CN116629143A - 一种火箭模拟发射参数判读方法、计算设备及存储介质 - Google Patents
一种火箭模拟发射参数判读方法、计算设备及存储介质 Download PDFInfo
- Publication number
- CN116629143A CN116629143A CN202310911622.9A CN202310911622A CN116629143A CN 116629143 A CN116629143 A CN 116629143A CN 202310911622 A CN202310911622 A CN 202310911622A CN 116629143 A CN116629143 A CN 116629143A
- Authority
- CN
- China
- Prior art keywords
- interpretation
- rocket
- data
- model
- parameter
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004088 simulation Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 description 13
- 238000000605 extraction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种火箭模拟发射参数判读方法、计算设备及存储介质,属于数据处理技术领域,包括收集火箭模拟发射试验的判读参数数据,对收集火箭模拟发射试验的判读参数数据进行预处理和特征提取;使用预处理和特征提取后的数据,构建判读模型;利用训练数据集进行判读模型训练,并使用测试数据集对训练好的判读模型进行评估和验证;将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析。本发明对运载火箭模拟发射试验数据的自动判读,实现对复杂数据的准确判读。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种火箭模拟发射参数判读方法、计算设备及存储介质。
背景技术
在现代航天领域,模拟发射试验是评估和验证运载火箭性能的关键环节。传统的模拟发射试验通常依赖于人工判读数据,这种方法存在着人为误差和效率低下的问题。
近年来,随着自动化数据分析在航天领域的应用逐渐多样化,出现了一些相应的技术方案能够在一定程度上实现火箭模拟发射参数判读的自动化。
但是,现有技术方案需要依赖于人工标记的数据集进行训练,这限制了其适用范围和扩展性。此外,一些技术方案在处理复杂的火箭试验数据时可能存在准确性和效率的问题。由于航天领域的特殊性,模拟发射试验数据通常具有高维度、复杂的时间序列特征,因此需要更加精确和高效的自动判读方法。
有鉴于此,实有必要提供一种新的技术方案以解决上述问题。
发明内容
为解决上述技术问题,本申请提供一种火箭模拟发射参数判读方法、计算设备及存储介质,能够对运载火箭模拟发射试验数据的自动判读,实现对复杂数据的准确判读。
一种火箭模拟发射参数判读方法,包括:
收集火箭模拟发射试验的判读参数数据,对收集火箭模拟发射试验的判读参数数据进行预处理和特征提取;
使用预处理和特征提取后的数据,构建判读模型;
利用训练数据集进行判读模型训练,并使用测试数据集对训练好的判读模型进行评估和验证;
将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析。
优选的,在将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析之后,还包括:
通过收集反馈数据和使用增强学习算法,对模型进行自我优化和学习;
根据实时反馈和新的试验数据,对模型进行调整和更新。
优选的,在将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析之后,还包括:
考虑不同类型火箭模拟发射试验的判读参数的关联和影响,将各判读参数的判读结果进行综合分析:
通过综合判读结果,对整个火箭发射试验性能进行综合评估,识别潜在的问题或异常情况;
将识别到的潜在的问题或异常情况进行可视化展示。
优选的,所述通过综合判读结果,对整个火箭发射试验性能进行综合评估,识别潜在的问题或异常情况包括
针对每个参数或判读结果,设定相应的阈值或指标范围;
对各个参数的判读结果进行综合分析,考虑它们之间的关联和影响;
利用异常检测方法,对综合判读结果进行异常检测和识别;
对于超过设定阈值或不符合指标范围的判读结果,将其标识为潜在问题或异常情况;
