CN114417495A - 基于不确定性的卫星组件布局可靠性分析方法 - Google Patents
基于不确定性的卫星组件布局可靠性分析方法 Download PDFInfo
- Publication number
- CN114417495A CN114417495A CN202111532969.XA CN202111532969A CN114417495A CN 114417495 A CN114417495 A CN 114417495A CN 202111532969 A CN202111532969 A CN 202111532969A CN 114417495 A CN114417495 A CN 114417495A
- Authority
- CN
- China
- Prior art keywords
- satellite component
- component layout
- satellite
- layout
- temperature field
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 97
- 238000003062 neural network model Methods 0.000 claims abstract description 81
- 238000000034 method Methods 0.000 claims description 46
- 238000005070 sampling Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于不确定性的卫星组件布局可靠性分析方法,包括:S1,构建深度神经网络模型;S2,获取训练数据集和池数据集;S3,训练深度神经网络模型;S4,对每个池数据的卫星组件布局重复进行多次温度场预测;S5,根据池数据对应的方差将池数据进行降序排列,选取位于前序的池数据作为新训练数据添加到训练数据集中;S6,继续训练深度神经网络模型;S7,判断模型预测精度是否达到预设要求,若否,返回S4;S8,基于待分析的卫星组件布局中的组件位置,获取多个随机卫星组件布局,利用模型对随机卫星组件布局重复进行多次温度场预测;S9,对卫星组件布局进行可靠性分析。本发明能够考虑组件功率会随环境波动的情况,提高可靠性分析的准确性。
Description
技术领域
本发明涉及卫星布局设计技术领域,具体涉及一种基于不确定性的卫星组件布局可靠性分析方法。
背景技术
卫星在运行过程中,由于外部环境和电磁场的影响,卫星组件的实际工况和设计工况通常存在一定的差异,组件功率会随环境发生波动,从而造成组件布局温度场发送改变,而温度场的最大温度变化会对组件的性能造成较大影响,且可能导致组件失效。因此,如何对处于运行阶段的卫星组件布局进行可靠性分析成为了本领域亟待解决的技术问题。
传统的方法利用有限元方法或数值计算方法对卫星组件布局温度场进行仿真计算,以进行可靠性分析。然而,在实际运用过程中,利用有限元方法或数值计算方法对卫星组件布局进行温度场计算和可靠性分析存在以下问题:计算效率低,基于有限元方法的仿真需要多次迭代,单次仿真耗时太长,不能进行实时预测;不能解决高维问题,随着问题维度的增加,计算量呈指数级上升,会造成“维数灾难”;在进行可靠性分析时,没有考虑不确定性因素的影响。
为了解决传统方法中利用有限元方法或数值计算方法对卫星组件布局温度场进行仿真计算所存在的问题,现有技术还提出了利用深度神经网络模型来实现卫星组件布局温度场的预测,根据预测的卫星组件布局温度场的最高温度来判断卫星组件布局是否会失效。然而,现有的利用深度神经网络模型实现卫星组件布局温度场预测的方法中,为了保证得到的深度神经网络代理模型具有足够的预测精度,需要利用大量的训练数据训练深度神经网络模型,由于卫星研制成本高昂的特点,无法像传统领域(例如图像识别)那样简单获得大量的实验数据集去训练深度神经网络模型,每个训练数据的获取均耗费较多的计算资源和计算时间。并且,现有的利用深度神经网络模型实现卫星组件布局温度场预测的方法所采用的训练数据中,组件的功率是固定的,对于给定的卫星组件布局,只能判断出卫星组件布局是否会失效,没有考虑到在卫星运行过程中,组件的功率会随环境波动,组件会以一定的概率失效的情况,得到的可靠性结果具有极大的局限性。
发明内容
为解决上述现有技术中存在的部分或全部技术问题,本发明提供一种基于不确定性的卫星组件布局可靠性分析方法。
本发明的技术方案如下:
提供了一种基于不确定性的卫星组件布局可靠性分析方法,所述方法包括以下步骤:
S1,构建深度神经网络模型;
S2,获取训练数据集和池数据集,其中,所述训练数据集包括多个训练数据,所述池数据集包括多个池数据,所述训练数据包括卫星组件布局及卫星组件布局对应的温度场,所述池数据包括卫星组件布局,不同卫星组件布局的组件位置均与待分析的卫星组件布局相同,不同卫星组件布局的组件功率从预设的组件功率服从的高斯分布中随机采样确定;
