CN114417653B - 基于不确定性的卫星组件电路板热可靠性分析方法 - Google Patents

基于不确定性的卫星组件电路板热可靠性分析方法 Download PDF

Info

Publication number
CN114417653B
CN114417653B CN202111543662.XA CN202111543662A CN114417653B CN 114417653 B CN114417653 B CN 114417653B CN 202111543662 A CN202111543662 A CN 202111543662A CN 114417653 B CN114417653 B CN 114417653B
Authority
CN
China
Prior art keywords
circuit board
neural network
satellite component
satellite
probability
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
Application number
CN202111543662.XA
Other languages
English (en)
Other versions
CN114417653A (zh
Inventor
张俊
李桥
周炜恩
彭伟
李星辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN202111543662.XA priority Critical patent/CN114417653B/zh
Publication of CN114417653A publication Critical patent/CN114417653A/zh
Application granted granted Critical
Publication of CN114417653B publication Critical patent/CN114417653B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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]
    • G06F30/10—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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Design And Manufacture Of Integrated Circuits (AREA)

Abstract

本发明公开了一种基于不确定性的卫星组件电路板热可靠性分析方法，包括：获取包括多个训练数据的训练数据集；构建多个第一概率深度神经网络模型，利用训练数据集分别训练多个第一概率深度神经网络模型；构建第二概率深度神经网络模型，采用知识蒸馏方式，利用训练数据集和训练后的多个第一概率深度神经网络模型蒸馏训练第二概率深度神经网络模型，其中，第一概率深度神经网络模型和第二概率深度神经网络模型的输出为温度场的高斯分布；根据卫星组件电路板的极限工作状态参数，利用训练后的第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。本发明能够在考虑不确定性因素的情况下实现卫星组件布局的温度场快速预测和热可靠性分析。

