CN115392077A - 基于深度学习的卫星物理场级数字孪生模型构建方法 - Google Patents
基于深度学习的卫星物理场级数字孪生模型构建方法 Download PDFInfo
- Publication number
- CN115392077A CN115392077A CN202210979908.6A CN202210979908A CN115392077A CN 115392077 A CN115392077 A CN 115392077A CN 202210979908 A CN202210979908 A CN 202210979908A CN 115392077 A CN115392077 A CN 115392077A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- satellite
- neural network
- physical field
- data
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 136
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 138
- 238000012549 training Methods 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 5
- 238000010168 coupling process Methods 0.000 claims description 5
- 238000005859 coupling reaction Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation 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]
- G06F30/20—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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于深度学习的卫星物理场级数字孪生模型构建方法,包括:在卫星的多个预设位置上布置传感器,利用传感器采集卫星物理场数据,并获取卫星物理场的有限元仿真数据;对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,生成训练数据;利用训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系;将传感器数据输入训练后的深度学习神经网络,对深度学习神经网络的输出进行可视化处理,获取卫星物理场级数字孪生模型。本发明通过传感器采集卫星物理场信息,并与有限元仿真数据进行融合以获取高质量训练数据进行神经网络的训练,能够构建高精度、高可靠性的卫星物理场级别的数字孪生模型。
Description
技术领域
本发明涉及卫星监测技术领域,具体涉及一种基于深度学习的卫星物理场级数字孪生模型构建方法。
背景技术
卫星在轨运行期间需要承担种类繁多的工程试验任务,同时太空环境复杂多变,因此星上会出现多种物理场耦合的情况。由于卫星上设备较多,对物理场很敏感,一旦某种物理环境发生剧烈变化或者超出运行范围,可能会危及卫星正常运行甚至导致卫星停机或者损坏,这对于在轨运行的卫星将是灾难性的打击。
卫星由于受成本限制,不能在星上无限部署传感器实时获取物理场信息,因此只能通过建立数字孪生体的形式,基于有限传感器信息以及其他信息开展卫星内部物理场的实时预测和监测。
在现有的研究中,通常采用传统的数值计算方法对卫星物理场进行预测输出,但由于传统的数值计算方法计算过程需要多次迭代,计算效率较低,难以达到实时的效果,不能充分体现数字孪生体的应用价值,同时在面对高维问题的时候也会遇到计算瓶颈,容易造成“维度灾难”问题。为解决传统的数值计算方法所存在的技术问题,目前还提出利用深度学习技术构建数字孪生模型,但是由于星上传感器数据分辨率低,难以构建高质量数据集对基于数据驱动的深度学习模型进行训练,导致模型预测精度与泛化性不佳,得到的数字孪生模型的精度达不到卫星的实际需求。
发明内容
为了解决上述现有技术中存在的部分或全部技术问题,本发明提供了一种基于深度学习的卫星物理场级数字孪生模型构建方法。
本发明的技术方案如下:
提供了一种基于深度学习的卫星物理场级数字孪生模型构建方法,所述方法包括:
在卫星的多个预设位置上布置传感器,利用传感器采集卫星物理场数据,并对卫星进行有限元仿真分析,获取卫星物理场的有限元仿真数据;
对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,生成包括传感器数据及其对应的融合卫星物理场的训练数据;
构建深度学习神经网络,利用所述训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系;
将传感器数据输入训练后的深度学习神经网络,对深度学习神经网络的输出进行可视化处理,获取卫星物理场级数字孪生模型。
在一些可能的实现方式中,对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,包括:
提取传感器数据中的物理场精度特征和有限元仿真数据中的物理场内在机理特征;
通过特征融合方式,将不同尺度下的物理场机理特征和传感器数据中的精度特征分级融合,并通过上采样方式进行聚合,得到融合的卫星物理场数据。