S3,利用所述训练数据集训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
S4,利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个所述池数据对应的方差将所述池数据进行降序排列,选取位于前序的预设数量的池数据,将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中,并将选取的池数据从所述池数据集中删除;
S6,利用更新后的所述训练数据集继续训练所述深度神经网络模型;
S7,判断训练后的所述深度神经网络模型的预测精度是否达到预设要求,若是,将当前所述深度神经网络模型作为最终预测模型,若否,返回步骤S4;
S8,基于待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个随机卫星组件布局,重复多次随机采样过程,获取多个随机卫星组件布局,利用最终预测模型对每个随机卫星组件布局重复进行多次温度场预测;
S9,根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析。
在一些可能的实现方式中,所述深度神经网络模型的输出层前设置Dropout层,且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。
在一些可能的实现方式中,所述获取训练数据集和池数据集,包括:
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局xi,利用有限元方法计算卫星组件布局xi对应的温度场Ti,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据(xi,Ti),重复多次随机采样过程直至得到第一预设数量N的训练数据,获取训练数据集{(xi,Ti)|i=1,2,…,N};
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局x′j,获取一个包括卫星组件布局的池数据(x′j),重复多次随机采样过程直至得到第二预设数量N′的池数据,获取池数据集{(x′j)|j=1,2,…,N′}。
在一些可能的实现方式中,步骤S4中,利用以下公式计算多次温度场预测结果的方差;
其中,σ′j表示池数据中的卫星组件布局对应的多次温度场预测结果的方差,Q表示卫星组件布局的重复预测次数,T′j,q表示卫星组件布局对应的第q次温度场预测结果,表示卫星组件布局对应的多次温度场预测结果的均值。
在一些可能的实现方式中,步骤S5中,利用有限元方法计算确定选取的池数据中的卫星组件布局对应的温度场。
在一些可能的实现方式中,采用以下方式判断训练后的所述深度神经网络模型的预测精度是否达到预设要求:
从当前池数据集中随机选取若干个池数据,分别利用训练后的所述深度神经网络模型和有限元方法确定选取的池数据中的卫星组件布局对应的温度场,计算利用训练后的所述深度神经网络模型确定的温度场与利用有限元方法确定的温度场的绝对差值,若绝对差值均小于预设值,则表示训练后的所述深度神经网络模型的预测精度达到预设要求,否则,则表示训练后的所述深度神经网络模型的预测精度未达到预设要求。
在一些可能的实现方式中,所述根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析,包括:
计算每个随机卫星组件布局的多次温度场预测结果的均值,将均值作为对应的随机卫星组件布局的最终预测温度场;
确定温度场最高温度大于预设温度阈值的最终预测温度场数量,计算待分析的卫星组件布局的可靠性。
在一些可能的实现方式中,利用以下公式计算随机卫星组件布局的多次温度场预测结果的均值;
在一些可能的实现方式中,利用以下公式计算待分析的卫星组件布局的可靠性;
其中,Pr表示待分析的卫星组件布局的可靠性,N″表示随机卫星组件布局数量,Nf表示温度场最高温度大于预设温度阈值的最终预测温度场数量。
本发明技术方案的主要优点如下:
本发明的基于不确定性的卫星组件布局可靠性分析方法通过利用池数据对深度神经网络模型的预测不确定性进行量化,并利用不确定性量化结果对训练数据集进行循环更新,以进行深度神经网络模型的循环训练,能够以较少的训练数据得到满足精度要求的深度神经网络代理模型,有效减少计算资源消耗,降低计算成本;同时,基于待分析的卫星组件布局,从组件功率服从的高斯分布随机确定组件功率,获取与待分析的卫星组件布局的组件位置相同,组件功率不同的随机卫星组件布局,利用获取的多个随机卫星组件进行可靠性分析,能够考虑卫星组件布局中组件功率会随环境波动的情况,提高可靠性分析结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例的基于不确定性的卫星组件布局可靠性分析方法的流程图。
