[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

说明书

本发明公开了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，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，生成训练数据；利用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。本发明通过传感器采集卫星物理场信息，并与有限元仿真数据进行融合以获取高质量训练数据进行神经网络的训练，能够构建高精度、高可靠性的卫星物理场级别的数字孪生模型。

技术领域

本发明涉及卫星监测技术领域，具体涉及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。

背景技术

卫星在轨运行期间需要承担种类繁多的工程试验任务，同时太空环境复杂多变，因此星上会出现多种物理场耦合的情况。由于卫星上设备较多，对物理场很敏感，一旦某种物理环境发生剧烈变化或者超出运行范围，可能会危及卫星正常运行甚至导致卫星停机或者损坏，这对于在轨运行的卫星将是灾难性的打击。

卫星由于受成本限制，不能在星上无限部署传感器实时获取物理场信息，因此只能通过建立数字孪生体的形式，基于有限传感器信息以及其他信息开展卫星内部物理场的实时预测和监测。

在现有的研究中，通常采用传统的数值计算方法对卫星物理场进行预测输出，但由于传统的数值计算方法计算过程需要多次迭代，计算效率较低，难以达到实时的效果，不能充分体现数字孪生体的应用价值，同时在面对高维问题的时候也会遇到计算瓶颈，容易造成“维度灾难”问题。为解决传统的数值计算方法所存在的技术问题，目前还提出利用深度学习技术构建数字孪生模型，但是由于星上传感器数据分辨率低，难以构建高质量数据集对基于数据驱动的深度学习模型进行训练，导致模型预测精度与泛化性不佳，得到的数字孪生模型的精度达不到卫星的实际需求。

发明内容

为了解决上述现有技术中存在的部分或全部技术问题，本发明提供了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。

本发明的技术方案如下：

提供了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，所述方法包括：

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。

在一些可能的实现方式中，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。

在一些可能的实现方式中，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。

在一些可能的实现方式中，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。

在一些可能的实现方式中，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。