一种改进的GWO-KNN方法，用于高速撞击在复杂航天器结构上的定位

《Advances in Space Research》：An Ameliorated GWO-KNN Method for Localization of Hypervelocity Impact on the Complex Spacecraft Structure

实时定位复杂航天器结构中的超音速冲击事件是关键，传统方法因波传播各向异性、失真和多模态转换失效。本文提出GWO-KNN混合算法，通过分层定位、正则化KNN加权及狼群优化参数训练，结合实验验证，显著提升定位精度，尤其克服材料依赖的波速变化问题。

　　

吴雄曹|建霞高|嘉欣高|润强池|彭吉|冯杜|迪奇胡|包俊庞

哈尔滨工业大学超高速撞击研究中心，哈尔滨150001，中国

摘要

随着太空垃圾数量的增加，对航天器构成了严重的威胁，尤其是具有复杂结构特征的大型空间站。因此，实时、原位定位超高速撞击事件对于确保航天器在轨安全至关重要。传统的损伤定位方法（基于经验或信号完整性的方法）对于复杂航天器上的超高速撞击（HVI）来说是不够的，因为结构元素（如加固件和穿孔）引入了波传播的复杂性（各向异性、信号失真和模式转换）。为了解决这个问题，提出了一种基于灰狼优化器（GWO）和K最近邻（KNN）的定位方法，包括：（i）开发了一种分层定位方法，结合了改进的KNN识别和加权质心细化；（ii）通过正则化KNN权重和GWO训练的参数优化算法性能，以实现稳健的TDOA到位置映射；（iii）进行了全面的实验验证，包括低速撞击测试以生成TDOA库、空间误差分析和HVI验证。比较分析表明，所提出的算法在定位精度上优于传统的KNN加权质心方法，特别是在克服材料依赖的波速变化方面。

引言

数以亿计的太空垃圾（≥7.9公里/秒）对航天器的完整性构成了严重威胁，超高速撞击（HVI）会在结构上引起坑洞和穿孔，同时产生等离子体（Close等人，2013年；Estacio等人，2020年）。这些效应会导致结构性能下降、气体泄漏、电气异常（Kelley等人，2012年；Vayner等人，2013年），甚至子系统故障或灾难性解体（Drolshagen等人，2008年；Ryan等人，2009年），对长寿命、高可靠性的航天器构成严重风险（Hyde等人，2008年）。像空间站这样的载人航天器面临双重挑战：外部检查的成本高昂且存在安全风险，以及现有损伤评估方法的技术限制（Herdiansyah等人，2016年）。因此，开发实时HVI定位方法对于确保航天器的轨道运行安全至关重要。

基于声发射（AE）的到达时间差（TDOA）和区域定位方法是主要的撞击源定位技术。对于常规的加固圆柱形航天器结构，TDOA方法可以实现有效的HVI定位（Prosser等人，1999年；Tobias等人，1976年）。Nelson等人（Nelson等人，1987年）提出了一种迭代算法，用于最小化距离-时间估计的平方误差，实现了铝板上HVI的定位误差小于75毫米。F?rli等人（F?rli等人，1990年）通过TDOA方法对哥伦布模块原型进行了HVI定位测试，得到的误差约为400毫米。Sch?fer等人（Sch?fer等人，2007年）开发了一种基于勾股定理的TDOA算法，在HVI条件下，铝板的定位误差小于6毫米，蜂窝夹层板的定位误差小于34毫米。通过阐明HVI引起的AE信号的传播机制（Cao等人，2022年；Madaras等人，2005年；Prosser等人，1991年），学者们验证了TDOA方法在常规航天器结构中的适用性（Liu等人，2019年；Yu等人，2022年；Sch?fer等人，2007年），并通过统计方法建立了TDOA-损伤位置映射关系（Hensman等人，2010年；Jones等人，2022年）。

然而，载人密封航天器的复杂几何特征（例如，舱口、加固件、厚度变化区域、焊接缝凸起和间隔框架）在传播过程中会引起严重的AE信号失真、模式转换和波速非均匀变化（Yue等人，2023年；Hu等人，2020年；Kalimullah等人，2023年；Xiao等人，2020年；Sabzevari等人，2024年）。具体来说，舱口/孔边缘的波反射会导致AE信号的多峰叠加，使S₀模式和反射波之间的时间差增加30%–50%；随着孔径与厚度的比值增加，反射波能量占比可达到总能量的40%（Xiao等人，2020年）。当AE源位于舱口边缘直径的两倍范围内时，S₀-A₀模式的耦合显著增强，导致主频谱峰从200 kHz shifts到120-150 kHz，波形失真率超过60%（Sabzevari等人，2024年）。加固件对弹性波传播有双重影响：加固件引起的波衍射使波速降低10%–15%（Yu等人，2022年），加固件-基底耦合界面产生次级波源，形成“主波+次级波”的复合信号，并使信号持续时间延长到常规平板的2-3倍。对于厚度变化的结构，随着板厚从5毫米增加到10毫米，S₀模式的波速非线性降低到4800 m/s，使得基于恒定波速的传统TDOA算法的误差增加2–3倍（Hu等人，2020年）。这些几何引起的信号异常严重降低了传统TDOA方法的定位精度。

这种信号失真进一步导致定位误差在特定结构区域集中。Liu等人（Liu等人，2018年）发现，在载人密封舱的圆锥形部分，舱口边缘50毫米范围内的定位误差达到了300毫米（是内部区域的3倍，内部区域≤100毫米），并且随着距离舱口的减小，误差呈指数级增加（R²=0.89）。Baxter等人（Baxter等人，2007年）确认，超过60%的总定位误差发生在结构边缘宽度的10%范围内，这是由于入射波和边界反射波的叠加导致的TOA提取偏差。在具有舱口集成结构的航天器上进行的10,000次随机试验验证了这一误差特性：平均边界节点定位误差为228毫米（是内部节点的3.3倍），并且厚度变化区域的信噪比（SNR）降低了40%，直接导致TDOA计算误差为5-8微秒。

