(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210979908.6 (22)申请日 2022.08.16 (71)申请人 中国人民解 放军军事科学院国防科 技创新研究院 地址 100071 北京市丰台区东大街5 3号 (72)发明人 姚雯　李星辰　陈小前　周炜恩　 李桥　 (74)专利代理 机构 北京奥文知识产权代理事务 所(普通合伙) 11534 专利代理师 张文 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的卫星物理场级数字孪生模 型构建方法 (57)摘要 本发明公开了一种基于深度学习的卫星物 理场级数字孪生模型构建方法， 包括： 在卫星的 多个预设位置上布置传感器， 利用传感器采集卫 星物理场数据， 并获取卫星物理场的有限元仿真 数据； 对传感器数据和有限元仿真数据进行数据 融合， 获取融合的卫星物理场数据， 生成训练数 据； 利用训练数据对深度学习神经网络进行训练 以拟合传感器数据与卫星物理场的映射关系； 将 传感器数据输入训练后的深度学习神经网络， 对 深度学习神经网络的输出进行可视化处理， 获取 卫星物理场级数字孪生模型。 本发 明通过传感器 采集卫星物理场信息， 并与有限元仿真数据进行 融合以获取高质量训练数据进行神经网络的训 练， 能够构建高精度、 高可靠性的卫星物理场级 别的数字 孪生模型。 权利要求书2页 说明书8页 附图1页 CN 115392077 A 2022.11.25 CN 115392077 A 1.一种基于深度学习的卫星物理场级数字 孪生模型构建方法， 其特 征在于， 包括： 在卫星的多个预设位置上布置传感器， 利用 传感器采集卫星物理场数据， 并对卫星进 行有限元仿真 分析， 获取卫星物理场的有限元仿真数据； 对传感器数据和有限元仿真数据进行数据融合， 获取融合的卫星物理场数据， 生成包 括传感器数据及其对应的融合 卫星物理场的训练数据； 构建深度 学习神经网络， 利用所述训练数据对深度 学习神经网络进行训练以拟合传感 器数据与卫星物理场的映射关系； 将传感器数据输入训练后的深度学习神经网络， 对深度 学习神经网络的输出进行可视 化处理， 获取卫星物理场级数字 孪生模型。 2.根据权利要求1所述的基于深度学习的卫星物理场级数字孪生模型构建方法， 其特 征在于， 对传感器数据和有限元仿真数据进行数据融合， 获取融合的卫星物理场数据， 包 括： 提取传感器数据中的物理场精度特 征和有限元仿真数据中的物理场内在机理特 征； 通过特征融合方式， 将不同尺度下的物理场机理特征和传感器数据中的精度 特征分级 融合， 并通过 上采样方式进行聚合， 得到融合的卫星物理场数据。 3.根据权利要求1或2所述的基于深度 学习的卫星物理场级数字孪生模型构建方法， 其 特征在于， 所述深度学习神经网络为多层感知机、 卷积神经网络或图神经网络 。 4.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法， 其特 征在于， 当需要构建卫星物理场级数字孪生模型 的卫星系统为卫星的平面系统时， 所述深 度学习神经网络为卷积神经网络 。 5.根据权利要求3所述的基于深度学习的卫星物理场级数字孪生模型构建方法， 其特 征在于， 当需要构建卫星物理场级数字孪生模型 的卫星系统为卫星的耦合系统时， 所述深 度学习神经网络为图神经网络 。 6.根据权利要求1 ‑3中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建 方法， 其特 征在于， 利用所述训练数据对深度学习神经网络进行训练， 包括： 将所述训练数据中的传感器数据作为深度 学习神经网络的输入， 将所述训练数据中的 融合卫星物理场作为深度学习神经网络的输出， 训练深度学习神经网络 。 7.根据权利要求6所述的基于深度学习的卫星物理场级数字孪生模型构建方法， 其特 征在于， 将所述训练数据中的传感器数据作为深度学习神经网络的输入， 将所述训练数据 中的融合 卫星物理场作为深度学习神经网络的输出， 训练深度学习神经网络， 包括： 步骤S310， 将多个训练数据中的传感器数据依次输入深度学习神经网络， 得到深度学 习神经网络 输出的传感器数据对应的预测卫星物理场； 步骤S320， 将传感器数据对应的预测卫星物理场与融合卫星物理场进行比较， 计算深 度学习神经网络的预测准确率； 步骤S330， 确定连续的至少两次得到的预测准确率是否大于预设准确率 阈值， 若是， 将 当前的深度学习神经网络作为训练完成的深度学习神经网络， 若否， 计算损失函数， 利用损 失函数更新深度学习神经网络的参数， 并返回步骤S310 。 8.根据权利要求1 ‑7中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建 方法， 其特 征在于， 所述方法还 包括：权　利　要　求　书 1/2 页 2 CN 115392077 A 2基于卫星运行期间获取的传感器数据， 利用不确定性原 理对所述深度 学习神经网络的 输出进行随机不确定性 量化； 根据获取的传感器数据和不确定性量化结果， 计算所述深度学习神经网络的模型误 差， 并根据模型误差对所述深度学习神经网络的预测输出进行 校正。 9.根据权利要求1 ‑8中任一项所述的基于深度学习的卫星物理场级数字孪生模型构建 方法， 其特 征在于， 所述方法还 包括： 基于卫星运行期间获取的传感器数据， 利用不确定性原 理对所述深度 学习神经网络的 输出进行随机不确定性 量化； 根据不确定性 量化结果， 进行卫星运行状态检测。 10.根据权利要求1 ‑9中任一项所述的基于深度学习的卫星物理场级数字孪生模型构 建方法， 其特 征在于， 所述方法还 包括： 将所述深度学习神经网络的输出传输 至卫星的其 他系统。权　利　要　求　书 2/2 页 3 CN 115392077 A 3