CN107587955A - 基于深信度网络的火箭发动机推力偏移量的标定方法 - Google Patents
基于深信度网络的火箭发动机推力偏移量的标定方法 Download PDFInfo
- Publication number
- CN107587955A CN107587955A CN201710610730.7A CN201710610730A CN107587955A CN 107587955 A CN107587955 A CN 107587955A CN 201710610730 A CN201710610730 A CN 201710610730A CN 107587955 A CN107587955 A CN 107587955A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- mfrac
- mtr
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提供了一种基于深信度网络的火箭发动机推力偏移量的标定方法，属于压电传感器测量领域。该方法首先通过建立实验标定平台，完成力偏移量标定试验；然后将输出的电压信号经归一化处理后进行RBM修正，再经基于LevenbergMarquartdt的BP进行权值和阈值的训练，直到达到训练次数或归一化误差小于目标误差后，实现非线性的深信度网络补偿网络；经过深信度网络补偿后的值进行反归一化处理后，再进行理论计算得到力偏移量的补偿值。该方法循环步数少，效率高，非线性误差小，拟合和泛化精度高，实现了对火箭发动机推力偏移量的精确标定，对非线性标定与误差处理具有重要的参考价值。
Description
技术领域
本发明属于压电传感器测量领域，涉及一种基于深信度网络的火箭发动机 推力偏移量的标定方法。
背景技术
随着航空航天与科学技术地迅速发展，航天器需要更加精确的轨道运动控 制要求，对火箭发动机的姿态调控、轨道修正的精度要求也越来越高。推力矢 量作为火箭发动机的重要性能指标，直接影响火箭发动机的性能和轨道运动精 度。在火箭发动机喷射过程中，推进剂的不均匀燃烧以及喷管轴线的偏移等因 素，将会导致火箭推力偏离其轴线而产生侧向力和推力偏心的现象。火箭发动 机力矢量力在主、侧向的量程有二到三个数量级差，属于主、侧大量程比的问 题，侧向力容易受主向力的影响而被淹没，引起侧向的非线性干扰，增加了推 力测试的难度。此外，受制造误差、装配误差以及结构变形等因素的影响，推 力和偏移量的测试精度很难保证。因此，准确获得发动机推力矢量和偏移量等 关键参数，对力矢量进行精确标定是提高火箭发动机的运动和控制精度的重要 保障。经过文献检索，多数文章对测力平台的标定补偿方法主要应用硬件补偿 法和计算算法等方法进行研究。李思研究了基于信号处理、计算机智能、智能 处理的力传感器的硬件标定技术。高长银，邢勤分别对压电测力系统用最小二 乘法实现力矢量的静态标定和动态标定。樊尚春基于输出静态性能对压力传感 器进行了标定算法的研究。以上标定方法都是基于线性输入—输出特性关系。 然而，从严格意义说，受测力平台本身制造、装配和环境因素等干扰的影响， 目前传感器的输入—输出依然存非线性误差，降低和校正干扰是提高测试精度 亟需解决的问题。为此，需要相应理论和实验方法来补偿和修正非线性误差， 实现非线性的标定。
发明内容
本发明为克服现有技术的缺陷，发明一种基于深信度网络的火箭发动机推 力偏移量的标定方法，该方法首先通过建立实验标定平台，完成力偏移量标定 试验；然后将输出的电压信号经归一化处理后进行受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)修正，再经基于Levenberg-Marquartdt的BP进行 权值和阈值的训练，直到达到训练次数或归一化误差小于目标误差后，实现非 线性的深信度网络补偿；经过深信度网络补偿后的值进行反归一化处理后，再 进行理论计算得到力偏移量的补偿值。该方法循环步数少，效率高，非线性误 差小，拟合和泛化精度高。
本发明的技术方案：
过程中基于一种火箭发动机推力偏移量的标定装置来完成标定实验。该装 置以压电式测力仪作为核心力敏元件，由液压加载装置、标定平台、电荷放大 器、数据采集卡、计算机及软件模块等组成。装配时，标定架7用螺栓固定在 底座，连接法兰6通过螺栓连接在标定架7的左侧，压电测力仪5通过螺栓和 连接法兰6相连接，转接法兰1通过螺栓和压电测力仪5的左端相连接；球形 塞3和锥形套4为球面副连接，起到自动定心的作用，六角螺母2起预紧连接 的作用；自动定心装置(由球形塞3、锥形套4和六角螺母2组成)通过后端拉杆8和标准力传感器9的左端相连接；液压加载装置11通过前端拉杆10和标 准力传感器9的右端相连接，液压加载装置11的液压缸缸体通过螺栓与标定架 7的右侧相连接。液压加载装置与标定平台装配完毕后，将压电测力仪5的传感 器与电荷放大器用导线连接，然后通过采集卡将电荷放大器与计算机连接成一 体。
实验标定系统搭建完毕后，对电荷放大器进行预热及对标定系统进行预加 载，然后通过液压加载装置给实验标定系统的压电测力仪施加外力，利用压电 传感器的力电转换功能将作用于压电测力仪的外力信号转换为电信号，然后将 压电传感器输出的微小电荷量经电荷放大器处理，再经数据采集卡的A/D转换 传输到计算机中，利用Devesoft软件对实验数据进行采集，最后，利用基于深 信度网络的算法将采集到的实验数据进行标定处理。
