基于人工神经网络的反射器型面精度预测.docx

２０１４１２５１ＣｈｉｎｅｓｅＳｐａｃｅＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ第期６基于人工神经网络的反射器型面精度预测周阳１张淑杰１张华振２（１同济大学航空航天与力学学院，上海２０００９２）（２上海跃盛信息技术有限公司，上海２００２４０）摘要基于人工神经网络的预测方法，利用数量适当的有限元计算结果，建立人工神经网络模型，对反射器型面进行精度预测分析，得到在最小型面精度结果下的结构设计参数。计算结果显示训练好的神经网络模型能够较精确地预测格栅反射器的型面精度，节省计算时间，并且以型面精度最小为准则进行参数分析，能够指导反射器的结构设计。关键词人工神经网络；格栅反射器；型面精度；优化设计；天线；卫星通信ＤＯＩ：１０．３７８０／ｊ．ｉｓｓｎ．１０００－７５８Ｘ．２０１４．０６．００７引言１随着现代卫星通信技术的不断发展，卫星通信频段不断增高，对星载固面反射器天线的型面精度提出了越来越高的要求，基于传统设计概念的固面反射器结构已越来越难以满足型面高精度的要求。而格栅反射器能够有效地避开传统三明治反射器由于夹层结构的塑性变形而带来的难以控制的型面精度问题，可以增加反射器厚度尺寸，大大提高整个反射器的结构刚度，从而提高反射器型面精度［１］。目前关于格栅反射器的公开技术文献还较少，国内外的一些研究机构以及学术单位对发展新型的亚毫米波固面反射器做了类似的一些探索［２］。由加拿大研制的应用于Ｓｅｎｔｉｎｅｌ－３卫星上的夹层结构反射器，工作频段为５．４１～１３．５７５ＧＨｚ［３］。由德国研制的高稳定的反射器在轨精度小于３５ｍ（ＲＭＳ值）［４］。美国的ＮＰＯＥＳＳ卫星系统搭载的微波成像仪工作频段最高可达１８３．３ＧＨｚ，已经属于亚毫米波的应用范畴［５］。俄罗斯研制的ＭＴＶＺＡ－ＯＫ微波成像仪工作频率也可高达１８３．３１ＧＨｚ［６］。另外，瑞典、加拿大等国联合研制的Ｏｄｉｎ卫星上搭载的反射器，地面型面精度可达１０ｍ（ＲＭＳ值）［７－８］。欧空局的赫歇尔探测器上装载了一个３．５ｍ的卡塞格伦天线，天线的工作波长范围是５５～６７１ｍ［９－１０］。格栅反射器的结构设计包含很多关键的技术难题，其中格栅的尺寸参数是最重要的关键点，几乎未见相关文献报道。本文根据５个格栅尺寸设计参数（格栅密度、格栅高度、格栅厚度、反射面厚度、背面厚度），在仅考虑反射器在轨热变形影响的情况下［１１］，采用有限元与人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋＭｏｄｅｌ，ＡＮＮ）相结合的方法［１２］，对反射器进行结构优化分析，并对型面精度进行预测分析。这样的基于有限元与神经网络相结合的方法能够节省工程时间、提高效率，更重要的是即使不做有限元验证计算，也能估计设计是否合理，且误差较小。收稿日期：２０１４－０４－２１。收修改稿日期：２０１４－０７－１８５２中国空间科学技术２０１４年１２月格栅反射器的基本组成２三角形格栅反射器的结构形式如图１所示。格栅反射器的反射面、格栅结构以及背板结构均为碳纤维层合板。５个格栅设计参数意义分别为：格栅密度指的是图２（ａ）中半径方向上的格栅数量；格栅高度指的是中心高度与边缘高度之和的一半；格栅厚度指的是中间格栅板的厚度；反射面厚度指的是前反射面层合板的厚度；背板厚度指的是反射器背面蒙皮的厚度。以上５个设计参数实际上就已经完全惟一地确定了反射器的主要结构形式，所以，将这５个参数作为反射器设计优化的主要技术指标。图１三角形格栅反射器的结构形式Ｆｉｇ．１Ｒｅｆｌｅｃｔｏｒｓｔｒｕｃｔｕｒｅｓｃｏｎｆｉｇｕｒａｔｉｏｎ神经网络模型建立３人工神经网络是模拟人类大脑以完成复杂的信息处理的计算程序，比如图像分类识别，优化计算以及非线性映射等。反向传播神经网络（ＢＰ）模型包含输入层、输出层以及之间的隐藏层，如图２所示。根据ＭＡＴＬＡＢ编写计算程序，构造神经网络模型，输入层包含５个输入参数（格栅密度、格栅高度、格栅厚度、反射面厚度以及背面厚度），隐藏层包含３层，输出层只包含型面精度值。先利用有限元软件计算的部分数量样本进行神经网络模型的训练，有限元计算的样本数据来源于温度场分析、热变形分析以及反射面精度计算这三个步骤，这里的型面精度以最佳拟合后的光程误差（ＲＭＳ值）为参考指标，分析计算以及精度预测的流程如图３所示。图２人工神经网络模型Ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ（ＡＮＮ）Ｆｉｇ．２２０１４年１２月中国空间科学技术５３图３利用有限元与人工神经网络相结合的计算过程Ｆｉｇ．３Ａｎａｌｙｓｉｓａｎｄｃａｌｃｕｌａｔｉｏｎｐｒｏｃｅｓｓ准确性验证４为了验证构建的神经网络模型的准确性以及误差大小，将有限元计算得到的５０组数据分为Ａ、Ｂ两组：Ａ组包括４０组原始数据，用于对神经网络模型进行训练（见表１）；Ｂ组包括１０组原始数据，用于对训练完的神经