CN115324772A - 一种双组元推力器推进剂混合比预测方法 - Google Patents
一种双组元推力器推进剂混合比预测方法 Download PDFInfo
- Publication number
- CN115324772A CN115324772A CN202210901168.4A CN202210901168A CN115324772A CN 115324772 A CN115324772 A CN 115324772A CN 202210901168 A CN202210901168 A CN 202210901168A CN 115324772 A CN115324772 A CN 115324772A
- Authority
- CN
- China
- Prior art keywords
- mixing ratio
- data
- data set
- neural network
- thruster
- 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
- 238000002156 mixing Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000003380 propellant Substances 0.000 title claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000000306 recurrent effect Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 24
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 22
- 229910052760 oxygen Inorganic materials 0.000 claims description 22
- 239000001301 oxygen Substances 0.000 claims description 22
- 238000002485 combustion reaction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000003466 welding Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 239000011148 porous material Substances 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract description 2
- WFPZPJSADLPSON-UHFFFAOYSA-N dinitrogen tetraoxide Chemical compound [O-][N+](=O)[N+]([O-])=O WFPZPJSADLPSON-UHFFFAOYSA-N 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 3
- HDZGCSFEDULWCS-UHFFFAOYSA-N monomethylhydrazine Chemical compound CNN HDZGCSFEDULWCS-UHFFFAOYSA-N 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000007800 oxidant agent Substances 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000000889 atomisation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02K—JET-PROPULSION PLANTS
- F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
- F02K9/42—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof using liquid or gaseous propellants
- F02K9/44—Feeding propellants
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02K—JET-PROPULSION PLANTS
- F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
- F02K9/42—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof using liquid or gaseous propellants
- F02K9/44—Feeding propellants
- F02K9/56—Control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02K—JET-PROPULSION PLANTS
