CN111914366A - 一种高压冷气发射飞行器出筒速度获取方法 - Google Patents

一种高压冷气发射飞行器出筒速度获取方法 Download PDF

Info

Publication number
CN111914366A
CN111914366A CN202010776509.0A CN202010776509A CN111914366A CN 111914366 A CN111914366 A CN 111914366A CN 202010776509 A CN202010776509 A CN 202010776509A CN 111914366 A CN111914366 A CN 111914366A
Authority
CN
China
Prior art keywords
neural network
network model
speed
parameter
parameter variable
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
Application number
CN202010776509.0A
Other languages
English (en)
Other versions
CN111914366B (zh
Inventor
付森
王霞
邹莉莉
邓星
钟维宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan Aerospace Institute of Mechanical and Electrical Equipment and Special Materials
Original Assignee
Hunan Aerospace Institute of Mechanical and Electrical Equipment and Special Materials
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan Aerospace Institute of Mechanical and Electrical Equipment and Special Materials filed Critical Hunan Aerospace Institute of Mechanical and Electrical Equipment and Special Materials
Priority to CN202010776509.0A priority Critical patent/CN111914366B/zh
Publication of CN111914366A publication Critical patent/CN111914366A/zh
Application granted granted Critical
Publication of CN111914366B publication Critical patent/CN111914366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

本发明公开了一种高压冷气发射飞行器出筒速度获取方法，将具有多个水平数的参数变量进行组合，并测得不同参数变量组合下的出筒速度，由不同参数变量组合以及对应的出筒速度作为训练样本，对神经网络模型进行训练，利用神经网络模型的自学习和自适应能力获得参数变量与出筒速度之间的内在联系和规律，进而获取不同参数变量时的出筒速度；一旦神经网络模型训练好，只要输入参数变量即可获得出筒速度，无需对每个状态都进行试验，大大降低了试验成本，提高了出筒速度的获取效率。