本发明的有益效果是通过采用深信度网络数据处理的方法，补偿和修正了 非线性误差，提高了拟合和泛化精度，使数据处理循环步数减少，效率提高， 实现了对火箭发动机推力偏移量的精确标定。
附图说明
图1为标定平台结构简图。
图2为对火箭发动机推力偏移量进行全过程标定的流程图。
图3为基于深信度网络方法对实验数据进行标定处理的流程图。
图4为解算推力偏量参数的流程图。
图中：1转接架；2六角螺母；3球形塞；4锥形套；5压电测力仪； 6连接法兰；7标定架；8后端拉杆；9标准力传感器；10前端拉杆； 11液压加载装置。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
本发明是一种基于深信度网络的火箭发动机推力偏移量的标定方法，采用 火箭发动机推力偏移量的标定实验系统进行标定实验，然后基于深信度网络对 火箭发动机推力偏移量的标定实验所得到的实验数据进行处理，经过深信度网 络补偿和反归一化后，再经理论计算便可精确得到火箭发动机推力偏移量。该 方法循环步数少，效率高，非线性误差小，拟合和泛化精度高，实现了对火箭 发动机推力偏移量的精确标定，对非线性标定与误差处理有重要的参考价值。
基于深信度网络的火箭发动机推力偏移量的标定方法，步骤如下：
第一步：充分训练RBM
RBM是深信度网络的基本单元，为了获取更有效的学习权值，RBM作为 深信度网络的核心环节，采用非监督贪婪逐层方法获得权值，来实现网络的预 训练。RBM的训练过程，实际上是求出一个能产生训练样本的概率分布。也就 是说，能够获得一个由权值ω决定、训练样本概率最大的概率分布。所以我们训 练RBM的目标就是寻找最佳的权值。
设输入层和隐性层呈现伯努利分布，输入层和隐性层的输入能量函数 E(x,z|θ)为，
其中，m和n分别为输入层和隐性层单元数；x＝(xi)和z＝(zj)分别表示输入 层和隐性层内单元值； 为输入层和隐性层的权值，为输入层 阈值，为第一隐性层阈值。
为达到降低误差的目的及获得最大权值下的概率分布，需多次修正θ得到最 小全局能量结构；然后将输入能量函数E(x,z|θ)指数化且正则化，得到输入层和 隐性层的联合概率分布P(x,z|θ)为，
基于Markov chain Monte Carlo使得输入层和隐含层互为条件的特点，不断 更新权值和阈值，使它们共同趋向平稳状态。基于概率梯度经过 k次RMB迭代，第k+1次权值阈值向量θ(k+1)为，
其中，η为学习率。
经过多次修正θ使全局能量最小，达到收敛误差尽量小的目的。固定第一个 RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输 入向量；重复以上步骤，充分训练第二个RBM，然后将第二个RBM堆叠在第 一个RBM的上方…，如此类推，一直训练到顶层的RBM。
第二步：基于Levenberg Marquartdt进行深信度网络训练
将深信度网络的每个基本单元RBM充分训练后，需要求解出每个隐元与显 元之间的权重ω。Levenberg Marquartdt为一种高斯牛顿法的改进算法，既具有 在局部优化搜索方向的特点，又具有在全局梯度法的特性，其收敛速度远快于 梯度下降法，其基本思路是通过相应算法修正权值ω使整体误差快速降低。设误 差函数E(ω)
其中，N为训练次数，di为期望向量，yi为输出向量，ω为权值和阈值向量，
基于Levenberg Marquartdt法，经过第k次训练后，权值阈值向量增量
Δω＝[JT(ω)J(ω)+μI]-1JT(ω)e(ω)
其中，I为单位矩阵，μ为学习率，J(ω)为Jacobian矩阵，n为权阈值的数 量。当μ＝0，实际就是牛顿方法。当μ非常大时，公式就变为梯度下降法。 Levenberg Marquartdt法既有高斯—牛顿法的局部收敛性，又具有梯度法的全局 特性。因此，相对梯度下降法，Levenberg Marquartdt收敛速度快，有更小的收 敛误差。
第三步：求解推力偏移量参数
将力值经基于Levenberg Marquartdt进行深信度网络训练，直到达到训练次 数或归一化误差小于目标误差后，来实现非线性的DBN补偿网络。输入值经过 深信度网络补偿和反归一化后，将补偿后力值进行 理论结算得到力偏移量的补偿值
设Fxi、Fyi、Fzi分别为各传感器在X、Y、Z向受力大小。基于理论力学的 原理，三个主推力Fx、Fy、Fz为，
Fx1、Fx2、Fx3、Fx4期望值的解算矩阵为，
其中，a为相邻传感器安装距离的一半；c为传感器安装平面与外力作用平 面的距离；m和n分别为输入层和隐性层单元数；Fx、Fy、Fz分别为X，Y，Z 方向上所受到的力。
Fx1、Fx2、Fx3、Fx4、Fy、Fz的值求出后，经理论计算，力矢量标定平台可 准确获得α、δy、δz力矢量偏移量。力矢量偏移参数主偏角α、Y向偏移量δy、 Z向偏移量δz的计算公式为，
归一化和反归一化的处理使有数量级差的Fx1、Fx2、Fx3、Fx4与Fy、Fz限定 在有限范围内，避免了因输入值量级差过大产生的大量程无法收敛的现象，解 决了大量程比的问题，提高了补偿的收敛效率和精度。
虽然本发明以上述较佳的实施例对本发明做出了详细的描述，但并非用上 述实施例限定本发明。本领域的技术人员应当意识到在不脱离本发明所给出的 技术特征和范围的情况下，对技术所作的增加、以本领域一些同样内容的替换， 均应属于本发明的保护范围。
Claims (1)