- F02K9/00—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof
- F02K9/96—Rocket-engine plants, i.e. plants carrying both fuel and oxidant therefor; Control thereof characterised by specially adapted arrangements for testing or measuring
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种双组元推力器的推进剂混合比预测方法,包括建立权重分析数据集、前馈神经网络权重分析、建立混合比预测数据集、循环神经网络预测、对新产品进行混合比预测。利用神经网络多维度非线性的参数映射特性对历史数据的学习拟合，进行权重分析和混合比预测。通过测试数据的不断积累，对神经网络学习参数进行迭代和更新，可以大幅提升混合比预测的精度。
Description
技术领域
本发明涉及一种双组元推力器推进剂混合比预测方法，属于航天推进技术领域。
背景技术
目前，国内外大量高轨卫星都采用双组元统一推进系统进行姿态和轨道控制。双组元推进系统所普遍采用的推进剂为绿色四氧化二氮(MON-1)和甲基肼(MMH)推进剂，发动机最佳混合比为1.65，即为氧化剂和燃料的密度之比。因为一方面在该混合比下的发动机的点火偏富燃状态，有利于组织冷却，工作温度比较安全；另一方面氧、燃贮箱可以实现等体积设计，并加注等体积的氧化剂和燃料。发动机的混合比直接影响其工作可靠性和推进剂可用量。一旦混合比出现了较大程度的偏离，发动机就会发生推力和温度的偏差，甚至影响其空间点火安全性，也会对卫星寿命产生较大影响。目前，国内外大多数双组元推进系统都是通过开环控制的方法调整混合比，所以发动机上游都要设置一个节流孔板精确调节流阻偏差，从而使混合比满足系统工程应用的要求。
对于双组元姿控推力器，在轨需经历转移轨道姿态控制、变轨过程中姿态控制、工作轨道位置保持等三个主要阶段。各阶段对于姿控推力器的混合比指标要求都是非常高的。目前，每台姿控推力器均是经过地面热标定点火之后再交付，目的就是提供装星推力器准确的混合比和其它性能参数，实现推力器真正意义上的配对，以有效节约卫星上宝贵的推进剂资源。但是，在研制过程中却发现先进行的冷态试验结果和后进行的热标试验结果存在着较大差异。比如，两台推力器的水试流量压降几乎一致的情况下其热标数据却相差甚远，热试和冷试两者之间缺少数据上的逻辑关联，难以进行趋势总结和规律分析。因此，在热标之后大量推力器要对孔板尺寸进行修正，而修正之后的结果却无法再次进行热标验证。
发明内容
本发明的技术解决问题是：为克服现有技术的不足，提出一种双组元推力器推进剂混合比预测方法，通过对历史冷热试数据的学习，基于前馈神经网络和循环神经网络，构建双组元推力器冷试和热试结果的桥梁，实现混合比的高精度预测。
本发明的技术解决方案是：
一种双组元推力器推进剂混合比预测方法，包括：
建立权重分析数据集:权重分析数据集用于管理所有同类型的双组元推力器产品的测试数据，每条测试数据均包括冷试特征数据、对应冷试特征数据的热标混合比进行分类后的真实结果数据；冷试特征数据包括推力器孔板氧路流量、推力器孔板燃路流量两种特征在内的若干种类数据；
前馈神经网络权重分析：利用前馈神经网络对权重分析数据集进行权重分析，得出各种冷试特征对于热标混合比结果的影响权重；
建立混合比预测数据集：根据得到的权重值，按权重从小到大的顺序对测试数据中的冷试特征数据进行排序，排序后的测试数据构成混合比预测数据集；混合比预测数据集中的数据按照预设比例分为学习数据集和验证数据集，学习数据集用于对循环神经网络参数训练，验证数据集用于对循环神经网络结果验证，上述两个数据集完全独立无关；
循环神经网络预测：利用学习数据集、验证数据集对循环神经网络的预测算法进行机器学习，得到用于新产品预测的循环神经网络预测模型；
对新产品进行混合比预测：从同类型的新产品冷试特征数据中，选取与预测数据集中冷试特征数据类型相同的数据，按预测数据集的冷试特征数据顺序排序，并代入循环神经网络模型，得到热标混合比分类预测结果。
优选的，权重分析数据集的冷试特征数据包括喷注器焊前氧路流量、喷注器焊前燃路流量、喷注器焊后氧路流量、喷注器焊后燃路流量、推力器空程氧路流量、推力器空程燃路流量、推力器孔板氧路流量、推力器孔板燃路流量、雾化SMD值、喉径尺寸。
优选的，根据热标混合比范围，对热标混合比进行分类，分类原则为：若目标值为X、偏差值为±Y，中间两类的边界区间为(X-Y，X]和(X，X+Y]；再以Y值为区间宽度，向增大和减小两个方向延伸，如(X-2Y，X-Y]和(X+Y，X+2Y]，直至包络全部的测试值；其中，预定的合格区间为中间两类的边界间。
优选的，前馈神经网络为全连接结构，包括输入层、隐藏层、输出层；其中，隐藏层为2-4层，采用ReLU函数作为激活函数，第1层隐藏层神经元个数为数据总量值，之后各层依次减少20％；输出层损失函数为MSELoss函数。
优选的，利用前馈神经网络对权重分析数据集进行权重分析包括：