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,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明保护的范围。
以下结合附图,详细说明本发明实施例提供的技术方案。
参见图1,本发明一实施例提供了一种基于不确定性的卫星组件布局可靠性分析方法,该方法包括以下步骤:
S1,构建深度神经网络模型;
S2,获取训练数据集和池数据集,其中,训练数据集包括多个训练数据,池数据集包括多个池数据,训练数据包括卫星组件布局及卫星组件布局对应的温度场,池数据包括卫星组件布局,不同卫星组件布局的组件位置均与待分析的卫星组件布局相同,不同卫星组件布局的组件功率从预设的组件功率服从的高斯分布中随机采样确定;
S3,利用训练数据集训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
S4,利用训练后的深度神经网络模型对池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个池数据对应的方差将池数据进行降序排列,选取位于前序的预设数量的池数据,将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的池数据从池数据集中删除;
S6,利用更新后的训练数据集继续训练深度神经网络模型;
S7,判断训练后的深度神经网络模型的预测精度是否达到预设要求,若是,将当前深度神经网络模型作为最终预测模型,若否,返回步骤S4;
S8,基于待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个随机卫星组件布局,重复多次随机采样过程,获取多个随机卫星组件布局,利用最终预测模型对每个随机卫星组件布局重复进行多次温度场预测;
S9,根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析。
本发明一实施例提供的基于不确定性的卫星组件布局可靠性分析方法通过利用池数据对深度神经网络模型的预测不确定性进行量化,并利用不确定性量化结果对训练数据集进行循环更新,以进行深度神经网络模型的循环训练,能够以较少的训练数据得到满足精度要求的深度神经网络代理模型,有效减少计算资源消耗,降低计算成本;同时,基于待分析的卫星组件布局,从组件功率服从的高斯分布随机确定组件功率,获取与待分析的卫星组件布局的组件位置相同,组件功率不同的随机卫星组件布局,利用获取的多个随机卫星组件进行可靠性分析,能够考虑卫星组件布局中组件功率会随环境波动的情况,提高可靠性分析结果的准确性。
以下本发明一实施例提供的基于不确定性的卫星组件布局可靠性分析方法的步骤及原理进行具体说明。
步骤S1,构建深度神经网络模型。
本发明一实施例中,在构建深度神经网络模型时,在深度神经网络模型的输出层前设置Dropout层,且Dropout层在深度神经网络模型的训练过程和预测过程中均保持打开状态。
通过在深度神经网络模型的输出层前设置Dropout层,能够使深度神经网络模型具有量化不确定性的能力。
步骤S2,获取训练数据集和池数据集,其中,训练数据集包括多个训练数据,池数据集包括多个池数据,训练数据包括卫星组件布局及卫星组件布局对应的温度场,池数据包括卫星组件布局,不同卫星组件布局的组件位置均与待分析的卫星组件布局相同,不同卫星组件布局的组件功率从预设的组件功率服从的高斯分布中随机采样确定。
具体地,本发明一实施例中,获取训练数据集和池数据集,包括:
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局xi,利用有限元方法计算卫星组件布局xi对应的温度场Ti,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据(xi,Ti),重复多次随机采样过程直至得到第一预设数量N的训练数据,获取训练数据集{(xi,Ti)|i=1,2,…,N};
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局x′j,获取一个包括卫星组件布局的池数据(x′j),重复多次随机采样过程直至得到第二预设数量N′的池数据,获取池数据集{(x′j)|j=1,2,…,N′}。
其中,每个组件的组件功率服从的高斯分布可以根据待进行可靠性分析的卫星组件布局的实际工况和设计工况进行设置。例如,可以根据待进行可靠性分析的卫星组件布局对应的实际运行历史数据统计得到。
其中,训练数据集中训练数据和池数据集中池数据的具体数量可以根据训练效率和精度要求进行设置。由于在后续进行深度神经网络模型的循环训练过程中,池数据集用于对深度神经网络模型对卫星组件布局对应温度场预测的模型不确定性进行分析量化,以及用于对训练数据集进行增加更新,为了提高深度神经网络模型的训练效率,池数据集中池数据的数量远大于训练数据集中训练数据的数量,即N′>>N。可选的,N′≥50N;例如,N=1000,N′=50000。
