率的概率，是每个完成比较结果为1的子任务成功概率的乘积，表示为：总任务成功率＝(子任务1成功概率×子任务2成功概率×子任务K成功概率)×100％。
总任务生存率表示在规定时间内总任务成功或失败但生存的概率，表示为：总任务生存率＝总任务成功率+(1-总任务成功率)×存活概率×100％。其中，存活概率由具体任务过程得出，默认为0.5。
总任务消耗比表示在规定时间内达到最大完成率的航天器能力折损，表示为：总任务消耗比＝【(任务前能力综合-任务后能力综合)/任务前能力综合】×100％；其中，能力综合为各能力要素最大值的乘积，表示为：能力综合＝能力要素1最大值×能力要素2最大值×···×能力要素M最大值。
优选的，在本实施例中，进行面向任务进行能力指标重组，生成任务能力指标具体是指：根据航天器具体任务，对确定场景下的航天器能力指标集合Φ1分类重组，将集合Φ1中的各项按照确定性指标和概率性指标进行划分，与任务需求能力综合比较，最终形成面向动态不确定场景的航天器任务能力指标描述集Φ2，Φ2＝{总任务完成率、总任务成功率、总任务生存率、总任务消耗比}，即为面向任务的航天器能力模型。具体的：可以根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成所必要的或可明确边界值的能力指标划分为确定性指标，得到确定性指标集合Φ11＝{确定性指标1、确定性指标2、···、确定性指标a}；其中，确定性指标与任务需求能力的比较结果为1或0，1表示确定性指标满足任务需求能力，0表示确定性指标不满足任务需求能力。根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成非必要的或不明确边界值的能力指标划分为概率性指标，得到概率性指标集合Φ12＝{概率性指标1、概率性指标2、···、概率性指标b}；其中，概率性指标与任务需求能力的比较结果为P，P表示除当前概率性指标外其余概率性指标均满足需求的条件下当前子任务成功的概率，P为0到1之间的数。
进一步的，与任务需求能力综合比较是指：在得到的确定性指标集合Φ11和概率性指标集合Φ12的基础上，判定各子任务是否能完成以及成功率；其中，针对一项子任务n，若所有确定性指标与所述子任务n的任务需求能力的比较结果为1，则确定所述子任务n能完成，否则所述子任务n不能完成；针对一项子任务m，对所有概率性指标设计概率函数有P1，P2，···，Pb，则子任务m成功概率＝P×P1×P2×···×Pb。
例如，对于态势感知子任务，有：
Φ11＝{寿命、态势感知、感知范围}，Φ12＝{可靠性、精度、稳定性、机动性、对地}。
对所有概率性指标Φ12设计概率函数有{1×可靠性，0.95×精度，0.98×稳定性，0.90×机动性，1}，比较结果为1的条件下，态势感知子任务成功概率为0.8379×可靠性×精度×稳定性×机动性。
在本发明的一优选实施例中，该航天器能力建模方法还可以包括：对确定场景下的航天器能力指标集合进行多维能力图形化表式。优选的，如图2，可以采用雷达图方式对确定场景下的航天器能力指标集合进行描述，以直观表示对应确定场景的覆盖能力。
综上所述，本发明基于任务和全域能力约束的任务能力指标构建，提出了一种航天器能力建模方法，实现了对典型动态不确定场景的航天器能力指标的合理归纳，能够对任务直接响应，对航天器的任务完成性能进行表征，可作为航天器面向动态场景的能力分析与评估工具。
在上述实施例的基础上，如图3，本发明还公开了一种航天器能力建模系统，包括：处理模块301，用于根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值。筛选模块302，用于对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合。模型构建模块303，用于根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型。
对于系统实施例而言，由于其与方法实施例相对应，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (7)
1.一种航天器能力建模方法，其特征在于，包括：
根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值；其中，多个类型的能力指标，包括：以航天器性能参数为特征的Np个性能指标，以航天器功能模式为特征的Nf个功能指标和以航天器智能化水平为特征的Ni个智能指标；
对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合；
根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型；其中，任务能力指标是航天器针对总任务的完成能力的表征，包括：总任务完成率、总任务成功率、总任务生存率和总任务消耗比；总任务完成率表示在规定时间内总任务完成进度与任务目标的比值，表示为：总任务完成率＝(完成进度/任务目标)×100％；其中，任务目标为：子任务的总个数N；完成进度为：子任务完成比较结果为1的个数K，K≤N；总任务成功率表示在规定时间内达到最大完成率的概率，是每个完成比较结果为1的子任务成功概率的乘积，表示为：总任务成功率＝(子任务1成功概率×子任务2成功概率×子任务K成功概率)×100％；总任务生存率表示在规定时间内总任务成功或失败但生存的概率，表示为：总任务生存率＝总任务成功率+(1-总任务成功率)×存活概率×100％；总任务消耗比表示在规定时间内达到最大完成率的航天器能力折损，表示为：总任务消耗比＝【(任务前能力综合-任务后能力综合)/任务前能力综合】×100％；其中，能力综合为各能力要素最大值的乘积，表示为：能力综合＝能力要素1最大值×能力要素2最大值×···×能力要素M最大值；
其中：
对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合，包括：从Np个性能指标、Nf个功能指标和Ni个智能指标中，分别筛选得到与场景需求相匹配的性能指标筛选集合Φp、功能指标筛选集合Φf和智能指标筛选集合Φi；则，确定场景下的航天器能力指标集合Φ1为：Φ1＝Φp+Φf+Φi；
进行面向任务进行能力指标重组的步骤如下：根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成所必要的或可明确边界值的能力指标划分为确定性指标，得到确定性指标集合Φ11＝{确定性指标1、确定性指标2、···、确定性指标a}；其中，确定性指标与任务需求能力的比较结果为1或0，1表示确定性指标满足任务需求能力，0表示确定性指标不满足任务需求能力；根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成非必要的或不明确边界值的能力指标划分为概率性指标，得到概率性指标集合Φ12＝{概率性指标1、概率性指标2、···、概率性指标b}；其中，概率性指标与任务需求能力的比较结果为P，P表示除当前概率性指标外其余概率性指标均满足需求的条件下当前子任务成功的概率，P为0到1之间的数。
2.根据权利要求1所述的航天器能力建模方法，其特征在于，通过如下步骤确定各能力指标的指标值：
