一种基于任务文本分析的模块化航天器智能重构系统

摘要

本发明公开了一种基于任务文本分析的模块化航天器智能重构系统，属于智能制造领域，该系统包括：航天器模块化组件库、航天器模块化组件推荐子系统、目标航天器生成子系统和三维仿真环境；针对新的航天器重构任务，所述航天器模块化组件推荐子系统将针对输入的任务文本从航天器模块化组件库中推荐出所需模块化组件的类型和数量；所述目标航天器生成子系统将模块化组件推荐子系统推荐出的各模块化组件生成目标航天器三维模型数据；所述三维仿真环境将生成的目标航天器三维模型数据进行显示；本发明面对航天器重构任务能够快速响应，未来将可以应用于深空探测、太空制造及太空电站的建造等领域，以应对未来太空发展的需要。

说明书

技术领域

本发明属于智能制造领域，具体为一种基于任务文本分析的模块化航天器智能重构系统。

背景技术

近年来，随着人类对空间探索的不断发展，执行各种任务的航天器数量日趋庞大，结构也越来越复杂，而目前的航天器基本上都未考虑接受在轨服务的能力，普遍采用“整体式设计、一次性使用”的设计思想，从而使得航天器接受服务存在较大难度，难以实现在轨维护的一些空间操作；传统航天器任务响应时间长、部件重用率低等问题也越来越突出；为解决此类问题，应对太空发展的需求，未来的航天器将有必要引入模块化组件、标准化接口、智能重构系统等概念，其中模块化是提升航天器接受在轨服务能力的有效手段，智能重构系统将解决传统航天器任务响应时间长、部件重用率低等突出问题。

此外，对于一些大型结构和航天器，很难或无法从地面发射到太空，还必须考虑利用当前不断发展的增材制造技术，通过从地面发射原材料在太空中进行零部件的打印，这就亟需引入一种面向太空制造的模块化航天器智能重构系统，使用此系统并借助太空中的增材设备可以在太空中灵活生产零部件以重构机器人、大型航天器、天文望远镜和天文观测中心等大型设施。

同时，为了使重构任务表达的更加详细，通常可将重构任务采用文本形式来进行描述，因此，利用当前的自然语言处理和深度学习等技术对任务文本进行分析，挖掘其中的关键信息来助力航天器的重构技术，对于任务的顺利执行起着非常重要的作用。

发明内容

为解决上述问题，应对未来太空发展的需求，本发明提供了一种基于任务文本分析的模块化航天器智能重构系统，该系统可针对新的航天器重构任务快速响应，推荐所需模块化组件的类型和数量，最终显示出目标航天器的三维模型。

本发明采用的技术方案是：一种基于任务文本分析的模块化航天器智能重构系统，其特征在于，所述系统包括航天器模块化组件库、航天器模块化组件推荐子系统、航天器生成子系统和三维仿真环境；

所述航天器模块化组件库，包括各模块化组件三维模型及几何与物理参数；

所述航天器模块化组件推荐子系统，用以针对输入的任务文本从航天器模块化组件库中推荐出所需模块化组件的类型和数量；

所述航天器生成子系统，用以将模块化组件推荐子系统推荐出的各模块化组件进行智能重构和组装，生成目标航天器三维模型数据；

所述三维仿真环境，用于显示和分析航天器模块化组件推荐子系统所推荐出的各模块化组件三维模型、以及航天器生成子系统生成的目标航天器三维模型；

针对新的航天器重构任务，具体步骤为：

步骤1：将航天器重构任务用文本描述，形成任务文本，任务文本内容至少包含任务目的、机动性要求、能源供给、空间大小和负载方面的需求；

步骤2：将任务文本输入到航天器模块化组件推荐子系统中，由该子系统从航天器模块化组件库中推荐出该任务所需模块化组件的类型和数量；

步骤3：将推荐出的各模块化组件在三维仿真环境中显示，并在三维仿真环境中识别并获取各模块化组件的初始几何和结构信息，制作成部件数据集；

步骤4：将部件数据集输入到航天器生成子系统中，进行智能重构和组装，并生成目标航天器三维模型数据，然后将其导入到三维仿真环境中进行显示和分析。

所述航天器模块化组件库为可扩充数据库，其中至少包含各种模块化组件的三维模型及几何与物理参数，且各种模块化组件均包含标准对接接口；所述各种模块化组件诸如推进模块、能源模块、仓储模块、通讯模块、观测模块和连接模块；所述标准对接接口至少可实现模块间稳固连接、电热传输和数据通讯需求；所述模块化组件的几何与物理参数包括但不限于模块材料、模块重量、空间尺寸、形心质心、转动惯量。

