基于神经网络的太阳电池阵热真空试验外热流模拟系统辨识

《基于神经网络的太阳电池阵热真空试验外热流模拟系统辨识》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、航天器环境工程第29卷第2期150SPACECRAFTENVIRONMENTENGINEERING2012年4月基于神经网络的太阳电池阵热真空试验外热流模拟系统辨识马昆，崔俊峰，张晓丽，王涛（北京卫星环境工程研究所，北京100094）摘要：文章针对太阳电池阵热真空试验非线性的特点，引入一种基于神经网络的系统辨识方法。该方法采用BP网络作为模型辨识器，而辨识器又采用L-M（Levenberg-Marquart）算法进行训练。仿真结果表明，该方法具有较高的训练速度与精度，可以对太阳电池阵热真空试验测点温度响应做出较为精确的预测。关键词：热真空试验；BP神经网络；L-M算法；太阳电池阵中图

2、分类号：V416.5文献标识码：A文章编号：1673-1379(2012)02-0150-04DOI：10.3969/j.issn.1673-1379.2012.02.0070引言太阳电池阵热真空试验外热流模拟系统是一个动态系统，即太阳电池阵的当前温度不但与红外太阳电池阵是航天器供电系统的重要部件，为灯阵所加电流有关，还与其之前的温度有关。因此暴露其材料和工艺缺陷，排除早期失效隐患，都需针对太阳电池阵热真空试验外热流模拟系统，应建要进行热真空试验。在热真空试验中主要使用红外立具有动态特性的神经网络模型。本文采用的是多灯阵模拟航天器所处的空间热环境，试验周期长、层前向静态网络引入延时单

3、元的结构。该结构简成本较高。因此有必要开展航天器虚拟热试验研单、高效，且训练算法相较于反馈网络更为成熟，究。在虚拟热试验研究中，建立试验部件与红外加收敛速度更快。由于太阳电池阵热真空试验外热流热器之间的传热数学模型是关键。由于实际试验过[3]模拟系统可以简化为一个二阶多变量系统，该系程中影响被控对象的因素较多，且每次试验均有变统可以用下面的多项式表示：化，所以难以建立其传热机理模型；在同一次试验Tk(+=1)aTkaTk()+(−+1)bIk()，(1)过程中，因电池阵表面温度的变化会导致模型参数12不稳定，从而难以用传递函数对系统模型进行描式中：T(k+1)、T(k)和T(k−1)

4、分别为太阳电池阵上述。为了提高试验的控制水平，减少试验过程中的一时刻的温度、当前温度和下一时刻的温度；I(k)人为干预，本文选择了神经网络建模方法[1]，以期为红外灯阵当前时刻的输出电流；a1、a2和b分别准确控制红外灯阵的输入电流。为多项式的系数。根据式(1)，选择T(k)、T(k−1)和I(k)这3个变1神经网络建模量作为神经网络的输入，则神经网络的输出即为1.1神经网络结构T(k+1)的预测值。图1为该神经网络结构示意。神经网络因其有很好的函数逼近能力而被广泛应用于非线性系统建模、辨识和控制，根据应用场合的不同，所建的神经网络模型可以分为动态系统和静态系统。与静态神经网络相比，

5、动态神经网络通过增加延时单元或引入反馈的方式，使得网络图1BP神经网络结构具有更强地逼近系统动态过程的能力[2]。Fig.1BPneuralnetworkstructure————————————收稿日期：2011-11-14；修回日期：2012-04-01作者简介：马昆（1986—），男，硕士研究生，研究方向为航天器真空热环境试验。E-mail：mk861101@yahoo.com.cn。第2期马昆等：基于神经网络的太阳电池阵热真空试验外热流模拟系统辨识1511.2神经网络寻优过程序参数、干预控制程序电流输出时，需要停止控制程序的运行，修改或干预结束后再重新启动，此时神经网络训练的

6、过程实质上是一个寻找最优控制程序记录电流数据的时刻为重新启动的时刻。解的过程，其目的是通过权值的调整使某一规定的目标函数达到最小。本文采用的训练算法是结合了这就会导致在整个试验过程中因电流更改时间间梯度下降法与牛顿法优点的L-M（Levenberg-隔不同而使电流历史数据不一致。Marquart）法[4]，其公式为实际试验过程中电流更改时间间隔在1min(1)k+−()kk()2()k1()k以内和1min以上的情况经常发生。若相邻2次电WW=−∇ηε[()]()WIW+∇µε。(2)流更改时间间隔在1min以内，而温度测量周期为(k)(k+1)式中：W代表当前权值向量；W为经迭代后

7、生1min，就会导致历史数据记录的这2次电流更改成的新的权值向量；ε为权值向量的函数，它代表时的温度是一样的，网络就会认为施加的电流更改神经网络的输出误差；η为学习速率；I为单位矩阵，对温度并没有产生影响；若相邻2次电流更改时间μ是单位矩阵的系数。间隔在1min以上，则相应记录的温度变化是电流传统的梯度下降法对迭代初值没有严格要求，更改施加2min以上所产生的效果。这2种状况都且在初始几步迭代下降较快（快速逼近目标）；但会造成神经网络建模的误差。特别是在试