CN115879381A

CN115879381A - 一种火箭发动机冲击载荷预测方法、装置、设备及介质

Info

Publication number: CN115879381A
Application number: CN202310180898.4A
Authority: CN
Inventors: 高玉闪; 王珺; 李斌潮; 刘子俊; 赵瑞国; 侯理臻; 张志伟
Original assignee: Xian Aerospace Propulsion Institute
Current assignee: Xian Aerospace Propulsion Institute
Priority date: 2023-03-01
Filing date: 2023-03-01
Publication date: 2023-03-31
Anticipated expiration: 2043-03-01
Also published as: CN115879381B

Abstract

本发明公开一种火箭发动机冲击载荷预测方法、装置、设备及介质，涉及火箭发动机技术领域，以解决现有冲击载荷预测方法运算量大，受噪声影响大，准确度低的问题。一种火箭发动机冲击载荷预测方法包括：获取载荷等效位置和响应测量位置；在各载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；基于加速度时域信号，确定锤击载荷对应的样本数据；样本数据包括系统加速度响应、系统速度响应和系统位移响应；基于样本数据对深度神经网络模型进行训练；将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。本发明提供的火箭发动机冲击载荷预测方法用于提高发动机冲击载荷预测的准确性。

Description

一种火箭发动机冲击载荷预测方法、装置、设备及介质

技术领域

本发明涉及火箭发动机技术领域，尤其涉及一种火箭发动机冲击载荷预测方法、装置、设备及介质。

背景技术

火箭发动机工作环境十分严酷，存在不均匀高温高压高速气流、巨大热冲击等，这些气流将以动载荷形式作用在发动机结构上，影响发动机整机和部件的强度和寿命。当前的火箭发动机定寿评估并不能较好地反映出发动机实际工作下的载荷环境，特别是其中的冲击载荷，导致发动机在正常寿命周期内出现各种结构的强度问题，进而影响航天飞行器的可靠性和安全性。

自20世纪70年代以来，国内外研究人员对载荷识别技术进行了深入的研究，主要有频域法和时域法。频域内的载荷识别方法由于从频域上进行载荷反演，无法反应冲击载荷的时域特性。而时域内的载荷识别方法在进行卷积运算时运算量较大，且对测量信号噪声敏感，存在误差传递与误差累积，导致冲击载荷识别不准确。

发明内容

本发明的目的在于提供一种火箭发动机冲击载荷预测方法、装置、设备及介质，用于解决现有冲击载荷识别方法运算量大，受噪声影响大，准确度低的问题。

为了实现上述目的，本发明提供如下技术方案：

一方面，本发明提供一种火箭发动机冲击载荷预测方法，包括：

获取载荷等效位置和响应测量位置；

在各所述载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；

基于所述加速度时域信号，确定所述锤击载荷对应的样本数据；所述样本数据包括系统加速度响应、系统速度响应和系统位移响应；

基于所述样本数据对深度神经网络模型进行训练；

将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。

与现有技术相比，本发明提供的一种火箭发动机冲击载荷预测方法，包括：获取载荷等效位置和响应测量位置；在各载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；基于加速度时域信号，确定锤击载荷对应的样本数据；样本数据包括系统加速度响应、系统速度响应和系统位移响应；基于样本数据对深度神经网络模型进行训练；将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。本发明通过确定的载荷等效位置将火箭发动机工作状态下的分布载荷等效为多个集中载荷，采用锤击实验的方法，并测量响应测量位置的加速度，根据加速度确定样本数据，得到用于训练的样本数据更接近发动机真实运行状态，使得训练更加准确，可以从时域上识别火箭发动机冲击载荷；另外将加速度、速度和位移同时作为网络输入，使深度神经网络进行输入输出映射时，更符合发动机的动力学物理意义，识别的冲击载荷更准确。同时，相比传统的时域方法，本发明选择深度神经网络作为预测模型，不需要进行卷积运算，因此不存在误差积累的问题，抗干扰能力更好。