将权重分析特征集的冷试特征数据作为前馈神经网络的输入数据，进行拟合计算，获得拟合的热标混合比分类结果；
将拟合的热标混合比分类结果与真实结果数据做比较，当上述两者的差值为0或1时，认为可接受；反之，认为错误；通过前馈神经网络学习及优化，当准确度达到95％以上，则计算结果有效；否则，修改隐藏层层数、神经元个数、计算率和批次个数，重新进行计算，直至达到95％以上的准确率；
当计算结果有效后，将输入层每个冷试特征参数沿数据传播路径至输出标签的所有权重值进行累乘获得最终的权重结果，将权重结果进行归一化处理。
优选的，混合比预测数据集中，从除推力器孔板氧路流量、推力器孔板燃路流量之外的冷试特征数据中，按权重值按从大到小的顺序抽取前1-3个冷试特征数据；将抽取后的冷试特征数据按照权重从小到大进行排序,在排序后的序列末端增加测试数据中对应的推力器孔板氧路流量、推力器孔板燃路流量、真实结果数据，组成混合比预测数据集。
优选的，将混合比预测数据集的数据按照数据量7：3的比例拆分，分为学习数据集与验证数据集。
优选的，循环神经网络包括输入层、隐藏层、输出层；隐藏层数为1-2层，隐藏层神经元数量作为超参数调节，采用Adam优化算法；隐藏层激活采用Tanh函数；输出层激活采用LeakyReLU函数，损失函数为CrossEntropy函数；输出层前增加全连接层和Softmax层，实现对预测热标混合比结果分类。
优选的，利用循环神经网络对学习数据集的冷试特征数据进行处理，将得到的预测混合比分类结果，与真实结果进行数据对比，算出学习数据集的损失值和准确率；再将验证数据集的冷试特征数据输入训练后的循环神经网络中进行计算，将得到的预测混合比分类结果，与真实结果进行数据对比，算出验证数据集的损失值和准确率；依次进行网络训练迭代，当学习数据集和验证数据集的损失值和准确率都达到预期标准，循环神经网络训练成功，得到用于新产品预测的循环神经网络模型。
优选的，计算得到的新产品热标预测混合比结果，若是在预定的合格区间内，则表示合格；否则，调整推力器的孔板尺寸，再次进行预测，直至预测的热标混合比结果达到预定的合格区间。
本发明与现有技术相比的有益效果是：
(1)本发明克服现有工程研制单位直接基于冷态流量测试的结果预测双组元推力器混合比存在极大误差，且热试和冷试两者之间缺少数据上的逻辑关联的问题，提供了一种双组元推力器推进剂混合比预测方法，可以利用历史冷态测试和热标数据的结果，通过神经网络构建和参数机器学习的方法，实现多维度非线性参数拟合，揭示不同维度数据与映射结果的关联规律，从而构建起双组元推力器冷试和热试结果的桥梁，最终大幅度提升混合比调节精度和一次热标成功率。
(2)本发明提出的是一种基于历史数据的混合比分析预测方法，随着双组元推力器产品研制数量和测试结果的持续增加，可以对冷试和热标数据集进行不断的完善，进一步的提高预测精度和泛化能力。
(3)本发明提出的混合比预测方法，随着准确性的不断提高，对于低成本要求的产品和型号，甚至可以直接用冷试结果进行高精度的混合比调节，而不再需要进行点火试验进行验证。此外，也可以通过对地面冷试数据的分析，实现对推力器在轨工况的预测和分析。
附图说明
图1为本发明预测分析流程图；
图2为本发明实施例热标混合比结果分类示意图；
图3为本发明实施例前馈神经网络结构示意图；
图4为本发明实施例影响混合比分类的冷试特征权重归一化结果示意图；
图5为本发明实施例根据权重结果排序后的输入序列示例和循环神经网络结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做详细的说明，具体如下：
如图1所示，一种双组元推力器推进剂混合比预测方法，包括建立权重分析数据集、前馈神经网络权重分析、建立混合比预测数据集、循环神经网络预测、对新产品进行混合比预测。
(1)建立权重分析数据集
权重分析数据集用于管理所有同类型的双组元推力器产品的历史测试数据，每条测试数据均包括相同类别的冷试特征数据、对应冷试数据的热标混合比分类的真实结果数据。
权重分析数据集包括10类冷试特征数据：喷注器焊前氧路流量、喷注器焊前燃路流量、喷注器焊后氧路流量、喷注器焊后燃路流量、推力器空程氧路流量、推力器空程燃路流量、推力器孔板氧路流量、推力器孔板燃路流量、雾化SMD值、喉径尺寸。如果还有其他影响混合比的冷试特征数据，也可以纳入数据集中，但是这些数据都必须是测试准确的未经处理的一次原始数据，可以反映喷注器研制过程中所经历的重要历程和技术状态。
热标混合比进行分类，分类原则为：如目标值为X，偏差值为±Y，则中间两类的边界区间为(X-Y，X]和(X，X+Y]；再以Y值为区间宽度，向增大和减小两个方向延伸，如(X-2Y，X-Y]和(X+Y，X+2Y]，直至包络全部的测试值。在前馈神经网络、循环神经网络中预测的热标混合比结果也是按此分类原则进行分类得到的。
本实例中，选用甲基肼和四氧化二氮的推进剂组合，混合比目标值为1.65，偏差值为±0.02，如图2所示，可以分类为：1类，混合比≤1.55；2类，1.55<混合比≤1.57；3类，1.57<混合比≤1.59；4类，1.59<混合比≤1.61；5类，1.61<混合比≤1.63；6类，1.63<混合比≤1.65；7类，1.65<混合比≤1.67；8类，1.67<混合比≤1.69；9类，1.69<混合比≤1.71；10类，1.71<混合比≤1.73；11类，1.73<混合比≤1.75；12类，混合比≥1.75，共分为12类，其中分类1-6和分类7-12分别表示为低于标准混合比和高于标准混合比的情况，分类6和分类7为合格状态。
