卫星结构基础加速度激励及界面力识别试验研究

针对某卫星结构模型,开展基于实测卫星结构加速度的卫星基础激励和星-箭连接界面动载荷反演试验研究.首先,根据卫星结构和试验条件,设计了用于测量星-箭界面传递载荷的工装;其次,基于卫星结构模态试验和有限元模型修正技术,获取了卫星结构的高保真有限元模型;进一步,开展基础激励下的卫星结构模型振动试验,利用动载荷识别技术获取振动...     

基于长短时神经网络的卫星陀螺仪故障检测

针对卫星陀螺仪故障检测中存在的冗余依赖、微小故障覆盖问题，提出一种基于长短时神经网络(LSTM)的故障检测方法。首先对卫星陀螺仪建模，考虑到卫星姿态控制回路对陀螺仪微小故障覆盖影响，利用半物理仿真平台采集陀螺仪正常与故障数据；然后使用部分正常数据训练LSTM神经网络，使得网络具有预测陀螺仪输出的能力，并将另一部分正常数据输入到训练好的网络模型，得到预测误差，进一步设定故障阈值；最后，将测试数据输入提出的故障检测模型，仿真验证其时效性和准确性。结果表明，在采样频率为10Hz时，对于陀螺仪的卡死、噪声以及偏差故障，基于LSTM神经网络的故障检测模型能在故障发生2s内检测出故障，并达到了98.9%的准确率。     

基于深度学习的多步预测方法在太阳风速度预测上的应用

为对近地环境太阳风状况进行可靠预测,引入基于深度学习的多步预测方法来预测在太阳与地球之间的拉格朗日点1（L1）处距离输入观测数据序列未来24、48、72、96 h的太阳风速度。采用SDO的图像数据提取冕洞面积等特征信息,并从NASA OMNIWEB数据集提取其他输入特征,形成多变量的时序数据作为太阳风速度预测的输入信息,输出未来某时刻附近几个小时的太阳风速度。预测过程中分别采用单一LSTM模型、编解码器LSTM模型和CNN-LSTM编解码器模型3种深度学习预测模型作为基模型,融合多步输出端数据进行对比分析。实验表明,多步预测相较于单步输出预测,对未来24、48、72、96 h的太阳风速度预测的相关系数和精度均有所提高,其中单一LSTM模型对于未来24 h太阳风速度的多步预测结果最佳——与观测数据的相关系数为0.789,均方根误差为62.469 km/s,平均绝对误差为46.476 km/s。     

壁挂式主频可调变截面小卫星结构设计与验证

针对多星并联布局“一箭多星”发射小卫星的模式，为降低星箭连接界面结构受力、提高卫星结构对不同运载火箭的主频适应性、提高星内设备安装空间利用率，本文设计了一种壁挂式主频可调变截面小卫星结构。对该卫星结构，开展了基于有限元方法的模态和静力分析验证，还开展了地面鉴定级振动试验验证和在轨飞行试验验证。分析和试验结果表明，壁挂式卫星结构相比底部连接式卫星结构，星箭连接界面受力可降低67.7%；在不增加卫星结构质量的前提下，仅通过安装或拆卸主传力路径上的部分连接螺钉，就能实现卫星3个方向一阶频率10 Hz左右的可调范围；采用沿运载火箭轴线方向横截面大小可变的变截面结构设计，可将星内设备安装空间的利用率由等截面卫星结构的49.1%提高到74.2%。     

凝视视频卫星目标检测算法

为了实现对高分辨率光学遥感视频卫星成像视场范围内的飞机目标进行快速高效检测,提出一种遥感影像快速目标检测方案。文章借鉴深度卷积神经网络模型YOLO系列算法高速检测目标优点,引入端对端式全卷积神经网络构建检目标测算法,通过实验统计和探索光学卫星成像视场范围大小对目标检测准确率和检测速度的影响,结合目标尺度进行网络调优、改进检测模型,得到基于凝视成像视频卫星目标检测的高效算法。运用算法对来自"吉林一号"光学A星及视频3星的影像数据集进行目标检测实验统计,在413张800像素×800像素的静态遥感影像测试集中实现76.2%的平均检测准确率,在同等尺度的遥感视频序列中实现31帧/s的检测速度。该算法成功将深度卷积神经网络技术引入到凝视视频卫星遥感应用领域,有效证明了深度学习技术在遥感视频识别领域的可行性。     