Description

一种高压冷气发射飞行器出筒速度获取方法
技术领域
本发明属于飞行器控制技术领域，尤其涉及一种高压冷气发射飞行器出筒速度获取方法。
背景技术
低速巡飞飞行器在研制过程中，飞行验证试验装置主要采用的是弹射架，试验过程中存在发射状态不稳定、发射动力不足、验证内容有限等问题。为解决上述问题，以高压氮气为发射动力源，通过减压阀精准调控气路内的气体压强，从而调节蓄能气路内的能量，最终保证飞行器发射状态的稳定性，即高压冷气发射。
相较于燃气发射，高压冷气发射具有操作简单、安全、可靠的特点，但是其出筒速度受高压动力源气体压力、发射角、电磁阀开合速度、温度的影响而变化。出筒速度对飞行器飞行弹道和控制有重大影响，因此，如何根据发射条件准确得到出筒速度是十分重要的。现有得到出筒速度的方法主要是试验法，然而高压动力源气体压力、发射角、温度的范围较大，不同选型的电磁阀开合速度也不一样，且三者与出筒速度成高度非线性关系，如果每个状态都要试验，成本很高。
发明内容
针对现有技术的不足，本发明提供一种高压冷气发射飞行器出筒速度获取方法。
本发明是通过如下的技术方案来解决上述技术问题的：一种高压冷气发射飞行器出筒速度获取方法，包括：
步骤1：获取影响出筒速度的参数变量的取值范围，且每个所述参数变量取至少三个水平数，所述参数变量包括高压动力源气体压力、发射角、电磁阀开合速度以及温度；
步骤2：将所述步骤1中的参数变量进行正交试验组合，获得在不同参数变量组合下的出筒速度；所述不同参数变量组合以及不同参数变量组合下的出筒速度构成训练样本；
步骤3：以所述参数变量为输入量，出筒速度为输出量建立神经网络模型；
步骤4：采用所述步骤2的训练样本对步骤3的神经网络模型进行训练，得到训练好的神经网络模型；
步骤5：将设计的参数变量作为训练好的神经网络模型的输入量，即可获得对应的出筒速度。
本发明高压冷气发射飞行器出筒速度获取方法，将具有多个水平数的参数变量进行组合，并测得不同参数变量正交试验组合下的出筒速度，由不同参数变量组合以及对应的出筒速度作为训练样本，对神经网络模型进行训练，利用神经网络模型的自学习和自适应能力获得参数变量与出筒速度之间的内在联系和规律，进而获取不同参数变量时的出筒速度；一旦神经网络模型训练好，只要输入参数变量即可获得出筒速度，无需对每个状态都进行试验，大大降低了试验成本，提高了出筒速度的获取效率。
进一步地，所述步骤1中，每个参数变量取三个水平数，设参数变量的取值范围为[x1,x3]，该参数变量的第三个水平数为x2＝0.5×(x1+x3)。
每个参数变量的水平数决定了训练样本的数量，神经网络模型的性能随着训练样本的增加而增加，但是当训练样本的数量达到一定值时，神经网络模型的性能不再变化，因此，根据神经网络模型的性能确定所需训练样本数，从而确定参数变量的水平数。
进一步地，所述步骤3中，神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层、输出层以及隐含层，所述隐含层的数量为1，隐含层节点数的初始值为(m×n)^0 . 5+1，其中，m为输入层节点数，n为输出层节点数。
BP神经网络模型能够实现从输入到输出的映射功能，三层的神经网络就能够以任意精度逼近参数变量与出筒速度之间的非线性关系，具有较强的非线性映射能力；同时BP神经网络模型还具有高度的自学习和自适应能力，能够提取参数变量与出筒速度之间的内在联系和规律，并将这种联系和规律记忆于权值中，能够获得精确的出筒速度。
进一步地，所述步骤4中，神经网络模型的具体训练步骤为：
步骤4.1：将一组参数变量输入至神经网络模型中，并获得该组参数变量对应的输出量；
步骤4.2：判断所述输出量与该组参数变量对应的出筒速度之间的误差是否低于设定误差；
如果低于设定误差，则判断训练次数是否达到设定次数，如果未达到设定次数，则转入步骤4.1，否则转入步骤4.4；
否则转入步骤4.3；
步骤4.3：调整隐含层的节点数，同时更新各节点的权值和偏差，使模型的输出量与出筒速度之间的误差减小，并转入步骤4.1；
步骤4.4：输出训练好的神经网络模型。
进一步地，所述设定误差为5％。
有益效果
与现有技术相比，本发明所提供的一种高压冷气发射飞行器出筒速度获取方法，将具有多个水平数的参数变量进行组合，并测得不同参数变量组合下的出筒速度，由不同参数变量组合以及对应的出筒速度作为训练样本，对神经网络模型进行训练，利用神经网络模型的自学习和自适应能力获得参数变量与出筒速度之间的内在联系和规律，进而获取不同参数变量时的出筒速度；一旦神经网络模型训练好，只要输入参数变量即可获得出筒速度，无需对每个状态都进行试验，大大降低了试验成本，提高了出筒速度的获取效率；该获取方法无需考虑参数变量与出筒速度之间的非线性关系，以神经网络模型自学习代替原有的试验法，大大提高了出筒速度的获取效率，降低了出筒速度的获取成本。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一个实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种高压冷气发射飞行器出筒速度获取方法的流程图。
