本文是一篇工程管理论文，本文围绕FAST馈源舱的测量优化问题，对其进行了系统的研究。通过对FAST馈源舱测量系统的现状与存在的问题分析，本文提出利用神经网络方法，对馈源舱的测量进行优化，搭建了针对馈源舱位置预测的BP神经网络预测模型。
第一章绪论
1.1研究背景与意义
五百米口径球面射电望远镜（The Five-hundred-meter Aperture Spherical radioTelescope,FAST）作为国家“十一五”重点科学工程项目，自建成以来已成为世界上最灵敏的单口径射电望远镜[1]。FAST的设计和建造不仅体现了人类探索宇宙奥秘的不懈追求，也展示了科学技术的巨大进步，极大地扩展了我们对宇宙的认知边界。作为一个位于贵州喀斯特洼坑的巨型射电望远镜，FAST利用其独特的工程地质条件和创新的技术手段，如主动反射面技术和轻型索拖动馈源平台，有效地克服了传统射电望远镜的局限性，实现了更高精度的天体观测[2]。在过去的四年开放运行期间，FAST不断进行新技术的优化和升级，以保持其在全球射电天文学领域的领先地位。FAST望远镜的运行涉及到结构控制系统、电气控制系统与测量控制系统三大核心系统，其中测量控制系统的精准性直接关系到FAST的观测效率和数据准确性。馈源测量系统作为FAST测量系统的核心部分，对其高效精准地测量对实现FAST高效且稳定地运行意义重大[3]。
然而，FAST馈源系统测量面临着多重挑战。目前采用卡尔曼滤波（Kalmanfilter）融合GPS（Global Positioning System,GPS)、惯性导航系统（InertialNavigation System,INS）和全站仪（Total Position Station,TPS）设备的测量方法，虽能够提供全天候、高精度的馈源系统测量。但Kalman filter仅能对线性的过程模型和测量模型进行精确地估计，仅适用于解决线性且服从高斯分布的问题，而FAST馈源舱的测量问题却是非线性、非高斯的。目前采用的这种测量方法会导致馈源舱无法进行高精度且连续地测量；同时，在用Kalman filter融合GPS、IMU和TPS设备测量时，还存在设备数据突变、定位精度和测量稳定性等问题[4]，GPS受外界环境的影响较大，而IMU的误差积累和TPS的时延问题，进一步增加了测量的复杂性，TPS在特定气象条件下的失效问题，使得FAST望远镜的有效观测运行时长受到影响。
1.2国内外研究现状
近年来，随着科技的迅速发展，融合测量技术因其高精度、高效率的特性在多个领域得到了广泛应用。尽管融合测量技术在多个领域展现出了巨大的应用潜力和价值，但仍面临一些挑战。如数据融合过程中的信息不一致性、测量误差的累积、以及多源数据处理的高复杂性等问题。对此，研究者们提出了一系列创新解决方案。通过分析最新的研究文献，本文综述了融合测量技术在国内的应用现状，探讨了其主要研究方法、成果以及存在的挑战与创新点。本节系统梳理研究意义中提到的融合测量方法和FMEA模型等相关领域的国内外研究现状。
1.2.1融合测量国内外研究现状
随着现代导航需求的多样化以及环境复杂性的增加，单一导航系统往往无法满足高精度、高可靠性的导航定位需求。因此，组合导航技术成为了研究的热点。组合导航通过融合全球导航卫星系统（Global Navigation Satellite System,GNSS）、惯性测量单元（IMU）、视觉传感器等多种导航手段的信息，以提高定位的精度和可靠性[6]。本文综述了近期组合导航领域的研究进展，主要包括组合导航的融合算法、应用场景以及面临的挑战等方面。自1996年以来，融合测量提出了矢量跟踪组合、非相干组合、相干组合、集中式组合、级联式组合等，这些方法在提高抗干扰性、灵敏度、易操作性以及适应复杂环境等性能方面取得了显著进展[7]。近年来，Robert N.Crane将Kalman filter运用到融合测量中，对非线性问题得处理带来了很好的解决方案，FAST目前也使用Kalman filter进行融合测量，而后为了解决GNSS受到多路径效应的影响，Saeed Daneshmand采用了超紧组合的方式以及相位阵列进行融合测量，该方法提高了测量精度，降低了鲁棒性[8]。
第二章相关理论基础
2.1融合测量理论
融合测量涵盖了多个学科和技术，它主要关注于如何通过整合来自不同来源的数据或信息，以提高测量结果的准确性和可靠性。这种理论在许多现代技术应用中都非常重要，尤其是在那些对精确度和稳定性要求极高的领域，比如航空航天、自动驾驶汽车、机器人技术、医疗成像以及移动设备定位等[62]。
2.1.1数据融合概念
