CN116975577A - 一种火箭半实物仿真数据的处理方法、系统及设备 - Google Patents

一种火箭半实物仿真数据的处理方法、系统及设备 Download PDF

Info

Publication number
CN116975577A
CN116975577A CN202311236058.1A CN202311236058A CN116975577A CN 116975577 A CN116975577 A CN 116975577A CN 202311236058 A CN202311236058 A CN 202311236058A CN 116975577 A CN116975577 A CN 116975577A
Authority
CN
China
Prior art keywords
simulation data
data
simulation
processed
data set
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
CN202311236058.1A
Other languages
English (en)
Other versions
CN116975577B (zh
Inventor
周良
布向伟
彭昊旻
姚颂
赵也倪
贺浩
尹朝亮
李宇
高岗
王伟龙
卜碧辉
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.)
Dongfang Space Technology Shandong Co Ltd
Original Assignee
Dongfang Space Technology Shandong Co Ltd
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 Dongfang Space Technology Shandong Co Ltd filed Critical Dongfang Space Technology Shandong Co Ltd
Priority to CN202311236058.1A priority Critical patent/CN116975577B/zh
Publication of CN116975577A publication Critical patent/CN116975577A/zh
Application granted granted Critical
Publication of CN116975577B publication Critical patent/CN116975577B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种火箭半实物仿真数据的处理方法、系统及设备，其中，所述方法包括：获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；根据预处理后历史仿真数据集和训练好的预测模型，获得与待处理仿真数据集对应的预测仿真数据集，预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；根据预测仿真数据集和待处理仿真数据集，确定待处理仿真数据集中的异常仿真数据和正常仿真数据；根据正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，拟合仿真数据是对异常仿真数据对应的预测仿真数据进行处理得到的。本发明提供的方案可以提高火箭半实物仿真数据的处理及传输效率。

Description

一种火箭半实物仿真数据的处理方法、系统及设备
技术领域
本发明涉及火箭数据处理技术领域，特别是指一种火箭半实物仿真数据的处理方法、系统及设备。
背景技术
在半实物仿真领域，数据交互和通信接口的转换对于数据传递和系统协同至关重要。半实物仿真技术通常涉及光纤数据输出，而实际应用中需要将这些数据转换为飞控组合机所需的RS422、1553B等数据格式。传统的数据转换方法可能存在效率低、精度不高等问题，因此需要一种更高效、准确的转换方案。
在数据转换领域，已有的技术方案主要包括基于规则的转换方法和传统的数学模型。这些方法通常要求事先制定转换规则或使用数学方程来实现数据的转换。然而，在处理复杂的数据关系时，这些方法可能无法充分捕捉数据的特征，导致转换精度不高以及转换过程中数据发生异常情况。
发明内容
本发明要解决的技术问题是提供一种火箭半实物仿真数据的处理方法、系统及设备，以提高火箭半实物仿真数据的处理及传输效率。
为解决上述技术问题，本发明的技术方案如下：
一种火箭半实物仿真数据的处理方法，包括：
获取预设历史时段内火箭半实物仿真实验的历史仿真数据集；
根据预处理后历史仿真数据集以及训练好的预测模型，获得目标仿真数据对应的预测仿真数据，所述目标仿真数据为所述火箭半实物仿真实验预设时段内的实验数据，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；
根据所述预测仿真数据和所述目标仿真数据，确定所述目标仿真数据中的异常仿真数据和正常仿真数据；
根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
可选的，基于预设神经网络模型对历史正常仿真数据进行训练得到预测模型，包括：
获取所述历史正常仿真数据；
将所述历史正常仿真数据分为训练仿真数据以及测试仿真数据，所述测试仿真数据是对应所述训练仿真数据的下一个数据点；
将所述训练仿真数据进行预处理后输入到预设神经网络模型中进行训练，所述预设神经网络模型的输出为与该训练仿真数据对应的测试仿真数据的预测值；
并利用预设优化算法对所述预设神经网络模型的模型参数进行迭代更新，获得训练好的所述预测模型。
可选的，根据所述预测仿真数据和所述目标仿真数据，确定所述目标仿真数据中的异常仿真数据和正常仿真数据，包括：
根据所述目标仿真数据中每个数据及该数据对应的所述预测仿真数据中预测数据，确定所述目标仿真数据中每个数据对应的第一指标数据；
根据所述第一指标数据，确定检测阈值；
根据所述检测阈值以及所述目标仿真数据中每个数据对应的第一指标数据，确定所述目标仿真数据中的异常仿真数据和正常仿真数据。
