一种大型平面SAR天线形面精度在轨实时主动调整方法及系统

本发明属于天线，涉及一种大型平面sar天线形面精度在轨实时主动调整方法及系统。

背景技术：

1、sar天线在轨运行过程中，其电性能与机械结构精度息息相关，直接受到天线面板形状、大小和平整度等结构因素的影响。在轨运行时天线面板形面精度变化将加剧星载sar天线指向不稳定性与姿态不稳定性，严重影响天线的性能和成像质量，回波信号的幅度产生调制，导致成像模糊、分辨率降低从而影响成像结果。

2、为获得高分辨率sar图像，如何精准保障在轨运行时大型平面sar天线结构的精度与性能是卫星总装集成测试领域急需解决的关键难题之一。而影响sar天线在轨运行时形面精度的因素，主要有这两方面：1)在地时由于装配制造工艺不足天线杆系中存在几何尺寸、材料参数、间隙等不确定性问题所导致的形面装调误差。2)在轨时复杂空间热环境下形面所产生的热变形。因此，探索复杂太空热环境、装调误差与天线形面精度之间的关系并针对性地进行形面精度的控制与改善是非常必要的。

3、目前针对sar天线的形面精度控制研究主要停留在理论层面与在地分析阶段，通过被动控制方法进行调整，依托改善结构设计及加工工艺，提高结构可靠性与装调稳定性，减小误差传递与积累；选用特殊材料及涂层，控制天线在轨热吸收辐射比，减小天线面板温差以减小变形；进行地面预补偿，与天线在轨展开状态的误差变形相互作用进行弥补与抵消，从而改善形面精度；依据装调工艺人员的经验，采用“检测-调整-检测”的反复试凑模式，借用相机与经纬仪测量系统，根据所测量到的误差，通过反复盲调使得装配精度达标。

4、以上被动控制方法存在以下不足：

5、1、缺少针对性与明确性：传统试凑装配模式主要依靠技术人员的经验与“感觉”，缺乏方向性与针对性，由于尚未从理论层面准确把握装配过程中各因素对于装配精度/性能的耦合影响规律，传统装配技术难以准确量化控制工艺因素对于可展开机构展开可靠性与装配精度的影响，多次的拆装和折展对弹簧、镀膜零件等均会造成损伤，留下可靠性隐患，进而难以保证可展开机构装配质量的一致性；

6、2、调整效率低：依靠结构优化设计工艺复杂工程成本巨大，装调工艺人员试凑调整装调次数多、过程复杂，制作特殊材料以及涂层均需要经过不断试验，进行配比与调整，以上均存在调整周期长的问题。

7、3、无法保证在轨精度：误差与精度之间关系未明确，被动控制停留于地面调整与预补偿，仅靠被动控制手段并不能使空间可展机构在太空中的最终在轨展开运行状态保持一成不变，且未考虑空间轨道环境的复杂多变性，无法主动地根据在轨情况进行调整。sar天线在轨运行时，相对地球和太阳的位置不断发生变化，空间热环境实时变化所导致的形面误差变化未进行主动地考量、预测与控制。

技术实现思路

1、本发明的目的在于解决现有技术中未从理论层面准确把握装配过程中各因素对于装配精度/性能的耦合影响规律，调整效率低，无法保证sar天线在轨精度的问题，提供一种大型平面sar天线形面精度在轨实时主动调整方法及系统。

2、为达到上述目的，本发明采用以下技术方案予以实现：

3、一种大型平面sar天线形面精度在轨实时主动调整方法，包括：

4、采集大型星载可展开天线零部件的几何参数和物理参数，并构建理论仿真模型；

5、基于空间轨道热环境进行大型平面sar天线在轨热分析，实时采集在轨温度场；

6、基于在轨温度场，对热与杆系误差的热力耦合分析，获取热力耦合变形结果；

7、基于热力耦合变形结果，拟合平面并计算sar天线面板平面度；

8、确定温度变化、杆系误差对天线形面精度的影响规律，基于理论仿真模型，建立杆系误差与形面精度之间的深度学习模型；

9、基于深度学习模型预测当前sar天线在轨位置形面精度，建立形面精度优化模型；

10、基于天线杆系进行主动调整，对随着sar天线在轨运行不同时刻与位置的形面精度不断优化，直至实现最优化的形面精度，获取高形面精度sar天线有限元预测与优化模型。

