CN117933104A - 固体姿轨控发动机燃气调节阀压强修正方法 - Google Patents
固体姿轨控发动机燃气调节阀压强修正方法 Download PDFInfo
- Publication number
- CN117933104A CN117933104A CN202410342408.0A CN202410342408A CN117933104A CN 117933104 A CN117933104 A CN 117933104A CN 202410342408 A CN202410342408 A CN 202410342408A CN 117933104 A CN117933104 A CN 117933104A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- pressure
- model
- experimental
- 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
- 238000000034 method Methods 0.000 title claims abstract description 92
- 239000007787 solid Substances 0.000 title claims abstract description 68
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 58
- 238000012937 correction Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 150
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000010606 normalization Methods 0.000 claims abstract description 22
- 238000005094 computer simulation Methods 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000001902 propagating effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 32
- 238000004364 calculation method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种固体姿轨控发动机燃气调节阀压强修正方法,首先获取训练数据集与测试数据集,训练数据集包括仿真数据、第一实验数据以及增强数据,测试数据集包括第二实验数据;其中,通过对第一实验数据依次进行归一化处理、降采样处理以及输入CWGAN‑GP‑T模型进行训练,生成增强数据;然后通过训练数据集对构建的压强预测预训练模型进行训练,得到训练好的压强预测模型;通过训练好的压强预测模型对监测点的压强数据进行预测,得到预测结果;最后根据预测结果对固体火箭发动机燃气调节阀进行高精度的压强修正,从而提升固体火箭发动机燃气调节阀仿真建模的效率和准确性。
Description
技术领域
本申请涉及智能自动化技术领域,特别是涉及一种固体姿轨控发动机燃气调节阀压强修正方法。
背景技术
固体姿轨控系统已被广泛地应用于导弹和航天器的姿态控制、轨道控制和末端修正等。与传统固体发动机不同,固体姿轨控发动机推力的高精度连续调节控制具有很高的理论难度和工程技术难度。
目前,固体姿轨控发动机的研究仍旧基于现有的固体发动机设计方法,不具备综合考虑上述高度复杂动态耦合效应的计算能力,未掌握系统高置信度仿真和精确性能评估方法,缺乏准确评估燃气阀动态调节性能和姿轨控发动机推力矢量动态精确控制的方法和手段,导致各型号的固体姿轨控发动机研制主要依靠经验方法和单学科仿真进行设计,再进行实验验证和改进。
然而地面实验测试结果也存在较大误差,存在机理不清、算不准、测不准的问题,研发工作量大、成本高、计算耗时长等问题,技术突破显得十分迫切。固体姿轨控发动机燃气阀的气动负载和发动机推力特性在不同燃气温度、压力和阀门调节速度下,存在全局非线性、时变性等特征,阀门的运动特性存在时滞、死区等动态不确定性,同时往复周期运动也会激励系统的多模态振动。传统的基于理论建模和商业软件建模的方法很难满足计算需求,且计算成本高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够解决固体姿轨控发动机多学科建模难及模型精度差的固体姿轨控发动机燃气调节阀压强修正方法。
一种固体姿轨控发动机燃气调节阀压强修正方法,所述方法包括:
获取训练数据集与测试数据集;所述训练数据集包括仿真数据、第一实验数据以及增强数据,所述测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将所述实验数据划分为所述第一实验数据和所述第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集所述仿真数据;通过对所述第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,所述CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,所述判别器、所述生成器与所述指导网络相互进行对抗训练,当所述判别器无法判断所述生成器输出结果的真实性时,生成所述增强数据;
基于深度神经网络构建压强预测预训练模型;将所述训练数据集输入所述压强预测预训练模型内进行训练后,采用所述测试数据集进行测试,得到训练好的压强预测模型;
通过所述训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果;
