[发明专利]一种星间链路天线主反射器温度异常检测方法

说明书

一种星间链路天线主反射器温度异常检测方法，首先构建轨道空间环境外热流时变描述为建立星间链路天线主反射器相对热表征能量参数提供了参照量，相比于直接分析星间链路天线主反射器温度参数，相对热表征能量参数融入了空间辐射所带来的热流影响，更能准确表征星间链路天线主反射器温度异常情况。另外，采用无需训练的欧拉状态网络进行异常特征提取，大大减少计算能耗，对内存等资源需求也较少，从而提高了运算效率并节省算力，使得在卫星部署高性能温度异常检测装置具有可行性。

技术领域

本发明涉及航天技术领域，特别是一种星间链路天线主反射器温度异常检测方法。

背景技术

随着我国卫星的高密度发射，在役卫星数量增幅巨大，但对卫星的监测维护也带来了巨大挑战，其中对星间链路天线主反射器的温度检测是十分重要的一环，由于星间链路天线主反射器的温度变化范围极大，星间链路天线主反射器受空间辐射外热流变化的影响，被周期性地加热和冷却，温度变化极大，即使同一时刻卫星的温度分布也不均匀，为准确评估星间链路天线主反射器的温度状况，对卫星所受的空间外热流进行准确的分析计算是非常必要的，此外，受恶劣空间环境刺激，星间链路天线主反射器的测温电阻器件性能退化明显，但星间链路天线主反射器测温电阻器件性能退化不影响其他部件正常运行，因此需要对由于星间链路天线主反射器测温电阻器件性能退化引发的异常进行补偿。此外，目前用于长时间序列建模的算法模型存在参数量大、能耗高等特点，无法在具有低算力、低功耗要求的卫星上应用。

欧拉状态网络是一种新型的递归神经网络，发展自状态回声网络，该类网络的特征表示是由一种未经训练的内部动力系统驱动，在需要长期记忆建模的任务中具有明显的优势，此外，在时间序列分类性能上能够匹配(甚至超过)可训练的递归神经网络(如循环神经网络RNN、长短期记忆神经网络LSTM、门控循环网络GRU等主流时序网络)的精度水平，同时允许节省高达100倍的计算时间和能量消耗。

发明内容

本发明的目的就是提供一种星间链路天线主反射器温度异常检测方法。

本发明的目的是通过这样的技术方案实现的，具体步骤如下：

1)通过传感器获取天线主反射器的温度数据；

2)计算当前温度数据下的相对热表征能量参数；

3)通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度的异常程度；

4)监测传感器数据，若有新的温度数据转向步骤1)。

作为优选，步骤2)中所述计算当前温度数据下的相对热表征能量参数的具体步骤如下：

2-1)构建轨道空间环境外热流时变描述；

2-2)将获取的天线主反射器温度形成温度二元离散序列，对温度二元离散序列进行等位时间融合，得到第一处理结果；

2-3)对第一处理结果进行性能退化补偿，得到第二结果；

2-4)基于轨道空间环境外热流时变描述，结合第二处理结果，计算相对热表征能量参数即第三处理结果。

作为优选，步骤3)中所述通过欧拉状态网络模型对相对热表征能量参数进行分析，判断当前温度异常程度的具体步骤如下：

3-1)构建欧拉状态网络模型，初始化欧拉状态网络并整定超参数；

3-2)根据第三处理结果，基于欧拉状态网络模型提取长时序特征，得到第四处理结果；

3-3)根据处理结果，计算温度异常程度。

作为优选，步骤2-1)中所述构建轨道空间环境外热流时变描述，包括有建立太阳辐射外热流表征模型、建立地球阳光反射热流表征模型、建立地球红外辐射热流表征模型。

作为优选，对所述太阳辐射外热流表征模型为：