【技术实现步骤摘要】
本专利技术涉及空间电推进，更为具体来说，本专利技术涉及一种基于强化学习的多模式离子电推进健康管理方法及装置。
技术介绍
1、我国小天体深空探测任务将实现近地小天体采样返回探测和主带彗星探测。在此任务过程中，小天体探测器随着飞行轨道距离太阳越来越远，太阳帆板输出功率随之下降，为了与不同太阳距离条件下太阳帆板输出功率的大小相匹配，离子电推进作为主推进，其功率须在277w～3120w范围内进行多工作点调节，多功率模式是深空探测用离子电推进的显著特征。
2、在传统空间电推进的健康管理模式下，需要将遥测数据下传至地面接收站进行状态分析，并依据人工判定结果制定的处置指令上传至航天器进行处理。对于深空探测任务而言，一旦推进系统发生故障，地面监测和维护可利用的时间窗口非常有限，且地面站与探测器间的信息交互时间非常长，同时还可能存在星地通信盲区，任务准确性、及时性和可靠性均存在较大风险。
3、因此，亟需在人工干预受限甚至无法接受地面指令的情况下，提升电推进的在轨智能化水平，实现深空探测用多模式离子电推进对突发事件的及时响应和在轨自主决策，延长使用寿命，提高使用效率，确保航天任务的顺利完成。
技术实现思路
1、本申请实施例提供了一种基于强化学习的多模式离子电推进健康管理方法及装置。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面
2、第一方面，本申请实施例提供了一种基于强化学习的多模式离子电推进健康管理方法，该方法包括：
3、获取离子电推进健康管理的基础数据集；
4、根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式；
5、根据所述关键失效模式，构建所述离子电推进健康管理的退化模型；
6、根据所述退化模型，训练所述离子电推进健康管理的强化学习模型；
7、根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略。
8、可选的，所述获取离子电推进健康管理的基础数据集，包括：
9、获取离子电推进健康管理的各功率模式电气参数、结构本征参数、退化状态数据、失效模式及其失效特征参数阈值；
10、根据所述各功率模式电气参数、所述结构本征参数、所述退化状态数据、所述失效模式及其失效特征参数阈值，建立所述离子电推进健康管理的基础数据集。
11、可选的，在所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式之前，包括：
12、对所述基础数据集进行数据填补、数据清洗和数据融合操作。
13、可选的，所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式，包括：
14、根据所述基础数据集，计算所述离子电推进健康管理的失效模式裕量分数；
15、根据所述失效模式裕量分数和预设裕量分数，确定所述离子电推进健康管理的关键失效模式。
16、可选的，所述根据所述关键失效模式，构建所述离子电推进健康管理的退化模型，包括：
17、根据所述关键失效模式和非线性混合效应模型，构建所述离子电推进健康管理的退化模型。
18、可选的，所述根据所述退化模型，训练所述离子电推进健康管理的强化学习模型，包括：
19、根据所述退化模型，构建所述离子电推进健康管理的状态空间、决策集、状态转移概率、状态转移时间、报酬函数和准则函数；
20、根据所述状态空间、所述决策集、所述状态转移概率、所述状态转移时间、所述报酬函数和所述准则函数，训练所述离子电推进健康管理的强化学习模型。
21、可选的，所述根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略，包括：
22、根据所述强化学习模型和自主序列决策优化，确定所述离子电推进健康管理的最佳调控策略；
23、所述自主序列决策优化存在于所述策略迭代算法内。
24、第二方面，本申请实施例提供了一种基于强化学习的多模式离子电推进健康管理装置，该装置包括：
25、数据获取模块，用于获取离子电推进健康管理的基础数据集；
26、失效模式确定模块，用于根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式；
27、退化模型构建模块，用于根据所述关键失效模式，构建所述离子电推进健康管理的退化模型；
28、强化学习模型训练模块，用于根据所述退化模型，训练所述离子电推进健康管理的强化学习模型；
29、调控策略确定模块，用于根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略。
30、第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
31、第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
32、本申请实施例提供的技术方案可以包括以下有益效果：
33、在本申请实施例中，所述基于强化学习的多模式离子电推进健康管理方法，首先获取离子电推进健康管理的基础数据集；根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式；然后根据所述关键失效模式，构建所述离子电推进健康管理的退化模型；其次根据所述退化模型，训练所述离子电推进健康管理的强化学习模型；最后根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略。本申请基于强化学习的多模式离子电推进自主健康管理方法，可在人工干预受限甚至无法接受地面指令的情况下，提升电推进的在轨智能化水平，通过强化学习自主健康管理技术，实现深空探测用多模式离子电推进对突发事件的及时响应和自主决策，延长使用寿命，提高使用效率和服役可靠性。
34、在本申请实施例中，所述基于强化学习的多模式离子电推进健康管理方法，首先获取离子电推进健康管理的基础数据集；根据所述基础数据集，计算所述离子电推进健康管理的失效模式裕量分数；根据所述失效模式裕量分数和预设裕量分数，确定所述离子电推进健康管理的关键失效模式。然后根据所述关键失效模式和非线性混合效应模型，构建所述离子电推进健康管理的退化模型。其次根据所述退化模型，构建所述离子电推进健康管理的状态空间、决策集、状态转移概率、状态转移时间、报酬函数和准则函数；根据所述状态空间、所述决策集、所述状态转移概率、所述状态转移时间、所述报酬函数和所述准则函数，训练所述离子电推进健康管理的强化学习模型。最后根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略。本申请通过定义裕量分数识别多模式离子电推进不同功率模式下的关键失效模式，并且在退化建模时充分考虑了离子本文档来自技高网...
【技术保护点】
1.一种基于强化学习的多模式离子电推进健康管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述获取离子电推进健康管理的基础数据集，包括：
3.根据权利要求1所述的离子电推进健康管理方法，其特征在于，在所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式之前，包括：
4.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式，包括：
5.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述关键失效模式，构建所述离子电推进健康管理的退化模型，包括：
6.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述退化模型，训练所述离子电推进健康管理的强化学习模型，包括：
7.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述强化学习模型和策略迭代算法，确定所述离子电推进健康管理的最佳调控策略，包括：
8.一种基于强化学习的多模式离子电
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
...【技术特征摘要】
1.一种基于强化学习的多模式离子电推进健康管理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述获取离子电推进健康管理的基础数据集，包括：
3.根据权利要求1所述的离子电推进健康管理方法，其特征在于，在所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式之前，包括：
4.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述基础数据集，确定所述离子电推进健康管理的关键失效模式，包括：
5.根据权利要求1所述的离子电推进健康管理方法，其特征在于，所述根据所述关键失效模式，构建所述离子电推进健康管理的退化模型，包括：
6.根据权利要求1所述的...
【专利技术属性】
技术研发人员：李婧，耿海，吴辰宸，孙新锋，王紫桐，陈浩，吕方伟，蒲彦旭，贺亚强，
申请(专利权)人：兰州空间技术物理研究所，
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。