根据识别的问题或异常情况,生成相应的警报或反馈。
优选的,所述判读模型采用多层感知机作为神经网络的基本架构,包括均具有多个神经元的输入层、隐藏层和输出层;每个所述神经元能够接收上一层的输入,并通过激活函数进行处理,将结果传递给下一层;所述判读模型采用交叉熵损失函数作为优化目标,用于衡量模型预测结果与实际标签之间的差异;所述判读模型使用梯度下降法或其变种算法来最小化损失函数;其中,所述激活函数为ReLU函数或Sigmoid函数。
优选的,所述神经网络包括卷积神经网络和/或循环神经网络;其中,所述卷积神经网络用于处理具有空间结构的数据,所述循环神经网络用于处理具有时序关系的数据。
优选的,在所述利用训练数据集进行判读模型训练的过程中,需要对模型的超参数进行调优;所述超参数包括学习率、批量大小、网络结构和层数、正则化参数、激活函数。
优选的,其特征在于,所述火箭模拟发射试验的判读参数数据包括发动机参数、加速度参数、轨迹参数、姿态参数和温度参数。
根据本申请的另一方面,还提一种计算设备,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行所述的火箭模拟发射参数判读方法。
根据本申请的另一方面,还提一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,当所述指令在计算机上运行时,使得计算机执行所述的火箭模拟发射参数判读方法。
与现有技术相比,本申请至少具有以下有益效果:
1、本发明能够自动判读火箭模拟发射试验中的多种关键性能参数,通过深度学习和机器学习算法,结合数据预处理和特征提取方法,实现对复杂数据的准确判读。
2、本发明能够快速、准确地处理实时采集的数据,并实时反馈判读结果,通过与传感器和数据采集系统的无缝集成,实现对火箭试验数据的即时监测、判读和分析。
3、本发明基于神经网络,使判读模型具备自我优化和学习的能力,模型能够根据实时反馈不断优化自身的判读能力,并适应不同环境和条件,提高模型的性能和稳定性。
4、本发明的火箭模拟发射参数判读方法可以适应不同类型和规模的运载火箭模拟发射试验,同时具备适应性强、可定制性高的特点,可以根据实际需求进行灵活调整和优化。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本发明的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比例绘制的。附图中:
图1为本发明火箭模拟发射参数判读方法的整体流程示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如图1所示,一种火箭模拟发射参数判读方法,包括以下步骤:
步骤S1、收集火箭模拟发射试验的判读参数数据,对收集火箭模拟发射试验的判读参数数据进行预处理和特征提取。
具体的,所述火箭模拟发射试验的判读参数数据包括发动机参数、加速度参数、轨迹参数、姿态参数和温度参数。
表1 火箭模拟发射试验的判读参数数据表
如表1所示,运载火箭模拟发射试验自动判读参数包括:发射时间、偏航角、偏航距、风速、风向、火箭经度、火箭纬度、地速、真航向、磁航向、偏流角、航迹角、俯仰角、横滚角、天向速度、北向速度、东向速度、箭体横轴角速率、箭体纵轴角速率、箭体法向轴角速率、纵轴角加速度、横轴角加速度、法向轴角加速度、箭体横轴加速度、箭体纵轴加速度、箭体法向轴加速度、地理系东向加速度、地理系北向加速度、地理系垂直加速度、惯性气压高度、无线电罗盘方位、绝对气压高度、相对气压高度、马赫数、指示空速、真空速、大气总温、升降速度、大气静温、动压、静压、真攻角、总压、无线电高度、发动机告警信息数据、振动告警数据、芯一级发动机压力、芯二级发动机压力、第一姿控贮箱出口压力、第二姿控贮箱出口压力、第三姿控贮箱出口压力、第四姿控贮箱出口压力、发动机转速、发动机排气温度和结冰告警。
对收集火箭模拟发射试验的判读参数数据进行预处理,能够确保数据的准确性和可靠性。可以采用去除噪声、填补缺失值和标准化处理等方法进行预处理,以便后续的数据分析和判读
对收集火箭模拟发射试验的判读参数数据进行特征提取时,先对其进行加噪预处理,然后对加噪预处理后的数据进行特征提取,将原始数据转化为更具有判别性的特征向量。在这一步骤中,应选择适当的特征提取方法,如统计特征、频域特征或时频特征等,以捕捉不同参数之间的关联和重要性。
步骤S2、使用预处理和特征提取后的数据,构建判读模型。
具体的,构建的判读模型是一个基于深度学习的神经网络模型。神经网络是一种模拟人脑神经系统结构和功能的数学模型,通过多个层次的神经元相互连接来处理和学习数据。