所述航天器模块化组件库中各模块化组件类型的设计可通过收集整理历年已执行的航天器重构任务相关数据，根据不同任务中航天器的功能特点及未来业务需求，设计响应重构任务机动性要求的推进模块、响应重构任务能源需求的能源模块、响应重构任务空间需求的仓储模块、响应重构任务通讯需求的通讯模块、响应重构任务观测需求的观测模块、满足模块组件连接需求的连接模块。

所述航天器模块化组件推荐子系统包括文本预处理模块、组件类型推荐模块和组件数量推荐模块；文本预处理模块用于将一个重构任务的文本转换为文本向量；组件类型推荐模块以一个重构任务对应的文本向量为输入，输出结果为该重构任务所需模块化组件的类型；组件数量推荐模块以一个重构任务的文本、组件类型推荐模块的输出结果和航天器模块化组件库中各模块化组件的几何与物理参数为输入，以各种类型的模块化组件的数量为输出；

所述航天器模块化组件推荐子系统中的组件类型推荐模块的搭建，包括以下步骤：

步骤a，构建任务文本数据集，收集每一项已执行的航天器制造任务，并将其用文本进行描述，一项任务对应一条文本，每条文本的内容至少包含任务目的、机动性要求、能源需求、空间需求及执行任务航天器所用各模块化组件的类型；其中，各模块化组件的类型均使用向量进行表示，并将此向量作为对应文本的标签；由所有文本及对应文本的标签构成任务文本数据集；

步骤b,对任务文本数据集进行文本预处理，诸如中文分词、去掉停用词、文本向量化相关操作；

步骤c,将预处理后的任务文本数据集分为训练集和验证集两个部分；通过一个参数来设定训练集和验证集的比例，的取值范围为，若将任务文本数据集的作为训练集，则将剩余的作为验证集；

步骤d，构建深度学习模型，以训练集中的文本数据作为模型输入，以对应的标签向量作为模型输出，对该深度学习模型进行训练，然后通过验证集对该深度学习模型中的参数进行调整；

所述步骤a中将执行任务航天器所用各模块化组件的类型使用向量进行表示，具体方法为：统计航天器模块化组件库中的模块种类数量N，创建一个N维向量，向量中N个元素位置依次对应航天器模块化组件库中N种类型的模块组件，如果文本中所对应的模块类型存在，则将向量中该位置的元素置为1，否则为0。

所述步骤d中的深度学习模型以文本数据作为输入，整体模型结构依次采用双向GRU及Attention的架构形式，最后再使用一个由N个神经元组成的全连接层将结果输出；使用sigmoid函数作为模型的激活函数，然后利用多类别交叉熵计算模型的损失函数；模型通过GRU输入层和Attention中间层学习文本中的重要信息，最后利用全连接层结合激活函数对结果进行多类别预测，通过调整学习率、批量大小等超参数降低损失函数值反向更新模型的权重，不断优化整个模型，使得训练好的模型在验证集上的预测准确率达到98％及以上。

所述航天器生成子系统包含一个深度神经网络模型，该深度神经网络模型的输入为部件数据集、输出为以模块化组件组装出的目标航天器三维模型数据，该深度神经网络模型的训练步骤为：