1.一种基于深信度网络的火箭发动机推力偏移量的标定方法，所用的标定装置以压电式测力仪作为核心力敏元件，包括液压加载装置、标定平台、电荷放大器、数据采集卡、计算机及软件模块；装配时，标定架(7)用螺栓固定在底座上，连接法兰(6)通过螺栓连接在标定架(7)的左侧，压电测力仪(5)通过螺栓和连接法兰(6)相连接，转接法兰(1)通过螺栓和压电测力仪(5)的左端相连接；自动定心装置由球形塞(3)、锥形套(4)和六角螺母(2)组成，球形塞(3)和锥形套(4)为球面副连接，起到自动定心的作用，六角螺母(2)起预紧连接的作用；自动定心装置通过后端拉杆(8)和标准力传感器(9)的左端相连接；液压加载装置(11)通过前端拉杆(10)和标准力传感器(9)的右端相连接，液压加载装置(11)的液压缸缸体通过螺栓与标定架(7)的右侧相连接；液压加载装置(11)与标定平台装配完毕后，将压电测力仪(5)的传感器与电荷放大器用导线连接，然后通过采集卡将电荷放大器与计算机连接成一体；
其特征在于，标定装置搭建完毕后，对电荷放大器进行预热及对标定系统进行预加载，然后通过液压加载装置(11)给压电测力仪(5)施加外力，利用压电传感器的力电转换功能，将作用于压电测力仪(5)的外力信号转换为电信号，然后将压电传感器输出的微小电荷量经电荷放大器处理，再经数据采集卡的A/D转换传输到计算机中，最后，利用基于深信度网络的算法将采集到的数据进行标定处理；
具体步骤如下：
第一步：充分训练RBM
RBM是深信度网络的基本单元，作为深信度网络的核心环节，采用非监督贪婪逐层方法获得权值，实现网络的预训练；RBM的训练过程，实际是求出一个能产生训练样本的概率分布；也就是说，获得一个由权值ω决定、训练样本概率最大的概率分布；训练RBM的目标就是寻找最佳的权值；
设输入层和隐性层呈现伯努利分布，输入层和隐性层的输入能量函数E(x,z|θ)，如下式：
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
<mn>1</mn>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>b</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<msub>
<mi>z</mi>
<mi>j</mi>
</msub>
</mrow>
其中，m和n分别为输入层和隐性层单元数；x＝(xi)和z＝(zj)分别表示输入层和隐性层内单元值； 为输入层和隐性层的权值，为输入层阈值，为隐性层第j个单元的阈值；i表示输入层的第i个单元数，j表示隐性层的第j个单元数；
为达到降低误差的目的及获得最大权值下的概率分布，多次修正θ得到最小全局能量结构；然后将输入能量函数E(x,z|θ)指数化且正则化，得到输入层和隐性层的联合概率分布P(x,z|θ)
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
</munder>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</msup>
</mrow>
</mfrac>
</mrow>
基于马尔科夫蒙特卡洛Markov chain Monte Carlo理论，使得输入层和隐含层互为条件，不断更新权值和阈值，使它们共同趋向平稳状态；基于概率梯度经过k次RMB迭代，第k+1次权值阈值向量θ(k+1)为，
<mrow>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&theta;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>log</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>z</mi>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>&theta;</mi>
</mrow>
</mfrac>
</mrow>
其中，η为学习率；
经过多次修正θ使全局能量最小，达到收敛误差尽量小的目的；固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；重复以上步骤，充分训练第二个RBM，然后将第二个RBM堆叠在第一个RBM的上方，如此类推，一直训练到顶层的RBM；
第二步：基于Levenberg Marquartdt进行深信度网络训练
将深信度网络的每个基本单元RBM充分训练后，求解出每个隐元与显元之间的权重ω；Levenberg Marquartdt为一种高斯牛顿法的改进算法，既具有在局部优化搜索方向的特点，又具有在全局梯度法的特性，其收敛速度远快于梯度下降法，通过相应算法修正权值ω使整体误差快速降低；设误差函数E(ω)
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<msubsup>
<mi>e</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，N为训练次数，di为期望向量，yi为输出向量，ω为权值和阈值向量，
基于Levenberg Marquartdt法，经过第k次训练后，权值阈值向量增量
Δω＝[JT(ω)J(ω)+μI]-1JT(ω)e(ω)