具体而言,本发明中的判读模型可以采用多层感知机(Multilayer Perceptron,MLP)作为神经网络的基本架构。MLP由输入层、隐藏层和输出层组成,每个层都包含多个神经元。每个神经元接收上一层的输入,并通过激活函数进行处理,将结果传递给下一层。
在构建判读模型时,可以采用交叉熵损失函数(Cross-Entropy Loss)作为优化目标,用于衡量模型预测结果与实际标签之间的差异。为了使模型能够进行有效的训练,可以使用梯度下降法或Adam优化器等变种算法来最小化损失函数。
对于每个神经元,可以选择适当的激活函数,如ReLU函数或Sigmoid函数,以引入非线性特征并提升模型的表达能力。同时,通过添加L1正则化或L2正则化的正则化技术和丢弃(Dropout)层,可以减少模型的过拟合现象,提高模型的泛化能力。
此外,为了进一步提高判读模型的性能,可以使用卷积神经网络(CNN)或循环神经网络(RNN)作为神经网络的变体。利用卷积神经网络处理具有空间结构的数据,如图像或时间序列数据,利用循环神经网络处理具有时序关系的数据。
步骤S3、利用训练数据集进行判读模型训练,并使用测试数据集对训练好的判读模型进行评估和验证。
其中,训练数据集可以通过以下方式获取:
实验数据采集:在运载火箭模拟发射试验过程中,使用合适的数据采集设备和传感器对各种参数进行实时采集。这些采集的数据可以包括推力、加速度、轨迹、姿态、温度等多个方面的信息。
实验记录和文档:对于以往的运载火箭模拟发射试验,已经进行的实验记录和文档可能包含了丰富的参数数据和对应的判读结果。这些记录和文档可以作为训练数据集的补充来源。
人工标注:针对一些关键参数或特定场景下,可以请专业人员进行人工判读,并将其结果作为训练数据集的标签。这些人工标注的数据可以提供高质量的判读结果,用于训练判读模型。
训练数据集的内容应该涵盖各种参数和其对应的标签或判读结果。例如,推力、加速度、姿态角等作为输入参数,而火箭的状态、性能指标、异常情况等则可以作为输出标签。同时,应该确保训练数据集具有代表性,覆盖各种场景、条件和试验情况,以提高判读模型的泛化能力。
在获得训练数据集后,需要将其划分为训练集和验证集,用于模型的训练和评估。常见的划分比例是将数据集的大部分用于训练,剩余部分用于验证模型的性能。这样可以确保模型在训练过程中能够学习到不同场景和条件下的模式,并对其泛化能力进行验证。在本发明的实施中,将训练集与验证集的比例设置为8:2。
通过使用包括实验数据采集、实验记录和文档以及人工标注等多种方式获得的训练数据集,能够构建一个具有代表性和丰富信息的数据集,以用于训练判读模型并实现最佳性能和泛化能力。
与现有的测试数据集获取方法相比,针对本发明的判读模型的测试数据集获取方法有以下主要区别点:
数据类型:本发明的判读模型是面向运载火箭模发试验的自动判读模型,因此测试数据集需要包含与运载火箭模发试验相关的数据。与一般的测试数据集获取方法相比,需要获取与火箭试验相关的数据,例如火箭发射过程中的传感器数据、试验记录等。
数据来源:测试数据集的获取与现有的测试数据集获取方法可能有所不同。针对本发明的判读模型,测试数据集可以来自于实际的运载火箭模拟发射试验或实际发射过程中采集的数据。这些数据可以通过合适的传感器设备或记录仪来收集。
数据标注:测试数据集的标注也可能有所不同。针对本发明的判读模型,测试数据集的样本需要有对应的标签或判读结果,以便与模型的预测结果进行比较和评估。这些标签或判读结果可以是根据实验记录或专家知识进行人工标注的。
数据分布:与现有的测试数据集获取方法相比,针对本发明的判读模型,测试数据集的数据分布应该与运载火箭模拟发射试验的实际场景相符合。它应该包含各种不同的试验条件、环境参数以及可能出现的故障情况,以测试模型在不同情况下的判读性能。
综上所述,与现有的测试数据集获取方法相比,针对本发明的判读模型需要特别考虑与运载火箭模拟发射试验相关的数据类型、数据来源、数据标注和数据分布,以确保测试数据集的质量和适用性。
此外,在所述利用训练数据集进行判读模型训练的过程中,需要对模型的超参数进行调优,以获得最佳的性能和泛化能力。
模型的超参数主要包括以下方面:
学习率(Learning Rate):学习率决定了模型在每次迭代中更新参数的步长大小。过小的学习率会导致收敛速度过慢,而过大的学习率可能导致模型无法收敛。常见的调优方法包括网格搜索、随机搜索或使用自适应的优化算法,如Adam优化器。
批量大小(Batch Size):批量大小指每次迭代中用于更新参数的样本数量。较小的批量大小可以提供更多的梯度更新,但会增加计算成本;较大的批量大小可以提高计算效率,但可能会导致模型陷入局部最优。可以通过尝试不同的批量大小,并观察模型在验证集上的性能来进行调优。