Description

基于不确定性的卫星组件电路板热可靠性分析方法
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电路板热可靠性分析方法。
背景技术
卫星在轨运行阶段由于需要面临恶劣的太空热环境和残酷的工作条件，对温度的变化十分敏感，当温度超过工作范围时，卫星的可靠性会急剧下降。同时，卫星在轨运行阶段也会根据环境和任务变化调整电路板上的组件功率，而组件功率的调整会导致组件电路板温度场的变化，并且，卫星组件布局相应的设计偏差和测量误差也会导致不确定性因素的存在。因此，如何基于不确定性对处于在轨运行阶段的卫星组件电路板进行热可靠性分析成为了本领域亟待解决的技术问题。
现有技术中，通常利用有限元方法或数值计算方法对组件布局温度场进行预测，然后根据极限状态函数和失效率对卫星组件电路板的热可靠性进行分析。然而，在实际运用过程中，现有的利用有限元方法或数值计算方法对组件布局温度场进行预测和热可靠性分析存在以下问题：计算效率低、预测实时性不高，基于有限元方法的仿真通常需要多次迭代，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。此外，为了解决现有的利用有限元方法或数值计算方法对组件布局温度场进行预测所存在的问题，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。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，对于给定的输入只会输出一个点估计，没有考虑不确定性因素的存在，存在过度自信的问题。
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电路板热可靠性分析方法。
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电路板热可靠性分析方法，包括：
获取包括多个训练数据的训练数据集，其中，所述训练数据包括卫星组件布局和卫星组件布局对应的温度场，不同卫星组件布局的组件位置相同，卫星组件布局中的各个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；
构建多个第一概率深度神经网络模型，利用所述训练数据集分别训练多个所述第一概率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，其中，所述第一概率深度神经网络模型的输出为温度场的高斯分布；
构建第二概率深度神经网络模型，采用知识蒸馏方式，利用所述训练数据集和训练后的多个所述第一概率深度神经网络模型蒸馏训练所述第二概率深度神经网络模型，其中，所述第二概率深度神经网络模型的输出为温度场的高斯分布；
根据卫星组件电路板的极限工作状态参数，利用训练后的所述第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。
在一些可能的实现方式中，所述获取包括多个训练数据的训练数据集，包括：
确定待分析的卫星组件电路板中的各个组件位置和组件布局区域，对组件布局区域进行网格划分，根据确定的各个组件位置挑选组件布局区域中对应的网格放置组件；
针对每个组件，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yi，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,yi)；
重复多次随机采样过程直至得到预设数量N的训练数据，获取包括N个训练数据的训练数据集{(xi,yi)|i＝1,2,…,N}。
在一些可能的实现方式中，训练所述第一概率深度神经网络模型时，使用的损失函数为：
其中，p(yi|xi,θ)表示第一概率神经网络模型对输入xi的输出高斯分布，θ表示第一概率深度神经网络模型参数。
在一些可能的实现方式中，训练所述第二概率深度神经网络模型时，使用的损失函数为：
其中，M表示第一概率深度神经网络模型的个数，KL[p(yi|xi,θj)|p(yi|xi,φ)]表示p(yi|xi,θj)和p(yi|xi,φ)的KL散度，p(yi|xi,θj)表示第j个第一概率神经网络模型对输入xi的输出高斯分布，p(yi|xi,φ)表示第二概率神经网络模型对输入xi的输出高斯分布，θj表示第j个第一概率神经网络模型参数，φ表示第二概率神经网络模型参数。
在一些可能的实现方式中，所述卫星组件电路板的极限工作状态参数包括：卫星组件电路板的失效阈值温度和失效概率阈值。
在一些可能的实现方式中，所述根据卫星组件电路板的极限工作状态参数，利用训练后的所述第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析，包括：
将卫星组件电路板的卫星组件布局输入训练后的所述第二概率深度神经网络模型，获取卫星组件电路板对应的温度场的高斯分布；
计算所述温度场的高斯分布中温度场最高温度在所述卫星组件电路板的失效阈值温度以下的概率，获取卫星组件电路板的失效概率；
比较所述卫星组件电路板的失效概率和所述卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效。
在一些可能的实现方式中，所述卫星组件电路板的失效概率利用高斯分布的累积分布函数和泰勒级数展开进行估计。
在一些可能的实现方式中，所述比较所述卫星组件电路板的失效概率和所述卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效，包括：
若所述卫星组件电路板的失效概率小于或等于所述卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段能够正常运行；
若所述卫星组件电路板的失效概率大于所述卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段会失效。
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电路板热可靠性分析方法通过利用概率深度神经网络模型建立代理模型，并利用变组件功率的卫星组件布局训练概率深度神经网络模型，以使概率深度神经网络模型能够在给定的卫星组件布局输入下输出对应的温度场的高斯分布，能够在考虑不确定性因素的情况下实现卫星组件布局的温度场快速预测和卫星组件布局的热可靠性分析；同时，通过多个第一概率深度神经网络模型的集成训练和第二概率深度神经网络模型的蒸馏训练，既能够提高预测精度，又能够减少预测所需时间，保证预测的实时性。
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电路板热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电路板热可靠性分析方法，该方法包括以下步骤：
S1，获取包括多个训练数据的训练数据集，其中，训练数据包括卫星组件布局和卫星组件布局对应的温度场，不同卫星组件布局的组件位置相同，卫星组件布局中的各个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；
S2，构建多个第一概率深度神经网络模型，利用训练数据集分别训练多个第一概率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，其中，第一概率深度神经网络模型的输出为温度场的高斯分布；
S3，构建第二概率深度神经网络模型，采用知识蒸馏方式，利用训练数据集和训练后的多个第一概率深度神经网络模型蒸馏训练第二概率深度神经网络模型，其中，第二概率深度神经网络模型的输出为温度场的高斯分布；
S4，根据卫星组件电路板的极限工作状态参数，利用训练后的第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。
