一种基于智能融合算法的离子电推进束流闪烁自动分类方法

技术领域

本申请涉及空间电推进技术领域，具体而言，涉及一种基于智能融合算法的离子电推进束流闪烁自动分类方法。

背景技术

离子电推进是一种先进的空间动力技术，其基本原理是利用电能，在高电压下电离工质气体，使之解离为等离子体，再通过电磁场作用加速等离子体，从而产生推力。离子电推进的推力器部分通常由阴极、放电室和栅极等部组件构成。由于工作在高电压环境下，离子电推进的栅极区域不可避免地会发生束流闪烁现象，对离子电推进的可靠性和应用效能造成影响。引发位置和放电类型不同的束流闪烁对离子电推进造成的伤害也不尽相同，因此需要进行类型区分，从而提出针对性的抑制和保护措施。传统情况下，束流闪烁的引发位置和类型都通过人工识别电参数数据和示波器图片来进行分类，采取抑制保护措施的时效性差、效率很低，且由于无准确的分类标准，识别错误率也较高。本发明基于上述缺点，提出了一种基于智能融合算法的离子电推进束流闪烁自动分类方法，能够对束流闪烁的引发位置和类型进行自动分类，从而提高抑制保护时效和效率、节省人工成本，进一步提升离子电推进可靠性。

发明内容

本申请提供了一种基于智能融合算法的离子电推进束流闪烁自动分类方法，能够解决通过人工识别对束流闪烁引发位置和类型进行分类时的时效性差、效率低下、出错率高问题，能够增加识别束流闪烁时效性和效率、节省人工成本，进一步提升离子电推进可靠性。

为了实现上述目的，本申请提供了一种基于智能融合算法的离子电推进束流闪烁自动分类方法，包括如下步骤：步骤1：获取离子电推进发生束流闪烁时的样本电参数数据，建立束流闪烁电参数训练数据集D1；

步骤2：获取样本示波器图像，建立图像训练数据集D2；

步骤3：使用DBSCAN算法对数据集D1聚类，获得k个簇，表示引发束流闪烁的k种不同位置，分别以束流闪烁引发位置标注簇的类型，形成束流闪烁引发位置特征集；

步骤4：使用卷积神经网络对所述数据集D2细分，提取示波器束流闪烁二维图像的深度学习特征，训练形成束流闪烁分类网络架构；

步骤5：结合束流闪烁引发位置特征集和束流闪烁分类网络架构，形成束流闪烁自动分类器；

步骤6：获取待分类束流闪烁电参数数据和待分类示波器图像，输入束流闪烁自动分类器；

步骤7：根据束流闪烁引发位置特征集，判断束流闪烁的引发位置，得到待分类束流闪烁电参数数据的引发位置数据，例如，得出待分类样本的引发位置是“屏栅”；

步骤8：根据束流闪烁分类网络架构，判断束流闪烁类型，得到待分类示波器图像的束流闪烁类型数据；例如，得出待分类示波器图像的束流闪烁类型为“屏栅电弧-加速栅电弧-减速栅正常”；

步骤9：输出引发位置数据和束流闪烁类型数据，例如，输出引发位置为屏栅、类型为屏栅电弧-加速栅电弧-减速栅正常的束流闪烁，完成自动分类。

根据一种优选实施方式，步骤1中的D1包含离子电推进运行过程中发生束流闪烁时的屏栅电流、加速栅电流以及减速栅电流数据。

根据一种优选实施方式，步骤1中的D2中的图像包含束流闪烁发生时刻的短时示波器图像，图像内容是屏栅电流、加速栅电流和减速栅电流的时变曲线，图像类型按照屏栅电流、加速栅电流、减速栅电流的峰值时序和放电形式(电弧式、火花式)进行分类标注。

根据一种优选实施方式，所述步骤2中使用邻域ε、最小密度N

N

其中，m

根据一种优选实施方式，所述步骤4中，选择随机梯度下降方法训练卷积神经网络，初始学习率为S

根据一种优选实施方式，所述步骤7中，计算p与k个簇中心的距离，得出距离最小的是簇中心x，再遍历x所有成员，判断p是否在至少一个成员的ε邻域内，如是在邻域内，则p属于该簇，输出所述引发位置数据为x；若不在邻域内，则p是数据异常点，输出所述引发位置数据为异常。