如果历史测试数据量较少，可以采用数据增强的方法获得更多的近似数据，以提高后续网络拟合和预测的质量。数据增强的方法是对权重分析数据集中的冷试特征数据加入一个噪声，噪声大小为原值的X％，其中X％是系统测试的误差范围，而其对应的热标混合比分类的真实结果数据不需要调整，表明当冷试特征数据出现可接受的偏差时不会对热标混合比造成影响。
(2)前馈神经网络权重分析
前馈神经网络权重分析是一种基于多层神经网络的机器学习分析方法，可以通过自适应的权重分配和激活函数，拟合一切多维度非线性的参数映射关系，具有任意复杂的模式分类能力和优良的多维函数映射能力。通过前馈神经网络对权重分析数据集进行权重分析，将各种冷试特征对于热标混合比结果的影响权重大小进行排序。
前馈神经网络采用全连接结构，包括输入层、隐藏层、输出层。隐藏层优选2-4层结构，层数过少会降低非线性拟合的能力，层数过多会导致过拟合问题的发生。如图3所示，本实施例隐藏层为2层，每一层隐藏层神经元个数可以根据拟合准确率进行调试，隐藏层采用ReLU函数作激活函数，损失函数为MSELoss函数。
对全部冷试特征数据进行批量归一化后代入前馈神经网络进行拟合计算：将冷试特征数据作为输入层，每个特征数据都与隐藏层每个神经元节点进行点对点的计算，计算的方法是加权求和+激活，隐藏层再以相同的方式将数据传递到输出层，最终将输出值和真实结果作比较，通过MSELoss函数计算出均方根误差。计算过程前向传播，同时误差信号反向传递，通过计算损失，最终通过Adam优化方法进行参数更新。通过参数的机器学习，优化更新每一个节点上的权重值和偏置值，令拟合的结果与真实结果越来越相近。
训练过程中需要对于权重分析结果的拟合精度进行准确度判定，当前馈神经网络拟合得出的预测混合比分类结果和真实结果的差值为0或1时，认为可接受；反之，认为错误。当分析准确度达到95％以上，则计算结果有效。否则。则修改隐藏层层数、神经元个数、计算率和批次个数等神经网络超参数，重新进行计算，直至达到95％以上的准确率，前馈神经网络的拟合结果有效。
当拟合结果有效后，如图4所示，对冷试特征数据进行权重归一化处理，得到各冷试特征对输出的热标混合比结果贡献的影响权重。
(3)建立混合比预测数据集
冷试特征数据中，除推力器孔板燃路流量和推力器孔板氧路流量是可以调整和控制的特征，而其他特征都是过程中的历史数据，无法更改。经前馈神经网络权重分析得到的排序后，选取权重最大的2个冷试特征数据，在上述数据的基础上再增加推力器孔板氧路流量、推力器孔板燃路流量两维数据构成序列特征，此两维数据作为数据的最后两维，将上述组合完成的数据和相应的真实结果数据组合，构成混合比预测数据集。
将上述数据集按照数据量7：3的比例进行划分，构成学习数据集与验证数据集，上述两个数据集完全独立无关。其中，学习数据集用于循环神经网络参数训练，验证数据集用于循环神经网络结果验证。
(4)循环神经网络预测
如图5所示，循环神经网络为“多对一”的网络结构，隐藏层数为2层，隐藏层神经元数量可以作为超参数调节，以达到最大的预测准确率，优选为大于数据总量值的2倍以上。隐藏层激活采用Tanh函数，输出层激活采用LeakyReLU函数，损失函数为CrossEntropy函数，输出层前需要增加一个全连接层和Softmax层实现混合比分类，获得预测的混合比值。循环神经网络采用Adam优化算法，而Softmax层采用Adagrad优化方法。
将上述重构之后学习集冷试序列特征输入至循环神经网络的输入层，在本实施例中，数据输入处理如图5所示，通过计算获得预测的混合比。在循环神经网络机器学习过程中，将学习数据集冷试数据获得的预测混合比和代入验证数据集获得的预测混合分别比真实结果数据进行数据对比，分别算出学习数据集和验证数据集的损失值和准确率，评价网络训练的效果。随着网络迭代和参数更新，当学习数据集和验证数据集的损失值和准确率都达到预期标准时，循环神经网络预测成功，循环神经网络模型已训练完成，能够用于新产品混合比预测，提升推力器热标混合比的合格率。
(5)基于循环神经网络模型，预测新研制产品的混合比
新研制的产品冷试特征数据，按照混合比预测数据集的冷试特征数据的内容和顺序进行排序序列，输入循环神经网络模型进行混合比预测。如果预测分类为中间两类的边界区间，在本实施例中为6或7，则表示合格。一旦预测分类为其他分类区间，则需要调整孔板参数并测试后再次进行预测，直至预测结果达到分类6或7的合格区间。
当累积了一定批量的新产品使用数据后，则可以将新产品的测试数据和历史产品结果一起代入前馈神经网络重新进行权重分析和特征排序，再将排序后的冷试特征数据重新训练循环神经网络，进一步完善网络参数，实现更加精准的热标混合比预测。
传统的混合比预测方法，只有约30％的推力器在热标时的混合比可以达标。而未通过的推力器根据热标结果会对孔板进行重新调试，但由于热标只能进行一次，则重新调试的混合比结果无法得到验证，所以热标混合比的一次热标成功率是很重要的。通过采用本发明提出的方法，可以大幅提高一次成功率，预测准确度高，并且会随着数据的不断积累而提升预测准确度。