在一些可能的实现方式中,所述深度学习神经网络为多层感知机、卷积神经网络或图神经网络。
在一些可能的实现方式中,当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的平面系统时,所述深度学习神经网络为卷积神经网络。
在一些可能的实现方式中,当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的耦合系统时,所述深度学习神经网络为图神经网络。
在一些可能的实现方式中,利用所述训练数据对深度学习神经网络进行训练,包括:
将所述训练数据中的传感器数据作为深度学习神经网络的输入,将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络。
在一些可能的实现方式中,将所述训练数据中的传感器数据作为深度学习神经网络的输入,将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络,包括:
步骤S310,将多个训练数据中的传感器数据依次输入深度学习神经网络,得到深度学习神经网络输出的传感器数据对应的预测卫星物理场;
步骤S320,将传感器数据对应的预测卫星物理场与融合卫星物理场进行比较,计算深度学习神经网络的预测准确率;
步骤S330,确定连续的至少两次得到的预测准确率是否大于预设准确率阈值,若是,将当前的深度学习神经网络作为训练完成的深度学习神经网络,若否,计算损失函数,利用损失函数更新深度学习神经网络的参数,并返回步骤S310。
在一些可能的实现方式中,所述方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化;
根据获取的传感器数据和不确定性量化结果,计算所述深度学习神经网络的模型误差,并根据模型误差对所述深度学习神经网络的预测输出进行校正。
在一些可能的实现方式中,所述方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化;
根据不确定性量化结果,进行卫星运行状态检测。
在一些可能的实现方式中,所述方法还包括:
将所述深度学习神经网络的输出传输至卫星的其他系统。
本发明技术方案的主要优点如下:
本发明的基于深度学习的卫星物理场级数字孪生模型构建方法通过传感器采集卫星物理场信息,并与有限元仿真数据进行融合以获取高质量训练数据,而后利用高质量训练数据对深度学习神经网络进行训练以构建卫星物理场代理模型,并根据卫星在轨运行获取的传感器数据对代理模型进行进一步误差验证与校正,能够得到高精度、高可靠性的卫星物理场级别的数字孪生模型。
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深度学习的卫星物理场级数字孪生模型构建方法的流程图。
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。
参考图1,本发明一实施例提供了一种基于深度学习的卫星物理场级数字孪生模型构建方法,该方法包括以下步骤:
步骤S1,在卫星的多个预设位置上布置传感器,利用传感器采集卫星物理场数据,并对卫星进行有限元仿真分析,获取卫星物理场的有限元仿真数据;
步骤S2,对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,生成包括传感器数据及其对应的融合卫星物理场的训练数据;
步骤S3,构建深度学习神经网络,利用训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系;
步骤S4,将传感器数据输入训练后的深度学习神经网络,对深度学习神经网络的输出进行可视化处理,获取卫星物理场级数字孪生模型。
以下对本发明一实施例提供的基于深度学习的卫星物理场级数字孪生模型构建方法的步骤及原理进行具体说明:
步骤S1,在卫星的多个预设位置上布置传感器,利用传感器采集卫星物理场数据,并对卫星进行有限元仿真分析,获取卫星物理场的有限元仿真数据。
本发明一实施例中,在布置传感器时,确定实际要求构建物理场级数字孪生模型的卫星系统所对应的实际区域,从实际区域中选取一定数量的重点位置布置多源传感器,利用多源传感器实时采集卫星物理场数据。
其中,在利用多源传感器进行卫星物理场数据采集时,利用分布式数据采集方式进行数据采集,以降低对带宽的影响。
进一步地,本发明一实施例中,在对卫星进行有限元仿真分析时,可以仅对实际要求构建物理场级数字孪生模型的卫星系统进行有限元仿真分析,并获取传感器采集时刻对应的卫星物理场的有限元仿真数据。
可选的,可以利用有限元分析软件对卫星进行有限元仿真分析。
步骤S2,对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,生成包括传感器数据及其对应的融合卫星物理场的训练数据。
本发明一实施例中,对某一时刻获取的多个传感器数据及对相同状态下的卫星进行有限元仿真分析得到的有限元仿真数据进行数据融合。
具体地,对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,包括:
提取传感器数据中的物理场精度特征和有限元仿真数据中的物理场内在机理特征;
通过特征融合方式,将不同尺度下的物理场机理特征和传感器数据中的精度特征分级融合,并通过上采样方式进行聚合,得到融合的卫星物理场数据。
由于传感器数据具有精度高分辨率低的特点,有限元仿真数据具有分辨率高的特点,通过对传感器数据和有限元仿真数据进行融合,能够获取高质量的卫星物理场数据。