获取航天器的单元级指标，对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素；
将得到的能力要素分别赋值给对应的各类型的能力指标，得到携带有指标值的各类型的能力指标。
3.根据权利要求2所述的航天器能力建模方法，其特征在于，通过如下方式对各单元级指标进行归一化处理，得到各单元级指标对应的能力要素：
能力要素i＝第i个单元级指标的当前值/第i个单元级指标的最优值；其中，i代表航天器所有单元级指标中的第i个。
4.根据权利要求1或2所述的航天器能力建模方法，其特征在于，各类型的能力指标与能力要素之间的对应关系如下：
其中，Fp表示性能指标与能力要素的关联函数，Ff表示功能指标与能力要素的关联函数，Fi表示智能指标与能力要素的关联函数。
5.根据权利要求1所述的航天器能力建模方法，其特征在于，还包括：在得到的确定性指标集合Φ11和概率性指标集合Φ12的基础上，判定各子任务是否能完成以及成功率；其中，针对一项子任务n，若所有确定性指标与所述子任务n的任务需求能力的比较结果为1，则确定所述子任务n能完成，否则所述子任务n不能完成；针对一项子任务m，对所有概率性指标设计概率函数有P1，P2，···，Pb，则子任务m成功概率＝P×P1×P2×···×Pb。
6.根据权利要求1所述的航天器能力建模方法，其特征在于，还包括：对确定场景下的航天器能力指标集合进行多维能力图形化表式。
7.一种航天器能力建模系统，其特征在于，包括：
处理模块，用于根据任务要求，对具有相同技术要求的指标进行归纳，得到多个类型的能力指标，并确定各能力指标的指标值；其中，多个类型的能力指标，包括：以航天器性能参数为特征的Np个性能指标，以航天器功能模式为特征的Nf个功能指标和以航天器智能化水平为特征的Ni个智能指标；
筛选模块，用于对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合；
模型构建模块，用于根据确定场景下的航天器能力指标集合，进行面向任务进行能力指标重组，生成任务能力指标，得到面向任务的航天器能力模型；其中，任务能力指标是航天器针对总任务的完成能力的表征，包括：总任务完成率、总任务成功率、总任务生存率和总任务消耗比；总任务完成率表示在规定时间内总任务完成进度与任务目标的比值，表示为：总任务完成率＝(完成进度/任务目标)×100％；其中，任务目标为：子任务的总个数N；完成进度为：子任务完成比较结果为1的个数K，K≤N；总任务成功率表示在规定时间内达到最大完成率的概率，是每个完成比较结果为1的子任务成功概率的乘积，表示为：总任务成功率＝(子任务1成功概率×子任务2成功概率×子任务K成功概率)×100％；总任务生存率表示在规定时间内总任务成功或失败但生存的概率，表示为：总任务生存率＝总任务成功率+(1-总任务成功率)×存活概率×100％；总任务消耗比表示在规定时间内达到最大完成率的航天器能力折损，表示为：总任务消耗比＝【(任务前能力综合-任务后能力综合)/任务前能力综合】×100％；其中，能力综合为各能力要素最大值的乘积，表示为：能力综合＝能力要素1最大值×能力要素2最大值×···×能力要素M最大值；
其中：
筛选模块在对携带有指标值的各类型的能力指标进行面向场景的指标筛选，得到确定场景下的航天器能力指标集合时，包括：从Np个性能指标、Nf个功能指标和Ni个智能指标中，分别筛选得到与场景需求相匹配的性能指标筛选集合Φp、功能指标筛选集合Φf和智能指标筛选集合Φi；则，确定场景下的航天器能力指标集合Φ1为：Φ1＝Φp+Φf+Φi；
模型构建模块在进行面向任务进行能力指标重组时包括：根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成所必要的或可明确边界值的能力指标划分为确定性指标，得到确定性指标集合Φ11＝{确定性指标1、确定性指标2、···、确定性指标a}；其中，确定性指标与任务需求能力的比较结果为1或0，1表示确定性指标满足任务需求能力，0表示确定性指标不满足任务需求能力；根据航天器具体任务，将确定场景下的航天器能力指标集合中对于一项子任务完成非必要的或不明确边界值的能力指标划分为概率性指标，得到概率性指标集合Φ12＝{概率性指标1、概率性指标2、···、概率性指标b}；其中，概率性指标与任务需求能力的比较结果为P，P表示除当前概率性指标外其余概率性指标均满足需求的条件下当前子任务成功的概率，P为0到1之间的数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432079.5A CN113158343B (zh) | 2021-04-21 | 2021-04-21 | 一种航天器能力建模方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110432079.5A CN113158343B (zh) | 2021-04-21 | 2021-04-21 | 一种航天器能力建模方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113158343A CN113158343A (zh) | 2021-07-23 |
| CN113158343B true CN113158343B (zh) | 2023-12-12 |
Family
ID=76867824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110432079.5A Active CN113158343B (zh) | 2021-04-21 | 2021-04-21 | 一种航天器能力建模方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113158343B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745116A (zh) * | 2014-01-17 | 2014-04-23 | 清华大学 | 分布式综合模块化航电dima系统评估方法及优化方法 |
| CN108594638A (zh) * | 2018-03-27 | 2018-09-28 | 南京航空航天大学 | 面向多任务多指标优化约束的航天器acs在轨重构方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8005657B2 (en) * | 2008-04-23 | 2011-08-23 | Lockheed Martin Corporation | Survivability mission modeler |
| US11127102B2 (en) * | 2019-08-01 | 2021-09-21 | Loft Orbital Technologies S.A.S | Systems and methods for describing, simulating and optimizing spaceborne systems and missions |
-
2021