<mrow>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mn>2</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>1</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mtd>
<mtd>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>e</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>&omega;</mi>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，I为单位矩阵，μ为学习率，J(ω)为Jacobian矩阵，n为权阈值的数量；当μ＝0，即为牛顿方法；当μ非常大时，公式变为梯度下降法；Levenberg Marquartdt法既有高斯-牛顿法的局部收敛性，又具有梯度法的全局特性；
第三步：求解推力偏移量参数
将力值经基于Levenberg Marquartdt进行深信度网络训练，直到达到训练次数或归一化误差小于目标误差后，来实现非线性的DBN补偿网络；输入值经过深信度网络补偿和反归一化后，将补偿后力值进行理论结算得到力偏移量的补偿值
设Fxi、Fyi、Fzi分别为各传感器在X、Y、Z向受力大小；基于理论力学的原理，三个主推力Fx、Fy、Fz为，
<mrow>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>F</mi>
<mrow>
<mi>y</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>F</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>4</mn>
</munderover>
<msub>
<mi>F</mi>
<mrow>
<mi>z</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
Fx1、Fx2、Fx3、Fx4期望值的解算矩阵为，
<mrow>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>1</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>2</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>3</mn>
</mrow>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>4</mn>
</mrow>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>4</mn>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>+</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>c</mi>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>-</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>F</mi>
<mi>z</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，a为相邻传感器安装距离的一半；c为传感器安装平面与外力作用平面的距离；m和n分别为输入层和隐性层单元数；Fx、Fy、Fz分别为X，Y，Z方向上所受到的力；
Fx1、Fx2、Fx3、Fx4、Fy、Fz的值求出后，经理论计算，力矢量标定平台准确获得α、δy、δz力矢量偏移量；力矢量偏移参数主偏角α、Y向偏移量δy、Z向偏移量δz的计算公式为，
<mrow>
<mi>&alpha;</mi>
<mo>=</mo>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>t</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mfrac>
<msqrt>
<mrow>
<msup>
<msub>
<mi>F</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>F</mi>
<mi>z</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>y</mi>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>cF</mi>
<mi>y</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>3</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>4</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&delta;</mi>
