利用混合模型LSTM-DNN进行全球电离层TEC map的中短期预报

近年来,基于深度学习技术的长短期记忆（long short-term memory, LSTM）网络相关预报算法在空间天气的预测方面得到广泛应用,但存在预测误差随时间堆叠的缺陷,因此只能进行有限的短期预测。为解决这一问题,文章将太阳风参数、太阳黑子数、地磁活动水平指数Ap以及磁暴环电流指数Dst作为预报因子加入模型,建立一个基于LSTM和深度神经网络（deep neural networks, DNN）的混合模型来进行全球电离层TEC map的中短期预报。该模型可以明显减小时间递增对预测误差的影响。测试结果表明,相较于单独的LSTM模型,LSTM-DNN混合模型对24 h电离层预报准确率相近,对48 h电离层预报平均相对精度（RA）由79.30%提升到81.18%,对144 h电离层预报平均相对精度由64.97%提升到77.64%。     

飞行器健康度神经网络预测方法

提出了一种飞行器健康状态的智能预测方法,用于飞行器实时控制健康预测,是一种实时在线健康预测算法。该方法改变了传统飞行器事后补救的健康处置方案,采用实时输出飞行器的健康预测值。包括5个模型:飞行器数据模拟模型、基于RNN和LSTM的数据集正样本训练预测模型、基于灰色模型的预测模型、组合预测模型,以及健康度计算模型。     

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。     

基于神经网络结构化组合的下行链路SINR预测

针对无线蜂窝系统下行链路信道SINR预测方法存在的只能对单一信道参数场景进行一步预测、预测误差较大等不足,根据信道参数变化场景下SINR序列相关性的变化,对长短期记忆网络(LSTM)和前馈神经网络(FNN)进行结构化组合,提出一种基于LSTM-FNN预测模型的SINR预测方法,并通过预训练-全局训练策略和迭代调优策略对组合网络进行较好地训练。仿真实验表明,LSTM-FNN模型相比于传统的自回归积分滑动平均模型(ARIMA)和单一FNN、LSTM网络,在信道参数变化场景下具有更好的SINR预测性能,且时间复杂度的增加在可接受范围内。     

一种星-箭连接动态界面力的深度学习反演方法

针对于星-箭连接动态界面力无法通过力传感器直接测量,且典型时域动载反演方法难以准确计算界面力的时域变化等难点,提出了基于长短时记忆(LSTM)神经网络的星-箭界面力深度学习反演方法。首先通过卫星地面测试试验得到数据依据,以卫星主体结构的加速度测量数据为输入层,以星-箭界面力测量数据为输出层,利用LSTM神经网络建立输入和输出间的反演映射关系模型,实现卫星在发射过程中较高精度的界面力反演。进而,设计并开展了某典型卫星结构的正弦扫频和随机振动实验,测试LSTM界面力反演方法的可行性。结果分析可知,所提出的基于LSTM深度学习反演方法能够精确地获得动态界面力时程数据,两项性能指标均优于目前典型的载荷反演方法。     

基于多尺度多参量的硅MEMS陀螺仪漂移预测

针对硅MEMS陀螺仪误差因素多,输出为非线性非平稳的特点,采用传统方法难以对其建立精确的误差模型.在对小波神经网络方法改进的基础上,提出了多尺度去噪的平稳化方法及多参量非线性预测方法并将其用于硅MEMS陀螺仪漂移预测.试验结果表明,采用多尺度多参量校准方法,硅MEMS陀螺仪精度由1°/s提高到0.02°/s.     

预测区间技术在航天器数据处理中的理论与应用研究

面对航天领域收集到的大量遥测数据,对其整理、分析就需要运用统计的手段,采用了基于统计推断学的区间参数估计理论的预测区间技术,对传统的模型趋势预测研究进行了拓展.通过对航天数据及其预测模型的深入分析,把握其内在的统计规律,建立了模型预测与区间估计理论相结合的预测区间模型,给出未来数据在一定置信度下的变化区间.最后,将该技术应用于航天器数据预测实例分析,验证了该方法的有效性.     

固体火箭发动机对接装配密封圈应力在线预测方法

在固体火箭发动机燃烧室和喷管对接装配过程中，为准确实时预测密封圈应力，以确保发动机的装配质量，提出了一种基于Kriging模型的密封圈对接装配应力预测方法。首先，分析装配工况，利用有限元分析方法计算出多种工况下密封圈的应力-应变；其次，使用生成对抗网络的方法扩大数据样本空间；之后，利用拉丁超立方抽样法选取一定数量的应力-应变数据构建Kriging模型；最后，根据定义的加点准则迭代优化Kriging模型，实现主动学习，由此得到密封圈应力预测的数字孪生模型。装配时，通过六自由度并联平台的力位传感器实时采集的信号数据，作为数字孪生预测模型的输入；通过实时读取模型输出，实现对接过程中的装配质量实时在线预测反馈。     

基于深度学习的组合体航天器模型预测控制

利用模型预测算法先预测控制结果后控制的类人行为特点，借助深度学习在多参数寻优上的优势，提出了一种基于卷积神经网络的模型预测控制算法，满足航天工程低硬件需求，实现组合航天器多场景下姿态控制律的重构。该算法首先利用模型预测控制将组合航天器从初始状态控制到预期状态，然后将控制过程中状态量用于3层3核卷积神经网络的训练，训练完成后，用该卷积神经网络代替模型预测对组合航天器进行控制，从而降低计算资源需求。仿真校验表明：该算法可预测5个控制周期内的控制参数，相比传统模型预测算法所需硬件计算时间降低约5倍，在一般硬件环境下30 s内即可完成各场景下的组合航天器姿态控制，控制精度在10 -4 量级。     