一箭多星发射飞行间距预示方法研究

针对一箭多星发射中的多颗卫星碰撞风险问题,文章在标称星箭分离力基础上叠加分离力的理论误差,基于在轨飞行数据得到姿态控制作用力,并加入到轨道预报模型中,提出了综合分离力误差、姿态控制作用力及轨道摄动影响的多重作用力分析模型,可实现对一箭多星发射条件下多个空间物体的最小飞行间距的预报。在工程任务中,采用该方法可以有效识别出卫星发生碰撞的风险,为确保卫星的飞行安全和发射任务的圆满完成奠定基础。     

北斗卫星导航系统测量误差指标体系

围绕北斗卫星导航系统中的伪距测量误差，全面分析系统的测量原理，提出系统误差指标体系的构建流程，构建基于误差层次分解方法的北斗卫星导航系统测量误差指标体系，指标体系由1个系统层指标、3个准则层指标、11个要素层指标和36个基础指标等51个指标组成。同时，结合实例，从卫星下行链路的绝对时延的测试需求，引出了绝对时延的测试问题，定义星载导航任务处理单元对外1PPS信号的输出口作为卫星的时间零点，给出需要测试的绝对时延的路径组成。根据目前系统的实际情况，通过每一部分的测试误差，求出整个绝对时延的测量误差精度。     

基于LSTM-ResNet模型的时变结构损伤检测

面向火箭结构健康监测，提出了一种基于深度学习的损伤检测方法，直接将多个通道的振动数据作为输入，并基于由长短时记忆网络LSTM（Long Short-Term Memory Networks）和残差卷积神经网络ResNet（Residual Convolutional Neural Networks）组合而成的LSTM-ResNet网络进行损伤识别。其优点在于，首先利用LSTM提取信号的时间依赖特征，减轻了由某些通道信号缺失带来的影响，再利用ResNet在不损耗特征的情况下进一步提取空间特征，提高了训练效率和损伤辨识准确性。通过充液圆筒振动放水实验模拟火箭飞行状态下的燃料消耗，并基于自主构建的数据集和公用数据集对LSTM-ResNet、LSTM、ResNet以及ResNet-LSTM网络进行了训练，训练结果表明，LSTM-ResNet组合网络无论在传感器是否存在故障的情况下都具有更好的性能，损伤检测精度更高。     

运载火箭与航天器界面载荷设计优化方法

基于动力学理论，开展了器箭界面动态内力的理论建模，对影响器箭界面动态内力的主要因素进行辨识，并分析了器箭界面动态内力随各影响因素的变化趋势。同时，基于某真实火箭构型以及对应外激励，通过设计有效载荷的质量、质心高度以及基频参数组合集，开展跨声速工况下器箭动力学耦合分析，获取横向质心等效加速度分布数据。结合理论分析的分布规律，对耦合分析质心等效加速度进行分类统计，构建了一种可行的器箭界面动态内力精细化设计方法。该方法应用于新一代运载火箭，可有效降低器箭界面载荷设计条件，具有重要的工程意义。     

基于异构融合类脑芯片的卫星智能平台设计

传统卫星运行基于单星工作模式,计算能力有限,当处理海量数据时,由于单个节点能力的不足极大限制了整体的发展。为适应行业对业务处理低延时提出的迫切需求,天地一体化多星协同、多任务协同的智能化工作模式重要性逐渐显现。传统星载计算机采用固有算法及硬件进行简单任务规划及多星协同管理,其算力及算法难以满足基于深度学习的智能任务需求。当前,基于脉冲神经网络（SNN）加深度神经网络（DNN）的类脑计算方法,具有强智能计算、低能耗、强并行、高效率、存算一体等特点。通过对卫星智能处理平台发展趋势分析,针对异构融合类脑芯片优势特征,同时兼顾航天器在轨可靠性需求,提出基于异构融合类脑芯片的卫星智能处理平台架构,完成星上在轨智能预测和自主任务规划,进一步降低卫星业务成本。     