根据一种优选实施方式，所述步骤8中，使用所述束流闪烁分类网络架构判断束流闪烁类型，若确信概率最大(概率为p

根据一种优选实施方式，在所述步骤3中，标记所述k个簇类型以外的束流闪烁为异常样本数据，删除所述异常样本数据。

本发明提供的一种基于智能融合算法的离子电推进束流闪烁自动分类方法，具有以下有益效果：

本申请实现了离子电推进束流闪烁自动分类，该方法解决了传统人工识别方法时效性差、效率低下、出错率高的问题，能够提高采取抑制保护措施的时效和效率、节省人工成本，大大提升离子电推进可靠性。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的基于智能融合算法的离子电推进束流闪烁自动分类方法的流程图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

另外，术语“多个”的含义应为两个以及两个以上。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

如图1所示，本申请提供了一种基于智能融合算法的离子电推进束流闪烁自动分类方法，包括如下步骤：

步骤1：获取离子电推进发生束流闪烁时的样本电参数数据，建立束流闪烁电参数训练数据集D1；

步骤2：获取样本示波器图像，建立图像训练数据集D2；

步骤3：使用DBSCAN算法对所述数据集D1聚类，获得k个簇，包含k个簇的中心位置数据，表示引发束流闪烁的k种不同位置，分别以束流闪烁引发位置标注簇的类型，形成束流闪烁引发位置特征集；其中，束流闪烁引发位置标注的标签可以是屏栅、加速栅、减速栅、屏-加之间、加-减之间；

步骤4：使用卷积神经网络对所述数据集D2细分，细分束流闪烁类型，提取示波器束流闪烁二维图像的深度学习特征，训练形成束流闪烁分类网络架构；

步骤5：结合所述束流闪烁引发位置特征集和所述束流闪烁分类网络架构，形成束流闪烁自动分类器；

步骤6：获取待分类束流闪烁电参数数据和待分类示波器图像输入束流闪烁自动分类器；

步骤7：根据束流闪烁引发位置特征集，判断束流闪烁的引发位置，得到待分类束流闪烁电参数数据的引发位置数据，例如，得出待分类样本的引发位置是“屏栅”；

步骤8：根据束流闪烁分类网络架构，判断束流闪烁类型，得到待分类示波器图像的束流闪烁类型数据；例如，得出待分类示波器图像的束流闪烁类型为“屏栅电弧-加速栅电弧-减速栅正常”；

步骤9：输出引发位置数据和束流闪烁类型数据，例如，输出引发位置为屏栅、类型为屏栅电弧-加速栅电弧-减速栅正常的束流闪烁，完成自动分类。

根据一种优选实施方式，步骤1中的D1包含离子电推进运行过程中发生束流闪烁时的屏栅电流、加速栅电流以及减速栅电流数据。

根据一种优选实施方式，步骤1中的D2中的图像包含束流闪烁发生时刻的短时示波器图像，图像内容是屏栅电流、加速栅电流和减速栅电流的时变曲线，图像类型按照屏栅电流、加速栅电流、减速栅电流的峰值时序和放电形式(电弧式、火花式)进行分类标注。

根据一种优选实施方式，步骤2中使用邻域ε、最小密度N

N

其中，m

根据一种优选实施方式，步骤4中，选择随机梯度下降方法训练卷积神经网络，初始学习率为S

根据一种优选实施方式，步骤7中，判断待分类样本p引发位置的方式是判断其属于哪个聚类簇，具体为：计算p与k个簇中心的距离，得出距离最小的是簇中心x，再遍历x所有成员，判断p是否在至少一个成员的ε邻域内，如是在邻域内，则p属于该簇，输出所述引发位置数据为x；若不在邻域内，则p是数据异常点，输出所述引发位置数据为异常。例如，p与“屏栅”簇中心最接近，且在成员邻域内，故归类为“屏栅”簇。

根据一种优选实施方式，步骤8中，使用束流闪烁分类网络架构判断束流闪烁类型，若确信概率最大(概率为p

根据一种优选实施方式，在步骤3中，标记k个簇类型以外的束流闪烁为异常样本数据，删除所述异常样本数据。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。