一种LSTM模型预测BC值的空间碎片无控再入预报方法

提出一种利用长短周期记忆(LSTM)神经网络模型动态预测无控再入过程中弹道系数(BC)值实现空间碎片高精度再入时刻预报。通过利用空间碎片两行根数(TLE)、简化通用摄动模型(SGP4)与公开的物体陨落时间作为实测数据样本，利用迭代修正BC值方法构建预测模型的训练集，由此构造用于预测BC值的LSTM模型预测BC，再采用高精度轨道外推动力学模型配合预测BC值预报再入时刻，结果表明基于LSTM模型预测BC的空间碎片再入时刻预报方法是可行的，在95%的置信度内，90天以上的再入时刻预报精度小于10%，30天预报精度小于8%。     

基于最小二乘法的热试验温度数据预测

航天器真空热试验中,温度数据的正确判读及预测十分困难,又十分重要。文章针对典型的太阳电池板试件建立了热模型,使用热分析中常见的有限差分法建立离散方程,通过最小二乘法拟合其系数,以预测下一个测控周期各个测量点的温度,并提出了滑动窗口修正的方法。基于某型号电池板试验数据对热模型的预测精度进行了验证和误差分析,最后对通过测点温度逆向预测加热功率的应用进行了讨论。     

一种星载GNSS-R海面风向反演方法

针对目前海面风场反演中风向反演困难，准确性低的问题，提出一种利用深度网络反演海面风向的新方法，该方法采用星载GNSS-R信号作为遥感源，根据海面反射信号特性与风向相关关系选择反演观测量，建立海面风向反演的深度网络模型。引入ReLU函数作为网络激活函数，并基于遗传算法(GA)优化了网络模型，对输入数据进行时空匹配与归一化处理，通过机器学习建立风向与输入变量的对应关系，利用深度网络模型反演得到海面风向，该方法反演结果的均方根误差εRMSE=18.14°，满足海面风向测量精度均方误差小于20°的一般测量要求，并通过两组对比试验验证了该方法的有效性和鲁棒性。     

太阳电池在平流层中的工作性能分析

近年来,临近空间受到广泛关注,多种平流层飞行器被提出,它们大多以太阳电池为 主要的能源获取装置。研究平流层的太阳电池的性能,对平流层的开发和利用具有重要意义 。首先建立了平流层中太阳电池的热环境模型,并结合硅太阳电池的电学模型,得到了 平流层中硅太阳电池的热电耦合分析模型,进而用数值模拟方法对太阳能电池的热学、电学 性能进行了分析和讨论。研究结果表明,平流层热环境的变化对太阳能电池的温度、输出功 率以及电效率都有影响。讨论了风速对太阳电池性能的影响,结果表明随着风速的增 加,太阳电池温度降低、内部温差先增加后减小、发电效率和输出功率都增加。
     

预估太阳电池阵在轨最高温度的经验公式

针对距地高度为300～1000 km的太阳同步轨道,分析了一维转动展开式太阳电池阵的温度影响因素,给出了计算太阳电池阵最高温度的经验公式。此公式同样适用于低地球轨道的卫星,且计算结果可包络卫星热控状态变化带来的影响,在太阳电池阵设计阶段可为电源分系统提供太阳电池阵最高温度的初步数据。     

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。     

Interplanetary scintillations of an ensemble of radio sources during the solar activity minimum of cycles 23/24

The results of observations of interplanetary scintillations of a statistical ensemble of radio sources in the period of 2007–2011 are presented. Observation were carried out in the monitoring regime with the BSA LPI radio telescope at the frequency 111 MHz. Fluctuations of radio emission flux of all sources (a few hundred in total) were recorded 24 hours a day. Those sources were investigated, which had a scintillating flux greater than 0.2 Jy and fell within the sky band of 8° width in declination, corresponding to radio telescope’s 16-beam system. The statistical ensemble of radio sources is characterized by the mean variance of a scintillating radiation flux, which is proportional to the squared scintillation index. It follows from the obtained data that the radial dependence of a mean scintillation index during a deep solar activity minimum of 2008–2009 occurs to be weaker than one could expect in the case of spherically symmetric geometry of the solar wind. Suppression of a radial dependence of the mean scintillation index is explained by the effect of the heliospheric current sheet, which reveals itself in a high density of solar wind’s turbulent plasma in the helioequator plane. It is shown that the level of scintillations, averaged over monthly series of observations, was changing synchronously with the solar activity level.     

Solar cycle variation of “killer” electrons at geosynchronous orbit and electron flux correlation with the solar wind parameters and ULF waves intensity

To construct models for hazard prediction from radiation belt particles to satellite electronics, one should know temporal behavior of the particle fluxes. We analyzed 11-year variation in relativistic electron flux (E>2 MeV) at geosynchronous orbit using measurements made by GOES satellites during the 23rd sunspot cycle. As it is believed that electron flux enhancements are connected with the high-speed solar wind streams and ULF or/and VLF activity in the magnetosphere, we studied also solar cycle changes in rank order cross-correlation of the outer radiation belt electron flux with the solar wind speed and both interplanetary and on-ground wave intensity. Data from magnetometers and plasma sensors onboard the spacecraft ACE and WIND, as well as magnetic measurements at two mid-latitude diametrically opposite INTERMAGNET observatories were used. Results obtained show that average value of relativistic electron flux at the decay and minimum phases of solar activity is one order higher than the flux during maximum sunspot activity. Of all solar wind parameters, only solar wind speed variation has significant correlation with changes in relativistic electron flux, taking the lead over the latter by 2 days. Variations in ULF amplitude advance changes in electron flux by 3 days. Results of the above study may be of interest for model makers developing forecast algorithms.