步骤S3,利用训练数据集训练深度神经网络模型以拟合卫星组件布局与温度场的映射关系。
本发明一实施例中,可以采用卷积神经网络作为深度神经网络模型来拟合卫星组件布局与温度场的映射关系,并且深度神经网络模型的输出层前均设置有Dropout层。通过利用上述获取的训练数据对深度神经网络模型进行训练,能够使深度神经网络模型学习到训练数据中的物理规律,从而得到一个具有较强泛化能力的神经网络,可以实现对卫星组件布局对应的温度场进行快速和高精度预测。从本质上来说,深度神经网络即为一个代理模型。
步骤S4,利用训练后的深度神经网络模型对池数据集中每个池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差。
具体地,在利用训练数据集对深度神经网络模型进行训练后,将池数据集中每个池数据的卫星组件布局重复输入训练后的深度神经网络模型进行多次温度场预测,统计计算每个池数据的卫星组件布局的多次温度场预测结果的均值和方差。
具体地,可以利用以下公式计算多次温度场预测结果的均值;
可以利用以下公式计算多次温度场预测结果的方差;
其中,表示第j个池数据中的卫星组件布局对应的多次温度场预测结果的均值,Q表示卫星组件布局的重复预测次数,T′j,q表示第j个池数据中的卫星组件布局对应的第q次温度场预测结果,σ′j表示第j个池数据中的卫星组件布局对应的多次温度场预测结果的方差。
根据上述公式计算得到的方差σ′j能够用于表示当前深度神经网络模型对卫星组件布局x′j对应温度场预测的模型不确定性。
步骤S5,根据每个池数据对应的方差将池数据进行降序排列,选取位于前序的预设数量的池数据,将选取的池数据及对应的温度场作为新训练数据添加到训练数据集中,并将选取的池数据从池数据集中删除。
具体地,本发明一实施例中,根据每个池数据对应的方差将池数据集中所有池数据进行降序排列,选取位于前序的mi个池数据,利用有限元方法计算确定选取的mi个池数据的卫星组件布局对应的温度场,将选取的mi个池数据的卫星组件布局及卫星组件布局对应的温度场作为新训练数据添加到训练数据集中,并将选取的mi个池数据从池数据集中删除。
根据上述步骤,在进行n次上述的池数据集和训练数据集更新后,池数据集中的池数据数量相应变为训练数据集中的训练数据数量相应变为其中,mi表示进行第i次池数据集和训练数据集更新时,从池数据集中选取的池数据数量,每次选取的池数据数量可以相同,也可以不同。
由于每个池数据对应的方差能够表示当前深度神经网络模型对相应卫星组件布局对应温度场预测的模型不确定性,根据每个池数据对应的方差将池数据集中所有池数据进行降序排列,即相当于根据当前深度神经网络模型对每个池数据的卫星组件布局对应温度场预测的模型不确定性对所有池数据进行降序排列,通过选取位于前序的mi个池数据,即对应的模型不确定性相对较小的mi个池数据,进行训练数据集的更新,利用更新后的训练数据集对深度神经网络模型进行再次训练,能够提高深度神经网络模型的训练效率和训练精度。
步骤S6,利用更新后的训练数据集继续训练深度神经网络模型。
具体地,利用上述步骤S5中更新得到的训练数据集对当前深度神经网络模型进行再次训练。例如,当前深度神经网络模型为一次训练的深度神经网络模型M1,则再次训练后,可以得到二次训练的深度神经网络模型M2。由于再次训练时所采用的训练数据集包括了之前训练时所采用的训练数据集和从池数据集中提取出的部分数据,所训练得到的深度神经网络模型的预测精度更高。
步骤S7,判断训练后的深度神经网络模型的预测精度是否达到预设要求,若是,将当前深度神经网络模型作为最终预测模型,若否,返回步骤S4。
具体地,可以采用以下方式判断训练后的深度神经网络模型的预测精度是否达到预设要求:
从当前池数据集中随机选取若干个池数据,分别利用训练后的深度神经网络模型和有限元方法确定选取的池数据中的卫星组件布局对应的温度场,计算利用训练后的深度神经网络模型确定的温度场与利用有限元方法确定的温度场的绝对差值,若绝对差值均小于预设值,则表示训练后的深度神经网络模型的预测精度达到预设要求,否则,则表示训练后的深度神经网络模型的预测精度未达到预设要求。
本发明一实施例中,通过对训练数据集和池数据集进行循环更新,从而利用更新的训练数据集和池数据集进行深度神经网络模型的循环训练,直至深度神经网络模型的预测精度达到预设要求,能够实现以较少的包括卫星组件布局及其对应的温度场的训练数据得到具有高预测精度的深度神经网络代理模型,有效地减少计算资源消耗,降低计算成本。
步骤S8,基于待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个随机卫星组件布局,重复多次随机采样过程,获取多个随机卫星组件布局,利用最终预测模型对每个随机卫星组件布局重复进行多次温度场预测。
