一种天文台主动反射面的面形调整方法、装置及设备与流程

1.本技术涉及计算机技术领域，特别涉及一种天文台主动反射面的面形调整方法、装置、设备及可读存储介质。


背景技术：

2.大口径射电望远镜采用主动反射面结构，主动反射面包括上千节点，仅300m的有效观测口径内就包含大几百个节点。各节点下拉索下端连接着一套机电液一体化的液压促动器设备，通过其调节能够有效的控制反射面面形，以达到观测的目的。
3.现有技术中，主要通过自动化激光全站仪对节点进行逐一测量，根据测量结果生成控制量，并采用有限元模型修正的方法进行弥补。具体的，每套液压促动器与上位控制系统进行通讯，接受上位控制系统的控制指令，并将促动器的活塞杆位置、是否在口径内等关键信息传递给上位控制系统。上位测量系统通过自动化激光全站仪对布设在节点处的靶标进行测量，获得位置信息。上位测量系统和上位控制系统的结果被用于综合确定促动器活塞杆的位置目标值，并采用有限元模型修正的方法对该位置目标值进行修正，进而生成控制指令发给相应的促动器。
4.由于节点数量大，通过自动化激光全站仪进行逐一测量的方式无法实现实时的闭环测试，在目前的技术条件下，要达到秒级实时性存在不小困难。而采用有限元模型修正的方法进行弥补的方法，增加了力学模型修正的内容，通过对各类结构要素测量值、中间结构系统的力/位移等参数进行有限元建模预测，在一定程度上能进行加速，但是该方法的影响因素众多，修正效果不够理想。
5.综上，如何保证主动反射面面形调整过程的实时性和准确性，是亟待本领域技术人员解决的问题。


技术实现要素：

6.本技术的目的是提供一种天文台主动反射面的面形调整方法、装置、设备及可读存储介质，用以解决当前的天文台主动反射面面形调整方案的实时性和准确性不够理想的问题。其具体方案如下：第一方面，本技术提供了一种天文台主动反射面的面形调整方法，包括：获取历史数据；根据所述历史数据，生成训练样本；利用所述训练样本对神经网络进行训练，得到伸长量预测模型；将目标节点的待测数据输入所述伸长量预测模型，得到伸长量预测值，所述目标节点为天文台主动反射面的任意节点；根据所述伸长量预测值控制所述目标节点的活塞杆进行伸缩，以实现面形调整。
7.可选的，所述根据所述历史数据，生成训练样本，包括：从所述历史数据中提取测量数据和环境数据，其中所述测量数据包括地锚坐标、节点坐标、活塞杆伸长量；
利用所述测量数据对节点位置进行拟合，得到节点位置拟合量；将所述节点位置拟合量和所述环境数据作为训练样本中的特征数据；对所述活塞杆伸长量进行归一化处理，将归一化结果作为训练样本中的标签数据。
8.可选的，所述环境数据包括油压数据、温度数据、风速数据。
9.可选的，所述对所述活塞杆伸长量进行归一化处理，包括：确定活塞杆的活动范围，根据所述活动范围对所述活塞杆伸长量进行归一化处理。
10.可选的，所述根据所述历史数据，生成训练样本之后，还包括：生成噪声参数，利用所述噪声参数对所述训练样本进行数据增强。
11.可选的，所述神经网络包括隐藏层，所述利用所述训练样本对神经网络进行训练，得到伸长量预测模型，包括：利用所述训练样本对神经网络进行训练，在训练过程中通过梯度下降对均方误差的损失进行最小化求解，确定隐藏层的层数和核数，得到伸长量预测模型。
12.可选的，所述根据所述伸长量预测值控制所述目标节点的活塞杆进行伸缩，包括：根据所述伸长量预测值生成控制指令，将所述控制指令发送给所述目标节点的促动器以控制活塞杆进行伸缩。
13.第二方面，本技术提供了一种天文台主动反射面的面形调整装置，包括：样本生成模块，用于获取历史数据；根据所述历史数据，生成训练样本；训练模块，用于利用所述训练样本对神经网络进行训练，得到伸长量预测模型；预测模块，用于将目标节点的待测数据输入所述伸长量预测模型，得到伸长量预测值，所述目标节点为天文台主动反射面的任意节点；控制模块，用于根据所述伸长量预测值控制所述目标节点的活塞杆进行伸缩，以实现面形调整。