根据所述预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
其中一个实施例中,对所述第一实验数据依次进行归一化处理,表达式为:
;
式中,表示第/>组压强数据中第/>个时间节点;/>表示第/>组压强数据末尾时间节点;/>表示第i组压强数据起始时间节点,/>表示对第/>组压强样本数据中第/>个时间节点进行归一化后对应的时间节点。
其中一个实施例中,对所述第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,所述CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,所述判别器、所述生成器与所述指导网络相互进行对抗训练,当所述判别器无法判断所述生成器输出结果的真实性时,生成增强数据,包括:
对第一实验数据依次进行归一化处理和降采样处理,得到实验样本数据,对所述实验样本数据进行划分,得到实验样本训练集与实验样本测试集;
构建CWGAN-GP-T模型,所述CWGAN-GP-T模型包括判别器、生成器及指导网络;
基于第一损失函数,将参数标签与高斯噪声输入所述生成器,得到生成样本数据集;
将所述实验样本训练集与所述生成样本数据集输入所述指导网络,得到校正样本数据集;
基于第二损失函数、所述实验样本训练集、所述生成样本数据集、所述校正样本数据集及参数标签对所述判别器进行训练,得到训练好的判别器;
通过所述判别器对所述实验样本测试集与所述生成样本数据集进行判别,当所述判别器无法判断所述生成器输出结果的真实性时,生成增强数据。
其中一个实施例中,第一损失函数的表达式为:
;
式中,表示损失权重;/>表示生成器生成样本概率分布;/>表示判别器;/>表示生成器;/>表示参数标签信息;/>表示随机取样;/>表示校正误差。
其中一个实施例中,第二损失函数的表达式为:
;
式中,表示原始样本概率分布;/>表示生成器生成样本概率分布;/>表示惩罚函数;/>表示梯度惩罚系数;/>表示判别器;/>表示生成器;/>表示真实样本数据分布;/>表示参数标签信息;/>表示随机取样;/>表示沿真实数据分布/>和生成数据分布/>之间连线的随机插值采样。
其中一个实施例中,所述生成器包括5个卷积层;各所述卷积层中均包括归一化层、激活层与卷积核。
其中一个实施例中,所述压强预测预训练模型包括3个卷积模块;各所述卷积模块中均包括残差网络、池化层与Dropout层。
其中一个实施例中,基于深度神经网络构建压强预测预训练模型;将所述训练数据集输入所述压强预测预训练模型内进行训练后,采用所述测试数据集进行测试,得到训练好的压强预测模型,包括:
基于深度神经网络构建压强预测预训练模型,并初始化所述压强预测预训练模型参数;
将所述训练数据集分批次输入,并向前传播,计算第三损失函数;
判断是否遍历所述训练数据集,若是,则判断是否达到训练轮次或训练终止条件;
若否,则根据第三损失函数对压强预测预训练模型进行反向更新,自适应对所述压强预测预训练模型的每层权值进行优化。
其中一个实施例中,所述第三损失函数表达式为:
;
式中,表示真实值;/>表示模型的预测值;/>表示样本预测数量。
上述固体姿轨控发动机燃气调节阀压强修正方法,首先获取训练数据集与测试数据集;训练数据集包括仿真数据、第一实验数据以及增强数据,测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将实验数据划分为第一实验数据和第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集仿真数据;通过对第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,判别器、生成器与指导网络相互进行对抗训练,当判别器无法判断生成器输出结果的真实性时,生成增强数据;然后基于深度神经网络构建压强预测预训练模型;将训练数据集输入压强预测预训练模型内进行训练后,采用测试数据集进行测试,得到训练好的压强预测模型;通过训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果;最后根据预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
本发明增强数据的生成过程中结合了归一化处理、降采样处理以及设计的CWGAN-GP-T模型,生成过程避免了模式崩溃、梯度消失、收敛慢和训练过程不稳定等缺陷,使生成样本质量更高;同时基于深度神经网络构建的压强预测预训练模型,能够构建数据间高度复杂的非线性关系;与训练数据集、预设的损失函数结合进行训练,能够显著提高压强预测预训练模型的计算效果和计算精度,根据预测结果对固体火箭发动机燃气调节阀进行高精度的压强修正,从而提升固体火箭发动机燃气调节阀仿真建模的效率和准确性。
附图说明
图1为一个实施例中固体姿轨控发动机燃气调节阀压强修正方法的流程示意图;
图2为一个实施例中固体姿轨控发动机燃气调节阀压强修正方法的逻辑流程示意图;
图3为一个实施例中增强数据的处理方法逻辑流程示意图;
图4为一个实施例中CWGAN-GP-T中生成器和指导网络结构示意图;
图5为一个实施例中CWGAN-GP-T中生成器和判别器结构示意图;
图6为一个实施例中燃气调节阀压强预测模型结构示意图;
图7为一个实施例中固体姿轨控发动机燃气调节阀压强修正装置结构框架图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
发明人在实现本方案技术过程中,为了解决固体姿轨控发动机多学科建模难及模型精度差的问题时,对深度学习技术进行深入了解,发现深度学习技术是当前人工智能的代表性技术之一,又称为深度神经网络。通过构建多个隐藏层之间线性与非线性的数据映射,深度神经网络能够自动建立输入变量与输出变量间的复杂关系,并通过样本集训练来提高复杂模型计算的准确性,在固体姿轨控发动机系统建模方面具有极大的应用潜力。深度学习本质上能够构建数据间高度复杂的非线性关系,因此非常适合用于固体姿轨控发动机多学科建模及优化研究,能够显著提升建模效果及准确性。同时,深度神经网络具有快速推理、使用门槛低等应用优势,研究成果为发动机设计、高精度性能快速预示等提供模型和方法基础,推动固体姿轨控发动机设计向智能化发展。
因此,发明人提出一种基于深度学习仿真数据和实验数据协同驱动的固体火箭发动燃气调节阀模型修正方法,一方面针对传统基于理论建模和商业软件建模的方法很难满足计算需求,且计算成本高,各型号的固体姿轨控发动机研制主要依靠经验方法和单学科仿真进行设计,再进行实验验证和改进的问题,另一方面由于地面实验测试结果存在较大误差,存在机理不清、算不准、测不准的问题,研发工作量大、成本高、计算耗时长等问题,采用基于深度神经网络模型构建的压强预测预训练模型对仿真数据集进行训练;并且针对小样本的实验数据,采用数据增强、深度生成模型等技术创造额外的伪样本辅助训练,并与仿真数据融合,提升压强预测预训练模型的计算效果,从而提高仿真模型计算精度,完成高精度仿真模型修正。
下面将结合本发明实施例图中的附图,对本发明实施方式进行详细说明。
在一个实施例中,如图1和图2所示,提供了一种固体姿轨控发动机燃气调节阀压强修正方法,包括以下步骤:
步骤102,获取训练数据集与测试数据集;训练数据集包括仿真数据、第一实验数据以及增强数据,测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将实验数据划分为第一实验数据和第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集仿真数据;通过对第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,判别器、生成器与指导网络相互进行对抗训练,当判别器无法判断生成器输出结果的真实性时,生成增强数据。
具体地,数据集主要来源于仿真数据和实验数据;关于仿真数据,通过对不同工况下固体火箭发动机燃气调节阀进行仿真建模,模拟调节阀的移动过程,并记录燃气调节阀入口压强,阀芯的移动速度,以及对应位置的压强数据;采集固体火箭发动机燃气调节阀在不同工况下的燃气调节阀压强数据、以及对应的燃气调节阀入口压强,阀芯的移动速度作为仿真数据。实验数据为从现实世界中实际收集的数据,这些数据占比比较小。因此,为了增加与实验数据相近的样本,以提升深度学习模型质量,对实验数据采用数据增强的方式获得更多的训练样本数据。
首先,将实验数据划分为第一实验数据和第二实验数据,将第一实验数据作为训练数据集,将第二实验数据作为测试数据集;关于第一实验数据和第二实验数据的划分比例,根据实际情况进行确定,在此不做赘述。
其次,将第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,判别器、生成器与指导网络相互进行对抗训练,当判别器无法判断生成器输出结果的真实性时,生成增强数据。
其中一个实施例中,由于第一实验数据获得时间不同,对第组实验得到的实验数据的时间进行归一化处理,使时间的大小处于[0,1]之间,从而保证序列数据长度一致性的要求。
归一化的表达式为:
;
式中,表示第/>组压强数据中第/>个时间节点;/>表示第/>组压强数据末尾时间节点;/>表示第i组压强数据起始时间节点,/>表示对第/>组压强样本数据中第/>个时间节点进行归一化后对应的时间节点。
其中一个实施例中,对第一实验数据进行降采样处理。其中,第组实验数据包括个等时间步长的目标节点,并利用归一化后的第/>个时间节点对应的压强值对降采样后的时间节点/>对应的压强赋值,其中,/>,/>为使/>的最小值。使不同时间历程的各过程在相同时间索引处的特征点分别对应,减小了采样频率和时长不同带来的数据差异性。
其中一个实施例中,如图3所示,为增强数据的处理流程,对第一实验数据依次进行归一化处理和降采样处理后,采用CWGAN-GP-T模型进行训练。
具体地,对第一实验数据依次进行归一化处理和降采样处理,得到实验样本数据,对实验样本数据进行划分,得到实验样本训练集与实验样本测试集。
构建CWGAN-GP-T模型,CWGAN-GP-T模型包括判别器、生成器及指导网络。
基于第一损失函数,将参数标签与高斯噪声输入生成器,得到生成样本数据集。
将实验样本训练集与生成样本数据集输入指导网络,得到校正样本数据集。
基于第二损失函数、实验样本训练集、生成样本数据集、校正样本数据集及参数标签对判别器进行训练,得到训练好的判别器。
通过判别器对实验样本测试集与生成样本数据集进行判别,当判别器无法判断生成器输出结果的真实性时,则生成增强数据。
可以理解,将参数标签以及高斯噪声输入至生成器生成多组样本数据,即生成样本数据集;将生成样本数据集输入指导网络进行校正,生成多组更接近真实样本的特征,即校正样本数据集。判别器、生成器与指导网络相互对抗,不断调整参数,最终使得判别器无法判断出生成器的输出结果是否真实,以生成高质量的样本数据,即增强数据。
进一步具体地,生成器包括5个卷积层,每个卷积层包含归一化层、激活层与卷积核。对于生成器网络第1个卷积层中设置了1×7的卷积核,步长为1,填充为1。在其余4个卷积层中,填充和卷积核的大小分别设置为1和3,步幅大小设置为1,确保最终输出的生成序列与输入序列一致。优选地,激活函数采用ReLU函数为激活函数,归一化层采用InstanceNorm,更适合给定控制条件下多工况的数据生成。如图4所示,左边为生成器结构,右边为指导网络结构,指导网络设计为与生成器近似的网络结构。如图5所示,左边为生成器结构,右边为判别器结构,判别器设计为与生成器对称的结构。
其中,生成器通过参数标签信息/>从简单的正态分布中随机取样/>作为输入,输出和真实样本具有相似特征的序列数据,目的是尽可能欺骗判别器。
指导网络指导生成器生成与真实数据分布差异较小的数据,使生成数据能够更接近真实数据,目的是校正生成器的输出。
判别器的输入为真实样本或生成器的输出,判别器/>对生成序列数据和真实序列数据进行真假判断,并使用第二损失函数计算对抗损失,其目的是尽力分辨生成器的输出和真实样本。
其中一个实施例中,生成器和指导网络/>共同作用,生成器/>与真实样本数据(即实验样本训练集中的实验样本数据)的损失误差用第一损失函数计算。
第一损失函数的表达式为:
;
式中,表示损失权重,用以更改校正器和生成器损失比例;表示生成器生成样本概率分布;/>表示判别器;/>表示生成器;/>表示参数标签信息;/>表示随机取样;/>表示校正误差。
其中,校正误差表示为:
;
式中,表示真实样本数据分布;/>表示生成数据样本数据分布;/>表示生成样本数据分布的均值;/>表示真实样本数据分布;/>表示生成样本数据分布。
其中一个实施例中,第二损失函数的表达式为:
;
式中,表示原始样本概率分布;/>表示生成器生成样本概率分布;/>表示惩罚函数;/>表示梯度惩罚系数;/>表示判别器;/>表示生成器;/>表示真实样本数据分布;/>表示参数标签信息;/>表示随机取样;/>表示沿真实数据分布/>和生成数据分布/>之间连线的随机插值采样。
值得说明的是,在CWGAN-GP-T模型中,判别器与生成器/>、指导网络/>相互对抗,不断调整参数,最终使得判别器/>无法判断出生成器/>的输出结果是否真实。压强序列数据生成训练过程,最大化判别器判别能力的同时,最小化对抗损失和校正损失,使得生成数据在数据内容和特征信息上更接近真实压强序列数据。
步骤104,基于深度神经网络构建压强预测预训练模型;将训练数据集输入压强预测预训练模型内进行训练后,采用测试数据集进行测试,得到训练好的压强预测模型。
具体地,如图6所示,构建的压强预测预训练模型包括3个卷积模块,其中,卷积模块A大小为16×3,表示16个大小为1×3的卷积核;卷积模块B大小为32×3,表示为32个大小为1×3的卷积核;卷积模块C大小为64×3,表示为64个大小为1×3的卷积核。
其中,各卷积模块中均包括残差网络、池化层与Dropout层;通过在压强预测预训练模型中引入残差网络,用于减缓网络在进行深度堆叠过程中可能出现的由于梯度消失或者梯度爆炸所导致训练效果下降问题;通过Dropout层进行随机丢失等正则化处理,可以提高网络的泛化性与普适性。
具体地,在每个卷积模块中,包括1个残差网络,残差网络由每两层卷积层组成,残差网络后连接一层池化层和Dropout层,激活函数优选ReLU函数。池化层采取最大池化方式,最大池化滤波器的大小为2,在最后经过展平层进行展平处理。最后与个神经元进行全连接,/>为预测点的数量,/>为输出阀门监测点位在阀芯运动过程中压强预测值数量。
其中一个实施例中,基于深度神经网络构建压强预测预训练模型;将训练数据集输入压强预测预训练模型内进行训练后,采用测试数据集进行测试,得到训练好的压强预测模型,包括:
步骤302,基于深度神经网络构建压强预测预训练模型,并初始化压强预测预训练模型参数。
步骤304,将训练数据集分批次输入,并向前传播,计算第三损失函数。
步骤306,判断是否遍历所述训练数据集,若是,则执行步骤308;若否,则返回步骤304继续执行;
步骤308,判断是否达到训练轮次或训练终止条件,若是,则完成模型训练;若否,则执行步骤310。
步骤310,根据第三损失函数对压强预测预训练模型进行反向更新,自适应对压强预测预训练模型的每层权值进行优化,并返回步骤304继续执行。
其中一个实施例中,第三损失函数表达式为:
;
式中,表示真实值;/>表示模型的预测值;/>表示样本预测数量。
值得说明的是,训练次数根据情况进行设定,比如:对压强预测预训练模型进行训练的过程中,采用三次训练,则模型训练对应轮次分别为400、1500、15000,模型经过三次训练后收敛。压强预测预训练模型优先采用Adam优化算法。
步骤106,通过训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果。
步骤108,根据预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
上述固体姿轨控发动机燃气调节阀压强修正方法,首先获取训练数据集与测试数据集;训练数据集包括仿真数据、第一实验数据以及增强数据,测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将实验数据划分为第一实验数据和第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集仿真数据;通过对第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,判别器、生成器与指导网络相互进行对抗训练,当判别器无法判断生成器输出结果的真实性时,生成增强数据;然后基于深度神经网络构建压强预测预训练模型;将训练数据集输入压强预测预训练模型内进行训练后,采用测试数据集进行测试,得到训练好的压强预测模型;通过训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果;最后根据预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
本发明增强数据的生成过程中结合了归一化处理、降采样处理以及设计的CWGAN-GP-T模型,生成过程避免了模式崩溃、梯度消失、收敛慢和训练过程不稳定等缺陷,使生成样本质量更高;同时基于深度神经网络构建的压强预测预训练模型,能够构建数据间高度复杂的非线性关系;与训练数据集、预设的损失函数结合进行训练,能够显著提高压强预测预训练模型的计算效果和计算精度,根据预测结果对固体火箭发动机燃气调节阀进行高精度的压强修正,从而提升固体火箭发动机燃气调节阀仿真建模的效率和准确性。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,对本申请提供的固体姿轨控发动机燃气调节阀压强修正方法的可行性进行验证。
针对固体火箭发动机燃气调节阀工作过程,采用的数据集包括仿真数据集以及实验数据集。针对仿真数据集,建立三维仿真模型,获取不同阀芯移动速度以及入口压强下,进气口中轴线所在截面位置监测点压强仿真数据,仿真数据共计16组。每组包括180个压强数据点。初始稳态入口压强分别设置为6MPa、8.3MPa、10MPa、12MPa,温度为300K。进行数值仿真计算开始时,喉栓从完全闭合位置开始运动,每组压强入口下包括对应四组阀芯运动速度分别为5mm/s、10mm/s、25mm/s、2mm/s。将阀芯运动自完全闭合,到完全打开,再到完全闭合定义一个周期的工作流程。阀芯运动的最大开度为4.5mm;针对燃气阀实验数据,总共包括4组。
实验数据具体初始条件如表1所示:
表1 燃气阀实验初始条件
以上述数据集为基础,对进气口中轴线所在截面位置监测点压强进行预测:
对实验采集到的压强数据进行降采样处理,采用数据增强的方式,增加与实验数据相近的样本,以提升深度学习模型质量。
在压强预测预训练模型中,训练数据集的批次样本大小设置为3,分三次训练,三次训练对应训练轮次分别为400,1500,15000。学习率分别对应为0.05,0.002,0.0001。
训练过程中,将仿真数据、第一实验数据以及基于实验数据进行数据增强得到的伪样本数据(即增强数据)一同作为训练数据集,将第二实验数据作为测试数据集;输入压强预测预训练模型中进行训练;最后,将测试数据集输入训练好的压强预测模型中,得出预测结果。
通过评价函数表现验证测试集在该网络模型下的预测结果,以验证该发明的可行性:
计算结果如表2~5所示,本发明在测试样本上的4个预测在四个指标上均有进一步提升。说明本发明的固体火箭发动燃气调节阀压强修正方法相较于传统商业软件的优越性,高效性,验证了本发明方法的有效性。
表2 百分比误差
表3 平均绝对误差(MAE)
表4 均方误差(MSE)
表5 均方根误差(RMSE)
在一个实施例中,如图7所示,提供了一种固体姿轨控发动机燃气调节阀压强修正装置,包括:数据集获取模块410、模型训练模块412、预测结果生成模块414和修正模块416,其中:
数据集获取模块410,获取训练数据集与测试数据集;训练数据集包括仿真数据、第一实验数据以及增强数据,测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将实验数据划分为第一实验数据和第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集仿真数据;通过对第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,判别器与所述生成器、指导网络相互进行对抗训练,当判别器无法判断生成器输出结果的真实性时,生成增强数据。
模型训练模块412,基于深度神经网络构建压强预测预训练模型;将训练数据集输入压强预测预训练模型内进行训练后,采用测试数据集进行测试,得到训练好的压强预测模型。
预测结果生成模块414,通过训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果。
修正模块416,根据预测结果对固体火箭发动机燃气调节阀压强进行修正。
关于固体姿轨控发动机燃气调节阀压强修正装置的具体限定可以参见上文中对于固体姿轨控发动机燃气调节阀压强修正方法的限定,在此不再赘述。上述固体姿轨控发动机燃气调节阀压强修正装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,所述方法包括:
获取训练数据集与测试数据集;所述训练数据集包括仿真数据、第一实验数据以及增强数据,所述测试数据集包括第二实验数据;其中,在不同实验条件下获取实验数据,将所述实验数据划分为所述第一实验数据和所述第二实验数据;对不同工况下固体火箭发动机燃气调节阀进行仿真建模,以采集所述仿真数据;通过对所述第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,所述CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,所述判别器、所述生成器与所述指导网络相互进行对抗训练,当所述判别器无法判断所述生成器输出结果的真实性时,生成所述增强数据;
基于深度神经网络构建压强预测预训练模型;将所述训练数据集输入所述压强预测预训练模型内进行训练后,采用所述测试数据集进行测试,得到训练好的压强预测模型;
通过所述训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测,得到预测结果;
根据所述预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
2.根据权利要求1所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,对所述第一实验数据依次进行归一化处理,表达式为:
;
式中,表示第/>组压强数据中第/>个时间节点;/>表示第/>组压强数据末尾时间节点;/>表示第i组压强数据起始时间节点,/>表示对第/>组压强样本数据中第/>个时间节点进行归一化后对应的时间节点。
3.根据权利要求2所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,对所述第一实验数据依次进行归一化处理和降采样处理后,输入CWGAN-GP-T模型进行训练,所述CWGAN-GP-T模型包括判别器、生成器及指导网络,基于预设的损失函数,所述判别器、所述生成器与所述指导网络相互进行对抗训练,当所述判别器无法判断所述生成器输出结果的真实性时,生成增强数据,包括:
对第一实验数据依次进行归一化处理和降采样处理,得到实验样本数据,对所述实验样本数据进行划分,得到实验样本训练集与实验样本测试集;
构建CWGAN-GP-T模型,所述CWGAN-GP-T模型包括判别器、生成器及指导网络;
基于第一损失函数,将参数标签与高斯噪声输入所述生成器,得到生成样本数据集;
将所述实验样本训练集与所述生成样本数据集输入所述指导网络,得到校正样本数据集;
基于第二损失函数、所述实验样本训练集、所述生成样本数据集、所述校正样本数据集及参数标签对所述判别器进行训练,得到训练好的判别器;
通过所述判别器对所述实验样本测试集与所述生成样本数据集进行判别,当所述判别器无法判断所述生成器输出结果的真实性时,生成增强数据。
4.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,第一损失函数的表达式为:
;
式中,表示损失权重;/>表示生成器生成样本概率分布;/>表示判别器;/>表示生成器;/>表示参数标签信息;/>表示随机取样;/>表示校正误差。
5.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,第二损失函数的表达式为:
;
式中,表示原始样本概率分布;/>表示生成器生成样本概率分布;/>表示惩罚函数;/>表示梯度惩罚系数;/>表示判别器;/>表示生成器;/>表示真实样本数据分布;/>表示参数标签信息;/>表示随机取样;/>表示沿真实数据分布/>和生成数据分布/>之间连线的随机插值采样。
6.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,所述生成器包括5个卷积层;各所述卷积层中均包括归一化层、激活层与卷积核。
7.根据权利要求1至6任一项所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,所述压强预测预训练模型包括3个卷积模块;各所述卷积模块中均包括残差网络、池化层与Dropout层。
8.根据权利要求7所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,基于深度神经网络构建压强预测预训练模型;将所述训练数据集输入所述压强预测预训练模型内进行训练后,采用所述测试数据集进行测试,得到训练好的压强预测模型,包括:
基于深度神经网络构建压强预测预训练模型,并初始化所述压强预测预训练模型参数;
将所述训练数据集分批次输入,并向前传播,计算第三损失函数;
判断是否遍历所述训练数据集,若是,则判断是否达到训练轮次或训练终止条件;
若否,则根据第三损失函数对压强预测预训练模型进行反向更新,自适应对所述压强预测预训练模型的每层权值进行优化。
9.根据权利要求8所述的固体姿轨控发动机燃气调节阀压强修正方法,其特征在于,所述第三损失函数表达式为:
;
式中,表示真实值;/>表示模型的预测值;/>表示样本预测数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342408.0A CN117933104B (zh) | 2024-03-25 | 2024-03-25 | 固体姿轨控发动机燃气调节阀压强修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342408.0A CN117933104B (zh) | 2024-03-25 | 2024-03-25 | 固体姿轨控发动机燃气调节阀压强修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933104A true CN117933104A (zh) | 2024-04-26 |
CN117933104B CN117933104B (zh) | 2024-06-07 |
Family
ID=90759653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410342408.0A Active CN117933104B (zh) | 2024-03-25 | 2024-03-25 | 固体姿轨控发动机燃气调节阀压强修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933104B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018178809A1 (en) * | 2017-03-28 | 2018-10-04 | Bundesamt Für Zivilluftfahrt | Noise level simulation method as well as computer readable medium and system therefore |
CN112149228A (zh) * | 2020-09-25 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种固体火箭发动机性能渐进匹配设计方法 |
CN112906295A (zh) * | 2021-01-28 | 2021-06-04 | 中国人民解放军国防科技大学 | 固体火箭发动机燃速预示方法、装置和设备 |
CN114462319A (zh) * | 2022-02-25 | 2022-05-10 | 中国空气动力研究与发展中心空天技术研究所 | 航空发动机燃烧性能主动调控方法及智能预测模型 |
US20220372891A1 (en) * | 2021-01-14 | 2022-11-24 | Dalian University Of Technology | Method for stability analysis of combustion chamber of gas turbine engine based on image sequence analysis |
WO2023056614A1 (zh) * | 2021-10-09 | 2023-04-13 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
WO2023097705A1 (zh) * | 2021-11-30 | 2023-06-08 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
CN116401755A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法 |
CN116562117A (zh) * | 2023-02-17 | 2023-08-08 | 北京航空航天大学 | 一种可回收火箭控制效能评估系统和方法 |
US20230316051A1 (en) * | 2021-08-06 | 2023-10-05 | Dalian University Of Technology | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network |
EP4269747A1 (en) * | 2022-04-29 | 2023-11-01 | Abu Dhabi National Oil Company | System and method for effective hydrocarbon reservoir pressure prediction and control |
US20230419179A1 (en) * | 2020-12-21 | 2023-12-28 | Robert Bosch Gmbh | Device for a robust classification and regression of time series |
US20240012965A1 (en) * | 2021-12-22 | 2024-01-11 | Dalian University Of Technology | Steady flow prediction method in plane cascade based on generative adversarial network |
-
2024
- 2024-03-25 CN CN202410342408.0A patent/CN117933104B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018178809A1 (en) * | 2017-03-28 | 2018-10-04 | Bundesamt Für Zivilluftfahrt | Noise level simulation method as well as computer readable medium and system therefore |
CN112149228A (zh) * | 2020-09-25 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种固体火箭发动机性能渐进匹配设计方法 |
US20230419179A1 (en) * | 2020-12-21 | 2023-12-28 | Robert Bosch Gmbh | Device for a robust classification and regression of time series |
US20220372891A1 (en) * | 2021-01-14 | 2022-11-24 | Dalian University Of Technology | Method for stability analysis of combustion chamber of gas turbine engine based on image sequence analysis |
CN112906295A (zh) * | 2021-01-28 | 2021-06-04 | 中国人民解放军国防科技大学 | 固体火箭发动机燃速预示方法、装置和设备 |
US20230316051A1 (en) * | 2021-08-06 | 2023-10-05 | Dalian University Of Technology | Pre-alarming method for rotary stall of compressors based on temporal dilated convolutional neural network |
WO2023056614A1 (zh) * | 2021-10-09 | 2023-04-13 | 大连理工大学 | 一种基于堆叠长短期记忆网络的轴流压气机旋转失速预测方法 |
WO2023097705A1 (zh) * | 2021-11-30 | 2023-06-08 | 大连理工大学 | 一种基于多源数据融合的压气机旋转失速预测方法 |
US20240012965A1 (en) * | 2021-12-22 | 2024-01-11 | Dalian University Of Technology | Steady flow prediction method in plane cascade based on generative adversarial network |
CN114462319A (zh) * | 2022-02-25 | 2022-05-10 | 中国空气动力研究与发展中心空天技术研究所 | 航空发动机燃烧性能主动调控方法及智能预测模型 |
EP4269747A1 (en) * | 2022-04-29 | 2023-11-01 | Abu Dhabi National Oil Company | System and method for effective hydrocarbon reservoir pressure prediction and control |
US20230350096A1 (en) * | 2022-04-29 | 2023-11-02 | Abu Dhabi National Oil Company | System and method for effective hydrocarbon reservoir pressure prediction and control |
CN116562117A (zh) * | 2023-02-17 | 2023-08-08 | 北京航空航天大学 | 一种可回收火箭控制效能评估系统和方法 |
CN116401755A (zh) * | 2023-02-28 | 2023-07-07 | 沈阳航空航天大学 | 基于CNN-LSTM-Attention网络结构的固体火箭发动机总冲预测方法 |
Non-Patent Citations (4)
Title |
---|
张杰,李国盛,文谦,王东辉,武泽平,张为华: "基于改进增广径向基的固体姿轨控发动机 推力快速预示", 《推进技术》, vol. 44, no. 8, 31 August 2023 (2023-08-31) * |
王烨君;陈阳;蔡国飙;黄玉龙;王仙勇;: "复杂管网系统未知信息调节阀的一种瞬变建模方法", 北京航空航天大学学报, no. 08, 12 February 2020 (2020-02-12) * |
陈阳, 高芳, 张振鹏, 陈锋: "液体火箭发动机试验台贮箱增压系统模块化仿真", 航空动力学报, no. 02, 30 April 2005 (2005-04-30) * |
黄延平;高俊国;: "基于Simulink的火箭弹发动机内弹道性能", 火力与指挥控制, no. 11, 15 November 2012 (2012-11-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117933104B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948029B (zh) | 基于神经网络自适应的深度哈希图像搜索方法 | |
Pan et al. | A multi-head attention network with adaptive meta-transfer learning for RUL prediction of rocket engines | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
US20220108185A1 (en) | Inverse and forward modeling machine learning-based generative design | |
CN109063355A (zh) | 基于粒子群优化与Kriging模型的近似优化方法 | |
CN103559537B (zh) | 一种乱序数据流中基于误差反向传播的模板匹配方法 | |
CN116401756A (zh) | 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 | |
CN112578089B (zh) | 一种基于改进tcn的空气污染物浓度预测方法 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN112131670A (zh) | 一种基于混合自适应差分进化的航空发动机模型迭代算法 | |
CN114638048A (zh) | 三维喷管流场快速预测与敏感性参数分析方法及装置 | |
Decke et al. | DADO–low-cost query strategies for deep active design optimization | |
CN111914904B (zh) | 一种融合DarkNet与CapsuleNet模型的图像分类方法 | |
CN117933104B (zh) | 固体姿轨控发动机燃气调节阀压强修正方法 | |
CN117763933A (zh) | 基于深度学习的固体火箭发动机时间序列参数预测方法和预测系统 | |
CN113240094A (zh) | 一种基于svm的lstm超参数优化方法、系统、介质及设备 | |
Zhao et al. | Industrial fault diagnosis based on few shot learning | |
Xiang et al. | A Manifold-Based Airfoil Geometric-Feature Extraction and Discrepant Data Fusion Learning Method | |
CN115935859B (zh) | 一种基于svr-modea的型面结构优化方法、系统、设备及介质 | |
CN115688229B (zh) | 基于深度学习的网壳结构最不利缺陷模态创建方法 | |
CN113627584B (zh) | 一种基于神经网络的机械臂逆运动学求解方法、电子设备及存储介质 | |
CN116933639A (zh) | 一种高精度聚乙烯管材慢速裂纹扩展速率预测方法及系统 | |
US20230351146A1 (en) | Device and computer-implemented method for a neural architecture search | |
CN117034759A (zh) | 一种基于卷积神经网络的天然气管道瞬态流动计算方法 | |
Ohkubo et al. | RBF< cd0215f. gif> SOM: An Efficient Algorithm for Large-Scale Multi-System Learning |
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 |