一种基于双分支图的新型轨道卫星热场重建框架
《Aerospace Science and Technology》:A novel dual-branch graph-based reconstruction framework of thermal fields for orbital satellites
【字体:
大
中
小
】
时间:2026年05月09日
来源:Aerospace Science and Technology 5.8
编辑推荐:
乔李|徐伟雷|吕楠|张思涵|张云阳|赵晓宇|夏宇峰|李行辰
酒泉卫星发射中心,兰州,732750,中国
**摘要**
在轨道上的卫星会经历极端的热循环,这会导致由热驱动的振动,进而引发灾难性的结构故障。由于质量和功率的限制,利用稀疏传感器配置重建温度和热辐射成为一个
乔李|徐伟雷|吕楠|张思涵|张云阳|赵晓宇|夏宇峰|李行辰
酒泉卫星发射中心,兰州,732750,中国
**摘要**
在轨道上的卫星会经历极端的热循环,这会导致由热驱动的振动,进而引发灾难性的结构故障。由于质量和功率的限制,利用稀疏传感器配置重建温度和热辐射成为一个关键挑战。最近的研究利用了神经网络,特别是基于图的模型,这些模型可以将传感器测量值转换为具有局部空间相关性的整体场。然而,纯粹的数据驱动方法由于忽略了基本物理原理,不可避免地会丢失复杂卫星系统中的关键热信息。为了解决这一限制,我们严格从热传递的物理原理出发推导出基于图的传播机制,确保其与热力学约束保持一致,同时提高其在复杂操作场景中的泛化能力。通过基于伪瞬态的热扩散模拟,并根据广义有限差分近似梯度和散度算子,我们推导出一种将物理过程集成到神经网络中的前向传播方法。此外,我们设计了一种双分支架构,该架构通过线性注意力实现全局热力学一致性,并通过矩阵分解进行局部相关性建模,从而降低了计算复杂性。借助这种精细的结构,该框架能够实现多层次特征提取,获得与物理约束一致的高精度重建结果。在对一颗轨道遥感卫星的全面评估中,与现有技术相比,我们的方法在热重建方面的性能显著提升:相对于Gappy POD方法降低了44.3%的误差,相对于FNO方法降低了42.3%的误差。定性分析表明,我们的重建结果与高保真模拟参考结果更加符合物理实际。复杂性分析证实了该框架的计算效率,消融分析验证了框架内各个模块的有效性,为智能轨道热监测提供了一个可行的解决方案。
**引言**
对在轨卫星进行精确和实时的热检测是现代航空航天工程中的一个关键挑战,直接影响任务的可靠性、载荷性能和运行寿命。由于载荷和成本的限制,卫星通常只在局部区域部署稀疏的热传感器,导致空间覆盖不完整。因此,从稀疏传感器重建全球温度和热辐射对于确保运行完整性和防止轨道上的热异常至关重要。极端且高度动态的热特性以及复杂的内部热生成为从稀疏传感器测量数据重建三维热场带来了巨大挑战,这个问题可以表述为一个由偏微分方程(PDEs)控制的病态逆问题。
传统方法,如插值技术或数值模拟[1]、[2]、[3]、[4]存在一些根本性局限:随着传感器稀疏度的增加,插值精度会大幅下降;而数值求解器在实时应用中计算成本过高。计算架构的最新进展推动了工程领域向数据驱动方法的转变[5]、[6]、[7],包括基于超分辨率的框架[8]、[9]和深度学习方法[11]、[12]、[13],这些方法具有高维拟合能力和实时推理能力。然而,诸如多层感知器(MLP)[14]、[15]、[16]和卷积神经网络(CNNs)[11]、[17]这样的超分辨率和深度学习模型基本上依赖于规则网格,无法保持非结构化系统的空间连贯性。因此,图神经网络(GNNs)因其能够处理任意拓扑结构[18]、[19]而成为复杂系统建模的关键解决方案。然而,这种局部化方法主要关注短程相互作用,忽略了诸如姿态控制推进器与电池阵列之间的辐射耦合等关键长程热相互作用。在动态热环境中,这种局限性尤为明显,因为热流会产生非局部相关性,这些相关性无法用简单的空间邻近性假设来描述。