可选的，根据所述第一指标数据，确定检测阈值，包括：
对所述目标仿真数据中每个数据对应的第一指标数据进行统计处理，获得第二指标数据；
根据所述第二指标数据，确定所述检测阈值。
可选的，所述正常仿真数据和所述异常仿真数据均包括：光纤数据、第一通信格式数据、第二通信格式数据中的至少两种不同的数据格式；
根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，包括：
确定所述正常仿真数据以及拟合仿真数据中至少两种不同格式的仿真数据对应的至少两种不同的预设数据通信协议；
根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据。
可选的，根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据，包括：
根据至少两种所述不同的预设数据通信协议，确定所述正常仿真数据以及所述拟合仿真数据中至少两种不同的数据格式对应的源代码；
根据预设规则，分别对所述正常仿真数据以及拟合仿真数据中光纤数据对应的源代码、第一通信格式数据对应的源代码以及第二通信格式数据对应的源代码进行调整，获得目标格式的仿真数据。
可选的，对所述异常仿真数据对应的预测仿真数据进行处理得到所述拟合仿真数据，包括：
对异常仿真数据集中每个异常仿真数据对应的预测仿真数据以及该异常仿真数据前一时刻对应的仿真数据进行拟合，获得该异常仿真数据的拟合仿真数据。
本发明的实施例还提供一种火箭半实物仿真数据的处理系统，包括：获取模块以及与所述获取模块通信连接的处理模块；
所述获取模块用于获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；
所述处理模块用于根据预处理后历史仿真数据集合训练好的预测模型，获得与所述待处理仿真数据集对应的预测仿真数据集，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据；根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
本发明的实施例还提供一种计算设备，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，执行如上述所述的方法。
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上述所述的方法。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；根据预处理后历史仿真数据集和训练好的预测模型，获得与待处理仿真数据集对应的预测仿真数据集，预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；根据预测仿真数据集和待处理仿真数据集，确定待处理仿真数据集中的异常仿真数据和正常仿真数据；根据正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，以提高火箭半实物仿真数据的处理及传输效率。
附图说明
图1是本发明实施例提供的火箭半实物仿真数据的处理方法流程图；
图2是本发明一可选实施例提供的预设神经网络模型的架构图；
图3是本发明一可选实施例提供的处理系统与其他仿真设备的连接示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种火箭半实物仿真数据的处理方法，包括：
步骤11，获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该待处理仿真数据集对应的历史仿真数据集；
步骤12，根据预处理后历史仿真数据集和训练好的预测模型，获得与所述待处理仿真数据集对应的预测仿真数据集，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；
步骤13，根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据；
步骤14，根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
该实施例中，所述待处理的仿真数据集以及所述历史仿真数据集中的仿真数据均为火箭半实物仿真实验在相应的实验时段内对应的时序数据；由于在火箭半实物仿真实验中存在多个不同的仿真设备，不同的仿真设备对应的数据传输格式不同，故所述待处理的仿真数据集以及所述历史仿真数据集中的仿真数据均包括多种不同的数据格式；所述待处理的仿真数据集中的仿真数据以及所述历史仿真数据集中的数据均可以包括火箭在每秒的速度、加速度、经度、纬度等时序数据；
这里，对所述历史仿真数据对应的数据值进行预处理，以获得满足所述预测模型输入要求的数据；进一步的，将所述预处理后的历史仿真数据输入到所述预测模型中，获得与所述待处理仿真数据集中的每个待处理仿真数据相对应的预测仿真数据，并组成预测仿真数据集；所述预测仿真数据集中的预测仿真数据是与所述待处理仿真数据集中的待处理仿真数据是一一对应的；
所述预测模型是基于预设的神经网络模型对历史正常仿真数据进行训练得到的，优选的，所述预设神经网络模型可以是GRU门控循环单元网络模型，通过对所述历史正常仿真数据进行训练，可以更好的确定火箭半实物仿真实验中仿真数据的非线性关系，以更准确的预测出与待处理仿真数据对应的预测仿真数据，保证后续进行待处理仿真数据状态判断的准确性，进一步保证了后续数据格式转换的准确性，进而提高数据的传输效率；
基于判断出的异常仿真数据对应的预测仿真数据，可以获得与异常仿真数据对应的拟合仿真数据，进一步的，对所述拟合仿真数据对应的数据格式以及所述正常仿真数据对应的数据格式进行处理，获得目标格式的仿真数据，以提高火箭半实物仿真实验中仿真数据的传输效率。
本发明的一可选实施例中，对所述历史仿真数据对应的数据值进行预处理，获得预处理后的历史仿真数据，可以包括：
步骤111，对所述历史仿真数据进行序列化处理：将所述历史仿真数据中具有时序关系的仿真数据序列化为多个具有预设时间步长的历史仿真序列数据，这里，所述的时间步长表示对应的每个历史仿真序列数据中历史仿真数据点的个数；