第二方面，本发明还提供一种火箭发动机冲击载荷预测装置，包括：

载荷等效位置和响应测量位置获取模块，用于获取载荷等效位置和响应测量位置；

锤击实验记录模块，用于在各所述载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；

样本数据确定模块，用于基于所述加速度时域信号，确定所述锤击载荷对应的样本数据；所述样本数据包括系统加速度响应、系统速度响应和系统位移响应；

深度神经网络模型训练模块，用于基于所述样本数据对深度神经网络模型进行训练；

冲击载荷预测模块，用于将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。

与现有技术相比，本发明提供的一种火箭发动机冲击载荷预测装置的有益效果与上述技术方案所述火箭发动机冲击载荷预测方法的有益效果相同，此处不做赘述。

第三方面，本发明还提供一种火箭发动机冲击载荷预测设备，包括：

通信单元/通信接口，用于获取载荷等效位置和响应测量位置；

处理单元/处理器，用于在各所述载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；

基于所述样本数据对深度神经网络模型进行训练；

与现有技术相比，本发明提供的一种火箭发动机冲击载荷预测设备的有益效果与上述技术方案所述火箭发动机冲击载荷预测方法的有益效果相同，此处不做赘述。

第四方面，本发明还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令被运行时，实现上述火箭发动机冲击载荷预测方法。

与现有技术相比，本发明提供的计算机可读存储介质的有益效果与上述技术方案所述火箭发动机冲击载荷预测方法的有益效果相同，此处不做赘述。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明提供的一种火箭发动机冲击载荷预测方法流程图；

图2为本发明提供的发动机结构示意图；

图3为本发明提供的识别的涡轮壳体身部的冲击载荷时间历程图；

图4为本发明提供的识别的氧泵身部第三点位的冲击载荷时间历程图；

图5为本发明提供的识别的燃料一级泵身部第一点位的冲击载荷时间历程图；

图6为本发明提供的识别的喉部的冲击载荷时间历程图；

图7为本发明提供的一种火箭发动机冲击载荷预测装置的结构示意图；

图8为本发明提供的一种火箭发动机冲击载荷预测设备的结构示意图。

实施方式

为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。

需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。

本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项（个）”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。

在介绍本发明实施例之前首先对本发明实施例中涉及到的相关名词作如下释义：

动载荷是指随时间作用明显变化的载荷，即具有较大加载速率的载荷，包括短时间快速作用的冲击载荷如空气锤，随时间作周期性变化的周期载荷和非周期变化的随机载荷。

冲击载荷，在很短的时间内以很大的速度作用在构件上的载荷。

BP神经网络是一种按误差反向传播训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。

随着计算机计算能力的发展，具有强非线性映射能力的深度神经网络也被广泛应用于载荷识别领域，可通过神经网络来拟合动力学系统载荷和响应之间的复杂关系。然而动力学系统外载荷和响应之间的映射关系需要通过多个测量响应如位移，速度以及加速度来确定，而目前基于神经网络的载荷识别方法，其网络输入一般为单一测量响应，往往需要更复杂的网络结构来补偿，且网络输入输出之间的映射关系的物理意义过于模糊，导致冲击载荷的识别准确度低。

为解决上述问题，本发明提供一种火箭发动机冲击载荷预测方法、装置、设备及介质，同时将位移、速度以及加速度作为网络输入，能够在时域上识别火箭发动机的冲击载荷，且受噪声影响小，接下来结合附图进行说明。