通过增加物理约束的损失函数,物理信息驱动的神经网络(PINNs)实现了物理上一致的重建结果[20]。然而,PINNs面临一些关键限制:依赖于控制PDEs的显式公式,以及在多物理场景中由于损失函数刚性导致的收敛不稳定问题。除了物理损失函数,最近的研究还探索了基于物理的架构设计来约束网络传播。例如,PDE-NET [21]、[22]在网络中设计了用于PDEs的微分算子,FEA-NET [23]在网络中构建了用于有限元分析的Jacobi求解器,神经算子利用格林函数将初始解映射到场中[24]、[25]、[26],而消息传递PDE求解器在网络中添加了PDEs的梯度算子近似[27]。尽管基于物理的方法取得了进展,但如何精心设计网络架构以适当地整合信息并将物理过程系统地整合到网络中仍然是一个未解决的挑战。
**总结**
现有方法在卫星热重建方面存在几个关键局限性:
- 在捕捉全局和局部依赖性方面存在显著不足。
- 设计适用于不规则计算域的适当网络是一个挑战。
- 在不依赖任何先验信息的情况下将物理信息嵌入网络存在困难。
受这些问题的启发,我们在本文提出了一种基于图的双分支高效重建框架,该框架结合了隐式的物理一致性,以实现实时轨道热检测。该框架基于热传递原理,将消息传递操作重新表述为梯度和散度算子的离散近似,确保与物理定律一致。然后,我们进一步基于图注意力网络(GATs)[28]设计了双分支架构以获取更多的空间信息。虽然GATs中的大规模相邻矩阵和注意力机制会导致较大的计算开销,影响其对复杂卫星系统的适应性,但我们通过矩阵分解和线性注意力降低了计算量。这种混合设计能够在不牺牲重建精度的前提下实现高效的大规模图处理,从而满足机载智能的实时性能需求。
**本文的主要贡献包括:**
- 我们提出了一种创新的基于图的框架,用于从稀疏传感器测量数据实时重建卫星的温度和热辐射场,这对于动态空间环境中的任务操作至关重要。
- 我们结合了全局和局部空间连接的双分支,并结合物理约束以提高精度,增强了框架在实际复杂任务中的泛化能力。
- 我们引入了矩阵分解和线性注意力机制,以避免框架中出现大规模矩阵,从而降低了计算开销。
- 基于在轨卫星的对比实验从重建精度和模型复杂性的角度验证了所提框架的优越性,消融分析进一步验证了框架内各模块的性能。
**本文的其余部分安排如下:**
第2节提供了一些初步内容,包括场重建的描述和图注意力网络的介绍。第3节介绍了框架的详细信息,并讨论了与一些基线方法的比较结果。第4节对遥感卫星进行了详细分析。第5节得出了总结性的结论。
**字段重建**
给定卫星的温度u,控制方程可以一般性地表示为:
D(u) = f(u)
其中D是微分算子,f是源项。通过离散化时间域,并将每个时间步的温度场视为准稳态快照,我们可以将温度场u表示为依赖于坐标的位置函数。通过求解方程(1)可以检测到卫星的热状态。在实际场景中,控制方程的显式形式……
**方法**
在本节中,我们将介绍如何从热传递的物理原理出发推导出所提出的双分支图基卫星热重建框架,并通过一些基本的矩阵操作(如线性注意力和低秩分解)高效处理大规模矩阵。
**结果与讨论**
为了验证所提出的重建框架,我们采用了一个实际工程问题,即对在轨卫星的温度和热辐射场进行重建。比较基准包括多种范式的最新技术,如非学习方法Gappy POD [38]、[39]、传统机器学习方法随机森林(RFM)、深度学习方法MLP和算子学习方法FNO [40]。我们首先介绍了工程配置……
**结论**
在这项工作中,我们提出了一个基于图的双分支框架,用于在轨卫星的温度和热辐射重建,以提升轨道智能。该框架基于热传递原理,我们详细设计了网络传播机制,以提高泛化能力,采用了伪瞬态和广义有限差分方法。此外,利用全局和局部特征提取的双分支来近似梯度和散度算子,从而提高重建精度。
**作者贡献声明**
乔李:撰写——原始草稿、方法论、研究、概念化。
徐伟雷:可视化、方法论、研究。
吕楠:撰写——审稿与编辑、可视化、验证、数据整理。
张思涵:可视化、验证、研究、概念化。
张云阳:可视化、验证、方法论。
赵晓宇:可视化、验证、方法论、概念化。
夏宇峰:可视化、验证、方法论、研究。
李行辰:……
**利益冲突声明**
我们提交的论文《一种用于轨道卫星热场的新型双分支图基重建框架》正在《Aerospace Science and Technology》期刊上考虑发表。在提交该论文的过程中,不存在任何利益冲突,所有作者都同意发表该论文。我代表我的合作者声明,本文描述的工作是原创性的,尚未发表过。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号