步骤112，历史仿真序列数据划分和批处理：根据预设滑动窗口，将每个历史仿真序列数据划分为小批量的历史仿真序列数据，以便输入所述预测模型中进行预测；所述预设滑动窗口，可以根据实际需要进行设定；
以划分后获得t-3、t-2、t-1时间点对应的历史仿真数据作为所述预测模型的一个输入序列数据为例，该序列对应的时间步长为3，将该段历史仿真序列数据输入到所述预测模型中，获得的预测仿真数据为t时间点对应的数据；
通过上述方法对所述历史仿真数据进行预处理，满足所述预测模型输入要求的序列数据，以保证预测结果的准确性。
本发明的一可选实施例中，基于预设神经网络模型对历史正常仿真数据进行训练得到预测模型，包括：
步骤21，获取所述历史正常仿真数据集；
步骤22，将所述历史正常仿真数据集分为训练仿真数据集以及测试仿真数据集；
步骤23，将所述训练仿真数据集中的训练仿真数据进行预处理后输入到所述预设神经网络模型中进行训练，所述预设神经网络模型的输出为测试仿真数据集测试仿真数据的预测值；
步骤24，并利用预设激活函数对所述预设神经网络模型的模型参数进行迭代更新，获得训练好的所述预测模型。
该实施例中，所述历史正常仿真数据集为时序数据，将所述历史正常仿真数据集中仿真数据按照对应的时间点，分为训练仿真数据集和测试仿真数据集，所述训练仿真数据集为时间点靠前的仿真数据形成的集合，所述测试仿真数据集为时间点靠后的仿真数据形成的集合，如：所述训练仿真数据集可以是所述历史正常仿真数据集中前10s对应的仿真数据，则所述测试仿真数据为后10s对应的仿真数据；
这里，对所述训练仿真数据集中的训练仿真数据进行预处理，以获得满足所述预设神经网络模型输入要求的数据；这里，对训练仿真数据进行预处理与上述实施例所述的对所述历史仿真数据对应的数据值进行预处理过程是一样的，此处不再赘述；
优选的，在对所述训练仿真数据进行预处理之前，还可以对训练仿真数据进行标准化处理或归一化处理，使所述训练仿真数据集中的训练仿真数据的维度一致，以提高训练效果和收敛速度；
本实施例中，如图2所示，所述预设神经网络模型可以是GRU门控循环单元网络模型，所述GRU门控循环单元网络模型有两个门，分别是重置门Rt和更新门Zt；以下以所述训练仿真数据集中的训练仿真数据为火箭的经度、纬度和高度对应的仿真数据作为Xt的输入为例，对GRU门控循环单元网络模型进行训练如下：
步骤31，输入所述训练数据集的一个序列Xt，确定重置门Rt，
所述重置门Rt的计算公式如下：
；
其中，,X1表示经度，X2表示维度，X3表示高度，将隐藏状态维度设置为3，生成上一时刻隐藏状态/>;由于输入元素个数为3，则第一权重矩阵Wr是一个3 × 6 的矩阵；这里使用 /> 表示将隐藏状态和输入拼接在一起获得的第一向量，如下所示：
;
进一步的，将第一权重矩阵Wr乘以向量 进行第一线性变换，得到第一线性变换的结果：
；其中，所述第一权重矩阵Wr通过预设梯度下降算法进行迭代更新；
进一步的，将所述第一线性变换的结果与第一预设激活函数sigmoid进行乘积计算，获得重置门Rt：
；其中，σ表示所述第一预设激活函数，对应计算公式如下：
;
步骤32，更新门Zt计算公式如下：
；
将所述第二权重矩阵Wz乘以向量进行第二线性变换，得到第二线性变换的结果，所述第二权重矩阵Wz通过预设梯度下降算法进行迭代更新；
；
进一步的，将所述第一线性变换的结果与所述第一预设激活函数进行乘积计算，获得更新门Zt：
；
步骤33，候选隐藏状态
计算公式如下：
首先，将步骤31计算的重置门Rt和上一时刻隐藏状态按元素逐元素相乘，得到重置门对隐藏状态的调整：
；
进一步的，将调整后的重置门隐藏状态和输入Xt拼接在一起，获得第二向量：
；
进一步的，将线性变换的结果经过第二预设激活函数tanh进行计算，获得候选隐藏状态：
；
其中，Wh表示第三权重矩阵，所述第三权重矩阵Wh通过预设梯度下降算法进行迭代更新，第二预设激活函数tanh的计算公式如下：
；
步骤34，确定输出的隐藏状态Ht，则所述隐藏状态Ht的计算公式如下：
；
步骤35，根据上述隐藏状态Ht以及第四权重矩阵，确定GRU门控循环单元网络模型模型输出的预测值Yt；
所述预测值；其中，Wo表示第四权重矩阵，所述第四权重矩阵Wo通过预设梯度下降算法进行迭代更新；
进一步的，通过预设损失函数计算批量损失相对于上述第一权重矩阵、第二权重矩阵、第三权重矩阵、第四权重矩阵的梯度，并更新相应的权重矩阵；所述预设损失函数可以通过以下公式表示：
；
其中，L为损失值，N表示所述训练仿真数据集的输入序列总个数，Yzi表示第i个序列中最后一个时间点对应的真实训练仿真数据，Yti表示与该真实训练仿真数据对应的预测仿真数据；
这里，通过预设梯度下降算法进行迭代更新每一个权重矩阵，具体通过以下公式进行迭代计算：
；
；
；
；
其中，表示第一权重矩阵的初始值，/>表示第二权重矩阵的初始值，/>表示第三权重矩阵的初始值，/>表示第四权重矩阵的初始值；β、γ、ε、θ分别表示对应权重矩阵的更新权重参数，对应取值均在（0-1）之间；/>表示当前计算对应的上一次迭代计算的第一权重矩阵，/>表示当前计算对应的上一次迭代计算的第二权重矩阵,/>表示当前计算对应的上一次迭代计算的第三权重矩阵，/>表示当前计算对应的上一次迭代计算的第四权重矩阵；
通过预设梯度下降算法对权重矩阵的训练，增强模型自学习的性能，进一步提高所述预测模型的进行分类处理的精确度；在经过多轮输入序列的输入、计算之后，网络损失值将变得足够小或则达到迭代的次数，则停止训练，获得训练好的预测模型。
本发明的一可选实施例中，上述步骤13，可以包括：
步骤131，根据所述待处理仿真数据集中每个待处理仿真数据和与该待处理仿真数据对应的所述预测仿真数据集中预测仿真数据，确定所述每个待处理仿真数据对应的第一指标数据；
步骤132，根据所述第一指标数据，确定检测阈值；
步骤133，根据所述检测阈值以及所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据。
这里，所述第一指标数据为每个待处理仿真数据与对应预测仿真数据的误差；这里，所述第一指标数据可以组成一个误差集合，优选的，所述误差集合中的每个误差可以通过以下公式计算获得：
；