14.第三方面，本技术提供了一种天文台主动反射面的面形调整设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序，以实现如上所述的天文台主动反射面的面形调整方法。
15.第四方面，本技术提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上所述的天文台主动反射面的面形调整方法。
16.本技术所提供的一种天文台主动反射面的面形调整方法，包括：获取历史数据；根据历史数据，生成训练样本；利用训练样本对神经网络进行训练，得到伸长量预测模型；将目标节点的待测数据输入伸长量预测模型，得到伸长量预测值，其中目标节点为天文台主动反射面的任意节点；根据伸长量预测值控制目标节点的活塞杆进行伸缩，以实现面形调整。可见，该方法利用训练好的神经网络预测节点活塞杆的伸长量，并据此控制活塞杆的伸缩以实现天文台主动反射面的面形调整，相较于当前的面形调整方案，该方法在实时性和准确性上有较大提升，实现了对天文台主动反射面的控制优化。
17.此外，本技术还提供了一种天文台主动反射面的面形调整装置、设备及可读存储
介质，其技术效果与上述方法的技术效果相对应，这里不再赘述。
附图说明
18.为了更清楚的说明本技术实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
19.图1为现有技术和本技术的面形调整原理示意图；图2为本技术所提供的天文台主动反射面的面形调整方法实施例一的方法流程图；图3为本技术所提供的天文台主动反射面的面形调整方法实施例一的过程示意图；图4为本技术所提供的天文台主动反射面的面形调整方法实施例二的方法流程图；图5为本技术所提供的天文台主动反射面的面形调整方法具体应用实施例的网络结构示意图；图6为本技术所提供的天文台主动反射面的面形调整方法具体应用实施例的预处理过程示意图；图7为本技术所提供的天文台主动反射面的面形调整装置实施例的功能框图。
具体实施方式
20.为了使本技术领域的人员更好地理解本技术方案，下面结合附图和具体实施方式对本技术作进一步的详细说明。显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
21.图1示意了现有技术和本技术对天文台主动反射面的面形调整的原理，图1中“输入”为现有技术和本技术的共同步骤，除了“输入”之外，虚线框为现有技术的步骤，实线框为本技术的步骤。
22.如图1所示，现有技术的面形调整原理是：将数据输入量与激光测量或有限元修正等已有控制算法反馈的量进行比较，将偏差传入控制器，控制器根据t0与t1时刻的位置偏差计算执行器（即主动反射面促动器活塞杆的机械控制装置）的输入参数，接着由执行器实现t1时刻活塞杆实际位置的输出，通过逐步的测量与调整，完成控制反馈调节，达到控制的最终目标。该方案存在速度慢，准确性差的缺点。
23.针对该缺点，本技术的核心是提供一种天文台主动反射面的面形调整方法、装置、设备及可读存储介质。如图1所示，本技术的面形调整原理是：先利用历史数据对神经网络进行训练得到伸长量预测模型，实际控制过程中，对待测数据进行预处理并输入伸长量预测模型即可得到对应的伸长量预测值，执行器直接根据该伸长量预测值一步控制活塞杆达到精确位置。在训练过程中，输出数据结合输入数据送入学习器，学习器内部对数据进行预处理以及标签处理形成训练样本，然后进行训练学习，增强模型算法的精确度和鲁棒性。
24.下面对本技术提供的天文台主动反射面的面形调整方法实施例一进行介绍。参见图2，实施例一包括：s11、获取历史数据；根据历史数据，生成训练样本；实际应用中，根据历史数据生成的样本可以划分为两部分，即分为训练样本和测试样本，利用训练样本经过深度学习形成伸长量预测模型，并通过测试样本优化伸长量预测模型。