具体地,基于上述步骤S2确定的待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个随机卫星组件布局x″k,重复多次随机采样过程,获取第三预设数量N″的随机卫星组件布局,利用最终预测模型对每个随机卫星组件布局重复进行多次温度场预测。
其中,每个组件的组件功率服从的高斯分布根据待进行可靠性分析的卫星组件布局的实际工况和设计工况进行设置。例如,可以根据待进行可靠性分析的卫星组件布局对应的实际运行历史数据统计得到。
其中,随机卫星组件布局的具体数量可以根据可靠性精度要求进行设置,随机卫星组件布局的数量越多,得到的可靠性越准确。
步骤S9,根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析。
本发明一实施例中,根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析,包括:
计算每个随机卫星组件布局的多次温度场预测结果的均值,将均值作为对应的随机卫星组件布局的最终预测温度场;
确定温度场最高温度大于预设温度阈值的最终预测温度场数量,计算待分析的卫星组件布局的可靠性。
具体地,可以利用以下公式计算随机卫星组件布局的多次温度场预测结果的均值;
具体地,可以利用以下公式计算待分析的卫星组件布局的可靠性;
其中,Pr表示待分析的卫星组件布局的可靠性,N″表示随机卫星组件布局数量,Nf表示温度场最高温度大于预设温度阈值的最终预测温度场数量。
其中,预设温度阈值可以根据卫星组件布局的实际工况和设计工况确定,当卫星组件布局的温度场最高温度大于预设温度阈值时,组件失效。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外,本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是:以上实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于不确定性的卫星组件布局可靠性分析方法,其特征在于,包括以下步骤:
S1,构建深度神经网络模型;
S2,获取训练数据集和池数据集,其中,所述训练数据集包括多个训练数据,所述池数据集包括多个池数据,所述训练数据包括卫星组件布局及卫星组件布局对应的温度场,所述池数据包括卫星组件布局,不同卫星组件布局的组件位置均与待分析的卫星组件布局相同,不同卫星组件布局的组件功率从预设的组件功率服从的高斯分布中随机采样确定;
S3,利用所述训练数据集训练所述深度神经网络模型以拟合卫星组件布局与温度场的映射关系;
S4,利用训练后的所述深度神经网络模型对所述池数据集中每个所述池数据的卫星组件布局重复进行多次温度场预测,并计算多次温度场预测结果的方差;
S5,根据每个所述池数据对应的方差将所述池数据进行降序排列,选取位于前序的预设数量的池数据,将选取的池数据及对应的温度场作为新训练数据添加到所述训练数据集中,并将选取的池数据从所述池数据集中删除;
S6,利用更新后的所述训练数据集继续训练所述深度神经网络模型;
S7,判断训练后的所述深度神经网络模型的预测精度是否达到预设要求,若是,将当前所述深度神经网络模型作为最终预测模型,若否,返回步骤S4;
S8,基于待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个随机卫星组件布局,重复多次随机采样过程,获取多个随机卫星组件布局,利用最终预测模型对每个随机卫星组件布局重复进行多次温度场预测;
S9,根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析。
2.根据权利要求1所述的基于不确定性的卫星组件布局可靠性分析方法,其特征在于,所述深度神经网络模型的输出层前设置Dropout层,且Dropout层在所述深度神经网络模型的训练过程和预测过程中均保持打开状态。
3.根据权利要求1所述的基于不确定性的卫星组件布局可靠性分析方法,其特征在于,所述获取训练数据集和池数据集,包括:
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局xi,利用有限元方法计算卫星组件布局xi对应的温度场Ti,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据(xi,Ti),重复多次随机采样过程直至得到第一预设数量N的训练数据,获取训练数据集{(xi,Ti)|i=1,2,…,N};
确定待分析的卫星组件布局中的各个组件位置,针对每个组件,保持组件位置不变,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局x′j,获取一个包括卫星组件布局的池数据(x′j),重复多次随机采样过程直至得到第二预设数量N′的池数据,获取池数据集{(x′j)|j=1,2,…,N′}。