进一步地,将一组传感器数据及其对应的融合卫星物理场数据作为一个训练数据,根据多个采集时刻获取的传感器数据和有限元仿真数据,可以得到多个训练数据,以构成训练数据集。
步骤S3,构建深度学习神经网络,利用训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系。
深度学习能够学习训练数据的内在规律和表示层次,通过一个分层搭建的神经网络来进行特征提取与表示。本发明一实施例中,深度学习神经网络采用多层感知机、卷积神经网络或图神经网络,具体可以根据实际要求构建物理场级数字孪生模型的卫星系统的类型确定所采用的神经网络类型。
多层感知机是较为简单的深度学习模型,能够将输入的高维数据映射到输出的信息。多层感知机将传感器数据作为输入,然后通过神经元传递以及激活函数得到网络的输出作为对应的预测卫星物理场。多层感知机仅考虑传感器数据与预测卫星物理场的数据映射关系,并且网络参数量偏高,因此,当要求构建物理场级数字孪生模型的卫星系统较为简单时,深度学习神经网络可以采用多层感知机。
卷积神经网络是仿造生物视觉机制构建的深度学习模型,其通过平移不变的假设对图像进行特征提取,然后通过卷积核对格点化的特征进行处理。卷积神经网络主要应用对象为图像等网格化数据,通过将传感器数据处理成图像形式输入至卷积神经网络中,利用卷积核进行特征提取,最后将特征解码作为神经网络对物理场的预测输出。因此,本发明一实施例中,当需要构建物理场级数字孪生模型的卫星系统为卫星的平面系统时,例如卫星舱板或电路板等平面系统时,深度学习神经网络可以采用卷积神经网络。
图神经网络将深度学习引入到图论中,用于对非规则区域的问题进行处理。图神经网络是神经网络引入到图处理的一种神经网络,能够对节点的邻域信息进行提取并通过可学习参数向下一层进行传递,其包括节点邻域信息的聚合以及节点信息的向后传递过程。根据图神经网络的特点,本发明一实施例中,当需要构建物理场级数字孪生模型的卫星系统为卫星的耦合系统时,深度学习神经网络可以采用图神经网络。
具体地,针对卫星耦合系统,通过图模型构建实体系统与耦合系统之间的关系,然后将传感器数据处理成为图模型的节点特征作为图神经网络的输入,通过图神经网络的邻域聚合以及信息传递两个步骤对节点特征进行提取,并输出解码后的节点特征作为实体系统的物理场预测输出。
进一步地,在确定深度学习神经网络后,为了提高神经网络的预测额精度,减少预测误差,需要利用训练数据对神经网络进行训练更新。
针对深度学习神经网络的不同类型,其训练方式及训练过程基本相同,本发明一实施例中,利用训练数据对深度学习神经网络进行训练,包括:
将训练数据中的传感器数据作为深度学习神经网络的输入,将训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络。
具体地,本发明一实施例中,将训练数据中的传感器数据作为深度学习神经网络的输入,将训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络,进一步包括以下步骤:
步骤S310,将多个训练数据中的传感器数据依次输入深度学习神经网络,得到深度学习神经网络输出的传感器数据对应的预测卫星物理场;
本发明一实施例中,将训练数据中的传感器数据从深度学习神经网络的输入端输入,依次经过深度学习神经网络中各层的参数的处理,并从深度学习神经网络的输出端输出,输出端输出的信息即为该传感器数据对应的预测卫星物理场。其中,初始的深度学习神经网络可以是未经训练的神经网络或未训练完成的神经网络,其各层设置有初始化的参数,参数在神经网络的训练过程中可以被不断地更新调整。
步骤S320,将传感器数据对应的预测卫星物理场与融合卫星物理场进行比较,计算深度学习神经网络的预测准确率;
本发明一实施例中,可以通过计算每个训练数据对应的预测卫星物理场与融合卫星物理场的差值和融合卫星物理场的比值,将所有比值的平均值作为预测准确率。
步骤S330,确定连续的至少两次得到的预测准确率是否大于预设准确率阈值,若是,将当前的深度学习神经网络作为训练完成的深度学习神经网络,若否,计算损失函数,利用损失函数更新深度学习神经网络的参数,并返回步骤S310。
本发明一实施例中,可以采用平均绝对误差作为深度学习神经网络的损失函数,此时,损失函数具体可表述为:
本发明一实施例中,采用梯度下降的方式对深度学习神经网络的参数进行优化更新,具体地,先利用链式求导法则,用损失函数对参数进行求导,然后利用求导结果和预设学习率对参数进行更新。
具体地,可以采用以下公式对神经网络的参数进行更新:
其中,θ表示深度学习神经网络的参数集合,Δ[·]表示优化器,η表示学习率。其中,优化器例如为Adam、SGD等,学习率需要预先设置,用于控制参数更新的快慢。
步骤S4,将传感器数据输入训练后的深度学习神经网络,对深度学习神经网络的输出进行可视化处理,获取卫星物理场级数字孪生模型。
本发明一实施例中,在完成深度学习神经网络的训练后,将多个传感器采集的数据输入深度学习神经网络,深度学习神经网络能够输出对应的卫星物理场,通过对深度学习神经网络输出的卫星物理场进行可视化处理,即可得到卫星物理场级数字孪生模型,实现传感器数据到卫星系统物理场端到端的数字孪生模型构建。
进一步地,考虑到卫星传感器存在大量不确定性,为了提高得到的数字孪生模型的可信度和鲁棒性,本发明一实施例中,还对深度学习神经网络进行验证确认。