25.s12、利用训练样本对神经网络进行训练，得到伸长量预测模型；预先设置训练终止条件，当达到训练终止条件时，得到训练好的伸长量预测模型。
26.s13、将目标节点的待测数据输入伸长量预测模型，得到伸长量预测值；主动反射面包括大量节点，上述目标节点为天文台主动反射面的任意节点。
27.s14、根据伸长量预测值控制目标节点的活塞杆进行伸缩，以实现面形调整。
28.实施例一的实施过程如图3所示，包括模型训练和模型推理两部分。其中，训练部分输入为预设口径内全部节点的历史数据，经过预处理得到训练样本，接着将训练样本输入深度神经网络进行训练，训练收敛后，得到最优网络权重及相应的伸长量预测模型。该模型将直接用于推理，推理过程是用户输入预设口径内节点的待测数据，经过伸长量预测模型进行推理，输出各节点的伸长量预测值。
29.本实施例提供一种天文台主动反射面的面形调整方法，包括：获取历史数据；根据历史数据，生成训练样本；利用训练样本对神经网络进行训练，得到伸长量预测模型；将目标节点的待测数据输入伸长量预测模型，得到伸长量预测值，其中目标节点为天文台主动反射面的任意节点；根据伸长量预测值控制目标节点的活塞杆进行伸缩，以实现面形调整。可见，该方法利用训练好的神经网络预测节点活塞杆的伸长量，并据此控制活塞杆的伸缩以实现天文台主动反射面的面形调整，相较于当前的面形调整方案，该方法在实时性和准确性上有较大提升，实现了对天文台主动反射面的控制优化。
30.下面开始详细介绍本技术提供的天文台主动反射面的面形调整方法实施例二。参见图4，实施例二具体包括：s21、获取历史数据；s22、从历史数据中提取测量数据和环境数据，其中测量数据包括地锚坐标、节点坐标、活塞杆伸长量，环境数据包括油压数据、温度数据、风速数据；s23、利用测量数据对节点位置进行拟合，得到节点位置拟合量；将节点位置拟合量和环境数据作为训练样本中的特征数据；s24、对活塞杆伸长量进行归一化处理，将归一化结果作为训练样本中的标签数据；具体的，先确定活塞杆的活动范围，根据活动范围对活塞杆伸长量进行归一化处理。
31.s25、生成噪声参数，利用噪声参数对训练样本进行数据增强；s26、利用训练样本对神经网络进行训练，在训练过程中通过梯度下降对均方误差的损失进行最小化求解，确定隐藏层的层数和核数，得到伸长量预测模型；s27、根据伸长量预测值生成控制指令，将控制指令发送给目标节点的促动器以控制活塞杆进行伸缩。
32.在实施例二的基础上，以实际应用为例对具体的实施过程进行介绍。
33.首先准备好基于gx4+1080ti的硬件预测平台，配置好网络、操作系统、深度学习软件等。网络模型部分，设计一个相对简单的深度学习网络，相对简单的网络参数调试容易，计算速度快，容易达到实时的效果，适合该应用场景。网络设计如图5所示，包括输入层、隐藏层、输出层等3大层网络构架，其中隐藏层的层数和核数等需要经过训练测试确定。通过梯度下降对mse（mean square error，均方误差）的loss进行最小化求解。
34.之后进行数据预处理，如图6所示，先获取历史数据，对历史数据按节点进行分割，并提取关键信息，如测量数据和环境数据，其中环境数据进一步包括油压数据、温度数据、风速数据等，测量数据进一步包括地锚坐标、节点坐标、活塞杆伸长量等。之后进行数据的归纳整理和归一化，即对特征数据的处理和对标签数据的处理。特征数据的处理过程比较复杂，将在下文展开介绍；标签数据的处理过程相对简单，主要是确定活塞杆运动范围，对伸长量进行数据归一化处理，以作为标签数据。最后进行数据增强，主要通过设计一定的噪声参数，以提高数据的有效性以及方案的鲁棒性。