其中，E（i）表示所述待处理仿真数据集中的第i个待处理仿真数据与对应预测仿真数据的误差，Y（i）表示所述待处理仿真数据集中的第i个待处理仿真数据，与第i个待处理仿真数据对应的预测仿真数据，i为正整数；
进一步的，上述步骤132，可以包括：
步骤1321，对所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据进行统计处理，获得第二指标数据；
步骤1322，根据所述第二指标数据，确定所述检测阈值。
这里，对于所述第一指标数据组成的误差集合，获得所述误差集合中误差的均值和标准差，并将所述均值以及所述标准差作为所述第二指标数据；
进一步的根据所述均值以及所述标准差，可以确定所述待处理仿真数据对应的检测阈值；优选的，所述检测阈值可以通过以下公式计算获得：
；
其中，Z表示所述检测阈值，μ表示所述均值，σ表示所述标准差，k为预设常数，用于控制所述检测阈值的宽松程度，以保证获得检测阈值的准确性，进而保证后续判断所述待处理仿真数据的准确性；
进一步的，将所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据，也即是每个待处理仿真数据对应的误差与所述检测阈值进行比较，对于所述待处理仿真数据集中第 i 个待处理仿真数据，若其对应的误差大于或等于所述检测阈值，则将该待处理仿真数据判定为异常仿真数据；否则将该待处理仿真数据判定为正常仿真数据；
通过所述预测模型，在实现对火箭半实物仿真实验的仿真数据进行预测的同时，并在预测过程中可以进行仿真数据的异常分析，进而检测和修复异常数据，为后续对仿真数据对应的传输格式进行转换作准备，保证仿真数据传输格式转换的准确性，进而提高仿真数据的传输效率，同时提高仿真数据质量和火箭半实物仿真实验过程中系统的稳定性。
本发明的一可选实施例中，可以通过可视化工具绘制分别所述异常仿真数据和所述正常仿真数据对应第一指标数据的趋势分布图，也即是对应误差的趋势分布图，并结合趋势分布图对所述异常仿真数据进行分析，判断异常发生的原因；
进一步的，根据分析得到的结果，可以调整所述检测阈值，以提高异常检测的准确性；同时，基于判断出的异常发生的原因及时调整仿真设备，以减少因仿真数据异常导致对火箭半实物仿真实验的影响。
本发明的一可选实施例中，在根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据之前，还可以包括：
步骤140，对异常仿真数据集中每个异常仿真数据对应的预测仿真数据以及该异常仿真数据前一时刻对应的仿真数据进行拟合，获得该异常仿真数据的拟合仿真数据。
该实施例中，在实际进行所述待处理仿真数据的数据格式转换时，对于其中的异常仿真数据需要剔除，用拟合后获得拟合仿真数据替代；
这里，通过对异常仿真数据对应的预测仿真数据以及该异常仿真数据对应的前一时刻的待处理仿真数据进行拟合处理，获得与该异常仿真数据对应的拟合仿真数据；所述拟合仿真数据对应传输的数据格式与所述异常仿真数据的对应传输的数据格式相同；
进一步的，可以通过以下公式计算得到所述拟合仿真时序数据：
；
其中，表示预设权重值；I(i) 表示所述拟合仿真时序数据；P(i) 表示所述异常仿真时序数据对应预测仿真时序数据；R(i) 表示所述异常仿真时序数据对应的前序仿真时序数据；
通过对所述待处理仿真数据中的异常仿真数据进行剔除，并基于上述拟合方法获得与异常仿真数据对应的拟合仿真数据，保证了数据格式转换的准确性，进而提高火箭半实物仿真数据传输的效率以及准确性。
本发明的一可选实施例中，所述正常仿真数据和所述拟合仿真数据均包括：光纤数据、第一通信格式数据、第二通信格式数据中的至少两种不同的数据格式；
上述步骤14，可以包括：
步骤141，确定所述正常仿真数据以及拟合仿真数据中至少两种不同格式的仿真数据对应的至少两种不同的预设数据通信协议；
步骤142，根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据。
该实施例中，所述光纤数据主要由半实物仿真机输出，可以包括：火箭半物理仿真实验中火箭对应的经度、纬度、高度、加速度、角速度、姿态角等仿真数据；所述第一通信格式数据可以是RS422格式数据，所述RS422格式数据主要由飞控组合、卫星接收机、速率陀螺和安全、仪器、火工电池等仿真设备输出，RS422格式数据可以包括：火箭半物理仿真实验中火箭对应的PDOP值、84系速度和位置、安全电池电流电压、仪器电池电流电压、火工电池电流电压；所述第二通信格式数据可以是1553B格式数据，所述1553B格式数据主要由箭上飞控组合单机等仿真设备输出，可以包括：加速度计脉冲全量、陀螺脉冲全量、惯组诸元数据、舵控制电压、舵控制角度、舵反馈电压、舵反馈角度等仿真数据；
应当知道的是，每种不同格式的仿真数据均对应有相应的预设数据通信协议，而对应的预设数据通信协议，则确定了该仿真数据的数据格式；通过对所述正常仿真数据和拟合仿真数据中不同格式的仿真数据对应的预设通信协议所确定的数据格式，按照所述预设规则进行调整，以获得目标格式的仿真数据，进而可以实现在不同仿真设备间进行仿真数据的传输，提高仿真数据的传输效率与准确性。
本发明的一可选实施例中，上述步骤142，可以包括：
步骤1421，根据至少两种所述不同的预设数据通信协议，确定所述正常仿真数据以及拟合仿真数据中至少两种不同的数据格式对应的源代码；
步骤1422，根据预设规则，分别对所述正常仿真数据以及拟合仿真数据中光纤数据对应的源代码、第一通信格式数据对应的源代码以及第二通信格式数据对应的源代码进行调整，获得目标格式的仿真数据。
该实施例中，所述正常仿真数据和所述拟合仿真数据中不同格式的仿真数据对应的预设数据通信协议分别对应有各自的源代码，对所述正常仿真数据和所述拟合仿真数据中不同格式的仿真数据进行格式调整，实则是对不同格式的仿真数据的预设数据通信协议对应的源代码进行调整，以实现所述正常仿真数据和所述拟合仿真数据中不同格式的仿真数据进行格式互换；
这里，可以根据所述预设规则，分别对所述正常仿真数据以及拟合仿真数据中光纤数据对应的源代码、第一通信格式数据对应的源代码以及第二通信格式数据对应的源代码进行调整，以实现所述正常仿真数据以及拟合仿真数据中不同数据格式的互换；
进行数据格式转换时，具体如下；
对于所述正常仿真数据以及拟合仿真数据中的光纤数据和第一通信格式数据（RS422格式数据）进行格式互换时：