- 2021-04-21 CN CN202110432079.5A patent/CN113158343B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745116A (zh) * | 2014-01-17 | 2014-04-23 | 清华大学 | 分布式综合模块化航电dima系统评估方法及优化方法 |
| CN108594638A (zh) * | 2018-03-27 | 2018-09-28 | 南京航空航天大学 | 面向多任务多指标优化约束的航天器acs在轨重构方法 |
Non-Patent Citations (1)
| Title |
|---|
| 带子星航天器总体参数多学科设计优化;吴蓓蓓;黄海;吴文瑞;航空学报;第32卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113158343A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Agrawal et al. | Approximate computing: Challenges and opportunities | |
| Homaifar et al. | Constrained optimization via genetic algorithms | |
| US7478071B2 (en) | Method and apparatus for determining and assessing information to be collected based on information-theoretic measures | |
| Nick et al. | A study of machine learning techniques for detecting and classifying structural damage | |
| Li et al. | Preference-based evolutionary many-objective optimization for agile satellite mission planning | |
| Al Shahrani et al. | Machine learning-enabled smart industrial automation systems using internet of things | |
| Lee et al. | A hybrid approach combining fuzzy C-means-based genetic algorithm and machine learning for predicting job cycle times for semiconductor manufacturing | |
| Liu et al. | Bottom-up mechanism and improved contract net protocol for dynamic task planning of heterogeneous earth observation resources | |
| Fan et al. | A modified nature-inspired meta-heuristic methodology for heterogeneous unmanned aerial vehicle system task assignment problem | |
| Ji et al. | Surrogate and autoencoder-assisted multitask particle swarm optimization for high-dimensional expensive multimodal problems | |
| Zhang et al. | Automatic curriculum learning for large-scale cooperative multiagent systems | |
| CN113158343B (zh) | 一种航天器能力建模方法和系统 | |
| Bian et al. | A novel study on Power Consumption of an HVAC system using CatBoost and AdaBoost algorithms combined with the Metaheuristic Algorithms | |
| Lee et al. | White-box program tuning | |
| CN109635346B (zh) | 机械连接结构的可靠性分析方法 | |
| Hatami et al. | Applicability of Artificial Intelligence (AI) Methods to Construction Manufacturing: A Literature Review | |
| Jin et al. | End-to-end GPS tracker based on switchable fuzzy normalization codec for assistive drone application | |
| Li et al. | Method for predicting failure rate of airborne equipment based on optimal combination model | |
| Halgamuge | FAIR AI: A Conceptual Framework for Democratisation of 21st Century AI | |
| El-kenawy et al. | Metaheuristic optimization for mobile robot navigation based on path planning | |
| Liu et al. | A deep reinforcement learning method for multi-stage equipment development planning in uncertain environments | |
| Xia et al. | Data association-based fault diagnosis of IMUs: Optimized DBN design and wheeled robot evaluation | |
| CN115855069B (zh) | 基于sce的geo航天器机动检测与位置预测方法 | |
| Han et al. | SBS_FD: Fault Diagnosis of Harmonic Reducers Based on Symmetrized Dot Pattern, Bag of Visual Word, and Support Vector Machine Jointed Method | |
| CN118485858B (zh) | 基于多分类器融合的土地利用遥感监测方法及系统 |
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 |