随着循环神经网络预测准确性的不断提高，对于低成本要求的产品和型号，可以直接用冷试结果进行高精度的混合比调节，不再需要进行点火试验验证。此外，也可以通过对地面冷试数据的分析，实现对推力器在轨工况的预测和分析。
以上所述，仅为本发明最佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。
Claims (10)
1.一种双组元推力器推进剂混合比预测方法，其特征在于，包括：
建立权重分析数据集:权重分析数据集用于管理所有同类型的双组元推力器产品的测试数据，每条测试数据均包括冷试特征数据、对应冷试特征数据的热标混合比进行分类后的真实结果数据；冷试特征数据包括推力器孔板氧路流量、推力器孔板燃路流量两种特征在内的若干种类数据；
前馈神经网络权重分析：利用前馈神经网络对权重分析数据集进行权重分析，得出各种冷试特征对于热标混合比结果的影响权重；
建立混合比预测数据集：根据得到的权重值，按权重从小到大的顺序对测试数据中的冷试特征数据进行排序，排序后的测试数据构成混合比预测数据集；混合比预测数据集中的数据按照预设比例分为学习数据集和验证数据集，学习数据集用于对循环神经网络参数训练，验证数据集用于对循环神经网络结果验证，上述两个数据集完全独立无关；
循环神经网络预测：利用学习数据集、验证数据集对循环神经网络的预测算法进行机器学习，得到用于新产品预测的循环神经网络预测模型；
对新产品进行混合比预测：从同类型的新产品冷试特征数据中，选取与预测数据集中冷试特征数据类型相同的数据，按预测数据集的冷试特征数据顺序排序，并代入循环神经网络模型，得到热标混合比分类预测结果。
2.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，权重分析数据集的冷试特征数据包括喷注器焊前氧路流量、喷注器焊前燃路流量、喷注器焊后氧路流量、喷注器焊后燃路流量、推力器空程氧路流量、推力器空程燃路流量、推力器孔板氧路流量、推力器孔板燃路流量、雾化SMD值、喉径尺寸。
3.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，根据热标混合比范围，对热标混合比进行分类，分类原则为：若目标值为X、偏差值为±Y，中间两类的边界区间为(X-Y，X]和(X，X+Y]；再以Y值为区间宽度，向增大和减小两个方向延伸，如(X-2Y，X-Y]和(X+Y，X+2Y]，直至包络全部的测试值；其中，预定的合格区间为中间两类的边界间。
4.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，前馈神经网络为全连接结构，包括输入层、隐藏层、输出层；其中，隐藏层为2-4层，采用ReLU函数作为激活函数，第1层隐藏层神经元个数为数据总量值，之后各层依次减少20％；输出层损失函数为MSELoss函数。
5.如权利要求4所述一种双组元推力器推进剂混合比预测方法，其特征在于，利用前馈神经网络对权重分析数据集进行权重分析包括：
将权重分析特征集的冷试特征数据作为前馈神经网络的输入数据，进行拟合计算，获得拟合的热标混合比分类结果；
将拟合的热标混合比分类结果与真实结果数据做比较，当上述两者的差值为0或1时，认为可接受；反之，认为错误；通过前馈神经网络学习及优化，当准确度达到95％以上，则计算结果有效；否则，修改隐藏层层数、神经元个数、计算率和批次个数，重新进行计算，直至达到95％以上的准确率；
当计算结果有效后，将输入层每个冷试特征参数沿数据传播路径至输出标签的所有权重值进行累乘获得最终的权重结果，将权重结果进行归一化处理。
6.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，混合比预测数据集中，从除推力器孔板氧路流量、推力器孔板燃路流量之外的冷试特征数据中，按权重值按从大到小的顺序抽取前1-3个冷试特征数据；将抽取后的冷试特征数据按照权重从小到大进行排序,在排序后的序列末端增加测试数据中对应的推力器孔板氧路流量、推力器孔板燃路流量、真实结果数据，组成混合比预测数据集。
7.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，将混合比预测数据集的数据按照数据量7：3的比例拆分，分为学习数据集与验证数据集。
8.如权利要求1或3所述一种双组元推力器推进剂混合比预测方法，其特征在于，循环神经网络包括输入层、隐藏层、输出层；隐藏层数为1-2层，隐藏层神经元数量作为超参数调节，采用Adam优化算法；隐藏层激活采用Tanh函数；输出层激活采用LeakyReLU函数，损失函数为CrossEntropy函数；输出层前增加全连接层和Softmax层，实现对预测热标混合比结果分类。
9.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，利用循环神经网络对学习数据集的冷试特征数据进行处理，将得到的预测混合比分类结果，与真实结果进行数据对比，算出学习数据集的损失值和准确率；再将验证数据集的冷试特征数据输入训练后的循环神经网络中进行计算，将得到的预测混合比分类结果，与真实结果进行数据对比，算出验证数据集的损失值和准确率；依次进行网络训练迭代，当学习数据集和验证数据集的损失值和准确率都达到预期标准，循环神经网络训练成功，得到用于新产品预测的循环神经网络模型。