网络结构和层数:神经网络的结构和层数对模型的性能具有重要影响。可以尝试不同的网络结构,包括增加或减少隐藏层的数量、增加或减少神经元的数量等,并通过交叉验证或验证集性能评估来选择最佳的网络结构。
正则化参数:正则化参数用于控制模型的复杂度,防止过拟合。常见的正则化方法包括L1正则化和L2正则化。可以通过交叉验证或验证集性能评估来选择合适的正则化参数。
激活函数:激活函数对模型的非线性建模能力有很大影响。常用的激活函数包括ReLU函数、Sigmoid函数和Tanh函数等。根据实际问题和数据特征,可以尝试不同的激活函数,并通过验证集性能评估来选择最佳的激活函数。
丢弃(Dropout)比例:Dropout技术是一种正则化技术,用于减少模型的过拟合。通过在训练过程中随机丢弃一部分神经元,可以减少神经元之间的依赖关系。可以尝试不同的Dropout层比例,并选择在验证集上表现最好的比例。
迭代次数和早停策略:迭代次数指模型进行参数更新的总次数。需要找到合适的迭代次数,使模型在训练集上获得较好的性能,并避免过拟合。
本发明的实施例中,采用迭代次数和早停策略进行调优,具体包括以下几个步骤:
初始设置合适的迭代次数。根据经验或初始训练的结果,设定一个较大的迭代次数作为初始值,以确保模型有足够的训练时间。
监控训练集和验证集的性能。在每次迭代后,通过评估训练集和验证集上的性能指标(如损失函数或准确率)来监控模型的训练过程。
判断是否发生过拟合。观察训练集和验证集的性能变化。如果训练集的性能继续提升,而验证集的性能开始下降,则可能出现过拟合的情况。
使用早停策略。当发现验证集性能开始下降时,可以停止训练,避免进一步过拟合。一种常见的早停策略是根据验证集性能的连续若干轮未提升来确定停止训练的时机。
调整迭代次数。根据早停策略的结果,调整迭代次数为最佳值。通常,最佳迭代次数是在验证集性能最好的轮次之前停止训练。
通过以上的调优方法和步骤,可以逐步优化模型的超参数,提高模型的性能和泛化能力。不同的超参数和调优策略可能在不同的数据集和问题上表现不同,因此需要进行多次尝试和验证,以选择最佳的超参数设置和调优策略。
模型评估和验证时,通过比较模型的预测结果与真实标签或人工判读结果之间的一致性来评估模型的准确性和可靠性。确保模型在不同场景和条件下都能提供稳定且准确的判读结果。
步骤S4、将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析。
其中,判读后的结果通常包括以下内容:
故障检测:判读模型可以识别火箭模拟发射试验中可能出现的故障情况,例如推进系统故障、燃料泄漏、引擎异常等。判读结果可以指示是否存在故障,并提供故障的类型或描述。
参数评估:判读模型可以评估和分析各种参数,例如推力、姿态、压力、温度等。它可以提供对这些参数的准确测量结果或评估,帮助判定试验是否符合要求或达到预期的目标。
运行状态:判读模型可以判断火箭模拟发射试验的运行状态,例如预燃、点火、加速、分离等阶段。它可以提供当前的运行状态或阶段,并跟踪试验的进展。
安全评估:判读模型可以根据输入的数据对试验的安全性进行评估。它可以检测潜在的风险因素,并提供相应的安全建议或警告。
作为本发明的一个优选实施例,还包括:
步骤S5、通过收集反馈数据和使用增强学习算法,对模型进行自我优化和学习;
步骤S6、根据实时反馈和新的试验数据,对模型进行调整和更新。
作为本发明的一个优选实施例,还包括:
步骤S7、考虑不同类型火箭模拟发射试验的判读参数的关联和影响,将各判读参数的判读结果进行综合分析。
步骤S71、通过综合判读结果,对整个火箭发射试验性能进行综合评估,识别潜在的问题或异常情况。
步骤S72、将识别到的潜在的问题或异常情况进行可视化展示。
其中,步骤S71包括:
步骤S711、针对每个参数或判读结果,设定相应的阈值或指标范围。
这些阈值可以根据实际需求和试验要求进行设定,例如设定某个参数的阈值上限和下限,或设定某个判读结果的合格与不合格标准。
步骤S712、对各个参数的判读结果进行综合分析,考虑它们之间的关联和影响。
可以结合数据分析、统计方法或机器学习技术,对多个参数的判读结果进行整合和综合,以获得对整个试验性能的综合评估。
步骤S713、利用异常检测方法,对综合判读结果进行异常检测和识别。
可以采用统计方法、模式识别或机器学习算法来检测是否存在异常情况,例如数据偏离正常分布或异常模式的出现。
步骤S714、对于超过设定阈值或不符合指标范围的判读结果,将其标识为潜在问题或异常情况。
此步骤可以帮助识别出性能偏离预期的地方,并进行进一步的分析和处理。
步骤S715、根据识别的问题或异常情况,生成相应的警报或反馈。