<mi>z</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>-</mo>
<msub>
<mi>cF</mi>
<mi>z</mi>
</msub>
<mo>+</mo>
<mi>a</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>3</mn>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>F</mi>
<mrow>
<mi>x</mi>
<mn>4</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<msub>
<mi>F</mi>
<mi>x</mi>
</msub>
</mfrac>
</mrow>
归一化和反归一化的处理使有数量级差的Fx1、Fx2、Fx3、Fx4与Fy、Fz限定在有限范围内。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710610730.7A CN107587955B (zh) | 2017-07-28 | 2017-07-28 | 基于深信度网络的火箭发动机推力偏移量的标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710610730.7A CN107587955B (zh) | 2017-07-28 | 2017-07-28 | 基于深信度网络的火箭发动机推力偏移量的标定方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107587955A true CN107587955A (zh) | 2018-01-16 |
| CN107587955B CN107587955B (zh) | 2019-03-05 |
Family
ID=61041793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710610730.7A Active CN107587955B (zh) | 2017-07-28 | 2017-07-28 | 基于深信度网络的火箭发动机推力偏移量的标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107587955B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112343736A (zh) * | 2020-10-23 | 2021-02-09 | 中国运载火箭技术研究院 | 确定固体火箭发动机推力线的方法、系统、终端及介质 |
| CN114396345A (zh) * | 2022-03-25 | 2022-04-26 | 星河动力(北京)空间科技有限公司 | 运载火箭推力矢量控制系统的刚度测量方法、装置、系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09240599A (ja) * | 1996-03-11 | 1997-09-16 | Natl Space Dev Agency Japan<Nasda> | エンジンの推力調整によるロケットの制御方法 |
| CN105956252A (zh) * | 2016-04-27 | 2016-09-21 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
| CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
| CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
| CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
| CN106453416A (zh) * | 2016-12-01 | 2017-02-22 | 广东技术师范学院 | 一种基于深信度网络的分布式攻击入侵的检测方法 |
| CN106886832A (zh) * | 2017-01-03 | 2017-06-23 | 北京国能日新系统控制技术有限公司 | 基于深度学习的多目标优化新能源功率预测方法及装置 |
| CN106963374A (zh) * | 2017-04-14 | 2017-07-21 | 山东大学 | 一种基于s变换和深信度网络的脑电检测方法及装置 |
-
2017
- 2017-07-28 CN CN201710610730.7A patent/CN107587955B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09240599A (ja) * | 1996-03-11 | 1997-09-16 | Natl Space Dev Agency Japan<Nasda> | エンジンの推力調整によるロケットの制御方法 |
| CN105956252A (zh) * | 2016-04-27 | 2016-09-21 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