10.如权利要求1所述一种双组元推力器推进剂混合比预测方法，其特征在于，计算得到的新产品热标预测混合比结果，若是在预定的合格区间内，则表示合格；否则，调整推力器的孔板尺寸，再次进行预测，直至预测的热标混合比结果达到预定的合格区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210901168.4A CN115324772B (zh) | 2022-07-28 | 2022-07-28 | 一种双组元推力器推进剂混合比预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210901168.4A CN115324772B (zh) | 2022-07-28 | 2022-07-28 | 一种双组元推力器推进剂混合比预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115324772A true CN115324772A (zh) | 2022-11-11 |
| CN115324772B CN115324772B (zh) | 2024-05-31 |
Family
ID=83920591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210901168.4A Active CN115324772B (zh) | 2022-07-28 | 2022-07-28 | 一种双组元推力器推进剂混合比预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115324772B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401756A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 |
| CN117451238A (zh) * | 2023-12-19 | 2024-01-26 | 哈尔滨工业大学 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4722183A (en) * | 1985-10-01 | 1988-02-02 | Hughes Aircraft Company | Method for controlling the utilization of fluid bipropellant in a spacecraft rocket engine |
| US20040035982A1 (en) * | 2001-11-30 | 2004-02-26 | Ses Americom Inc | System and method for controlling a space-borne propulsion system |
| WO2015031825A1 (en) * | 2013-08-29 | 2015-03-05 | Digital Solid State Propulsion, Inc. | Electrically ignited and throttled pyroelectric propellant rocket engine |
| CN105606368A (zh) * | 2016-02-03 | 2016-05-25 | 中国空空导弹研究院 | 固冲发动机燃气流量调节冷流和热流地面试验系统 |
| EP3153691A1 (fr) * | 2015-10-08 | 2017-04-12 | Airbus Safran Launchers SAS | Procede et circuit de regulation de moteur-fusee |
| US20170205266A1 (en) * | 2014-06-03 | 2017-07-20 | Safran Aircraft Engines | Method and system for evaluating a flow rate of a fluid |
| US20180017044A1 (en) * | 2016-07-15 | 2018-01-18 | Wesley Faler | Plasma Propulsion System Feedback Control |
| CN107701330A (zh) * | 2017-09-14 | 2018-02-16 | 北京控制工程研究所 | 一种不基于气体旁路的系统混合比主动控制方法 |
| 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 |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| CN114201914A (zh) * | 2021-11-23 | 2022-03-18 | 内蒙航天动力机械测试所 | 一种基于bp神经网络的固体发动机试验数据分析方法 |