图1为本发明提供的一种火箭发动机冲击载荷预测方法流程图，如图1所示，火箭发动机冲击载荷预测方法包括以下步骤：

步骤101：获取载荷等效位置和响应测量位置。

具体的，根据发动机的工作原理和结构特性，确定载荷等效位置和响应测量位置，以图2中的发动机为例进行说明，如图2所示，该发动机包括涡轮壳体、氧泵、燃料一级泵、燃料二级泵、燃烧室、喉部、喷管上、喷管下、燃料预压泵、蒸发器、发生器、氧预压泵、启动箱、大气瓶等部件，液氧分叉管路、氧预压泵与氧泵入口弯管，燃料路流量调节管路，燃料一级泵出口管、燃气弯管、燃料入口弯管等管路。其中，火箭发动机载荷等效位置应选择在发动机主振源部件上，因此确认的载荷等效位置为：涡轮壳体身部一号点位，涡轮壳体身部二号点位，氧泵身部一号点位，氧泵身部二号点位，氧泵身部三号点位，氧泵身部四号点位，燃料一级泵身部一号点位，燃料一级泵身部二号点位，燃料二级泵身部一号点位，燃料二级泵身部二号点位，燃烧室身部以及喉部等12个载荷等效位置。其中，涡轮壳体身部一号点位的具体位置为：指向燃烧室，朝向涡轮泵入口的径向；涡轮壳体身部二号点位的具体位置为垂直涡轮泵与燃烧室连线的切向；氧泵身部一号点位的具体位置为：竖直方向靠近涡轮泵，圆周方向对齐涡轮泵第一点位；氧泵身部二号点位的具体位置为：竖直方向靠近涡轮泵，圆周方向对齐涡轮泵第二点位；氧泵身部三号点位的具体位置为：竖直方向靠近燃料一级泵，圆周方向对齐涡轮泵一号点位；氧泵身部四号点位的具体位置为：竖直方向靠近燃料一级泵，圆周方向对齐涡轮泵二号点位；燃料一级泵身部一号点位的具体位置为：圆周方向对齐涡轮泵一号点位；燃料一级泵身部二号点位的具体位置为：圆周方向与涡轮泵二号点位呈180°；燃料二级泵身部一号点位的具体位置为：靠近燃料二级泵出口；燃料二级泵身部二号点位的具体位置为：靠近燃料路，与一号点位呈90°；燃烧室身部的具体位置为：氧预压泵和气瓶之间；喉部的具体位置为：燃料预压泵和涡轮泵之间。

响应测量位置应选择在发动机主振源部件、主要管路和重要部件上，因此确定的响应测量位置为：涡轮出口处的燃气弯管，涡轮壳体身部，推力室顶部的燃气弯管，蒸发器身部，喉部，氧泵身部，燃料一级泵身部，燃料二级泵身部，燃料二级泵出口管中间流量调节器，燃料入口弯管，氧预压泵身部，启动箱连接处的氧预压泵出口至氧泵入口弯管，液氧出口分叉管路法兰，发生器身部，发生器氧化剂阀阀体端头，氧预压泵入口连接支板，靠近氧预压泵的大气瓶上支架，靠近燃料预压泵的大气瓶下支架，氧预压泵到气瓶之间的燃烧室身部，燃料预压泵身部，发生器燃料阀阀体端头，燃料路流量调节器下端法兰，燃料预压泵到气瓶之间的燃烧室身部，燃料预压泵与燃烧室连接支板，氧泵径向约束装置支板，调节器电机，集液环下方和启动箱下方的第一喷管身部，集液环下方和对齐涡轮泵的第二喷管身部，燃料预压泵到气瓶之间的集液环上方和喉部下方的第三喷管身部，氧预压泵到气瓶之间的集液压环上方和喉部下方的第四喷管身部。

步骤102：在各所述载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷。

在上述确定的12个载荷等效位置上分别进行10次锤击实验，记录锤击载荷F，并记录30个响应测量位置处加速度传感器测量的加速度时域信号a。需要说明的是每次锤击12个载荷等效位置的锤击载荷数值相同，上述锤击实验次数仅为举例说明，不做具体限定，可以根据需要设置锤击实验次数。

步骤103：基于所述加速度时域信号，确定所述锤击载荷对应的样本数据；所述样本数据包括系统加速度响应、系统速度响应和系统位移响应。

作为一种可选的方式，所述基于所述加速度时域信号，确定所述锤击载荷对应的样本数据，包括：

将每个响应测量位置上测得的各载荷等效位置对应的加速度时域信号进行线性叠加处理，得到各响应测量位置的系统加速度响应；

由于在实际环境中，火箭发动机受到冲击时，所有的载荷等效位置均会产生冲击载荷，因此需要将12个载荷等效位置分别受到冲击后，各响应测量位置处的加速度响应数据进行线性叠加处理，得到的系统加速度响应即可以等效为整个发动机系统受到冲击时各响应测量位置处的加速度响应。