具体地,本发明一实施例中,该方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对深度学习神经网络的输出进行随机不确定性量化;
具体地,确定一个运行时刻所获取的多个传感器数据作为深度学习神经网络的一个输入数据,基于确定的一个输入数据,采用MC-Dropout方式开展多次预测得到输入数据对应的多个预测卫星物理场,计算多个预测卫星物理场对应的均值和方差。
其中,多个预测卫星物理场对应的方差即表示量化的不确定性。
具体地,利用以下公式计算多个预测卫星物理场对应的均值和方差:
根据获取的传感器数据和不确定性量化结果,计算深度学习神经网络的模型误差,并根据模型误差对深度学习神经网络的预测输出进行校正。
具体地,确定获取传感器数据时的卫星状态,对相同状态下的卫星进行有限元仿真分析得到对应的有限元仿真数据,对获取的传感器数据和有限元仿真数据进行数据融合,得到对应的融合卫星物理场,根据融合卫星物理场和不确定性量化结果中的均值计算深度学习神经网络的模型误差,根据模型误差和不确定量化结果对深度学习神经网络的预测输出进行校正。
具体地,深度学习神经网络的模型误差利用以下公式计算:
ξ=y-μ
其中,ξ表示深度学习神经网络的模型误差,y表示当前传感器数据对应的融合卫星物理场。
具体地,利用以下公式计算校正后的深度学习神经网络的预测输出:
进一步地,本发明一实施例中,该方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对深度学习神经网络的输出进行随机不确定性量化;
根据不确定性量化结果,进行卫星运行状态检测。
由于深度学习神经网络的不确定性代表了输入的传感器数据噪声以及神经网络对于输入数据的认知,当不确定性较大时,则说明输入的传感器数据噪声过大或者神经网络对输入数据的认知不足,因此根据不确定性量化结果,能够对卫星的运行状态是否正常进行检测。
具体地,若不确定性量化结果大于预设不确定性阈值,则判定传感器数据异常,也即判定卫星运行状态异常,若不确定性量化结果小于或等于预设不确定性阈值,则判定传感器数据正常,也即判定卫星运行状态正常。
其中,预设不确定性阈值可以基于训练得到的神经网络的预测精度进行设置。
进一步地,本发明一实施例中,该方法还包括:
将深度学习神经网络的输出传输至卫星的其他系统。
通过将深度学习神经网络的输出传输至卫星的其他系统,能够实现卫星内部的多个系统之间的信息交互,便于对卫星进行控制与管理。
进一步地,本发明一实施例中,当进行卫星运行状态检测时,还可以将卫星运行状态检测结果传输至卫星的其他系统。
如此,能够进一步提高卫星的运行稳定性。例如,当深度学习神经网络输出的结果为卫星热场时,若基于深度学习神经网络输出的热场检测到卫星运行状态异常,则可以把卫星运行状态异常信号传输至卫星的其他系统,通过热控制系统对卫星整体热场进行管理与控制,同时可以通过姿态和轨道管理系统对卫星的姿态与轨道进行调整,切换向阳面,实现卫星整体热场的平衡。
本发明一实施例提供的基于深度学习的卫星物理场级数字孪生模型构建方法通过传感器采集卫星物理场信息,并与有限元仿真数据进行融合以获取高质量训练数据,而后利用高质量训练数据对深度学习神经网络进行训练以构建卫星物理场代理模型,并根据卫星在轨运行获取的传感器数据对代理模型进行进一步误差验证与校正,能够得到高精度、高可靠性的卫星物理场级别的数字孪生模型。
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)
1.一种基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,包括:
在卫星的多个预设位置上布置传感器,利用传感器采集卫星物理场数据,并对卫星进行有限元仿真分析,获取卫星物理场的有限元仿真数据;
对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,生成包括传感器数据及其对应的融合卫星物理场的训练数据;
构建深度学习神经网络,利用所述训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系;
将传感器数据输入训练后的深度学习神经网络,对深度学习神经网络的输出进行可视化处理,获取卫星物理场级数字孪生模型。
2.根据权利要求1所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,对传感器数据和有限元仿真数据进行数据融合,获取融合的卫星物理场数据,包括:
提取传感器数据中的物理场精度特征和有限元仿真数据中的物理场内在机理特征;
通过特征融合方式,将不同尺度下的物理场机理特征和传感器数据中的精度特征分级融合,并通过上采样方式进行聚合,得到融合的卫星物理场数据。
3.根据权利要求1或2所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,所述深度学习神经网络为多层感知机、卷积神经网络或图神经网络。
4.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的平面系统时,所述深度学习神经网络为卷积神经网络。
5.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的耦合系统时,所述深度学习神经网络为图神经网络。
6.根据权利要求1-3中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,利用所述训练数据对深度学习神经网络进行训练,包括:
将所述训练数据中的传感器数据作为深度学习神经网络的输入,将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络。
7.根据权利要求6所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,将所述训练数据中的传感器数据作为深度学习神经网络的输入,将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出,训练深度学习神经网络,包括:
步骤S310,将多个训练数据中的传感器数据依次输入深度学习神经网络,得到深度学习神经网络输出的传感器数据对应的预测卫星物理场;
步骤S320,将传感器数据对应的预测卫星物理场与融合卫星物理场进行比较,计算深度学习神经网络的预测准确率;
步骤S330,确定连续的至少两次得到的预测准确率是否大于预设准确率阈值,若是,将当前的深度学习神经网络作为训练完成的深度学习神经网络,若否,计算损失函数,利用损失函数更新深度学习神经网络的参数,并返回步骤S310。
8.根据权利要求1-7中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,所述方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化;
根据获取的传感器数据和不确定性量化结果,计算所述深度学习神经网络的模型误差,并根据模型误差对所述深度学习神经网络的预测输出进行校正。
9.根据权利要求1-8中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,所述方法还包括:
基于卫星运行期间获取的传感器数据,利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化;
根据不确定性量化结果,进行卫星运行状态检测。
10.根据权利要求1-9中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法,其特征在于,所述方法还包括:
将所述深度学习神经网络的输出传输至卫星的其他系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979908.6A CN115392077B (zh) | 2022-08-16 | 2022-08-16 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979908.6A CN115392077B (zh) | 2022-08-16 | 2022-08-16 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115392077A true CN115392077A (zh) | 2022-11-25 |
CN115392077B CN115392077B (zh) | 2023-07-25 |
Family
ID=84121653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979908.6A Active CN115392077B (zh) | 2022-08-16 | 2022-08-16 | 基于深度学习的卫星物理场级数字孪生模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115392077B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227561A (zh) * | 2023-02-17 | 2023-06-06 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
CN116341396A (zh) * | 2023-05-30 | 2023-06-27 | 青岛理工大学 | 一种基于多源数据融合的复杂装备数字孪生建模方法 |
CN116777010A (zh) * | 2023-08-25 | 2023-09-19 | 之江实验室 | 一种模型训练的方法以及任务执行方法及装置 |
CN117763926A (zh) * | 2024-02-22 | 2024-03-26 | 大连理工大学 | 一种数字孪生信息驱动的高可信结构变形监测方法 |
CN117763742A (zh) * | 2024-02-21 | 2024-03-26 | 大连理工大学 | 面向传感器数据精准插值的混合数字孪生模型构建方法 |
CN117828999A (zh) * | 2024-03-04 | 2024-04-05 | 北京国星创图科技有限公司 | 一种数字孪生卫星群智能管理系统及方法 |
CN117973160A (zh) * | 2024-04-02 | 2024-05-03 | 厦门理工学院 | 基于数字孪生的电动矿卡电机故障监测与预警方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
CN110442937A (zh) * | 2019-07-24 | 2019-11-12 | 武汉大学 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
CN112434369A (zh) * | 2020-11-11 | 2021-03-02 | 北京宇航系统工程研究所 | 一种基于机器学习的结构载荷感知方法 |