| WO2022077079A1 (pt) * | 2020-10-16 | 2022-04-21 | Comando De Operações Aeroespaciais - Comae | Método de controle de razão de mistura por atuação térmica nos tanques de propelentes de sistemas espaciais |
-
2022
- 2022-07-28 CN CN202210901168.4A patent/CN115324772B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4722183A (en) * | 1985-10-01 | 1988-02-02 | Hughes Aircraft Company | Method for controlling the utilization of fluid bipropellant in a spacecraft rocket engine |
| US20040035982A1 (en) * | 2001-11-30 | 2004-02-26 | Ses Americom Inc | System and method for controlling a space-borne propulsion system |
| WO2015031825A1 (en) * | 2013-08-29 | 2015-03-05 | Digital Solid State Propulsion, Inc. | Electrically ignited and throttled pyroelectric propellant rocket engine |
| US20170205266A1 (en) * | 2014-06-03 | 2017-07-20 | Safran Aircraft Engines | Method and system for evaluating a flow rate of a fluid |
| EP3153691A1 (fr) * | 2015-10-08 | 2017-04-12 | Airbus Safran Launchers SAS | Procede et circuit de regulation de moteur-fusee |
| CN105606368A (zh) * | 2016-02-03 | 2016-05-25 | 中国空空导弹研究院 | 固冲发动机燃气流量调节冷流和热流地面试验系统 |
| US20180017044A1 (en) * | 2016-07-15 | 2018-01-18 | Wesley Faler | Plasma Propulsion System Feedback Control |
| CN107701330A (zh) * | 2017-09-14 | 2018-02-16 | 北京控制工程研究所 | 一种不基于气体旁路的系统混合比主动控制方法 |
| US20220067249A1 (en) * | 2020-02-05 | 2022-03-03 | Imagars Llc | Machine Learning to Accelerate Design of Energetic Materials |
| 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 |
| WO2022077079A1 (pt) * | 2020-10-16 | 2022-04-21 | Comando De Operações Aeroespaciais - Comae | Método de controle de razão de mistura por atuação térmica nos tanques de propelentes de sistemas espaciais |
| CN114201914A (zh) * | 2021-11-23 | 2022-03-18 | 内蒙航天动力机械测试所 | 一种基于bp神经网络的固体发动机试验数据分析方法 |
Non-Patent Citations (4)
| Title |
|---|
| WU, Y等: "Experimental investigation of fuel composition and mix-enhancer effects on the performance of paraffin-based hybrid rocket motors", AEROSPACE SCIENCE AND TECHNOLOGY, 31 October 2018 (2018-10-31), pages 1 - 18 * |
| 定宇;袁莉芳;王庆华;: "双组元统一推进系统加注混合比改进算法及应用", 航天器工程, no. 04, 15 July 2011 (2011-07-15), pages 60 - 64 * |
| 毛晓芳;汪凤山;杨晓红;蔡国飙;: "小推力双组元姿控发动机性能研究", 推进技术, no. 06, 15 December 2012 (2012-12-15), pages 987 - 990 * |