对所述光纤数据对应的源代码进行调整：在所述光纤数据对应的源代码中添加第一帧头（所述第一帧头可以是0x55AA）、第一数据长度、第一校验以及第一发送串口号，将对应源代码转换为所述第一通信格式数据（RS422格式数据）所需的代码，实现将所述光纤数据转换为第一通信格式数据（RS422格式数据）；
对所述第一通信格式数据（RS422格式数据）对应的源代码进行调整：在所述第一通信格式数据（RS422格式数据）对应的源代码中减去第二帧头（所述第二帧头可以是0x55AA）、第二数据长度、第二校验，并添加第一光纤地址号，将对应的源代码转换为所述光纤数据所述的代码，实现将所述第一通信格式数据（RS422格式数据）转换为光纤数据；
对于所述正常仿真数据以及拟合仿真数据中的光纤数据和第二通信格式数据（1553B格式数据）进行格式互换时：
对所述光纤数据对应的源代码进行调整：在所述光纤数据对应的源代码中添加第一状态字、第一RT地址号、第一子地址号、第三数据长度以及第三检验，将对应源代码转换为第二通信格式数据（1553B格式数据）所需的代码，实现将所述光纤数据转换为第二通信格式数据（1553B格式数据）；
对所述第二通信格式数据（1553B格式数据）对应的源代码进行调整：在所述第二通信格式数据（1553B格式数据）对应的源代码中减去第二状态字、第二RT地址号、第二子地址号、第四数据长度以及第四检验，并添加第二光纤地址号，实现将所述第二通信格式数据（1553B格式数据）转换为光纤数据；
对于所述正常仿真数据以及拟合仿真数据中的第一通信格式数据（RS422格式数据）和第二通信格式数据（1553B格式数据）进行格式互换时：
对所述第一通信格式数据（RS422格式数据）对应的源代码进行调整：在所述第一通信格式数据（RS422格式数据）对应的源代码中减去第五帧头（所述第五帧头也可以是0x55AA），并添加第三状态字、第三RT地址号、第三子地址号，实现将所述第一通信格式数据（RS422格式数据）转换为第二通信格式数据（1553B格式数据）；
在所述第二通信格式数据（1553B格式数据）对应的源代码中减去第四状态字、第四RT地址号、子第四地址号，并添加第五帧头，实现将所述第二通信格式数据（1553B格式数据）第一通信格式数据（RS422格式数据）；
通过预设规则，对所述正常仿真数据和拟合仿真数据中不同格式的仿真数据对应的源代码进行调整，实现不同格式的仿真数据之间格式互换，以实现数据的高效传输和协同工作。
本发明提供的实施例通过获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；根据预处理后历史仿真数据集和训练好的预测模型，获得与待处理仿真数据集对应的预测仿真数据集，预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；基于预设神经网络模型对历史正常仿真数据进行训练获得所述预测模型，并进行仿真数据的预测，可以更好的确定火箭半实物仿真实验中仿真数据的非线性关系，以更准确的预测出与待处理仿真数据对应的预测仿真数据，保证后续进行待处理仿真数据状态判断的准确性，进而保证了后续数据格式转换的准确性；进一步的，根据预测仿真数据集和待处理仿真数据集，确定待处理仿真数据集中的异常仿真数据和正常仿真数据；根据正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，拟合仿真数据是对异常仿真数据对应的预测仿真数据进行处理得到的，以提高火箭半实物仿真数据的处理及传输效率。
如图3所示，本发明的实施例还提供一种火箭半实物仿真数据的处理系统，包括：获取模块以及与所述获取模块通信连接的处理模块；
所述获取模块用于获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；
所述处理模块用于根据预处理后历史仿真数据集合训练好的预测模型，获得与所述待处理仿真数据集对应的预测仿真数据集，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据；根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
通过上述火箭半实物仿真数据的处理方法的步骤对输入的仿真数据进行GRU数据预测与异常分析，将处理后的正常仿真数据和拟合仿真数据根据运载火箭对应的预设数据通信协议通过该系统进行格式转换；在实际使用时，该系统使用的硬件设备有win10操作系统电脑、以太网网卡、RS422板卡、1553B板卡、光纤反射内存板卡；
在火箭半实物仿真实验中，该系统相当于一个转换站，将半实物仿真机、飞控组合机、激光捷联惯组、伺服机构、舵和安全、仪器、火工电池等设备连接在一起，以实现数据传输格式不同的设备相互之间实现数据传输。
可选的，基于预设神经网络模型对历史正常仿真数据进行训练得到预测模型，包括：
获取所述历史正常仿真数据；
将所述历史正常仿真数据分为训练仿真数据以及测试仿真数据，所述测试仿真数据是对应所述训练仿真数据的下一个数据点；
将所述训练仿真数据进行预处理后输入到预设神经网络模型中进行训练，所述预设神经网络模型的输出为与该训练仿真数据对应的测试仿真数据的预测值；
并利用预设优化算法对所述预设神经网络模型的模型参数进行迭代更新，获得训练好的所述预测模型。
可选的，所述处理模块根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据，具体用于：
根据所述待处理仿真数据集中每个待处理仿真数据和与该待处理仿真数据对应的所述预测仿真数据集中预测仿真数据，确定每个待处理仿真数据对应的第一指标数据；
根据所述第一指标数据，确定检测阈值；
根据所述检测阈值以及所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据。
可选的，所述处理模块根据所述第一指标数据，确定检测阈值，具体用于：
对所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据进行统计处理，获得第二指标数据；
根据所述第二指标数据，确定所述检测阈值。
可选的，所述正常仿真数据和所述异常仿真数据均包括：光纤数据、第一通信格式数据、第二通信格式数据中的至少两种不同的数据格式；