11、本发明的进一步改进在于：

12、进一步的，理论仿真模型包括：高压电源、pzt作动器和三段杆系材料；高压电源连接pzt作动器，向pzt作动器提供电力；pzt作动器连接三段杆系材料；三段杆系材料依次进行连接；pzt作动器通过高压电源驱动，在压电效应作用下，pzt作动器轴向产生位移，而pzt作动器直接与杆系材料相连，间接实现杆系长度调整；

13、

14、δl＝δl1+δl2+δl3

15、式中：l1、l2、l3为三段材料各自长度；e1、e2、e3为三段材料的弹性模量；a1、a2、a3为三段材料的横截面积；δl为杆件长度调整量。

16、进一步的，基于空间轨道热环境进行大型平面sar天线在轨热分析，实时采集在轨温度场；具体为：基于有限元分析simens ug/nx软件进行空间轨道热分析，提取在轨实时温度场；所提取温度场时刻为：太阳处于春分、夏至、秋分、冬至位置时，每个轨道选取24个插值计算位置，包括：太阳正照、太阳侧照、航天器进出地球阴影，获取温度场变化规律，基于插值法获得sar天线在轨道上任意时刻与位置的温度场变化。

17、进一步的，基于在轨温度场，对热与杆系误差的热力耦合分析，获取热力耦合变形结果，具体为：

18、将实时在轨温度场导入理论仿真模型，并设置约束以及边界条件；设置杆长误差，基于温度等效的方法进行处理，采用热膨胀的方式使杆系的误差变化转变为杆系的温度变化从而实现杆长误差的调节：

19、

20、式中：l为杆长，δl为杆长调整量，δt为温度变化量，α为杆件线性热膨胀系数；

21、基于在轨实时温度场与杆系装调误差，利用有限元分析软件abaqus进行热力耦合分析，获取sar天线面板变形场。

22、进一步的，基于热力耦合变形结果，拟合平面并计算sar天线面板平面度，具体为：

23、将热力耦合分析结果进行提取，得到sar天线面板变形场，基于最小二乘法将三维空间散点拟合为平面并计算sar天线面板平面度；

24、平面方程为n个空间点拟合所得，将该平面作为星载sar天线形面基准面，以各空间点看作实际平面上的点，获取各个点到该拟合平面的偏离量；即：

25、

26、式中：zij为原坐标点z方向坐标；z为该点在基准面上的投影的坐标；为法化因子；

27、由定义得平面度误差为：

28、e＝max(ei)-min(ei)

29、其中，e为平面度误差。

30、进一步的，建立杆系误差与形面精度之间的深度学习模型，具体为：以杆系误差为输入，形面精度为输出，基于仿真模型，生成若干个训练样本；打乱样本，划分为m个训练集与n个测试集；分别对训练集、测试集的输入与输出进行归一化处理；建立rbf神经网络，隐藏层神经元个数为训练集数目m，设置初始扩展速度spread(0)；经学习与训练后得到训练集与测试集输出，以均方根误差rmse评定训练效果，并进行反归一化处理，得到形面精度的预测输出与预测精度。

31、进一步的，建立形面精度优化模型，具体为：

32、以仿真模型形面精度为目标函数，以星载sar天线形面精度最高为优化目标，隐函数为深度学习模型；以平面度误差降低大小、各支撑杆尺寸调整量和前后两代优化结果差值为约束条件，基于粒子群优化算法对形面精度进行优化设计，获得最优的杆系调整量；

33、e＝e[(a1+δa1),(a2+δa2),(a3+δa3),(a4+δa4),(a5+δa5),(a6+δa6),(a7+δa7)]

34、式中：e为施加杆系调节后天线形面平面度误差值；a1、a2、…、a7为sar天线各根杆原始误差；δa1、δa2、…、δa7为各支杆的调整量；

35、约束条件为：

36、

37、其中，k为迭代次数。

38、进一步的，基于粒子群优化算法对形面精度进行优化设计，获得最优的杆系调整量，具体为：

39、初始化粒子群，采用随机数的方法给定粒子的初始位置及速度；

40、设定星载sar天线阵面平面度误差为优化目标，以有限元仿真模型平面度为目标函数，依据目标函数评估初始化状态下各粒子的适应度，作为粒子初始状态最优形面精度的位置，通过对比获得全局最优形面精度的位置；

41、判断初始位置各粒子适应度是否满足需求，满足则结束；不满足结束条件则进入下一步，依据当前状态更新每个粒子的速度和位置；

42、根据目标函数再次评估每个粒子的形面精度；将每个粒子当前状态下的形面精度与个体最优相比较，取更优的位置作为新的个体极值；

43、将每个粒子的形面精度与全局最优对应的形面精度作比较，所有粒子中最高且高于当前状态全局最优位置下的适应值作为新的全局极值；

44、判断该位置是否满足大型平面sar天线形面精度要求，如未满足则继续优化计算；直至满足要求，通常算法达到设定的最大迭次数或实现最优适应值满足最小界限则结束优化计算。

45、一种大型平面sar天线形面精度在轨实时主动调整系统，包括：

46、采集模块，所述采集模块采集大型星载可展开天线零部件的几何参数和物理参数，并构建理论仿真模型；

47、分析模块，所述分析模块基于空间轨道热环境进行大型平面sar天线在轨热分析，实时采集在轨温度场；

48、获取模块，所述获取模块基于在轨温度场，对热与杆系误差的热力耦合分析，获取热力耦合变形结果；

49、拟合模块，所述拟合模块基于热力耦合变形结果，拟合平面并计算sar天线面板平面度；

50、第一构建模块，所述第一构建模块确定温度变化、杆系装调误差对天线形面精度的影响规律，基于理论仿真模型，建立杆系装调误差与形面精度之间的深度学习模型；

51、第二构建模块，所述第二构建模块基于深度学习模型预测当前sar天线在轨位置形面精度，建立形面精度优化模型；

52、优化模块，所述优化模块基于天线杆系进行主动调整，对随着sar天线在轨运行不同时刻与位置的形面精度不断优化，直至实现最优化的形面精度，获取高形面精度sar天线有限元预测与优化模型。

53、与现有技术相比，本发明具有以下有益效果：

54、本发明通过在轨实时温度场进行杆系误差训练，确定轨道热环境、杆系装调误差与sar天线形面精度之间的耦合影响规律，通过对在轨实时温度场的学习与训练，实现sar天线在轨运行时任意角度与位置的热变形与形面精度的实时预测。同时，通过研究在轨温度场与杆系装调误差对形面精度的耦合规律，利用深度学习算法与优化算法可实现随着sar天线在轨运行不同时刻与位置的形面精度“预测-调整-优化-再预测-再调整”，实现在轨形面精度的主动预测与调整。

55、进一步的，本发明基于rbf神经网络进行误差与形面精度之间的数据回归训练与预测，rbf神经网络能在一个紧凑集和任意精度下，逼近任何非线性函数，学习速度快、训练精度高，通过输入杆系误差，大量数据训练可确保大型平面sar天线形面误差预测的准确性实现对sar天线形面精度的快速预测，提高装调效率。

56、进一步的，本发明利用粒子群算法进行优化设计，基于在轨实时预测得到的形面误差，可快速求解装配调整的杆系最优调整量方案，避免了现有试凑装调等被动调整方法的局限性，大幅提升了天线装配精度与装调效率。

57、进一步的，本发明基于pzt作动器直接进行杆系调整，当天线形面精度不满足工作需求时，经过优化计算获得所需杆系调整量，经驱动装置给作动器施加作动电压，在压电效应作用下，作动器轴向产生位移，而作动器直接与杆系相连，实现杆系调整，优化并改善sar天线形面精度。压电作动器具有响应速度快、定位精度高、功耗低以及线性度好的特点，使得形面精度优化效果大幅提升。