[发明专利]基于深度学习的卫星物理场级数字孪生模型构建方法

权利要求书

1.一种基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，包括：

在卫星的多个预设位置上布置传感器，利用传感器采集卫星物理场数据，并对卫星进行有限元仿真分析，获取卫星物理场的有限元仿真数据；

对传感器数据和有限元仿真数据进行数据融合，获取融合的卫星物理场数据，生成包括传感器数据及其对应的融合卫星物理场的训练数据；

构建深度学习神经网络，利用所述训练数据对深度学习神经网络进行训练以拟合传感器数据与卫星物理场的映射关系；

将传感器数据输入训练后的深度学习神经网络，对深度学习神经网络的输出进行可视化处理，获取卫星物理场级数字孪生模型；

利用所述训练数据对深度学习神经网络进行训练，包括：

将所述训练数据中的传感器数据作为深度学习神经网络的输入，将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出，训练深度学习神经网络；

将所述训练数据中的传感器数据作为深度学习神经网络的输入，将所述训练数据中的融合卫星物理场作为深度学习神经网络的输出，训练深度学习神经网络，包括：

步骤S310，将多个训练数据中的传感器数据依次输入深度学习神经网络，得到深度学习神经网络输出的传感器数据对应的预测卫星物理场；

步骤S320，将传感器数据对应的预测卫星物理场与融合卫星物理场进行比较，计算深度学习神经网络的预测准确率；

步骤S330，确定连续的至少两次得到的预测准确率是否大于预设准确率阈值，若是，将当前的深度学习神经网络作为训练完成的深度学习神经网络，若否，计算损失函数，利用损失函数更新深度学习神经网络的参数，并返回步骤S310。

2.根据权利要求1所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，对传感器数据和有限元仿真数据进行数据融合，获取融合的卫星物理场数据，包括：

提取传感器数据中的物理场精度特征和有限元仿真数据中的物理场内在机理特征；

通过特征融合方式，将不同尺度下的物理场机理特征和传感器数据中的精度特征分级融合，并通过上采样方式进行聚合，得到融合的卫星物理场数据。

3.根据权利要求1所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，所述深度学习神经网络为多层感知机、卷积神经网络或图神经网络。

4.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的平面系统时，所述深度学习神经网络为卷积神经网络。

5.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，当需要构建卫星物理场级数字孪生模型的卫星系统为卫星的耦合系统时，所述深度学习神经网络为图神经网络。

6.根据权利要求1-5中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，所述方法还包括：

基于卫星运行期间获取的传感器数据，利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化；

根据获取的传感器数据和不确定性量化结果，计算所述深度学习神经网络的模型误差，并根据模型误差对所述深度学习神经网络的预测输出进行校正。

7.根据权利要求1-5中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，所述方法还包括：

基于卫星运行期间获取的传感器数据，利用不确定性原理对所述深度学习神经网络的输出进行随机不确定性量化；

根据不确定性量化结果，进行卫星运行状态检测。

8.根据权利要求1-5中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建方法，其特征在于，所述方法还包括：

将所述深度学习神经网络的输出传输至卫星的其他系统。