步骤4a，将部件数据集中的每个模块化组件进行逐个规范化操作，设x

步骤4b，搭建深度神经网络模型，以部件数据集

步骤4c，训练过程中，将每次输出的目标航天器三维模型数据导入三维仿真环境中显示后进行评价，评价方式诸如相关专业技术人员对模型输出结果进行打分；

步骤4d，利用步骤4c中的评价打分分值反向优化整体深度神经网络模型，重复训练，直至可准确的生成航天器三维模型数据。

其中，步骤4b中深度神经网络模型，整体模型结构依次采用卷积层、池化层、GNN架构层，最后再使用全连接层将结果输出，初始神经网络的第一、二、四层为卷积层，第三层为池化层，第四层后接GNN架构层，最后连接全连接层；模型通过卷积层对输入的模块部件数据进行初步特征提取，初步特征提取后利用池化层进行下采样，再通过卷积层提取更深层次的特征，然后利用迭代图神经网络(GNN)对深层次的模块特征以粗到细的方式显式地进行连续的模块部件组装细化，最后经过全连接层输出部件组装后的三维模型数据；专业技术人员采取10分制对输出结果进行评分，通过评分结果不断调整深度神经网络的隐藏层数量等超参数反向更新权重，以优化整体模型，重复训练，直至该深度神经网络模型的输出结果可达到9.5以上的评分，则停止训练。

具体实施方式

为了使本发明实施例中的技术方案描述的更加清楚、完整，下面将详细说明本发明实施例的具体实施方式：

一种基于任务文本分析的模块化航天器智能重构系统，其特征在于，所述系统包括航天器模块化组件库、航天器模块化组件推荐子系统、航天器生成子系统和三维仿真环境；

所述航天器模块化组件库，包括各模块化组件三维模型及几何与物理参数；

所述航天器模块化组件推荐子系统，用以针对输入的任务文本从航天器模块化组件库中推荐出所需模块化组件的类型和数量；

所述航天器生成子系统，用以将模块化组件推荐子系统推荐出的各模块化组件进行智能重构和组装，生成目标航天器三维模型数据；

所述三维仿真环境，用于显示和分析航天器模块化组件推荐子系统所推荐出的各模块化组件三维模型、以及航天器生成子系统生成的目标航天器三维模型；

针对新的航天器重构任务，具体步骤为：

步骤1：将航天器重构任务用文本描述，形成任务文本，任务文本内容至少包含任务目的、机动性要求、能源供给、空间大小和负载方面的需求；

步骤2：将任务文本输入到航天器模块化组件推荐子系统中，由该子系统从航天器模块化组件库中推荐出该任务所需模块化组件的类型和数量；

步骤3：将推荐出的各模块化组件在三维仿真环境中显示，并在三维仿真环境中识别并获取各模块化组件的初始几何和结构信息，制作成部件数据集；

优选的，在Gazebo中利用虚拟相机和雷达识别并获取各模块化组件的初始几何和结构信息，制作成点云格式的部件数据集；

步骤4：将部件数据集输入到航天器生成子系统中，进行智能重构和组装，并生成目标航天器三维模型数据，然后将其导入到三维仿真环境中进行显示和分析。

所述航天器模块化组件库为可扩充数据库，其中至少包含各种模块化组件的三维模型及几何与物理参数，且各种模块化组件均包含标准对接接口；所述各种模块化组件诸如推进模块、能源模块、仓储模块、通讯模块、观测模块和连接模块；所述标准对接接口至少可实现模块间稳固连接、电热传输和数据通讯需求；所述模块化组件的几何与物理参数包括但不限于模块材料、模块重量、空间尺寸、形心质心、转动惯量。

优选的，航天器模块化组件库中各模块化组件类型的设计可通过收集整理历年已执行的航天器重构任务相关数据，根据不同任务中航天器的功能特点及未来业务需求，设计响应重构任务机动性要求的推进模块、响应重构任务能源需求的能源模块、响应重构任务空间需求的仓储模块、响应重构任务通讯需求的通讯模块、响应重构任务观测需求的观测模块、满足模块组件连接需求的连接模块。