星箭连接界面处环形分布动载荷识别

提出一种基于卫星结构响应的环形分布动载荷识别方法。首先基于脉冲响应函数，在时域内构建激励与响应之间的传递关系；进一步，利用B样条函数表示动载荷的环形分布函数，并结合卫星结构有限元模型和结构测点加速度响应，识别了动载荷的分布函数及其时间历程。以某卫星模型开展数值仿真研究，结果表明：在不同噪声水平，响应测点数以及B样条控制点数的情况下，本文所提出的方法能够准确识别卫星结构所受分布动载荷。本文方法能够为实际飞行情况下卫星载荷环境评估提供理论支撑。     

基于神经网络和证据理论的火箭发动机故障诊断

针对运载火箭动力系统故障的复杂特性和故障模式的不确定性,提出了基于神经网络和证据理论的火箭发动机故障诊断。首先以火箭视加速度和角速度作为网络输入,故障类型矩阵作为网络输出,通过BP神经网络和RBF(径向基函数)神经网络进行故障诊断;之后通过D-S证据理论融合神经网络结果;最后通过滚动时域估计方法对火箭飞行状态特征量估计。仿真结果表明诊断准确率达到99%以上,表明提出的方法对于火箭发动机故障诊断具有较高的准确性和实用性。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

固体火箭横向响应载荷识别方法

利用小波分析在时频两域都具有表征信号局部特征的特点,对固体火 箭飞行遥测过载数据进行了小波分解,然后从结构动力学理论出发提出了一种识别固体火箭 截面剪力和弯矩的方法。结合某型固体火箭的遥测参数对火箭主要截面弯矩和剪力进行了 识别,给出了识别结果。该方法对自由-自由飞行的固体火箭截面横向载荷的评估及设计 具有重要的参考意义。
     

机器人动态受力感知及零重力运动模拟技术

针对航天器在轨服务任务的地面零重力模拟需求，研究基于工业机器人的零重力运动模拟技术。建立基于BP神经网络的受力感知预测模型，该模型采用机器人末端姿态、加速度、角速度和角加速度作为输入层参数，采用机器人末端六维力传感器数据作为输出层参数，实现了对机器人末端负载的高精度动态受力感知。设计正交试验方法确定机器人的运动路径点进行样本数据采集，实现了受力感知预测模型对机器人全工作空间的覆盖。进一步，基于对机器人末端负载的受力感知数据，应用动力学理论计算负载在失重状态下的运动速度，并控制机器人执行相应的运动，实现了对机器人末端负载的零重力运动模拟。     

动态推力频域恢复技术

介绍了固体火箭发动机静止试验动态推力的测量方法。首先对试验台架和发动机进行动态校准得到系统的响应函数，然后利用频率响应函数对试验过程中测到的输出力函数进行恢复，以获得真实的输入力函数。实践证明，频域恢复技术是有效的途径之一。     

基于双时相遥感影像差异信息的深度学习滑坡检测

目前利用高分辨率卫星影像进行滑坡等地质灾害识别逐渐成为研究热点,滑坡目视解译依赖于解译人员的经验,耗时费力且提取精度低,而传统的滑坡自动识别方法易将滑坡和道路、裸地、建筑等多种具有相似光谱信息的地物混淆。针对以上问题,文章使用一种双时相高分辨率卫星影像差异信息的深度学习滑坡检测算法,获取时序影像各个波段和归一化植被指数（Normalized Difference Vegetation Index,NDVI）的差异影像作为深度学习的输入特征。为充分挖掘滑坡前后影像多种信息差异特征,采用了U-net网络模型耦合空洞空间金字塔池化和嵌入注意力机制模块相结合进行滑坡特征提取的方法,该方法增强了滑坡边界信息的保存,能够有效地提取滑坡边界信息和发生剧烈变化的区域。利用上述方法对恩施市和九寨沟进行了滑坡检测,实验结果显示,所取得的综合评价指标值（F1-Score）分别为88.4%和90.53%,误差较小、精度较高。表明该方法能够准确检测出高分卫星数据的滑坡边界,且能保持滑坡的完整性。