嫦娥五号探测器系统级电性能测试设计与实践

针对嫦娥五号探测器综合测试中遍历在轨飞行状态引发的全面覆盖难度大,任务剖面及关键环节多引发的模拟飞行及健壮性测试要求高等问题,提出并实践了状态遍历及增量式集成的系统级测试方法,测试设计按照分状态分阶段分剖面的多层次验证策略,探索出了一套从"最基本启动,增量式叠加,分步骤集成"的整体性测试与验证的解决方案,达到了在项目早期将系统验证工作置于真实环境下开展测试评估的效果。同时也解构了探测器组成复杂,器间交互多,器内耦合多的系统级全覆盖难题。引入非侵入式监测技术解决了特定任务剖面及系统级条件下关键动作高保真数据获取的难题。与阿波罗载人登月相比,嫦娥五号探测器系统级测试设计实现了测试与评估可靠性活动在整器研制环节的流程左移,体现了中国航天器研制技术的特点。     

基于改进人工神经网络的航天器电信号分类方法

根据航天器系统级电性能测试工作中数据量大、任务繁重的特点,设计了基于人工神经网络的智能分类系统,对原始测试数据进行智能化分类,将非线性的调试经验以数据的形式储备,可在减少测试工作中对人为经验依赖的同时为航天器信号识别快速提供专家知识。考虑到经典的人工神经网络系统有训练时间长和对网络初始权值的依赖程度高等不足,利用主成分分析对数据进行压缩和自动编码技术对网络权值进行初始化。实验数据测试表明:与传统方法相比,本文提出的改进学习系统的分类准确率、稳定性和响应速度均得到显著提高。      

航天器电源母线品质地面测试方法浅析

航天器供配电系统作为航天器上用于产生、存储、控制、传输与分配电能的子系统,其地面测试与评价工作是航天器地面电测工作的重要组成部分。航天器电源系统作为典型的直流分布式电源系统,其母线品质与系统稳定性密切相关。通过对航天器电源母线品质地面测试与评价方法进行分析,给出了测试系统的简要设计,并对技术发展趋势进行了预测。     

基于随机森林的航天器电信号多分类识别方法

针对航天器电特性信号数据存在数据量大、特征维数高、计算复杂度大和识别率低等问题,提出基于主成分分析(PCA)的特征提取方法和随机森林(RF)算法,对原始数据进行降维,提高计算效率和识别率,实现对航天器电信号数据的快速、准确识别分类。随机森林算法在处理高维数据上具有优越的性能,但是考虑到时间复杂度问题,利用主成分分析方法对数据进行压缩和降维,在保证准确率的同时提高了计算效率。实验结果表明:与其他算法相比,针对航天器电特性信号数据,本文方法在准确率、计算效率和稳定性等方面均显示出优异的性能。