所述航天器模块化组件推荐子系统包括文本预处理模块、组件类型推荐模块和组件数量推荐模块；文本预处理模块用于将一个重构任务的文本转换为文本向量；组件类型推荐模块以一个重构任务对应的文本向量为输入，输出结果为该重构任务所需模块化组件的类型；组件数量推荐模块以一个重构任务的文本、组件类型推荐模块的输出结果和航天器模块化组件库中各模块化组件的几何与物理参数为输入，以各种类型的模块化组件的数量为输出；

所述航天器模块化组件推荐子系统中的组件类型推荐模块的搭建，包括以下步骤：

步骤a，构建任务文本数据集，收集每一项已执行的航天器制造任务，并将其用文本进行描述，一项任务对应一条文本，每条文本的内容至少包含任务目的、机动性要求、能源需求、空间需求及执行任务航天器所用各模块化组件的类型；其中，各模块化组件的类型均使用向量进行表示，并将此向量作为对应文本的标签；由所有文本及对应文本的标签构成任务文本数据集；

步骤b,对任务文本数据集进行文本预处理，诸如中文分词、去掉停用词、文本向量化相关操作；

步骤c,的任务文本数据集分为训练集和验证集两个部分；通过一个参数来设定训练集和验证集的比例，的取值范围为，若将任务文本数据集的作为训练集，则将剩余的作为验证集

步骤d，构建深度学习模型，以训练集中的文本数据作为模型输入，以对应的标签向量作为模型输出，对该深度学习模型进行训练，然后通过验证集对该深度学习模型中的参数进行调整。

优选的，所述步骤a中将执行任务航天器所用各模块化组件的类型使用向量进行表示，具体方法为：统计航天器模块化组件库中的模块种类数量N，创建一个N维向量，向量中N个元素位置依次对应航天器模块化组件库中N种类型的模块组件，如果文本中所对应的模块类型存在，则将向量中该位置的元素置为1，否则为0。

优选的，所述步骤d中的深度学习模型以文本数据作为输入，整体模型结构依次采用双向GRU及Attention的架构形式，最后再使用一个由N个神经元组成的全连接层将结果输出；使用sigmoid函数作为模型的激活函数，然后利用多类别交叉熵计算模型的损失函数；模型通过GRU输入层和Attention中间层学习文本中的重要信息，最后利用全连接层结合激活函数对结果进行多类别预测，通过调整学习率、批量大小等超参数降低损失函数值反向更新模型的权重，不断优化整个模型，使得训练好的模型在验证集上的预测准确率达到98％及以上。

所述航天器生成子系统包含一个深度神经网络模型，该深度神经网络模型的输入为部件数据集、输出为以模块化组件组装出的目标航天器三维模型数据，该深度神经网络模型的训练步骤为：

步骤4a，将部件数据集中的每个模块化组件进行逐个规范化操作，设x

步骤4b，搭建深度神经网络模型，以部件数据集

步骤4c，训练过程中，将每次输出的目标航天器三维模型数据导入三维仿真环境中显示后进行评价，评价方式诸如相关专业技术人员对模型输出结果进行打分；

步骤4d，利用步骤4c中的评价打分分值反向优化整体深度神经网络模型，重复训练，直至可准确的生成航天器三维模型数据。

优选的，所述步骤4b中深度神经网络模型，整体模型结构依次采用卷积层、池化层、GNN架构层，最后再使用全连接层将结果输出，初始神经网络的第一、二、四层为卷积层，第三层为池化层，第四层后接GNN架构层，最后连接全连接层；模型通过卷积层对输入的模块部件数据进行初步特征提取，初步特征提取后利用池化层进行下采样，再通过卷积层提取更深层次的特征，然后利用迭代图神经网络(GNN)对深层次的模块特征以粗到细的方式显式地进行连续的模块部件组装细化，最后经过全连接层输出部件组装后的三维模型数据；专业技术人员采取10分制对输出结果进行评分，通过评分结果不断调整深度神经网络的隐藏层数量等超参数反向更新权重，以优化整体模型，重复训练，直至该深度神经网络模型的输出结果可达到9.5以上的评分，则停止训练。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业人员公知的现有技术；

以上所述的仅为本申请部分实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的同等变化，仍属本申请所涵盖的范围。