所述处理模块根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，具体用于：
确定所述正常仿真数据以及拟合仿真数据中至少两种不同格式的仿真数据对应的至少两种不同的预设数据通信协议；
根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据。
可选的，所述处理模块根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据，具体用于：
根据至少两种所述不同的预设数据通信协议，确定所述正常仿真数据以及所述拟合仿真数据中至少两种不同的数据格式对应的源代码；
根据预设规则，分别对所述正常仿真数据以及拟合仿真数据中光纤数据对应的源代码、第一通信格式数据对应的源代码以及第二通信格式数据对应的源代码进行调整，获得目标格式的仿真数据。
可选的，所述处理模块对所述异常仿真数据对应的预测仿真数据进行处理得到所述拟合仿真数据，具体用于：
对异常仿真数据集中每个异常仿真数据对应的预测仿真数据以及该异常仿真数据前一时刻对应的仿真数据进行拟合，获得该异常仿真数据的拟合仿真数据。
需要说明的是，该系统是与上述火箭半实物仿真数据的处理方法相对应的系统，上述方法实施例中的所有实现方式均适用于该系统的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算设备，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，执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行如上所述的方法。上述方法实施例中的所有实现方式均适用于该实施例中，也能达到相同的技术效果。
本领域普通技术人员可以意识到，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，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置（包括处理器、存储介质等）或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。还需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序按时间顺序执行，但是并不需要一定按照时间顺序执行。某些步骤可以并行或彼此独立地执行。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种火箭半实物仿真数据的处理方法，其特征在于，包括：
获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；
根据预处理后历史仿真数据集和训练好的预测模型，获得与所述待处理仿真数据集对应的预测仿真数据集，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；
根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据；
根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
2.根据权利要求1所述的火箭半实物仿真数据的处理方法，其特征在于，基于预设神经网络模型对历史正常仿真数据进行训练得到预测模型，包括：
获取所述历史正常仿真数据；
将所述历史正常仿真数据分为训练仿真数据以及测试仿真数据，所述测试仿真数据是对应所述训练仿真数据的下一个数据点；
将所述训练仿真数据进行预处理后输入到预设神经网络模型中进行训练，所述预设神经网络模型的输出为与该训练仿真数据对应的测试仿真数据的预测值；
并利用预设优化算法对所述预设神经网络模型的模型参数进行迭代更新，获得训练好的所述预测模型。
3.根据权利要求1所述的火箭半实物仿真数据的处理方法，其特征在于，根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据，包括：
根据所述待处理仿真数据集中每个待处理仿真数据和与该待处理仿真数据对应的所述预测仿真数据集中预测仿真数据，确定每个待处理仿真数据对应的第一指标数据；
根据所述第一指标数据，确定检测阈值；
根据所述检测阈值以及所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据。
4.根据权利要求3所述的火箭半实物仿真数据的处理方法，其特征在于，根据所述第一指标数据，确定检测阈值，包括：
对所述待处理仿真数据集中每个待处理仿真数据对应的第一指标数据进行统计处理，获得第二指标数据；
根据所述第二指标数据，确定所述检测阈值。
5.根据权利要求1所述的火箭半实物仿真数据的处理方法，其特征在于，所述正常仿真数据和所述拟合仿真数据均包括：光纤数据、第一通信格式数据、第二通信格式数据中的至少两种不同的数据格式；
根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，包括：
确定所述正常仿真数据以及拟合仿真数据中至少两种不同格式的仿真数据对应的至少两种不同的预设数据通信协议；
根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据。
6.根据权利要求5所述的火箭半实物仿真数据的处理方法，其特征在于，根据至少两种所述不同的预设数据通信协议，对所述正常仿真数据和所述拟合仿真数据对应的至少两种不同的数据格式进行调整，获得目标格式的仿真数据，包括：
根据至少两种所述不同的预设数据通信协议，确定所述正常仿真数据以及所述拟合仿真数据中至少两种不同的数据格式对应的源代码；
根据预设规则，分别对所述正常仿真数据以及拟合仿真数据中光纤数据对应的源代码、第一通信格式数据对应的源代码以及第二通信格式数据对应的源代码进行调整，获得目标格式的仿真数据。
7.根据权利要求1所述的火箭半实物仿真数据的处理方法，其特征在于，对所述异常仿真数据对应的预测仿真数据进行处理得到所述拟合仿真数据，包括：
对异常仿真数据集中每个异常仿真数据对应的预测仿真数据以及该异常仿真数据前一时刻对应的仿真数据进行拟合，获得该异常仿真数据的拟合仿真数据。