具体实施方式
下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明所提供的一种高压冷气发射飞行器出筒速度获取方法，包括：
1、获取影响出筒速度的参数变量的取值范围，且每个参数变量取三个水平数。
由于飞行器的出筒速度受到高压动力源气体压力、发射角、电磁阀开合速度、温度等参数的影响，因此，本实施例中参数变量包括高压动力源气体压力、发射角、电磁阀开合速度以及温度，并根据发射任务、电磁阀的型号以及试验条件测量获得各参数变量的取值范围。设测量获得的高压动力源气体压力的取值范围为[P1，P3](MPa)、发射角的取值范围为[α1，α3](°)、电磁阀开合速度的取值范围为[Ω1，Ω3](s)，温度的取值范围为[T1，T3](℃)，那么，高压动力源气体压力的第三个水平数P2为0.5×(P1+P3)，发射角的第三个水平数α2为0.5×(α1+α3)，电磁阀开合速度的第三个水平数Ω2为0.5×(Ω1+Ω3)，温度的第三个水平数T2为0.5×(T1+T3)。可以根据神经网络模型训练所需要的样本数对每个参数变量取多个水平数，以获得丰富的训练样本。
2、将步骤1中的参数变量进行正交试验组合，获得在不同参数变量组合下的出筒速度；不同参数变量组合以及不同参数变量组合下的出筒速度构成训练样本。
采用正交试验法将参数变量进行组合，并在各种参数变量组合下测量获得对应的出筒速度，如表1所示。正交试验法组合参数变量既能够保证每组样本具有代表性，且均匀分散，又大大地减少了试验数量，是一种高效率、快速、经济的样本设计方法。如表1所示，正交试验仅需要9次试验，如果采用全状态试验，则需要3^4＝81次(且尚未考虑每一组合的重复数)，正交试验大大减少了工作量。经过试验，正交试验的9个样本点数和全状态试验的81个样本点数所得到的效果基本一致，表明了正交试验从全状态试验中挑选出的数据具有代表性。
表1训练样本
样本序号 温度 气体压力 发射角 开合速度 出筒速度
1 T<sub>1</sub> P<sub>1</sub> α<sub>1</sub> Ω<sub>1</sub> V<sub>1</sub>
2 T<sub>1</sub> P<sub>2</sub> α<sub>2</sub> Ω<sub>2</sub> V<sub>2</sub>
3 T<sub>1</sub> P<sub>3</sub> α<sub>3</sub> Ω<sub>3</sub> V<sub>3</sub>
4 T<sub>2</sub> P<sub>1</sub> α<sub>2</sub> Ω<sub>3</sub> V<sub>4</sub>
5 T<sub>2</sub> P<sub>2</sub> α<sub>3</sub> Ω<sub>1</sub> V<sub>5</sub>
6 T<sub>2</sub> P<sub>3</sub> α<sub>1</sub> Ω<sub>2</sub> V<sub>6</sub>
7 T<sub>3</sub> P<sub>1</sub> α<sub>3</sub> Ω<sub>2</sub> V<sub>7</sub>
8 T<sub>3</sub> P<sub>2</sub> α<sub>1</sub> Ω<sub>3</sub> V<sub>8</sub>
9 T<sub>3</sub> P<sub>3</sub> α<sub>2</sub> Ω<sub>1</sub> V<sub>9</sub>
3、以参数变量为输入量，出筒速度为输出量建立BP神经网络模型。
BP神经网络模型包括输入层、输出层以及一个隐含层，隐含层节点数的初始值为(m×n)^0 . 5+1，其中，m为输入层节点数，n为输出层节点数。本实施例中，输入层节点数与参数变量的数量相等，为4个，输出层节点数与输出量的数量相等，输出量为出筒速度，因此，输出层节点数为1个，隐含层节点数的初始值为3。
BP神经网络模型能够实现从输入到输出的映射功能，三层的神经网络就能够以任意精度逼近参数变量与出筒速度之间的非线性关系，具有较强的非线性映射能力；同时BP神经网络模型还具有高度的自学习和自适应能力，能够提取参数变量与出筒速度之间的内在联系和规律，并将这种联系和规律记忆于权值中，能够获得精确的出筒速度。