本发明一实施例提供的基于不确定性的卫星组件电路板热可靠性分析方法通过利用概率深度神经网络模型建立代理模型，并利用变组件功率的卫星组件布局训练概率深度神经网络模型，以使概率深度神经网络模型能够在给定的卫星组件布局输入下输出对应的温度场的高斯分布，能够在考虑不确定性因素的情况下实现卫星组件布局的温度场快速预测和卫星组件布局的热可靠性分析；同时，通过多个第一概率深度神经网络模型的集成训练和第二概率深度神经网络模型的蒸馏训练，既能够提高预测精度，又能够减少预测所需时间，保证预测的实时性。
以下对本发明一实施例提供的基于不确定性的卫星组件电路板热可靠性分析方法的步骤及原理进行具体说明。
步骤S1，获取包括多个训练数据的训练数据集，其中，训练数据包括卫星组件布局和卫星组件布局对应的温度场，不同卫星组件布局的组件位置相同，卫星组件布局中的各个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，获取包括多个训练数据的训练数据集，包括：
确定待分析的卫星组件电路板中的各个组件位置和组件布局区域，对组件布局区域进行网格划分，根据确定的各个组件位置挑选组件布局区域中对应的网格放置组件；
针对每个组件，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yi，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,yi)；
重复多次随机采样过程直至得到预设数量N的训练数据，获取包括N个训练数据的训练数据集{(xi,yi)|i＝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的具体数量可以根据训练效率和精度要求进行设置。
其中，网格划分方式可以根据卫星组件电路板的组件布局区域和组件大小的具体情况设置，例如当卫星组件电路板的组件布局区域为方形的组件布局区域、且组件大小相同时，可以将方形的组件布局区域划分为M1×M2网格，每个网格的大小相同，且每个网格最多可以放置一个组件，从而根据各个组件位置确定每个组件对应的网格。
步骤S2，构建多个第一概率深度神经网络模型，利用训练数据集分别训练多个第一概率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，其中，第一概率深度神经网络模型的输出为温度场的高斯分布。
本发明一实施例中，可以采用概率卷积神经网络作为第一概率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，概率卷积神经网络对于给定的卫星组件布局输入x，输出为温度场y的高斯分布p(y|x,θ)＝N(y|μ,Σ)，N(y|μ,Σ)表示温度场y的高斯分布，μ表示高斯分布的期望，Σ表示高斯分布的方差。通过利用上述获取的训练数据集对第一概率深度神经网络模型进行训练，能够使第一概率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，概率卷积神经网络即为一个代理模型。
其中，概率卷积神经网路的具体结构可以根据卫星组件布局的复杂程度和实际的不确定性需求进行具体设置。
本发明一实施例中，每个第一概率深度神经网络模型的初始模型参数采用随机初始化方式确定，每个第一概率深度神经网络模型利用训练数据集进行独立训练。
其中，在进行第一概率深度神经网络模型的训练时，可以使用如以下公式所示的损失函数；
其中，p(yi|xi,θ)表示第一概率神经网络模型对输入xi的输出高斯分布，θ表示第一概率深度神经网络模型参数。
由于第一概率深度神经网络模型的数量越多，在后续利用集成的第一概率深度神经网络模型进行第二概率深度神经网络模型的蒸馏训练时，所得到的第二概率深度神经网络模型的预测精度越高，但第一概率深度神经网络模型的数量越多，训练第一概率深度神经网络模型所需的训练时间越长。为此，本发明一实施例中，第一概率深度神经网络模型的数量可以根据实际需求的预测精度和训练时间具体设置。
步骤S3，构建第二概率深度神经网络模型，采用知识蒸馏方式，利用训练数据集和训练后的多个第一概率深度神经网络模型蒸馏训练第二概率深度神经网络模型，其中，第二概率深度神经网络模型的输出为温度场的高斯分布。
考虑到若采用集成的多个第一概率深度神经网络模型进行卫星组件布局对应的温度场的预测，则所需的模型存储空间较大，预测时所需的计算时间较多，难以保证预测的实时性。
为此，本发明一实施例中，采用知识蒸馏方式，将多个第一概率深度神经网络模型学习到的知识转移到第二概率深度神经网络模型中，利用第二概率深度神经网络模型进行卫星组件布局对应的温度场的预测，能够减小模型存储空间，减少预测时的计算时间，保证预测的实时性。
其中，第二概率深度神经网络模型也可以采用概率卷积神经网络。
本发明一实施例中，在进行第二概率深度神经网络模型的训练时，可以使用如以下公式所示的损失函数；
其中，M表示第一概率深度神经网络模型的个数，KL[p(yi|xi,θj)|p(yi|xi,φ)]表示p(yi|xi,θj)和p(yi|xi,φ)的KL散度，p(yi|xi,θj)表示第j个第一概率神经网络模型对输入xi的输出高斯分布，p(yi|xi,φ)表示第二概率神经网络模型对输入xi的输出高斯分布，θj表示第j个第一概率神经网络模型参数，φ表示第二概率神经网络模型参数。
步骤S4，根据卫星组件电路板的极限工作状态参数，利用训练后的第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。
本发明一实施例中，卫星组件电路板的极限工作状态参数包括：卫星组件电路板的失效阈值温度和失效概率阈值。
其中，失效阈值温度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失效阈值温度时，组件失效。失效概率阈值可以根据对组件布局的可靠性要求设置，当对组件布局的可靠性要求越高，则设置的失效概率阈值越低。
基于上述具体设定的卫星组件电路板的极限工作状态参数，根据卫星组件电路板的极限工作状态参数，利用训练后的第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析，包括：
将卫星组件电路板的卫星组件布局输入训练后的第二概率深度神经网络模型，获取卫星组件电路板对应的温度场的高斯分布；
计算温度场的高斯分布中温度场最高温度在卫星组件电路板的失效阈值温度以下的概率，获取卫星组件电路板的失效概率；
比较卫星组件电路板的失效概率和卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效。
具体地，设定卫星组件电路板的失效阈值温度为Tlim，温度场的高斯分布中温度场最高温度为卫星组件电路板的失效概率可以表示为：
其中，FP表示卫星组件电路板的失效概率，表示温度场的高斯分布中温度场最高温度/>大于卫星组件电路板的失效阈值温度Tlim的概率，/>表示温度场的高斯分布中温度场最高温度/>在卫星组件电路板的失效阈值温度Tlim以下的概率，/>表示温度场最高温度/>对应的概率密度函数。
由于第二概率深度神经网络模型的输出为温度场的高斯分布，相应地，温度场的高斯分布中温度场最高温度为一维高斯分布。为此，可以利用高斯分布的累积分布函数和泰勒级数展开估计温度场的高斯分布中温度场最高温度在卫星组件电路板的失效阈值温度以下的概率，从而估计得到卫星组件电路板的失效概率。
具体地，可以利用以下公式估计温度场的高斯分布中温度场最高温度在卫星组件电路板的失效阈值温度以下的概率；
其中，表示最高温度/>服从的高斯分布的期望，/>表示最高温度服从的高斯分布的标准差，n表示设定值，n的具体取值根据近似估计时需要的精度确定，当n的值越大，则近似估计的精度越高。
进一步地，本发明一实施例中，比较卫星组件电路板的失效概率和卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效，包括：
若卫星组件电路板的失效概率小于或等于卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段能够正常运行；
若卫星组件电路板的失效概率大于卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段会失效。
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 (8)

1.一种基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，包括：
获取包括多个训练数据的训练数据集，其中，所述训练数据包括卫星组件布局和卫星组件布局对应的温度场，不同卫星组件布局的组件位置相同，卫星组件布局中的各个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；
构建多个第一概率深度神经网络模型，利用所述训练数据集分别训练多个所述第一概率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，其中，所述第一概率深度神经网络模型的输出为温度场的高斯分布；
构建第二概率深度神经网络模型，采用知识蒸馏方式，利用所述训练数据集和训练后的多个所述第一概率深度神经网络模型蒸馏训练所述第二概率深度神经网络模型，其中，所述第二概率深度神经网络模型的输出为温度场的高斯分布；
根据卫星组件电路板的极限工作状态参数，利用训练后的所述第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。
2.根据权利要求1所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，所述获取包括多个训练数据的训练数据集，包括：
确定待分析的卫星组件电路板中的各个组件位置和组件布局区域，对组件布局区域进行网格划分，根据确定的各个组件位置挑选组件布局区域中对应的网格放置组件；
针对每个组件，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yi，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,yi)；
重复多次随机采样过程直至得到预设数量N的训练数据，获取包括N个训练数据的训练数据集{(xi,yi)|i＝1,2,…,N}。
3.根据权利要求2所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，训练所述第一概率深度神经网络模型时，使用的损失函数为：
其中，p(yi|xi,θ)表示第一概率神经网络模型对输入xi的输出高斯分布，θ表示第一概率深度神经网络模型参数。
4.根据权利要求2或3所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，训练所述第二概率深度神经网络模型时，使用的损失函数为：
其中，M表示第一概率深度神经网络模型的个数，KL[p(yi|xi,θj)|p(yi|xi,φ)]表示p(yi|xi,θj)和p(yi|xi,φ)的KL散度，p(yi|xi,θj)表示第j个第一概率神经网络模型对输入xi的输出高斯分布，p(yi|xi,φ)表示第二概率神经网络模型对输入xi的输出高斯分布，θj表示第j个第一概率神经网络模型参数，φ表示第二概率神经网络模型参数。
5.根据权利要求1-4中任一项所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，所述卫星组件电路板的极限工作状态参数包括：卫星组件电路板的失效阈值温度和失效概率阈值。
6.根据权利要求5所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，所述根据卫星组件电路板的极限工作状态参数，利用训练后的所述第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析，包括：
将卫星组件电路板的卫星组件布局输入训练后的所述第二概率深度神经网络模型，获取卫星组件电路板对应的温度场的高斯分布；
计算所述温度场的高斯分布中温度场最高温度在所述卫星组件电路板的失效阈值温度以下的概率，获取卫星组件电路板的失效概率；
比较所述卫星组件电路板的失效概率和所述卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效。
7.根据权利要求6所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，所述卫星组件电路板的失效概率利用高斯分布的累积分布函数和泰勒级数展开进行估计。
8.根据权利要求6所述的基于不确定性的卫星组件电路板热可靠性分析方法，其特征在于，所述比较所述卫星组件电路板的失效概率和所述卫星组件电路板的失效概率阈值，确定卫星组件电路板在卫星在轨运行阶段是否会失效，包括：
若所述卫星组件电路板的失效概率小于或等于所述卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段能够正常运行；
若所述卫星组件电路板的失效概率大于所述卫星组件电路板的失效概率阈值，判定卫星组件电路板在卫星在轨运行阶段会失效。
CN202111543662.XA 2021-12-16 2021-12-16 基于不确定性的卫星组件电路板热可靠性分析方法 Active CN114417653B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111543662.XA CN114417653B (zh) 2021-12-16 2021-12-16 基于不确定性的卫星组件电路板热可靠性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111543662.XA CN114417653B (zh) 2021-12-16 2021-12-16 基于不确定性的卫星组件电路板热可靠性分析方法