8.一种火箭半实物仿真数据的处理系统，其特征在于，包括：获取模块以及与所述获取模块通信连接的处理模块；
所述获取模块用于获取预设时段内火箭半实物仿真实验的待处理仿真数据集以及与该仿真数据集对应的历史仿真数据集；
所述处理模块用于根据预处理后历史仿真数据集合训练好的预测模型，获得与所述待处理仿真数据集对应的预测仿真数据集，所述预测模型是基于预设神经网络模型对历史正常仿真数据进行训练得到的；根据所述预测仿真数据集和所述待处理仿真数据集，确定所述待处理仿真数据集中的异常仿真数据和正常仿真数据；根据所述正常仿真数据和拟合仿真数据，获得目标格式的仿真数据，所述拟合仿真数据是对所述异常仿真数据对应的预测仿真数据进行处理得到的。
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7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，包括指令，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7任一项所述的方法。
CN202311236058.1A 2023-09-25 2023-09-25 一种火箭半实物仿真数据的处理方法、系统及设备 Active CN116975577B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311236058.1A CN116975577B (zh) 2023-09-25 2023-09-25 一种火箭半实物仿真数据的处理方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311236058.1A CN116975577B (zh) 2023-09-25 2023-09-25 一种火箭半实物仿真数据的处理方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116975577A true CN116975577A (zh) 2023-10-31
CN116975577B CN116975577B (zh) 2023-12-22

Family

ID=88485359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311236058.1A Active CN116975577B (zh) 2023-09-25 2023-09-25 一种火箭半实物仿真数据的处理方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116975577B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929709A (zh) * 2016-04-13 2016-09-07 中国人民解放军63680部队 多型号火箭遥测数据仿真系统
US20220027744A1 (en) * 2020-07-22 2022-01-27 Accenture Global Solutions Limited Resource data modeling, forecasting and simulation
CN115344019A (zh) * 2022-08-30 2022-11-15 国家石油天然气管网集团有限公司 一种基于复合智能算法的天然气计量流量调节工艺
CN116088349A (zh) * 2023-03-07 2023-05-09 东方空间技术(山东)有限公司 基于lstm的火箭半实物仿真数据异常评估方法及决策装置
CN116541960A (zh) * 2023-05-17 2023-08-04 北京宇航系统工程研究所 运载器再入过程气动特性仿真方法、设备、存储介质
CN116560968A (zh) * 2023-07-11 2023-08-08 北京景行锐创软件有限公司 一种基于机器学习的仿真计算时间预测方法、系统及设备
CN116627157A (zh) * 2023-07-26 2023-08-22 东方空间技术(山东)有限公司 一种运载火箭的运行控制方法、装置及设备
CN116644508A (zh) * 2023-04-13 2023-08-25 北京航空航天大学 发动机数字孪生建模方法、系统、电子设备及存储介质
CN116701862A (zh) * 2023-05-30 2023-09-05 中核武汉核电运行技术股份有限公司 基于大数据和仿真技术的核电运行数据分析系统及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929709A (zh) * 2016-04-13 2016-09-07 中国人民解放军63680部队 多型号火箭遥测数据仿真系统
US20220027744A1 (en) * 2020-07-22 2022-01-27 Accenture Global Solutions Limited Resource data modeling, forecasting and simulation
CN115344019A (zh) * 2022-08-30 2022-11-15 国家石油天然气管网集团有限公司 一种基于复合智能算法的天然气计量流量调节工艺
CN116088349A (zh) * 2023-03-07 2023-05-09 东方空间技术(山东)有限公司 基于lstm的火箭半实物仿真数据异常评估方法及决策装置
CN116644508A (zh) * 2023-04-13 2023-08-25 北京航空航天大学 发动机数字孪生建模方法、系统、电子设备及存储介质
CN116541960A (zh) * 2023-05-17 2023-08-04 北京宇航系统工程研究所 运载器再入过程气动特性仿真方法、设备、存储介质
CN116701862A (zh) * 2023-05-30 2023-09-05 中核武汉核电运行技术股份有限公司 基于大数据和仿真技术的核电运行数据分析系统及方法
CN116560968A (zh) * 2023-07-11 2023-08-08 北京景行锐创软件有限公司 一种基于机器学习的仿真计算时间预测方法、系统及设备
