传感器头温度分布 重建高精度重力参考传感器的机器学习重建
Zongchao Duan1,2,3, Feilong Ren4, Li-E Qiang2
1School of Fundamental Physics and Mathematical Sciences, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Hangzhou 310024, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
本研究介绍了一种先进的XGBoost-LSTM方法,用于重建传感器头部温度,这对于高精度引力参考传感器至关重要. 该技术显著提高了精度和稳定性,满足了太空任务的严格要求.
科学领域:
- 物理 物理学 物理
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
背景情况:
- 温度波动严重影响高精度重力参考传感器的性能.
- 由于空间限制和传感器的复杂性,传感器头的直接温度测量通常是不可行的.
研究的目的:
- 开发和评估一种高精度的插值方法,用于重建传感器头表面温度.
- 评估XGBoost-LSTM方法在地面和轨道场景中的性能.
主要方法:
- 使用混合XGBoost-LSTM模型进行传感器头温度重建.
- 在地面和轨道条件下模拟和分析方法性能.
主要成果:
- 达到温度重建精度比传统方法高两倍.
- 与反向传播 (BP) 神经网络相比,显示出一个数量级的改进.
- 在模拟中表现出了显著的稳定性和强度.
结论:
- 采用XGBoost-LSTM方法,满足了太极计划的有效载荷温度控制精度要求.
- 为引力参考传感器中的热噪声建模和减法提供必要的数据支持.