6.根据权利要求1所述的基于不确定性的卫星组件布局可靠性分析方法,其特征在于,步骤S5中,利用有限元方法计算确定选取的池数据中的卫星组件布局对应的温度场。
7.根据权利要求1至6中任一项所述的基于不确定性的卫星组件布局可靠性分析方法,其特征在于,采用以下方式判断训练后的所述深度神经网络模型的预测精度是否达到预设要求:
从当前池数据集中随机选取若干个池数据,分别利用训练后的所述深度神经网络模型和有限元方法确定选取的池数据中的卫星组件布局对应的温度场,计算利用训练后的所述深度神经网络模型确定的温度场与利用有限元方法确定的温度场的绝对差值,若绝对差值均小于预设值,则表示训练后的所述深度神经网络模型的预测精度达到预设要求,否则,则表示训练后的所述深度神经网络模型的预测精度未达到预设要求。
8.根据权利要求1至7中任一项所述的基于不确定性的卫星组件布局可靠性分析方法,其特征在于,所述根据每个随机卫星组件布局的多次温度场预测结果,对待分析的卫星组件布局进行可靠性分析,包括:
计算每个随机卫星组件布局的多次温度场预测结果的均值,将均值作为对应的随机卫星组件布局的最终预测温度场;
确定温度场最高温度大于预设温度阈值的最终预测温度场数量,计算待分析的卫星组件布局的可靠性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532969.XA CN114417495A (zh) | 2021-12-15 | 2021-12-15 | 基于不确定性的卫星组件布局可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111532969.XA CN114417495A (zh) | 2021-12-15 | 2021-12-15 | 基于不确定性的卫星组件布局可靠性分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417495A true CN114417495A (zh) | 2022-04-29 |
Family
ID=81268314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111532969.XA Pending CN114417495A (zh) | 2021-12-15 | 2021-12-15 | 基于不确定性的卫星组件布局可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417495A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170299727A1 (en) * | 2015-10-01 | 2017-10-19 | The Regents Of The University Of California | System and method for localization and tracking |
WO2021036414A1 (zh) * | 2019-08-29 | 2021-03-04 | 浙江大学 | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 |
CN113177290A (zh) * | 2021-03-25 | 2021-07-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113221326A (zh) * | 2021-04-14 | 2021-08-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于teacher-student代理模型的卫星组件温度场预测方法 |
CN113609763A (zh) * | 2021-07-27 | 2021-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件布局温度场预测方法 |
CN113792478A (zh) * | 2021-08-20 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于集成深度代理模型的热源布局温度场可靠性分析方法 |
-
2021
- 2021-12-15 CN CN202111532969.XA patent/CN114417495A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170299727A1 (en) * | 2015-10-01 | 2017-10-19 | The Regents Of The University Of California | System and method for localization and tracking |