35.下面详细介绍对特征数据的处理。根据实际装置的物理特性，对节点位置进行拟合。该拟合过程主要用到地锚坐标pa、节点坐标pn、伸长量sa，首先计算活塞杆伸长量变化导致的节点位置径向变化与基本距离之间的变化率rp，然后计算节点位置拟合量pm，变化率计算公式和拟合量计算公式分别如下：rp = [[(sa
–
活塞杆调整量) + 随机量扰动量] + 促动器调整量] /|pn
‑
pa|）；pm=pn+rp*( pn
‑
pa)。
[0036]
值得一提的是，在主动反射面中，地锚一般设置在地面固定不动，由促动器控制活塞杆伸长带动节点进行面形调节，上述基本距离是指节点坐标与地锚坐标的差值。面形调整过程中，活塞杆伸长量是变化的，活塞杆伸长量变化会导致节点的位置径向变化；而活塞杆调整量、促动器调整量是物理特性决定的，基本固定不变，但不同节点会有一定差异。对于一个固定的节点，在活塞杆伸长量改变的时候，活塞杆调整量、促动器调整量不会随之变化。径向是指在径向平面内通过轴心线的方向，可以理解为地锚到节点的方向，节点径向与节点坐标的区别是一个是方向，一个是坐标值。
[0037]
节点位置拟合量与油压数据、风速数据、温度数据等一起作为特征数据，用于预测伸长量。此处用通过伸长量反推的节点位置拟合量替代节点坐标作为输入，是因为节点位置拟合量比节点坐标更符合装置的实际物理特性。
[0038]
数据经过预处理之后，即可进行神经网络训练得到伸长量预测模型，之前进行推理模块部署。接入现场的待测数据，进行模型学习以及部署推理验证。
[0039]
最终测试表明：在该硬件平台设备下，0.2秒即可完成数百个节点的伸长量预测，完全能满足闭环系统的秒级实时测试需求。
[0040]
可见，本实施例采用人工智能领域的神经网络，弥补解决现有方案应用于大口径主动反射面调整面形时对测量周期过长以及面对复杂环境条件的局限性。在基于gx4+1080ti的硬件上，首先对历史数据进行预处理，然后设计神经网络模型进行训练、推理，最终实现伸长量快速预测，进而控制面形调整过程。
[0041]
下面对本技术实施例提供的天文台主动反射面的面形调整装置进行介绍，下文描述的天文台主动反射面的面形调整装置与上文描述的天文台主动反射面的面形调整方法
可相互对应参照。
[0042]
如图7所示，本实施例的天文台主动反射面的面形调整装置，包括：样本生成模块71，用于获取历史数据；根据所述历史数据，生成训练样本；训练模块72，用于利用所述训练样本对神经网络进行训练，得到伸长量预测模型；预测模块73，用于将目标节点的待测数据输入所述伸长量预测模型，得到伸长量预测值，所述目标节点为天文台主动反射面的任意节点；控制模块74，用于根据所述伸长量预测值控制所述目标节点的活塞杆进行伸缩，以实现面形调整。
[0043]
本实施例的天文台主动反射面的面形调整装置用于实现前述的天文台主动反射面的面形调整方法，因此该装置的具体实施方式可见前文中的天文台主动反射面的面形调整方法的实施例部分，在此不再展开介绍。
[0044]
此外，本技术还提供了一种天文台主动反射面的面形调整设备，包括：存储器：用于存储计算机程序；处理器：用于执行所述计算机程序，以实现如上文所述的天文台主动反射面的面形调整方法。
[0045]
最后，本技术提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时用于实现如上文述的天文台主动反射面的面形调整方法。
[0046]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0047]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd
‑
rom、或技术领域内所公知的任意其它形式的存储介质中。
[0048]
以上对本技术所提供的方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。