CN116627157A (zh) * 2023-07-26 2023-08-22 东方空间技术(山东)有限公司 一种运载火箭的运行控制方法、装置及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
M. SHAHGHOLIAN等: "Hardware in the loop simulation and hierarchical predictive control of a TWPTR", ARXIV.ORG, pages 1 - 25 *
邹莹等: "常温液体运载火箭半实物仿真系统的设计与实现", 导弹与航天运载技术, no. 3, pages 82 - 86 *

Also Published As

Publication number Publication date
CN116975577B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
Elokda et al. Data‐enabled predictive control for quadcopters
Dutta et al. A new adaptive explicit nonlinear model predictive control design for a nonlinear mimo system: An application to twin rotor mimo system
Arcari et al. Dual stochastic MPC for systems with parametric and structural uncertainty
CN112077839A (zh) 一种机械臂的运动控制方法及装置
US9154069B2 (en) Integrated generation control system
Elhaki et al. Robust state and output feedback prescribed performance interval type‐3 fuzzy reinforcement learning controller for an unmanned aerial vehicle with actuator saturation
CN116975577B (zh) 一种火箭半实物仿真数据的处理方法、系统及设备
CN111830848A (zh) 一种无人机超机动飞行性能仿真训练系统及方法
Pinguet et al. A Neural Autopilot Training Platform based on a Matlab and X-Plane co-simulation
US20230350402A1 (en) Multi-task learning based rul predication method under sensor fault condition
CN113156473A (zh) 信息融合定位系统卫星信号环境的自适应判别方法
Xu et al. Adaptive finite‐time attitude tracking control of quadrotor under actuator faults and external disturbances with guaranteed performance
Shamsudin et al. Recursive Gauss-Newton based training algorithm for neural network modelling of an unmanned rotorcraft dynamics
CN108563565A (zh) 飞行着陆引导系统可靠性定量分析模型建立方法
Meera et al. Free energy principle for the noise smoothness estimation of linear systems with colored noise
Zhang Tracking control for unmanned aerial vehicles with time-delays based on event-triggered mechanism
González-Etchemaite et al. Rotor Fault Detection and Identification in Multirotors Based on Supervised Learning
CN117851718B (zh) 一种多无人机系统固定时间控制能耗估算方法
CN118444698B (zh) 基于深度学习的四旋翼无人机故障动态补偿和控制方法
Kosyanchuk et al. Methodology for Hybrid Reconfiguration of High-speed Rotary-wing Aircraft Flight Control System
CN114626509B (zh) 一种基于深度学习重构显式模型预测控制方法
Zhang et al. Event-triggered adaptive deep neural network sliding mode control design for unmanned aerial vehicle systems
Hewing Predictive Control of Uncertain Systems: Learning-based and Stochastic Model Predictive Control
Zhang et al. Adaptive Deep Neural Network Sliding Mode Control for UAVs
Cui et al. Safe tracking in games: Achieving optimal control with unknown dynamics and constraints

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