基于BP神经网络的纳卫星轨道温度预测

为了实现纳卫星在轨温度的预测,在对纳卫星热系统动态特性模型分析的基础上,建立BP神经网络预测模型实现纳卫星在轨温度的预测.通过分析纳卫星热系统动态特性模型,得到用于BP神经网络预测模型的输入、输出变量以及训练神经网络所需的数据样本.BP神经网络预测模型分别以纳卫星外壳、辐射器、舱内仪器的热流及温度值为神经网络输入、输出,预测纳卫星10s后的轨道温度.经验证,神经网络预测模型预测结果与纳卫星实际轨道温度吻合较好,表明神经网络预测模型是快捷有效的.      

基于卫星在轨温度预示热控涂层性能退化的方法

介绍了一种利用卫星在轨温度数据预示热控涂层在轨性能退化情况的方法,建立并推导了适用于研究热控涂层随整数年变化规律的数学模型,该模型利用卫星设备的温度曲线通过反演计算得到设备表面热控涂层的退化数据。为检验本文数学模型的计算效果,构造了一组数值试验,结果表明本文数学模型的计算数据与真实值非常接近,说明本文建立的数学模型能够很好地根据卫星在轨温度计算出热控涂层在轨退化数据。     

基于统计学方法的卫星在轨热变形快速分析

为使用在轨实测温度数据辅助完成成像载荷视轴指向的在轨标定,首次将应用于地统计学中的普通克里格法用于卫星在轨温度场的无偏估计,提出了一种基于统计学方法的在轨热变形快速分析方法。应用热试验过程中星上少量温度实测数据进行卫星温度场的无偏估计,并将温度计算结果赋值到有限元模型,进而完成了热变形分析。应用此种方法,相比通过热物理方法进行温度场分析,可将热变形分析的工期缩短数日,且载荷变形的分析结果与试验实测结果的误差在1′左右,可较准确地得到载荷视轴在热变形作用下的指向变化。文章可为卫星在轨热变形的快速分析提供参考。     

基于LightGBM的卫星飞轮温度预测

为保障卫星的正常在轨运行,地面系统需要对卫星运行状态进行监控预警,其中对卫星各系统的温度监控尤为重要.温度不仅直接反映卫星系统的健康状态,更会对系统器件的性能和寿命造成影响.飞轮作为卫星姿态控制系统的重要组件,其温度变化是识别姿态控制系统状态的重要信息.卫星飞轮温度的预测与预警对卫星在轨稳定运行具有重要意义.本文基于某在轨卫星遥测数据,结合空间环境数据,应用LightGBM机器学习框架研究建立梯度提升决策树模型,对卫星飞轮温度进行预测.经与实际遥测温度值进行对比验证,预测精度可以满足对卫星飞轮温度的监视需求.研究结果可应用于地面系统,对卫星姿态控制系统可能发生的温度异常进行预警,使地面运控人员能够提前规避风险,保障卫星的安全在轨运行.      

环境C卫星热系统设计与在轨验证

根据环境C卫星的自身特性, 采用以被动式热控制为主和主动热控制为辅的控制方式, 对环境C卫星进行热系统设计. 通过研究环境C卫星的热控设计原则、热设计状态及已解决的关键问题, 对其在轨飞行温度数据进行了分析. 在轨飞行遥测结果表明, 环境C卫星热控系统方案合理, 工作稳定, 性能良好. 星上设备温度环境很好地满足了设计要求.      

