[发明专利]基于teacher-student代理模型的卫星组件温度场预测方法

说明书

本发明公开了一种基于teacher‑student代理模型的卫星组件温度场预测方法，包括：建立卫星组件布局的结构模型；生成多个第一训练数据和若干个第二训练数据；构建teacher‑student深度代理模型；利用第二训练数据对teacher模型进行训练，利用已训练的teacher模型预测第一训练数据中的卫星组件布局对应的温度场；利用第一训练数据及第一训练数据对应的温度场和第二训练数据对student模型进行训练；将已训练的student模型作为温度场预测模型以进行卫星组件布局的温度场预测。本发明的方法通过利用teacher模型指导student模型的训练，能够利用大量不带标记的训练样本和少量带标记的训练样本实现深度代理模型的有效训练，实现卫星组件布局温度场的精确预测，能够节省计算资源，降低设计成本，缩短设计周期。

技术领域

本发明涉及卫星热布局技术领域，具体涉及一种基于teacher-student代理模型的卫星组件温度场预测方法。

背景技术

卫星技术在通信、遥感、导航、军事侦察等领域发挥着不可替代的重要作用，是目前工业领域的热点研究课题。卫星的核心功能是通过内部嵌入的不同卫星组件实现的，卫星组件的正常稳定运行是实现卫星提供各种服务的保障。通常卫星组件正常稳定运行需要一定的温度范围，由于卫星所处的太空环境异常恶劣，并且卫星组件通常具有较高的功率密度，卫星组件正常运行时会产生大量的热量，如果热量无法正常散发出去，会严重影响卫星组件运行性能和运行寿命。因此，在设计卫星时，需要考虑卫星组件的布局方式，提高卫星运行的可靠性以及运行的寿命。

解决卫星组件布局热设计的关键是预测不同卫星组件布局对应的稳态温度场。目前主要采用有限差分法、有限元等数值计算方法和深度学习方法来计算不同卫星组件布局对应的温度场。然而，传统数值计算方法在计算卫星组件布局对应的温度场时需要耗费大量的计算资源，并且温度场的精确程度越高，所耗费的计算资源越大。深度学习方法将卫星组件布局方式到温度场的预测看做一种图到图回归任务，通过使用图到图回归模型构建训练深度代理模型实现端到端温度场预测。然而，深度代理模型的训练过程需要大量带标签的训练样本，即，不同卫星组件布局的训练样本应有与之对应的温度场分布作为标签，而卫星组件布局及其对应的温度场的真值样本难以获得，此时仍需要通过有限差分法等数值计算方法来计算卫星组件布局对应的温度场，需要耗费大量计算资源，设计成本高，设计周期长。

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teacher-student代理模型的卫星组件温度场预测方法。

本发明公开了一种基于teacher-student代理模型的卫星组件温度场预测方法，所述方法包括：

对卫星组件的结构进行近似描述，建立卫星组件布局的结构模型；

生成多个第一训练数据和若干个第二训练数据，其中，所述第一训练数据包括卫星组件布局，所述第二训练数据包括卫星组件布局及卫星组件布局对应的温度场；

构建teacher-student深度代理模型；

利用所述第二训练数据对teacher模型进行训练以拟合卫星组件布局与温度场的映射关系，利用已训练的teacher模型预测所述第一训练数据中的卫星组件布局对应的温度场；

利用所述第一训练数据及所述第一训练数据对应的温度场和所述第二训练数据对student模型进行训练以拟合卫星组件布局与温度场的映射关系；

将已训练的student模型作为温度场预测模型以进行卫星组件布局的温度场预测。

在一些可选的实施方式中，采用以下方式建立卫星组件布局的结构模型：