CN112613118A (zh) * | 2020-12-16 | 2021-04-06 | 中国科学院沈阳自动化研究所 | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 |
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 |
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 |
US20220092240A1 (en) * | 2019-01-29 | 2022-03-24 | Siemens Aktiengesellschaft | System for Machine Learning-Based Acceleration of a Topology Optimization Process |
CN114417653A (zh) * | 2021-12-16 | 2022-04-29 | 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电路板热可靠性分析方法 |
-
2022
- 2022-08-16 CN CN202210979908.6A patent/CN115392077B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220092240A1 (en) * | 2019-01-29 | 2022-03-24 | Siemens Aktiengesellschaft | System for Machine Learning-Based Acceleration of a Topology Optimization Process |
CN110276159A (zh) * | 2019-07-01 | 2019-09-24 | 北京理工大学 | 一种基于多模型融合的卫星系统多学科优化方法 |
CN110442937A (zh) * | 2019-07-24 | 2019-11-12 | 武汉大学 | 一种融合卫星遥感和机器学习技术的流域水文模拟方法 |
CN110851966A (zh) * | 2019-10-30 | 2020-02-28 | 同济大学 | 一种基于深度神经网络的数字孪生模型修正方法 |
CN112434369A (zh) * | 2020-11-11 | 2021-03-02 | 北京宇航系统工程研究所 | 一种基于机器学习的结构载荷感知方法 |
CN112613118A (zh) * | 2020-12-16 | 2021-04-06 | 中国科学院沈阳自动化研究所 | 火箭发动机内部不可测装配质量数字孪生建模与追溯方法 |
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 |
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 |
CN114417653A (zh) * | 2021-12-16 | 2022-04-29 | 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电路板热可靠性分析方法 |
Non-Patent Citations (5)
Title |
---|
CHUKKAPALLI等: "A Compressive Sensing and Deep Learning Approach for Data Fusion of Multi-Satellite Observations", PROQUEST DISSERTATIONS AND THESES, pages 1 - 75 * |
QIAO LI等: "Heat reliability analysis of satellite based on graph neural network", 12TH INTERNATIONAL CONFERENCE ON QUALITY, RELIABILITY, RISK, MAINTENANCE, AND SAFETY ENGINEERING (QR2MSE 2022), pages 1 - 6 * |
XIAOHU ZHENG等: "Physics-Informed Deep Monte Carlo Quantile Regression method for Interval Multilevel Bayesian Network-based Satellite Heat Reliability Analysis", MACHINE LEARNING, pages 1 - 37 * |
刘蔚然;陶飞;程江峰;张连超;易旺民;: "数字孪生卫星:概念、关键技术及应用", 计算机集成制造系统, no. 03, pages 5 - 28 * |
孟松鹤;叶雨玫;杨强;黄震;解维华;: "数字孪生及其在航空航天中的应用", 航空学报, no. 09, pages 6 - 17 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227561B (zh) * | 2023-02-17 | 2023-09-12 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
CN116227561A (zh) * | 2023-02-17 | 2023-06-06 | 电子科技大学 | 一种基于数字孪生和容器技术的卫星轨道误差预测方法 |