一种在轨改善偏置动量卫星控制精度的方法

对多个偏置动量卫星在轨飞行的遥测数据观察后发现．其中一些卫星的X轴和Z轴控制误差较大，且有明显的常值偏差存在．对这一现象进行分析，从偏置动量卫星的控制原理上找到了姿态偏差较大的原因，进而提出修正方法．在轨飞行测试表明：原姿态超差的偏置动量卫星采用本方法后，姿态控制精度得到明显改善，证明了本方法行之有效．     

微纳卫星释放分离参数的测试方法

采用自由落体的试验方法,在地面模拟卫星在轨释放过程,测试某微纳卫星在轨释放速度、姿态以及对卫星星上设备的冲击,卫星的释放速度通过高速摄影的测量方法,卫星的释放姿态和星上设备的冲击响应通过集成在试验卫星上的测试系统测量。该试验方法可以一次测量出卫星的释放姿态、释放速度以及释放分离对卫星星上设备的冲击响应。     

ARIMA-SVR组合模型在卫星遥测参数预测中的应用

为辅助卫星在轨运行提供决策分析支持，结合卫星遥测参数的时间序列特性，利用一种ARIMA-SVR组合预测方法，通过对卫星遥测参数进行预测，判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合，并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础，分别利用组合模型对短期及中期星敏A温度进行预测，得出短期和中期均方根误差（RMSE）分别为0.768和0.968，相比单一ARIMA模型，短中期RMSE分别提高46.2%和16.4%。此外，对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中，组合模型比单一ARIMA模型的RMSE提高71.2%；中期预测中，组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明，ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。      

微纳卫星热状态仿真及分析

卫星热控系统通过调节星上热量收集、转移、排放的过程，从而达到控制星体温度水平和温度稳定性的目的，对卫星进行在轨热状态分析和依据分析结果进行热控措施调节与评估至关重要。针对低轨微纳卫星热状态分析的关键问题，给出了卫星在轨时刻所受空间外热流的计算方法，在此基础上，综合考虑温度影响因素和传热特点，建立了卫星外壳、辐射器、内环境和内外部单机的瞬时温度计算模型。以一低轨微纳卫星为例进行仿真计算，对结果进行了分析与讨论，为进一步深入研究卫星的热控设计提供了快速、简便的分析方法。     

基于特征建模的空间非合作目标姿态智能测量方法

为实现空间非合作目标姿态的测量，基于特征建模的思想，提出了一种根据目标激光点云数据进行高效处理的智能测姿态方法.首先，针对空间目标姿态测量的需求，寻找并实现能够高效表征目标姿态的点云数据特征.接着，应用神经网络的方法对目标点云姿态特征进行学习，通过建立合理的神经网络模型和训练数据，实现目标点云特征与姿态间非线性映射关系的建立.最后，利用目标点云仿真数据集，对方法的测量精度和测量实时性进行了评估.实验结果表明：利用特征建模的思想，提出并建立目标点云姿态协方差矩阵特征，实现了点云数据在表征目标姿态方面的信息高度压缩，为神经网络模型的轻量化设计和计算资源严重受限的在轨应用，提供了可行的智能化工程实现方案.     

卫星热平衡试验的温度预测与仿真模型

为了解决卫星热平衡试验中涉及的温度预测与变工况仿真试验问题,建立起星载仪器温度变化的双层集总参数模型,这一动态特性模型采用简单的嵌套结构,模型参数可以方便地运用系统辨识算法从卫星热平衡试验数据中获取,应用这一模型可以对不同星载仪器的温度变化进行分别的预测与仿真计算,从而大大减少了温度预测与仿真工作的计算量.对比研究表明:温度预测与仿真计算的结果与实际热平衡试验的结果一致.     

基于神经网络的磁平静期赤道电集流预测

利用BP神经网络技术分别对2008年后磁平静期印度扇区、秘鲁扇区以及CHAMP卫星的赤道电集流(EEJ)变化进行预测,其中神经网络训练数据为对应的2000-2007年磁平静期EEJ观测数据,输入参量为天数、地方时、太阳天顶角、太阳活动指数(F10.7)、太阴时以及卫星地理经度,输出参量为EEJ.对EEJ预测结果进行了统...     