融合测量理论的核心在于数据融合。数据融合主要包括：（1）传感器融合。将来自多个传感器的数据合并为单一数据集，以提供更全面的视角和更高的数据质量。例如，自动驾驶汽车利用雷达、激光雷达（LiDAR）和摄像头的数据来检测和识别周围环境。（2）时间同步和数据对齐：在数据融合过程中，不同来源的数据必须在时间上对齐，确保数据集之间的一致性和可比性。（3）信息处理和决策融合：融合测量不仅对数据进行合并，还涉及如何处理和解释这些数据，以及如何基于融合后的数据做出更精确的决策[63]。
2.2神经网络基础理论
神经网络是用于对数据建模的计算算法，其设计基于生物神经系统。它由一系列神经元组成，神经元之间相互关联，神经元结构之间通过相互作用来解决某些复杂问题。神经网络中，每一层神经元仅接收来自上一层神经元的输出，而每一层神经元的输出只会影响下一层神经元的输入。同一层的神经元之间没有连接，相邻两层的神经元形成完整的连接[64]。
2.2.1神经元模型
神经网络的基本单元为神经元，也称为感知器，它由输入层、加权层、激活函数和输出层组成，其结构和功能如图2-1表示：
第三章FAST馈源舱测量系统现状与问题分析........................23
3.1测量系统概述......................................23
3.1.1基准网测量系统..........................23
3.1.2基准网测量方案.........................24
第四章基于神经网络模型预测的馈源舱测量优化.................38
4.1馈源舱测量预测模型搭建................................38
4.1.1模型训练数据介绍................................39
4.1.2数据预处理............................39
第五章基于FMEA的馈源舱测量优化评估与应用..................53
5.1 FAST馈源舱测量系统的风险识别........................54
5.2传统Kalman filter方法测量风险评估...................................56
第五章基于FMEA的馈源舱测量优化评估与应用
5.1 FAST馈源舱测量系统的风险识别
通过对馈源舱在FAST中的系统工作原理深入了解，可以对馈源舱故障模式进行识别。通过获取FAST现场的运维数据和工作日志，识别出TPS设备故障发生频率为5%，故障检测需要专业技术人员进行，检测难度较大；GPS设备故障发生频率为0.1%，故障检测主要通过自检及指示灯完成；IMU设备故障发生频率为0，根据FAST投入运行以来的观测情况，通过指示灯对其进行检测，设备未发生过故障。在应用FMEA框架对FAST馈源舱测量系统进行风险识别时，可以识别出若干潜在的故障模式，主要包括：
（1）TPS故障模式：寻靶失败、设备死机和测量结果偏差大，影响包括接收机相位中心定位精度偏差大，影响望远镜的指向精度。
（2）GPS故障模式：数据跳变、定位结果为浮点解和数据输出频率错误，影响包括一次支撑测量无法定位，TPS无法找靶，惯导数据无法融合。
（3）IMU故障模式：数据发散和数据输出频率错误，影响包括融合测量定位结果数据发散，位姿飘忽不定，给馈源舱控制带来错误反馈。具体故障模式详细情况如表5-1所示。
第六章结论与展望
6.1研究结论
本文围绕FAST馈源舱的测量优化问题，对其进行了系统的研究。通过对FAST馈源舱测量系统的现状与存在的问题分析，本文提出利用神经网络方法，对馈源舱的测量进行优化，搭建了针对馈源舱位置预测的BP神经网络预测模型，并结合FMEA模型，将BP预测模型结果与传统Kalman filter融合GPS/IMU/TPS的测量结果进行了评估，并将馈源舱关键测量设备GPS/IMU/TPS存在的故障风险引入FMEA模型评价中，提出了优化馈源舱测量的维护策略。本文主要研究结论如下：
（1）创新地提出将神经网络技术应用于馈源舱测量。通过从FAST基地获取的总数据量约40GB的馈源舱真实测量数据，利用神经网络对包含各种运动状态的真实数据进行深度学习建模，分析位置测量数据内在的规律，从而建立用于馈源舱位置预测的BP预测模型，模型预测精度整体RMSE为2.12mm，满足馈源舱测量精度要求。
（2）利用FMEA模型进行综合评价。利用FMEA模型，将神经网络预测结果与传统基于Kalman filter融合测量结果进行了协同评估分析，并通过邀请FAST基地现场的专家对关键测量设备GPS/IMU/TPS的故障风险、BP模型预测与Kalman filter融合GPS/IMU/TPS数据的测量结果误差进行综合评价，评价结果表明：在快速变化或频繁震荡的状态，Kalman filter的性能优于BP神经网