可以通过报警系统、可视化界面或自动化流程来实现,以及向相关人员或系统发送通知,促使采取适当的行动。
通过以上方法或步骤,可以通过综合判读结果对火箭发射试验的性能进行全面评估,并及时识别潜在的问题或异常情况。这有助于实现对试验过程的监控和管理,提高安全性和性能的可靠性,并为进一步的决策和改进提供有价值的信息。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种火箭模拟发射参数判读方法,其特征在于,包括:
收集火箭模拟发射试验的判读参数数据,对收集火箭模拟发射试验的判读参数数据进行预处理和特征提取;
使用预处理和特征提取后的数据,构建判读模型;
利用训练数据集进行判读模型训练,并使用测试数据集对训练好的判读模型进行评估和验证;
将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析。
2.如权利要求1所述的火箭模拟发射参数判读方法,其特征在于,在将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析之后,还包括:
通过收集反馈数据和使用增强学习算法,对模型进行自我优化和学习;
根据实时反馈和新的试验数据,对模型进行调整和更新。
3.如权利要求1所述的火箭模拟发射参数判读方法,其特征在于,在将训练好的判读模型与实时数据采集系统和传感器进行集成,实现对火箭模拟发射实时数据的快速判读和分析之后,还包括:
考虑不同类型火箭模拟发射试验的判读参数的关联和影响,将各判读参数的判读结果进行综合分析:
通过综合判读结果,对整个火箭发射试验性能进行综合评估,识别潜在的问题或异常情况;
将识别到的潜在的问题或异常情况进行可视化展示。
4.如权利要求3所述的火箭模拟发射参数判读方法,其特征在于,所述通过综合判读结果,对整个火箭发射试验性能进行综合评估,识别潜在的问题或异常情况包括
针对每个参数或判读结果,设定相应的阈值或指标范围;
对各个参数的判读结果进行综合分析,考虑它们之间的关联和影响;
利用异常检测方法,对综合判读结果进行异常检测和识别;
对于超过设定阈值或不符合指标范围的判读结果,将其标识为潜在问题或异常情况;
根据识别的问题或异常情况,生成相应的警报或反馈。
5.如权利要求1所述的火箭模拟发射参数判读方法,其特征在于,所述判读模型采用多层感知机作为神经网络的基本架构,包括均具有多个神经元的输入层、隐藏层和输出层;每个所述神经元能够接收上一层的输入,并通过激活函数进行处理,将结果传递给下一层;所述判读模型采用交叉熵损失函数作为优化目标,用于衡量模型预测结果与实际标签之间的差异;所述判读模型使用梯度下降法或其变种算法来最小化损失函数;其中,所述激活函数为ReLU函数或Sigmoid函数。
6.如权利要求5所述的火箭模拟发射参数判读方法,其特征在于,所述神经网络包括卷积神经网络和/或循环神经网络;其中,所述卷积神经网络用于处理具有空间结构的数据,所述循环神经网络用于处理具有时序关系的数据。
7.如权利要求1所述的火箭模拟发射参数判读方法,其特征在于,在所述利用训练数据集进行判读模型训练的过程中,需要对模型的超参数进行调优;所述超参数包括学习率、批量大小、网络结构和层数、正则化参数、激活函数。
8.如权利要求1所述的火箭模拟发射参数判读方法,其特征在于,所述火箭模拟发射试验的判读参数数据包括发动机参数、加速度参数、轨迹参数、姿态参数和温度参数。
9.一种计算设备,其特征在于,包括:处理器、存储有计算机程序的存储器,所述计算机程序被处理器运行时,执行如权利要求1至8任一项所述的火箭模拟发射参数判读方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1至8任一项所述的火箭模拟发射参数判读方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911622.9A CN116629143A (zh) | 2023-07-25 | 2023-07-25 | 一种火箭模拟发射参数判读方法、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911622.9A CN116629143A (zh) | 2023-07-25 | 2023-07-25 | 一种火箭模拟发射参数判读方法、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629143A true CN116629143A (zh) | 2023-08-22 |
Family