改进的模拟温补晶振宽温补偿方法

当要求模拟温补晶体振荡器(TCXO)在宽温范围内频率温度稳定性优于±1×10-6时,使用传统补偿方法通常一次成功率低.通过对温补精度影响因素的分析,得出温补网络中热敏电阻测试方法和计算模型误差较大.因此,提出一种改进的宽温补偿方法.首先,参考热敏电阻在宽温范围内在线测试,获得实际数据;然后,待使用热敏电阻依据参考热敏电阻测试数据进行比例建模,得到各温度对应电阻值;最后,将建模后的待使用热敏电阻代入温补网络计算程序,采用遗传算法优化计算网络参数.通过与传统方法的对比试验,表明该方法建模的热敏电阻与实际测试值更接近,温补网络计算程序更灵活,温补一次成功率提高到约90%以上.      

基于PSO-BP神经网络的平流层风场短期快速预测

平流层风场环境对临近空间低速飞行器驻空飞行性能有重要影响。研究了基于PSO-BP神经网络的平流层区域风场建模与快速预测方法,根据历史风场数据,采用主成分分析法对数据进行降维处理,通过BP神经网络对风场进行预测建模,利用粒子群优化（PSO）算法对其进行优化,采用Biharmonic样条曲面插值方法构建区域预测风场。以南海地区5年历史风场为对象,对比分析了基于BP神经网络和基于PSO-BP神经网络的风场预测模型,结果表明:使用具有全局寻优特性的PSO算法改进BP神经网络,能够有效避免传统BP神经网络易陷入局部最优的缺点,提高预测精度;通过结合PSO-BP神经网络预测与Biharmonic样条曲面插值,可实现区域风场的预测。研究结果可为临近空间低速飞行器的轨迹规划与区域驻留等任务的高精度区域快速预报风场提供解决途径。      

基于平流层风场预测的浮空器轨迹控制

平流层风场环境对浮空器设计和轨迹控制具有重要影响。针对平流层风场建模,以长沙地区2005—2010年的风场数据为例,首先采用本征正交分解（POD）方法对风场数据进行降阶处理;然后分别采用Fourier级数与BP神经网络算法对平流层风场进行预测,并对2种模型的预测精度进行比较分析;最后通过建立临近空间浮空器的动力学模型和高度调控模型,分析2种风场预测模型对浮空器轨迹控制的影响。研究结果表明,相对于Fourier预测模型,基于BP神经网络预测模型的预测精度更高,可信度更强,能够更好地为浮空器飞行轨迹控制提供参考价值。      

利用人工神经网络预报大磁暴

本文采用阈值预报的策略和人工神经网络BP模型,以13个太阳风参量和地磁AE,Dst指数作为输入,以0或1作为输出,提前4h预报大磁暴主相发生的时刻．结果表明,采用神经网络方法的阈值预报可以对灾害性磁暴的发生提前数小时做出比较准确的预报．     

应用BP神经网络针对高通量质子事件的通量数值预报

质子事件的爆发与太阳软X射线辐射有着很强的相关性,利用GOES卫星的1～8 (A)波段和0.5～4 (A)波段的软X射线数据,选取一些特征参量验证该相关性并应用到质子事件短期预报中.在当前质子事件传输物理机制不完全明确的情况下,在现有的预报质子事件有无的模型基础上,利用BP神经网络,根据软X射线通量水平等预测事件质子峰值通量水平,再对训练后的网络进行检验,检验预测所得结果与实际探测值误差小于一个量级,具备一定实用意义.      

BP神经网络预测复合材料热压罐成型均匀性

复合材料热压罐成型过程中的固化度差值是复合材料固化度均匀性的主要表征参数之一。基于3层BP神经网络,以复合材料双平台固化工艺曲线的加热速率、保温时间和保温温度为输入参数,建立了成型过程任一时刻最大固化度差值的快速估算模型。仿真复合材料热压罐成型过程,得到最大固化度差值作为试验样本数据,对BP神经网络进行训练,训练结束后对该模型的准确性进行验证。结果表明:该BP神经网络估算模型准确性和效率较高,为复合材料热压罐成型最大固化度差值的估算提供了一种快速有效的新方法。      

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.