CN116227296B 一种大型平面sar天线形面精度在轨实时主动调整方法及系统 (西安交通大学)_第1页
CN116227296B 一种大型平面sar天线形面精度在轨实时主动调整方法及系统 (西安交通大学)_第2页
CN116227296B 一种大型平面sar天线形面精度在轨实时主动调整方法及系统 (西安交通大学)_第3页
CN116227296B 一种大型平面sar天线形面精度在轨实时主动调整方法及系统 (西安交通大学)_第4页
CN116227296B 一种大型平面sar天线形面精度在轨实时主动调整方法及系统 (西安交通大学)_第5页
已阅读5页,还剩32页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

一种大型平面SAR天线形面精度在轨实时主本发明公开了一种大型平面SAR天线形面精系装调误差与SAR天线形面精度之间的耦合影响现SAR天线在轨运行时任意角度与位置的热变形用深度学习算法与优化算法可实现随着SAR天线2基于天线杆系进行主动调整,对随着SAR天线在轨运行不同时刻与位置的形面精度不平面方程为n个空间点拟合所得,将该平面作为星载SAR天3依据目标函数评估初始化状态下各粒子的适应度,作为粒子初始状态最优形面精度的位根据目标函数再次评估每个粒子的形面精度;将每个粒子当前状将每个粒子的形面精度与全局最优对应的形面精度作比较,所有粒满足要求,算法达到设定的最大迭代次数或实现最优适应值满足最小界限则结束优化计2.根据权利要求1所述的大型平面SAR天线形面精度在3.根据权利要求2所述的大型平面SAR天线形面精度4.根据权利要求3所述的大型平面SAR天线形面精度在轨实时主动4基于在轨实时温度场与杆系装调误差,利用有限元分析软件Abaqus进行热力耦合分5.根据权利要求4所述的大型平面SAR天线形面精度采集模块,所述采集模块采集大型星载可展开天线拟合模块,所述拟合模块基于热力耦合变形结果,拟合平面并计算SAR天线面板平面第一构建模块,所述第一构建模块确定温度变化、杆系装第二构建模块,所述第二构建模块基于深度学习模型预测当前SAR天线在轨位置形面平面方程为n个空间点拟合所得,将该平面作为星载SAR天E=max(ez)-min(e)5依据目标函数评估初始化状态下各粒子的适应度,作为粒子初始状态最优形面精度的位根据目标函数再次评估每个粒子的形面精度;将每个粒子当前状将每个粒子的形面精度与全局最优对应的形面精度作比较,所有粒满足要求,算法达到设定的最大迭代次数或实现最优适应值满足最小界限则结束优化计6[0001]本发明属于天线技术领域,涉及一种大型平面SAR天线形面精度在轨实时主动调与性能是卫星总装集成测试领域急需解决的关键难题之一。而影响SAR天线在轨运行时形[0004]目前针对SAR天线的形面精度控制研究主要停留在理论层面与在地分析阶段,通缺乏方向性与针对性,由于尚未从理论层面准确把握装配过程中各因素对于装配精度/性7[0009]本发明的目的在于解决现有技术中未从理论层面准确把握装配过程中各因素对[0018]基于天线杆系进行主动调整,对随着SAR天线在轨运行不同时刻与位置的形面精度不断优化,直至实现最优化的形面精度,获取高形面精度SAR天线有限元预测与优化模E1插值法获得SAR天线在轨道上任意时刻与位置的89[0048]设定星载SAR天线阵面平面度误差为优化目标,以有限元仿真模型平面度为目标[0054]采集模块,所述采集模块采集大型星载可展开天线零部件的几何参数和物理参[0059]第二构建模块,所述第二构建模块基于深度学习模型预测当前SAR天线在轨位置度场与杆系装调误差对形面精度的耦合规律,利用深度学习算法与优化算法可实现随着[0063]进一步的,本发明基于RBF神经网络进行误差与形面精度之间的数据回归训练与[0082]参见图1,本发明公布了一种大型平面SAR天线形面精度E1[0089]基于有限元分析SimensUg/Nx软件进行空间轨道热分析,提获得SAR天线在轨道上任意时刻与位置的[0114]设定星载SAR天线阵面平面度误差为优化目标,以有限元仿真模型平面度为目标[0120]参见图2,本发明公布了一种大型平面SAR天线形面精度[0121]采集模块,所述采集模块采集大型星载可展开天线零部件的几何参数和物理参[0126]第二构建模块,所述第二构建模块基于深度学习模型预测当前SAR天线在轨位置展太空环境下的大型平面SAR天线形面精度仿真、建立杆系误差与形面精度之间的深度学E1[0138]根据大型平面SAR天线的几何参数与物理参数在通用有限元分析软件Abaqus中利用Python进行参数化建模,基于接触理论和弹簧模型建立其空间铰链间隙的等效分析模[0144]基于步骤(1_1)中建立的有限元模型,将步骤(1_2)所得到的实时在轨温度场导将三维空间散点拟合为平面并计算SAR天线面[0164]如图7所示,为RBF神经网络结构图,RBF神经网络的拓扑结构是一种三层前向网络:[0165]第一层为输入层由信号源结点构成,仅起到数[0174](2_3_5)经学习与训练后得到训练集与测试集输出,以均方根误差RMSE评定训练[0186](3_1_4)不满足结束条件则进入下一步,依据当前状态更新每个粒子的速度和位[0188](3_1_6)将每个粒子当前状态下的形面精度与个体最优相比较,取更优的位置作[0189](3_1_7)再将每个粒子的形面精度与全局最优对应的形面精度作比较,所有粒子[0193]通过深度学习预测当前SAR天线在轨位置形面精度,基于粒子群优化算法输出使

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论