【技术实现步骤摘要】
基于不确定性的卫星组件电路板热可靠性分析方法
[0001]本专利技术涉及卫星布局设计
,具体涉及一种基于不确定性的卫星组件电路板热可靠性分析方法。
技术介绍
[0002]卫星在轨运行阶段由于需要面临恶劣的太空热环境和残酷的工作条件,对温度的变化十分敏感,当温度超过工作范围时,卫星的可靠性会急剧下降。同时,卫星在轨运行阶段也会根据环境和任务变化调整电路板上的组件功率,而组件功率的调整会导致组件电路板温度场的变化,并且,卫星组件布局相应的设计偏差和测量误差也会导致不确定性因素的存在。因此,如何基于不确定性对处于在轨运行阶段的卫星组件电路板进行热可靠性分析成为了本领域亟待解决的技术问题。
[0003]现有技术中,通常利用有限元方法或数值计算方法对组件布局温度场进行预测,然后根据极限状态函数和失效率对卫星组件电路板的热可靠性进行分析。然而,在实际运用过程中,现有的利用有限元方法或数值计算方法对组件布局温度场进行预测和热可靠性分析存在以下问题:计算效率低、预测实时性不高,基于有限元方法的仿真通常需要多次迭代,单次仿真耗时太长,不能进行实时预测;不能解决高维问题,随着问题维度的增加,计算量呈指数级上升,会造成“维数灾难”;在进行可靠性分析时,没有考虑不确定性因素的影响。此外,为了解决现有的利用有限元方法或数值计算方法对组件布局温度场进行预测所存在的问题,现有技术还提出了利用深度神经网络模型来实现卫星组件布局温度场的预测。然而,现有的利用深度神经网络模型实现卫星组件布局温度场预测的方法中,对于给定的输入只会输出一个点 ...
【技术保护点】
【技术特征摘要】
1.一种基于不确定性的卫星组件电路板热可靠性分析方法,其特征在于,包括:获取包括多个训练数据的训练数据集,其中,所述训练数据包括卫星组件布局和卫星组件布局对应的温度场,不同卫星组件布局的组件位置相同,卫星组件布局中的各个组件功率从预设的组件功率服从的高斯分布中随机采样确定;构建多个第一概率深度神经网络模型,利用所述训练数据集分别训练多个所述第一概率深度神经网络模型以拟合卫星组件布局与温度场的映射关系,其中,所述第一概率深度神经网络模型的输出为温度场的高斯分布;构建第二概率深度神经网络模型,采用知识蒸馏方式,利用所述训练数据集和训练后的多个所述第一概率深度神经网络模型蒸馏训练所述第二概率深度神经网络模型,其中,所述第二概率深度神经网络模型的输出为温度场的高斯分布;根据卫星组件电路板的极限工作状态参数,利用训练后的所述第二概率深度神经网络模型对卫星组件电路板进行热可靠性分析。2.根据权利要求1所述的基于不确定性的卫星组件电路板热可靠性分析方法,其特征在于,所述获取包括多个训练数据的训练数据集,包括:确定待分析的卫星组件电路板中的各个组件位置和组件布局区域,对组件布局区域进行网格划分,根据确定的各个组件位置挑选组件布局区域中对应的网格放置组件;针对每个组件,从预设的组件功率服从的高斯分布中进行随机采样得到组件功率,确定每个组件的组件功率,得到一个卫星组件布局x
i
,利用有限元方法计算卫星组件布局x
i
对应的温度场y
i
,获取一个包括卫星组件布局及卫星组件布局对应的温度场的训练数据(x
i
,y
i
);重复多次随机采样过程直至得到预设数量N的训练数据,获取包括N个训练数据的训练数据集{(x
i
,y
i
)|i=1,2,
…
,N}。3.根据权利要求2所述的基于不确定性的卫星组件电路板热可靠性分析方法,其特征在于,训练所述第一概率深度神经网络模型时,使用的损失函数为:其中,p(y
i
|x
i
,θ)表示第一概率神经网络模型对输入x
i
的输出高斯分布,θ表示第一概率深度神经网络模型参数。4.根据权利要求2或3所述的基于不确定性的卫星组件电路板热可靠性分析方法,其特征在于,训练所述第二概率深度神经网络模型时,使用的损失函数为:其中,M表示第一概率深度神经网络模型的个数,KL[p(y
i<...
【专利技术属性】
技术研发人员:张俊,李桥,周炜恩,彭伟,李星辰,
申请(专利权)人:中国人民解放军军事科学院国防科技创新研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。