ID=87592513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310911622.9A Pending CN116629143A (zh) | 2023-07-25 | 2023-07-25 | 一种火箭模拟发射参数判读方法、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629143A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942086A (zh) * | 2019-10-30 | 2020-03-31 | 平安科技(深圳)有限公司 | 数据预测优化方法、装置、设备及可读存储介质 |
CN112052871A (zh) * | 2020-07-21 | 2020-12-08 | 上海宇航系统工程研究所 | 一种基于支持向量机的火箭发动机健康诊断方法及系统 |
CN113218537A (zh) * | 2021-05-25 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
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 |
-
2023
- 2023-07-25 CN CN202310911622.9A patent/CN116629143A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110942086A (zh) * | 2019-10-30 | 2020-03-31 | 平安科技(深圳)有限公司 | 数据预测优化方法、装置、设备及可读存储介质 |
CN112052871A (zh) * | 2020-07-21 | 2020-12-08 | 上海宇航系统工程研究所 | 一种基于支持向量机的火箭发动机健康诊断方法及系统 |
CN113218537A (zh) * | 2021-05-25 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司广州局 | 温度异常检测模型的训练方法、装置、设备和存储介质 |
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 |
Non-Patent Citations (1)
Title |
---|
褚君浩等: "人工智能构建适应复杂环境的智能体", 上海科学技术文献出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN103974311B (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
CN109308522B (zh) | 一种基于循环神经网络的gis故障预测方法 | |
CN109141847B (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
CN109255441A (zh) | 基于人工智能的航天器故障诊断方法 | |
CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
CN112149962B (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
CN113869563A (zh) | 一种基于故障特征迁移的航空涡扇发动机剩余寿命预测方法 | |
CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
CN111860775B (zh) | 基于cnn和rnn融合的船舶故障实时诊断方法 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN113139594A (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN112560948A (zh) | 数据偏差下的眼底图分类方法及成像方法 | |
Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
CN117109582A (zh) | 结合传感网络和机器学习的大气污染源定位系统及方法 | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 |
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 |