Publications (2)

Publication Number Publication Date
CN114417653A CN114417653A (zh) 2022-04-29
CN114417653B true CN114417653B (zh) 2024-04-12

Family

ID=81267403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111543662.XA Active CN114417653B (zh) 2021-12-16 2021-12-16 基于不确定性的卫星组件电路板热可靠性分析方法

Country Status (1)

Country Link
CN (1) CN114417653B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392077B (zh) * 2022-08-16 2023-07-25 中国人民解放军军事科学院国防科技创新研究院 基于深度学习的卫星物理场级数字孪生模型构建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591215A (zh) * 2021-07-23 2021-11-02 中国人民解放军军事科学院国防科技创新研究院 基于不确定性的异常卫星组件布局检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210117760A1 (en) * 2020-06-02 2021-04-22 Intel Corporation Methods and apparatus to obtain well-calibrated uncertainty in deep neural networks

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591215A (zh) * 2021-07-23 2021-11-02 中国人民解放军军事科学院国防科技创新研究院 基于不确定性的异常卫星组件布局检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于概率神经网络的油气管道的可靠性评估;骆正山;蒋丽云;;消防科学与技术;20151115(11);全文 *

Also Published As

Publication number Publication date
CN114417653A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
JP6313730B2 (ja) 異常検出システムおよび方法
Zhou et al. Remaining useful life prediction of individual units subject to hard failure
Northrop et al. Threshold modelling of spatially dependent non‐stationary extremes with application to hurricane‐induced wave heights
Rangel et al. Towards an integrated computational tool for spatial analysis in macroecology and biogeography
Shang et al. Statistical process control for multistage processes with binary outputs
KR20140024252A (ko) 희귀 사건 실패율을 식별하기 위한 방법 및 시스템
CN113591215B (zh) 基于不确定性的异常卫星组件布局检测方法
CN113792478B (zh) 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
US20130117721A1 (en) Method and system for verification of electrical circuit designs at process, voltage, and temperature corners
JP6707716B2 (ja) 異常情報推定装置、異常情報推定方法及びプログラム
CN114417653B (zh) 基于不确定性的卫星组件电路板热可靠性分析方法
Hlávka et al. Bootstrap procedures for online monitoring of changes in autoregressive models
Xi et al. Reliability analysis with model uncertainty coupling with parameter and experiment uncertainties: a case study of 2014 verification and validation challenge problem
Marks et al. Applying bootstrap methods to system reliability
Jeong et al. A recentering approach for interpreting interaction effects from logit, probit, and other nonlinear models
CN113609763B (zh) 基于不确定性的卫星组件布局温度场预测方法
Ahmadi et al. Yield forecasting across semiconductor fabrication plants and design generations
Xu et al. Robust filter design for asymmetric measurement noise using variational Bayesian inference
Magnus et al. Weighted-average least squares prediction
Xu et al. A Bayesian method for planning accelerated life testing
Gamse Dynamic modelling of displacements on an embankment dam using the Kalman filter
Di Persio et al. Markov switching model analysis of implied volatility for market indexes with applications to S&P 500 and dax
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
Li et al. A Bayesian variable selection method for joint diagnosis of manufacturing process and sensor faults
Tian et al. Statistical process control for multistage processes with non-repeating cyclic profiles

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