根据所述系统加速度响应计算得到各响应测量位置的系统速度响应和系统位移响应。

具体的，在锤击实验采集响应的初始时刻，响应测量位置的速度

和位移/>

均为0，根据公式（1）和公式（2）计算系统速度响应的时域信号/>

和系统位移响应的时域信号/>

，如公式（1）和公式（2）所示：

（1）

（2）

其中，

为系统加速度响应的时域信号，τ= t，t为时间，取值为1、2、3......。

通过上述锤击实验，得到的10组数据，每组数据中包括锤击电荷以及锤击电荷对应的30个响应测量位置的系统加速度响应、系统位移响应和系统速度响应。将这10组数据中的9组数据作为训练样本对深度神经网络模型进行训练，剩余的1组数据作为测试数据对训练好的深度神经网络模型进行性能测试。

步骤104：基于所述样本数据对深度神经网络模型进行训练。

建立的深度神经网络模型至少包括两层神经网络，每层神经网络至少包括三个神经元。

示例性的，建立一个结构为10*10*10*10*10*10*10*10*10*10的初始深度BP神经网络模型，该深度神经网络包括十层神经网络，每层神经网络包括十个神经元。

作为一种可选的方式，所述基于所述样本数据对深度神经网络模型进行训练，包括：

将所述系统加速度响应、系统速度响应和系统位移响应合并为一个矩阵；

将9组训练样本和1组测试样本中每组数据中的系统加速度响应、系统速度响应和系统位移响应合并为一个矩阵。

对所述矩阵进行归一化处理，得到归一化响应数据；

将每组数据中的矩阵进行归一化处理，得到训练样本的归一化响应数据和测试样本的归一化响应数据。

将所述归一化响应数据输入到初始深度BP神经网络模型中，得到预测结果；

将训练样本中的归一化响应数据输入到初始深度BP神经网络模型中，得到预测结果。

对所述预测结果进行反归一化处理得到预测冲击载荷；

将所述预测冲击载荷与训练样本中的锤击载荷进行对比，根据对比结果对深度神经网络模型的参数进行调整，直到训练完成。

深度BP神经网络模型训练完成后，将所述测试样本中的归一化响应数据输入到训练好的深度BP神经网络模型中，对训练好的深度BP神经网络模型的性能进行测试。

测试的部分结果可以参见图3到图6，其中，真实载荷为锤击载荷，识别载荷为训练好的深度BP神经网络模型预测得到的冲击载荷。图3为识别的涡轮壳体身部的冲击载荷时间历程图，如图3所示，预测的识别载荷在时间为0.1s时的最高载荷值为150N左右，真实载荷在时间为0.1s时的最高载荷值为140N左右，在载荷值为0到50N之间的真实载荷与识别载荷的载荷随时间的波动情况基本重合。图4为识别的氧泵身部第三点位的冲击载荷时间历程图，如图4所示，预测的识别载荷在时间为0.1s时最高载荷值为185N左右，真实载荷在时间为0.1s时的最高载荷值为180N左右，在载荷值为0到50N之间，真实载荷和识别载荷随时间的载荷随时间的波动情况基本重合。图5为识别的燃料一级泵身部第一点位的冲击载荷时间历程图，如图5所示，预测的识别载荷在时间为0.1s时的最高载荷值为200N左右，真实载荷在时间为0.1s时的最高载荷值为180N左右，在载荷值为0到50N之间的真实载荷与识别载荷的载荷随时间的波动情况基本重合。图6为识别的喉部的冲击载荷时间历程图，如图6所示，预测的识别载荷在时间为0.1s时的最高载荷值为130N左右，真实载荷在时间为0.1s时的最高载荷值为185N左右，在载荷值为0到50N之间的真实载荷与识别载荷的载荷随时间的波动情况基本重合。可知，识别载荷与真实载荷的最高载荷值的差不超过55N，识别载荷在载荷值为50N以内的载荷随时间波动情况与真实载荷的载荷随时间波动情况基本一致，由此可见，通过多个测量响应作为输入训练深度神经网络的方法预测出的冲击载荷具有较高的准确性。