区域定位方法通常根据传感器检测到的AE源信号来确定大致的撞击区域，而不是依赖于信号传播的精确速度，这使得该方法更适用于具有未知材料属性和复杂几何形状的大规模结构，在这些结构中相对较低的定位精度是可以接受的。该方法的特点是计算简单和高效，尽管其定位精度会随着细分粒度的不同而变化。为了解决上述几何效应在复杂结构中引起的定位挑战，研究人员开发了几种针对性的优化方法。Al-Jumaili等人（Al-Jumaili等人，2016年）提出了一种基于几何聚类的“Delta-T”指纹库构建方法，根据几何特征将复杂结构划分为子区域，并为每个子区域建立独立的TDOA-位置映射关系，将加固结构的定位误差降低了35%。为了克服波速不均匀性的影响，Hensman等人（Hensman等人，2010年）采用了高斯过程模型来建立波速和几何特征（厚度、曲率）之间的映射关系，实现了实时波速校正，并将厚度变化结构的定位误差降低了28%。Prosser等人（Prosser等人，1991年）通过小波变换分离了S₀和A₀模式，并仅使用稳定传播的S₀模式进行TDOA计算，有效避免了模式转换引起的误差；这项技术在航天器加固结构中已被验证有效，将定位误差控制在50毫米以内。Liu等人（Liu等人，2018年）将典型的载人密封舱的复杂圆锥形部分划分为足够数量的子区域，通过模拟枪击测试生成AE源，以获取每个子区域上的撞击对应的时间向量，并基于k最近邻（KNN）算法原理开发了一种基于矢量距离的区域定位算法，实现了大约300毫米的定位误差。

KNN算法通常用于将撞击定位问题转化为时间序列的分类问题（Yue等人，2023年；Rhee等人，2009年；Wang等人，2023年；Liu等人，2023年）。为了考虑信号传播过程中的干扰，将权重系数引入KNN并结合其他方法（Liu等人，2018年；Li等人，2008年；Chen等人，2016年；Liu等人，2021年；Taunk等人，2019年；Uddin等人，2022年；Gallego等人，2020年；Altayef等人，2022年），这提高了区域定位的准确性。然而，传统的KNN算法严重依赖于经验参数选择（Du等人，2025年），这导致其泛化能力不足且容易过拟合。因此，区域定位的准确性受到影响，算法只能估计大致的撞击区域而不能确定精确位置。此外，大多数现有的优化方法要么依赖于复杂的区域划分，要么只针对单一几何特征，无法适应实际载人航天器结构中多个复杂几何特征（舱口、加固件、厚度变化区域和结构边界）的耦合效应。

鉴于缺乏对多几何特征航天器结构进行精确HVI定位的研究，以及需要量化几何引起的定位误差，本文提出了一种结合TDOA和区域定位方法的灰狼优化器（GWO）优化KNN方法。通过GWO算法训练得到的正则化惩罚项被纳入KNN目标函数中，利用GWO在“复杂结构+样本有限”条件下的优异性能。进行了实验验证，以分析K值对定位精度的影响，以及定位误差的分布和大小。此外，还采用了一种加权质心方法来进一步提高定位精度和减少误差。所提出的GWO-KNN方法为复杂航天器结构上的精确HVI定位提供了一种新颖有效的解决方案，特别是在传感器网络部署稀疏和样本有限的情况下。

章节摘录

用于区域定位方法开发的AE信号采集

具有舱口、加固件、厚度变化和几何不连续性的复杂结构给撞击定位带来了重大挑战。由于AE信号的特性会因显著的反射、传输和模式转换而失真，基于时间差和传播速度的定位方法无效。相比之下，区域定位方法被用来定位HVI引起的损伤，从而避免了这些问题

GWO优化KNN定位方法的开发

对于具有几何不连续性的复杂舱口结构，提出了一种GWO-KNN算法，用于建立TDOA和网格节点之间的映射关系，通过以下方式克服了传统方法的局限性：（1）通过GWO算法驱动的KNN参数训练优化信号-位置映射，实现了比基线方法更好的泛化能力；（2）实施自适应加权欧几里得距离以实现最终精确定位。

GWO-KNN方法的概念验证：实验验证

为了严格评估所提出的GWO-KNN方法的准确性和鲁棒性，进行了一系列实验，包括低速撞击（LVI，100 m/s）和高速撞击（HVI，1.3～3.6 km/s）。

结论

为了满足对具有舱口的复杂航天器上进行精确HVI定位的迫切需求，提出了一种使用空气枪发射塑料弹丸的非破坏性样本采集方案。聚氧甲基丙烯（POM）BB弹丸（直径6毫米，0.20克）以平均速度100 m/s发射，以激发AE信号，其S0模式（50–350 kHz）与HVI信号的核心特征相匹配。该方案有效地克服了样本采集的瓶颈

未引用的参考文献

Cao, 2022, Chen et al., 2015, Drolshagen, 2008, F?rli, 1990, Hu and Dong, 2020, Hyde et al., 2024, Liu, 2018, Nelson and Lempriere, 1987, Nuttall and Close, 2019, Prosser, 1991, Rhee and Oh, 2009, Rose, 1999, Sabzevari, 2024, Sch?fer and Janovsky, 2007, Shohet et al., 2020, Tobias, 1976, Wang and Wang, 2010.

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。