| 陈京;王晗;刘萌;吴雄岗;樊学忠;: "复合改性双基推进剂降感技术及感度机理研究进展", 火炸药学报, no. 06, 15 December 2017 (2017-12-15), pages 15 - 24 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401756A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备 |
| CN117451238A (zh) * | 2023-12-19 | 2024-01-26 | 哈尔滨工业大学 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
| CN117451238B (zh) * | 2023-12-19 | 2024-04-09 | 哈尔滨工业大学 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115324772B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115324772A (zh) | 一种双组元推力器推进剂混合比预测方法 | |
| 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 | |
| CN104826492B (zh) | 一种选择性催化还原法烟气脱硝喷氨控制系统的改进方法 | |
| CN108416086A (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 | |
| 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 | |
| CN110579962B (zh) | 基于神经网络的涡扇发动机推力预测方法及控制器 | |
| CN110219736A (zh) | 基于非线性模型预测控制的航空发动机直接推力控制方法 | |
| CN112286047A (zh) | 基于神经网络的narma-l2多变量控制方法 | |
| Al-Himyari et al. | Review of air-fuel ratio prediction and control methods | |
| CN110851911B (zh) | 终端状态计算模型训练方法、控制序列搜索方法及装置 | |
| CN113780639A (zh) | 基于多任务学习框架的城市固废焚烧氮氧化物NOx排放预测方法 | |
| CN110985216B (zh) | 一种含在线修正的航空发动机智能多变量控制方法 | |
| Berenji et al. | Inductive learning for fault diagnosis | |
| CN116661297A (zh) | 一种变循环发动机双回路闭环模式切换控制方法 | |
| CN114186771B (zh) | 一种混合正则化随机配置网络工业过程运行指标估计方法 | |
| CN110803290A (zh) | 一种新型的弹射座椅程序控制方法 | |
| CN114492187B (zh) | 基于仿人自抗扰的超声速燃烧室脉冲喷注控制方法及系统 | |
| CN114527654A (zh) | 一种基于强化学习的涡扇发动机直接推力智能控制方法 | |
| Guo et al. | Rapid optimization method of solid rocket motor propellant with structural strength | |
| Rashidi | Adaptive neurofuzzy control of engine idle speed | |
| CN111914366B (zh) | 一种高压冷气发射飞行器出筒速度获取方法 | |
| Chen et al. | Study on boiler combustion optimization based on sparse least squares support vector machine | |
| Du et al. | A prediction method of LEO satellite orbit control effect based on multiple regression analysis model | |
| Blinov et al. | Supporting the life cycle of complex technical systems on the basis of intelligent technologies and predictive analytics | |
| Liu et al. | Research and Optimization of Aircraft Remaining Oil Control System based on Fuzzy Algorithm |
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 |