步骤105：将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。

作为一种可选的方式，所述将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号，包括：

获取各响应测量位置的待预测加速度时域信号；

根据所述待预测加速度时域信号计算得到待预测系统速度响应和待预测系统位移响应；

将所述待预测加速度时域信号、待预测系统速度响应和待预测系统位移响应合并为一个矩阵并进行归一化处理，得到待预测数据；

将所述待预测数据输入到训练好的深度神经网络模型中，得到预测结果；

对预测结果进行反归一化处理，得到预测的发动机的冲击载荷信号，从而完成火箭发动机冲击载荷识别。

作为一种可选的方式，所述获取各响应测量位置的待预测加速度时域信号，包括：

在发动机受到冲击时，记录各响应测量位置处的加速度传感器测量的时域信号。

通过上述火箭发动机冲击载荷预测方法的介绍，可知本火箭发动机冲击载荷预测方法通过确定的载荷等效位置将火箭发动机工作状态下的分布载荷等效为多个集中载荷，采用锤击实验的方法，并测量响应测量位置的加速度，根据加速度确定样本数据，得到用于训练的样本数据更接近发动机真实运行状态，使得训练更加准确，可以从时域上识别火箭发动机冲击载荷；另外将加速度、速度和位移同时作为网络输入，使深度神经网络进行输入输出映射时，更符合发动机的动力学物理意义，识别的冲击载荷更准确。同时，相比传统的时域方法，本发明选择深度神经网络作为预测模型，不需要进行卷积运算，因此不存在误差积累的问题，抗干扰能力更好。

上述主要从方法实施步骤的角度对本发明实施例提供的方案进行了介绍。可以理解的是，为了实现上述功能，其包含了执行各个功能响应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