4：采用步骤2的训练样本对步骤3的神经网络模型进行训练，得到训练好的神经网络模型。
将sigmoid函数作为激活函数，采用高斯分布初始化权值和偏差，学习速率设为0.001，设定次数设为5000，训练步长设为50，模型的具体训练步骤为：
步骤4.1：将一组参数变量输入至神经网络模型中，并获得该组参数变量对应的输出量；
步骤4.2：判断输出量与该组参数变量对应的出筒速度之间的误差是否低于设定误差；
如果低于设定误差，则判断训练次数是否达到设定次数，如果未达到设定次数，则转入步骤4.1，否则转入步骤4.4；
否则转入步骤4.3；
步骤4.3：调整隐含层的节点数，同时更新各节点的权值和偏差，使模型的输出量与出筒速度之间的误差减小，并转入步骤4.1；
步骤4.4：输出训练好的神经网络模型。
本实施例中设定误差为5％，隐含层节点数的调整规律为每次增加一个节点，相比增加隐含层的层数，通过增加隐含层的节点数来获得较低的误差更易于实现。采用随机梯度下降法来调整并更新各节点的权值和偏差。
5、将设计的参数变量作为训练好的神经网络模型的输入量，即可获得对应的出筒速度。
本发明高压冷气发射飞行器出筒速度获取方法，将具有多个水平数的参数变量进行组合，并测得不同参数变量组合下的出筒速度，由不同参数变量组合以及对应的出筒速度作为训练样本，对神经网络模型进行训练，利用神经网络模型的自学习和自适应能力获得参数变量与出筒速度之间的内在联系和规律，进而获取不同参数变量时的出筒速度；一旦神经网络模型训练好，只要输入参数变量即可获得出筒速度，无需对每个状态都进行试验，大大降低了试验成本，提高了出筒速度的获取效率。
以上所揭露的仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或变型，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种高压冷气发射飞行器出筒速度获取方法，其特征在于，包括：
步骤1：获取影响出筒速度的参数变量的取值范围，且每个所述参数变量取至少三个水平数，所述参数变量包括高压动力源气体压力、发射角、电磁阀开合速度以及温度；
步骤2：将所述步骤1中的参数变量进行正交试验组合，获得在不同参数变量组合下的出筒速度；所述不同参数变量组合以及不同参数变量组合下的出筒速度构成训练样本；
步骤3：以所述参数变量为输入量，出筒速度为输出量建立神经网络模型；
步骤4：采用所述步骤2的训练样本对步骤3的神经网络模型进行训练，得到训练好的神经网络模型；
步骤5：将设计的参数变量作为训练好的神经网络模型的输入量，即可获得对应的出筒速度。
2.如权利要求1所述的一种高压冷气发射飞行器出筒速度获取方法，其特征在于：所述步骤1中，每个参数变量取三个水平数，设参数变量的取值范围为[x1,x3]，该参数变量的第三个水平数为x2＝0.5×(x1+x3)。
3.如权利要求1所述的一种高压冷气发射飞行器出筒速度获取方法，其特征在于：所述步骤3中，神经网络模型为BP神经网络模型，所述BP神经网络模型包括输入层、输出层以及隐含层，所述隐含层的数量为1，隐含层节点数的初始值为(m×n)^0.5+1，其中，m为输入层节点数，n为输出层节点数。
4.如权利要求1-3中任一项所述的一种高压冷气发射飞行器出筒速度获取方法，其特征在于：所述步骤4中，神经网络模型的具体训练步骤为：
步骤4.1：将一组参数变量输入至神经网络模型中，并获得该组参数变量对应的输出量；
步骤4.2：判断所述输出量与该组参数变量对应的出筒速度之间的误差是否低于设定误差；
如果低于设定误差，则判断训练次数是否达到设定次数，如果未达到设定次数，则转入步骤4.1，否则转入步骤4.4；
否则转入步骤4.3；
步骤4.3：调整隐含层的节点数，同时更新各节点的权值和偏差，使模型的输出量与出筒速度之间的误差减小，并转入步骤4.1；
步骤4.4：输出训练好的神经网络模型。
5.如权利要求4所述的一种高压冷气发射飞行器出筒速度获取方法，其特征在于：所述设定误差为5％。
CN202010776509.0A 2020-08-05 2020-08-05 一种高压冷气发射飞行器出筒速度获取方法 Active CN111914366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776509.0A CN111914366B (zh) 2020-08-05 2020-08-05 一种高压冷气发射飞行器出筒速度获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776509.0A CN111914366B (zh) 2020-08-05 2020-08-05 一种高压冷气发射飞行器出筒速度获取方法