WO2021036414A1 (zh) * | 2019-08-29 | 2021-03-04 | 浙江大学 | 一种低轨移动卫星星座下星地下行链路同频干扰预测方法 |
CN113177290A (zh) * | 2021-03-25 | 2021-07-27 | 中国人民解放军军事科学院国防科技创新研究院 | 基于深度代理模型归一化的卫星组件温度场预测方法 |
CN113221326A (zh) * | 2021-04-14 | 2021-08-06 | 中国人民解放军军事科学院国防科技创新研究院 | 基于teacher-student代理模型的卫星组件温度场预测方法 |
CN113609763A (zh) * | 2021-07-27 | 2021-11-05 | 中国人民解放军军事科学院国防科技创新研究院 | 基于不确定性的卫星组件布局温度场预测方法 |
CN113792478A (zh) * | 2021-08-20 | 2021-12-14 | 中国人民解放军军事科学院国防科技创新研究院 | 基于集成深度代理模型的热源布局温度场可靠性分析方法 |
Non-Patent Citations (2)
Title |
---|
朱俊鹏;赵洪利;杜鑫;蒋勇;: "长短时记忆神经网络在卫星轨道预报中的研究", 兵器装备工程学报, no. 10, 25 October 2017 (2017-10-25) * |
陈品;吴兆华;黄红艳;张生;毕唐文;赵强;: "表面响应法在埋置型大功率多芯片微波组件热布局中的应用研究", 电子质量, no. 01, 20 January 2011 (2011-01-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021007812A1 (zh) | 一种深度神经网络超参数优化方法、电子设备及存储介质 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
CN110750965B (zh) | 英文文本序列标注方法、系统及计算机设备 | |
CN109816438B (zh) | 信息推送方法及装置 | |
WO2020224106A1 (zh) | 基于神经网络的文本分类方法、系统及计算机设备 | |
CN108519971B (zh) | 一种基于平行语料库的跨语种新闻主题相似性对比方法 | |
CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
CN112910710B (zh) | 网络流量时空预测方法、装置、计算机设备和存储介质 | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
CN111914159B (zh) | 一种信息推荐方法及终端 | |
CN113609763B (zh) | 基于不确定性的卫星组件布局温度场预测方法 | |
CN111428866A (zh) | 一种增量学习方法、装置、存储介质及电子设备 | |
Hlávka et al. | Bootstrap procedures for online monitoring of changes in autoregressive models | |
CN116596095A (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN116129219A (zh) | 一种基于知识稳健-重平衡网络的sar目标类增量识别方法 | |
CN113761193A (zh) | 日志分类方法、装置、计算机设备和存储介质 | |
CN114417653B (zh) | 基于不确定性的卫星组件电路板热可靠性分析方法 | |
CN111144473A (zh) | 训练集构建方法、装置、电子设备及计算机可读存储介质 | |
CN114781207B (zh) | 基于不确定性和半监督学习的热源布局温度场预测方法 | |
CN114417495A (zh) | 基于不确定性的卫星组件布局可靠性分析方法 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
Lin et al. | Smart building uncertainty analysis via adaptive Lasso | |
JPWO2019167240A1 (ja) | 情報処理装置、制御方法、及びプログラム | |
CN114239743B (zh) | 一种基于稀疏时间序列数据的天气事件发生时间预测方法 | |
CN112990430B (zh) | 基于长短时记忆网络的群组划分方法及系统 |
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 |