[发明专利]基于机器学习的航天器舱内温度场重建任务研究基准方法

说明书

本发明公开了一种基于机器学习的航天器舱内温度场重建任务研究基准方法，包括：构建航天器舱内温度场重建任务优化问题；确定边界条件、热源组件的功率分布和结构；选取航天器舱内用于布置温度传感器的温度监测点；获取第一训练数据、第二训练数据、第三训练数据和第四训练数据中的至少一种；利用训练数据，通过插值方法确定布局区域内任一点位置到该点温度的映射关系，或者训练传统机器学习模型或神经网络，或者训练多层感知机，或者训练深度神经网络模型，或者训练图卷积神经网络模型；根据映射关系或者训练后的模型进行温度场重建。本发明能利用有限的温度监测点数据，实现其他位置的温度和/或整个区域的温度场的实时、快速、高精度预测重建。

技术领域

本发明涉及航天器热控技术领域，具体涉及一种基于机器学习的航天器舱内温度场重建任务研究基准方法。

背景技术

航天器舱内的电子设备(或组件)在工作时，不可避免地产生热量耗散，造成电子设备(或组件)温度升高，而由于太空中的真空环境使得电子设备(或组件)无法通过热对流向外散热，热量更容易积累，导致设备(或组件)温度快速升高，影响其使用寿命、安全性和可靠性，严重地甚至会造成设备失效乃至损坏。研究表明，一些电子设备(或组件)的失效率会随温度变化呈指数上升，通常温度每升高10℃，失效率上升一倍。为了使航天器舱内的电子设备(或组件)工作在允许温度范围内，必须对其进行合理的热控制设计以及温度监测与控制。

为了实现热控制设计以及温度监测与控制，通常在航天器舱内的电子设备(或组件)上选取合适的位置点，布置温度传感器(例如热电阻)进行在轨温度监测，将温度数据转换为电信号后传输到地面控制中心，基于获取的温度数据进行热控制设计以及温度监测与控制。

为了保证热控制设计以及温度监测与控制的精度和可靠性，目前通行的做法是尽可能多地布置温度传感器，来监测尽可能多的电子设备(或组件)及舱内温度情况。但是由于温度传感器的数量直接关系到航天器平台对温度监测传感器件、测量通道、电缆等硬件资源的需求，若温度监测点数量过多必将导致资源耗费、系统增重，以及工程实施与测试等研制成本的上升，因此在实际应用过程中，用于布置温度传感器的温度监测点的数量是有限的，可能存在监测不到的电子设备(或组件)。并且，由于温度传感器仅能够监测局部小范围的温度，对于设备(或组件)的整体温度情况难以测量。因此，如何根据有限的温度监测点的温度数据，得到其他位置关注点温度甚至电子设备(或组件)所处区域的整体温度场，是目前进行航天器热控时亟需解决的一个关键问题。

如何根据有限的温度监测点的温度数据，得到其他位置关注点温度甚至电子设备(或组件)所处区域的整体温度场，又可称为温度场重建问题。针对温度场重建问题，传统方法通过地面试验阶段积累数据，而后基于温度监测点的温度数据，结合经验公式和插值算法等连续建模方法进行估算，以完成温度场重建。然而，在实际应用过程中，传统的方法至少存在以下问题：计算效率太低，数值计算需要进行大量迭代，难以做到实时预测；无法处理高维建模问题，重建精度较差，无法满足实际工程问题需求；因为工程和科学研究之间存在的隔阂，工程上温度场重建问题通常只是利用有限元等方法实现温度场重建，虽然简单但是需要耗费大量资源，且无法有效持续推进温度场重建方面的研究。

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机器学习的航天器舱内温度场重建任务研究基准方法。

本发明的技术方案如下：

提供了一种基于机器学习的航天器舱内温度场重建任务研究基准方法，所述方法包括：

根据航天器舱内的布局结构，构建航天器舱内温度场重建任务优化问题；

确定航天器舱内的布局区域的边界条件、以及热源组件的功率分布情况和结构；

利用聚类分析算法选取航天器舱内用于布置温度传感器的温度监测点；