本发明实施例可以根据上述方法示例进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

在采用对应各个功能划分各个功能模块的情况下，图7示出了本发明提供的一种火箭发动机冲击载荷预测装置的结构示意图。如图7所示，该装置包括：

载荷等效位置和响应测量位置获取模块701，用于获取载荷等效位置和响应测量位置；

锤击实验记录模块702，用于在各所述载荷等效位置上进行锤击实验，测量各响应测量位置的加速度时域信号并记录锤击载荷；

样本数据确定模块703，用于基于所述加速度时域信号，确定所述锤击载荷对应的样本数据；所述样本数据包括系统加速度响应、系统速度响应和系统位移响应；

深度神经网络模型训练模块704，用于基于所述样本数据对深度神经网络模型进行训练；

冲击载荷预测模块705，用于将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号。

可选的，所述深度神经网络模型训练模块704，还可以包括：

矩阵合并单元，用于将所述系统加速度响应、系统速度响应和系统位移响应合并为一个矩阵；

归一化单元，用于对所述矩阵进行归一化处理，得到归一化响应数据；

预测单元，用于将所述归一化响应数据输入到深度神经网络模型中，得到预测结果；

反归一化单元，用于对所述预测结果进行反归一化处理得到预测冲击载荷；

参数调整单元，用于将所述预测冲击载荷与所述锤击载荷进行对比，根据对比结果对深度神经网络模型的参数进行调整，直到训练完成。

所述深度神经网络模型训练模块704，还可以包括：

测试单元，用于将所述归一化响应数据中的测试样本输入到所述深度神经网络模型中，对所述深度神经网络模型的性能进行测试。

可选的，所述样本数据确定模块703，还可以包括：

线性叠加处理单元，用于将每个响应测量位置上测得的各载荷等效位置对应的加速度时域信号进行线性叠加处理，得到各响应测量位置的系统加速度响应；

系统速度响应和系统位移响应计算单元，用于根据所述系统加速度响应计算得到各响应测量位置的系统速度响应和系统位移响应。

可选的，所述冲击载荷预测模块705，具体可以用于：

获取各响应测量位置的待预测加速度时域信号；

对预测结果进行反归一化处理，得到预测的发动机的冲击载荷信号。

可选的，所述冲击载荷预测模块705，具体还可以用于：

可选的，所述深度神经网络至少包括两层神经网络，每层神经网络至少包括三个神经元。

图8示出本发明提供的一种火箭发动机冲击载荷预测设备的结构示意图。如图8所示，该火箭发动机冲击载荷预测设备包括：

基于所述样本数据对深度神经网络模型进行训练；

在一些可能的实现方式中，上述火箭发动机冲击载荷预测设备还可以包括存储模块，用于存储基站的程序代码和数据。

其中，处理模块可以是处理器或控制器，例如可以是中央处理器（CentralProcessing Unit，CPU），通用处理器，数字信号处理器（Digital Signal Processor，DSP），专用集成电路（Application-Specific Integrated Circuit，ASIC），现场可编程门阵列（Field Programmable Gate Array，FPGA）或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信模块可以是收发器、收发电路或通信接口等。存储模块可以是存储器。

可选的，本发明实施例中的计算机执行指令也可以称之为应用程序代码，本发明实施例对此不作具体限定。

在具体实现中，作为一种实施例，如图8所示，处理器可以包括一个或多个CPU，如图8中的CPU0和CPU1。

在具体实现中，作为一种实施例，如图8所示，终端设备可以包括多个处理器，如图8中的处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。

一方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令被运行时，可以实现：

获取载荷等效位置和响应测量位置；

基于所述样本数据对深度神经网络模型进行训练；

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘（digital video disc，DVD）；还可以是半导体介质，例如，固态硬盘（solid state drive，SSD）。

尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”（comprising）一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。响应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims

1.一种火箭发动机冲击载荷预测方法，其特征在于，包括：

获取载荷等效位置和响应测量位置；

基于所述样本数据对深度神经网络模型进行训练；

2.根据权利要求1所述火箭发动机冲击载荷预测方法，其特征在于，所述基于所述样本数据对深度神经网络模型进行训练，包括：

对所述矩阵进行归一化处理，得到归一化响应数据；

将所述归一化响应数据输入到深度神经网络模型中，得到预测结果；

对所述预测结果进行反归一化处理得到预测冲击载荷；

将所述预测冲击载荷与所述锤击载荷进行对比，根据对比结果对深度神经网络模型的参数进行调整，直到训练完成。

3.根据权利要求2所述火箭发动机冲击载荷预测方法，其特征在于，所述将所述预测冲击载荷与所述锤击载荷进行对比，根据对比结果对深度神经网络模型的参数进行调整，直到训练完成，之后还包括：

将所述归一化响应数据中测试样本对应的归一化响应数据输入到训练好的深度神经网络模型中，对训练好的深度神经网络模型的性能进行测试。

4.根据权利要求1所述火箭发动机冲击载荷预测方法，其特征在于，所述基于所述加速度时域信号，确定所述锤击载荷对应的样本数据，包括：

5.根据权利要求1所述火箭发动机冲击载荷预测方法，其特征在于，所述将待预测数据输入训练完成的深度神经网络模型中，预测得到发动机的冲击载荷信号，包括：

获取各响应测量位置的待预测加速度时域信号；

6.根据权利要求5所述火箭发动机冲击载荷预测方法，其特征在于，所述获取各响应测量位置的待预测加速度时域信号，包括：

7.根据权利要求1所述火箭发动机冲击载荷预测方法，其特征在于，所述深度神经网络至少包括两层神经网络，每层神经网络至少包括三个神经元。

8.一种火箭发动机冲击载荷预测装置，其特征在于，包括：

9.一种火箭发动机冲击载荷预测设备，其特征在于，包括：

基于所述样本数据对深度神经网络模型进行训练；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令被运行时，实现权利要求1~7任一项所述火箭发动机冲击载荷预测方法。