CN116341396A (zh) * | 2023-05-30 | 2023-06-27 | 青岛理工大学 | 一种基于多源数据融合的复杂装备数字孪生建模方法 |
CN116341396B (zh) * | 2023-05-30 | 2023-08-11 | 青岛理工大学 | 一种基于多源数据融合的复杂装备数字孪生建模方法 |
CN116777010A (zh) * | 2023-08-25 | 2023-09-19 | 之江实验室 | 一种模型训练的方法以及任务执行方法及装置 |
CN116777010B (zh) * | 2023-08-25 | 2023-12-19 | 之江实验室 | 一种模型训练的方法以及任务执行方法及装置 |
CN117763742B (zh) * | 2024-02-21 | 2024-05-17 | 大连理工大学 | 面向传感器数据精准插值的混合数字孪生模型构建方法 |
CN117763742A (zh) * | 2024-02-21 | 2024-03-26 | 大连理工大学 | 面向传感器数据精准插值的混合数字孪生模型构建方法 |
CN117763926A (zh) * | 2024-02-22 | 2024-03-26 | 大连理工大学 | 一种数字孪生信息驱动的高可信结构变形监测方法 |
CN117763926B (zh) * | 2024-02-22 | 2024-05-17 | 大连理工大学 | 一种数字孪生信息驱动的高可信结构变形监测方法 |
CN117828999A (zh) * | 2024-03-04 | 2024-04-05 | 北京国星创图科技有限公司 | 一种数字孪生卫星群智能管理系统及方法 |
CN117828999B (zh) * | 2024-03-04 | 2024-05-28 | 北京国星创图科技有限公司 | 一种数字孪生卫星群智能管理系统及方法 |
CN117973160A (zh) * | 2024-04-02 | 2024-05-03 | 厦门理工学院 | 基于数字孪生的电动矿卡电机故障监测与预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115392077B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115392077A (zh) | 基于深度学习的卫星物理场级数字孪生模型构建方法 | |
CN110490035A (zh) | 人体骨架动作识别方法、系统及介质 | |
US20220156574A1 (en) | Methods and systems for remote training of a machine learning model | |
CN112053327B (zh) | 视频目标物检测方法、系统及存储介质和服务器 | |
CN113422952B (zh) | 基于时空传播层次编解码器的视频预测方法 | |
CN116381753B (zh) | Gnss/ins组合导航系统在gnss中断时的神经网络辅助导航方法 | |
CN113191530B (zh) | 一种具有隐私保护的区块链节点可靠性预测方法及系统 | |
CN108764475A (zh) | 遗传小波神经网络的陀螺随机误差补偿方法及系统 | |
JP6994812B2 (ja) | 複数のセンサの時系列の計測値群における欠損値を補完するプログラム、装置及び方法 | |
CN109615058A (zh) | 一种神经网络模型的训练方法 | |
CN111402156B (zh) | 一种涂抹图像的复原方法、装置及存储介质和终端设备 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN115116013A (zh) | 融合时序特征的在线密集点云语义分割系统及方法 | |
CN114399901B (zh) | 一种控制交通系统的方法和设备 | |
US11526735B2 (en) | Neuromorphic neuron apparatus for artificial neural networks | |
CN114936664A (zh) | 基于混合深度学习模型的流域非点源污染预测方法 | |
CN110765870B (zh) | 一种ocr识别结果的置信度确定方法、装置及电子设备 | |
CN117332818A (zh) | 基于自适应图神经网络多源数据融合的故障诊断方法 | |
CN111582461A (zh) | 神经网络训练方法、装置、终端设备和可读存储介质 | |
CN108134680A (zh) | 一种基于贝叶斯网络的系统测量节点优化配置方法 | |
CN117234106B (zh) | 卫星姿轨控制地面仿真系统及其可信度评估方法 | |
CN117733874B (zh) | 机器人状态预测方法、装置、电子设备及存储介质 | |
CN115598455B (zh) | 一种电子信息装备自动测试系统及测试方法 | |
CN116558541B (zh) | 模型训练方法和装置、轨迹预测方法和装置 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 |
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 |