Publications (2)

Publication Number Publication Date
CN111914366A true CN111914366A (zh) 2020-11-10
CN111914366B CN111914366B (zh) 2024-04-26

Family

ID=73288300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776509.0A Active CN111914366B (zh) 2020-08-05 2020-08-05 一种高压冷气发射飞行器出筒速度获取方法

Country Status (1)

Country Link
CN (1) CN111914366B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005171789A (ja) * 2003-12-09 2005-06-30 General Electric Co <Ge> 航空機用ガスタービンのモデル予測制御のための方法及び装置
CN104049640A (zh) * 2014-06-27 2014-09-17 金陵科技学院 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法
CN104740812A (zh) * 2013-12-25 2015-07-01 湖北航天飞行器研究所 一种灭火弹的控制方法
CN107283664A (zh) * 2017-06-19 2017-10-24 丽水市天顺导轨制造有限公司 一种汽车装饰板用pe木塑颗粒挤出成型切断设备
WO2018117872A1 (en) * 2016-12-25 2018-06-28 Baomar Haitham The intelligent autopilot system
CN108509735A (zh) * 2018-04-08 2018-09-07 中国矿业大学 一种缸套-活塞环磨合状态预测方法
CN109229413A (zh) * 2018-10-08 2019-01-18 湖南航天机电设备与特种材料研究所 用于飞行试验的冷气发射装置及飞行器的冷气发射方法
CN109635494A (zh) * 2018-12-28 2019-04-16 中国航天空气动力技术研究院 一种飞行试验与地面仿真气动力数据综合建模方法
CN109871614A (zh) * 2019-02-19 2019-06-11 北京工业大学 基于bp神经网络的气动式微滴喷射状态预测的方法
WO2019233936A1 (de) * 2018-06-06 2019-12-12 Scholz & Gallus Entwicklungsgesellschaft mbH Halte- und startvorrichtung für hydropneumatisch angetriebene luftfahrzeuge, insbesondere modellraketen
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感系统解算方法
CN111470075A (zh) * 2020-04-16 2020-07-31 北京控制工程研究所 一种基于人工智能算法的航天器在轨推力预测方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005171789A (ja) * 2003-12-09 2005-06-30 General Electric Co <Ge> 航空機用ガスタービンのモデル予測制御のための方法及び装置
CN104740812A (zh) * 2013-12-25 2015-07-01 湖北航天飞行器研究所 一种灭火弹的控制方法
CN104049640A (zh) * 2014-06-27 2014-09-17 金陵科技学院 基于神经网络观测器的无人飞行器姿态鲁棒容错控制方法
WO2018117872A1 (en) * 2016-12-25 2018-06-28 Baomar Haitham The intelligent autopilot system
CN107283664A (zh) * 2017-06-19 2017-10-24 丽水市天顺导轨制造有限公司 一种汽车装饰板用pe木塑颗粒挤出成型切断设备
CN108509735A (zh) * 2018-04-08 2018-09-07 中国矿业大学 一种缸套-活塞环磨合状态预测方法
WO2019233936A1 (de) * 2018-06-06 2019-12-12 Scholz & Gallus Entwicklungsgesellschaft mbH Halte- und startvorrichtung für hydropneumatisch angetriebene luftfahrzeuge, insbesondere modellraketen
CN109229413A (zh) * 2018-10-08 2019-01-18 湖南航天机电设备与特种材料研究所 用于飞行试验的冷气发射装置及飞行器的冷气发射方法
CN109635494A (zh) * 2018-12-28 2019-04-16 中国航天空气动力技术研究院 一种飞行试验与地面仿真气动力数据综合建模方法
CN109871614A (zh) * 2019-02-19 2019-06-11 北京工业大学 基于bp神经网络的气动式微滴喷射状态预测的方法
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感系统解算方法
CN111470075A (zh) * 2020-04-16 2020-07-31 北京控制工程研究所 一种基于人工智能算法的航天器在轨推力预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任晓庆: "潜射航行体垂直发射过程三维数值模拟", 中国优秀硕士学位论文全文数据库（电子期刊）, 29 February 2016 (2016-02-29), pages 19 - 48 *

Also Published As

Publication number Publication date
CN111914366B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN108416086B (zh) 一种基于深度学习的航空发动机模型自适应修正方法
CN111175054B (zh) 一种基于数据驱动的航空发动机故障诊断方法
WO2019144337A1 (zh) 一种基于深度学习算法的航空发动机全包线模型自适应修正方法
CN106503746B (zh) 一种基于性能偏移量的航空发动机故障诊断方法
CN106483850A (zh) 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN112985813B (zh) 一种运载火箭低温增压输送系统地面全尺寸等效试验方法
CN107045575A (zh) 基于自调整维纳模型的航空发动机性能模型建模方法
CN109540459A (zh) 一种气动特性数值计算结果修正方法
CN106979852A (zh) 一种适用于全尺寸内埋武器舱高速风洞试验的流场控制方法
CN114675535A (zh) 一种基于强化学习的航空发动机过渡态寻优控制方法
CN111680357B (zh) 一种变循环发动机机载实时模型的部件级无迭代构建方法
CN112446091A (zh) 一种基于人工神经网络的脉动压力预测方法
CN111967202B (zh) 一种基于人工智能的航空发动机极速性能数字孪生方法
CN112597702A (zh) 基于径向基函数的气动建模生成式对抗网络模型训练方法
CN113777931A (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN111914366A (zh) 一种高压冷气发射飞行器出筒速度获取方法
CN114995152A (zh) 一种民用航空发动机性能模型偏差修正方法
CN108830032A (zh) 一种基于神经网络的无人机天气预警方法
CN117708985A (zh) 一种基于机器学习的高速双旋弹非定常气动力预测方法
CN115324772A (zh) 一种双组元推力器推进剂混合比预测方法
CN110985216A (zh) 一种含在线修正的航空发动机智能多变量控制方法
CN115618501A (zh) 基于数据融合修正的亚跨气动特性获取方法、系统及装置
CN105628333B (zh) 一种高空高马赫数条件下的气动误差确定方法
CN107110101A (zh) 用于诊断燃料输送系统的方法和装置
CN113741170B (zh) 一种基于深度神经网络的航空发动机直接推力逆控制方法

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