| CN106096632A (zh) * | 2016-06-02 | 2016-11-09 | 哈尔滨工业大学 | 基于深度学习和mri图像的心室功能指标预测方法 |
| CN106295874A (zh) * | 2016-08-08 | 2017-01-04 | 上海交通大学 | 基于深信度网络的交通流参数预测方法 |
| CN106408088A (zh) * | 2016-11-22 | 2017-02-15 | 北京六合智汇技术有限责任公司 | 一种基于深度学习理论的旋转机械设备故障诊断方法 |
| CN106453416A (zh) * | 2016-12-01 | 2017-02-22 | 广东技术师范学院 | 一种基于深信度网络的分布式攻击入侵的检测方法 |
| CN106886832A (zh) * | 2017-01-03 | 2017-06-23 | 北京国能日新系统控制技术有限公司 | 基于深度学习的多目标优化新能源功率预测方法及装置 |
| CN106963374A (zh) * | 2017-04-14 | 2017-07-21 | 山东大学 | 一种基于s变换和深信度网络的脑电检测方法及装置 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112343736A (zh) * | 2020-10-23 | 2021-02-09 | 中国运载火箭技术研究院 | 确定固体火箭发动机推力线的方法、系统、终端及介质 |
| CN114396345A (zh) * | 2022-03-25 | 2022-04-26 | 星河动力(北京)空间科技有限公司 | 运载火箭推力矢量控制系统的刚度测量方法、装置、系统 |
| CN114396345B (zh) * | 2022-03-25 | 2022-05-27 | 星河动力(北京)空间科技有限公司 | 运载火箭推力矢量控制系统的刚度测量方法、装置、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107587955B (zh) | 2019-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105973444B (zh) | 一种改进的汽车衡称重方法 | |
| CN110333033B (zh) | 一种基于传感器灵敏度差异测力仪的标定方法 | |
| CN105067097A (zh) | 可用于无人机质量测量台的多称重传感器在线标定方法 | |
| CN105203055A (zh) | 一种关节式坐标测量机动态误差补偿方法 | |
| Xu et al. | Dynamic decoupling and compensating methods of multi-axis force sensors | |
| CN107587955A (zh) | 基于深信度网络的火箭发动机推力偏移量的标定方法 | |
| CN111198062A (zh) | 一种应变式六维力传感器 | |
| CN105043607A (zh) | 一种双力源大推力矢量测量装置 | |
| CN110631792A (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
| CN111721450B (zh) | 一种冲击定位识别装置及方法 | |
| CN114548375A (zh) | 基于双向长短期记忆神经网络的斜拉桥主梁动挠度监测方法 | |
| Zou et al. | Modal analysis of trough solar collector | |
| CN107014339A (zh) | 一种用于大数据的高精度角度传感器误差补偿方法 | |
| CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
| CN108037317A (zh) | 一种加速度计的动态解耦方法及系统 | |
| CN112862200B (zh) | 一种高速公路施工质量全过程智能反馈优化方法 | |
| CN113188715A (zh) | 基于机器学习的多维力传感器静态校准数据处理方法 | |
| CN112326188A (zh) | 一种基于doe和响应面模型的六分力应变天平公式的系数标定方法及计算方法 | |
| CN111380649A (zh) | 基于pso优化lssvm的车用多维力传感器解耦方法 | |
| CN103076035B (zh) | 一种基于双支持向量机的传感器测量方法 | |
| CN115455347A (zh) | 一种mems加速度计混合误差建模补偿方法 | |
| Akbar et al. | Calibration of Piezoelectric Dynamometer based on Neural Networks | |
| CN114626264A (zh) | 一种基于自由胀形的薄壁金属管流动应力的测量方法 | |
| CN103399974A (zh) | 量化比较随机振动仿真数据与实验数据的方法 | |
| CN114739546A (zh) | 一种基于超声导波的适用于任意形状截面的应力检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |