基于LSTM网络模型的航天器热变形预测

• 作者: 王丁 罗文波 吴琼 赵震波 王云锋
• 来源期刊: 机电产品开发与创新
• 关键词: 长短期记忆(LSTM)模型 热变形 贝叶斯优化
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 开发与创新|Development and Innovation
• 页码范围: 5-9
• 页数: 5页
• 分类号: V415.5
• 语种: 中文
• DOI: 10.3969/j.issn.1002-6673.2021.02.002

摘要

针对在轨航天器结构热变形问题,提出了一种基于贝叶斯优化的长短期记忆(LSTM)网络预测方法.结合航天器在轨温度测量数据和有限元模型仿真数据,完成了温度测点选取、LSTM网络模型结构设计、模型训练及热变形预测过程算法实现.实现了较少温度测点为输入下的航天器结构热变形预测.通过多组实验算例结果对比,验证了所提出的LSTM网络模型及其超参数优化方法适用于在轨航天器热变形预测,可以达到的最小均方误差为0.0634.