CN117952024A - 异构数据融合的固体发动机先验模型构建方法及应用 - Google Patents

异构数据融合的固体发动机先验模型构建方法及应用 Download PDF

Info

Publication number
CN117952024A
CN117952024A CN202410350010.1A CN202410350010A CN117952024A CN 117952024 A CN117952024 A CN 117952024A CN 202410350010 A CN202410350010 A CN 202410350010A CN 117952024 A CN117952024 A CN 117952024A
Authority
CN
China
Prior art keywords
model
parameters
response
meta
order
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
CN202410350010.1A
Other languages
English (en)
Other versions
CN117952024B (zh
Inventor
杨家伟
田磊
武泽平
刘家君
张为华
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202410350010.1A priority Critical patent/CN117952024B/zh
Publication of CN117952024A publication Critical patent/CN117952024A/zh
Application granted granted Critical
Publication of CN117952024B publication Critical patent/CN117952024B/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
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明涉及异构数据融合的固体发动机先验模型构建方法及应用，方法包括：将多个源域已有的异构发动机数据设计变量和关于任务需求的元参数进行分组；建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型，并基于响应模型计算出高维模型表征的展开点的响应；选取元参数组和多个设计变量组中的任一个作为目标变量组，并为每一个目标变量组构建高维模型表征中的一阶模型；为每两个目标变量组构建高维模型表征中的二阶模型，以用于表征两个目标变量组之间的关系；基于响应模型输出的响应、一阶模型和二阶模型获得针对元参数和异构发动机数据设计变量中所有参数的预测模型。

Description

异构数据融合的固体发动机先验模型构建方法及应用
技术领域
本发明涉及航空航天领域，尤其涉及一种异构数据融合的固体发动机先验模型构建方法及应用。
背景技术
固体火箭发动机是在火箭等航天运载器中广泛应用的动力系统之一，固体发动机性能快速预示是固体发动机设计中最核心最困难的技术之一，其主要任务是在给定的设计变量范围内，进行大量的采样仿真，以仿真后的高精度样本点，构建固体发动机先验模型，实现性能预示。
目前常用的固体发动机性能预示模型生成方法主要有：
针对新的总体性能预示需求，采用设计域内的均匀采样得到大量的样本点，仿真得到相应的输出，并且应用代理模型技术根据所有的高精度样本点构建性能快速预示模型。
但是，目前常用的固体发动机性能预示模型生成方法的缺点在于：需要大量的样本点和仿真计算，计算消耗较大，同时针对新的需求需要重新采样建模，造成大量计算资源的浪费。
发明内容
本发明的目的在于提供一种异构数据融合的固体发动机先验模型构建方法及应用，以解决固体发动机建模需求类似，重新采样仿真计算消耗大，造成计算资源浪费的问题。
为实现上述发明目的，本发明提供一种异构数据融合的固体发动机先验模型构建方法，包括以下步骤：
S1.将多个源域已有的异构发动机数据设计变量和关于任务需求的元参数进行分组，其中，将所述元参数划分为一个元参数组，将所述异构发动机数据设计变量按照预设的物理意义相近规则划分为多个设计变量组；
S2.建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型，并基于所述响应模型计算出高维模型表征的展开点的响应；
S3.选取所述元参数组和多个所述设计变量组中的任一个作为目标变量组，并为每一个所述目标变量组构建高维模型表征中的一阶模型；其中，所述一阶模型针对所述目标变量组以所述展开点进行展开；
S4.为每两个所述目标变量组构建高维模型表征中的二阶模型，以用于表征两个所述目标变量组之间的关系；
S5.基于所述响应模型输出的所述响应、所述一阶模型和所述二阶模型获得针对所述元参数和所述异构发动机数据设计变量中所有参数的预测模型。
根据本发明的一个方面，步骤S2中，建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中，所述响应模型包括：第一模型部分和第二模型部分；
所述第一模型部分采用径向基方法构建，其中，所述第一模型部分以异构发动机数据设计变量为输入，以发动机目标性能参数为输出；
所述第二模型部分以采用径向基方法构建，其中，所述第二模型部分以所述元参数为输入，所述第一模型部分的输出结果为输出。
根据本发明的一个方面，步骤S2中，建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中包括：
S21.以每一个所述源域的所述异构发动机数据设计变量和与所述异构发动机数据设计变量相对应的发动机目标性能参数构建第一训练集，并基于所述第一训练集训练出所述第一模型部分；其中，所述第一模型部分表示为：
；
其中，表示所述第一训练集的大小，表示待预测的点，为基函数系数，为高斯基函数，为已知样本点，为形状参数；
S22.设有个源域，则采用所述第一模型部分对个所述源域的所述异构发动机数据设计变量进行计算并输出个第一预测结果；
S23.以个所述源域的元参数为输入，以个所述第一预测结果为输出构建第二训练集，并以第二训练集训练获得所述第二模型部分。
根据本发明的一个方面，步骤S2中，基于所述响应模型计算出高维模型表征的展开点的响应的步骤中，包括：
基于所述元参数组中参数和多个所述设计变量组中参数构建展开点，其表示为：
；
其中，表示所述元参数组中参数的取值，表示多个所述设计变量组中参数的取值；
获取所述展开点中元参数组中参数的取值和多个所述设计变量组中参数的取值，并输入所述响应模型以获得所述展开点的响应。
根据本发明的一个方面，步骤S3中，选取所述元参数组和多个所述设计变量组中的任一个作为目标变量组，并为每一个所述目标变量组构建高维模型表征中的一阶模型的步骤中，包括：
S31.采用均匀实验设计方法对所述目标变量组进行采样，得到设计空间内均匀分布的个第一采样样本；
S32.基于所述响应模型对多个所述第一采样样本进行输出计算，获得关于所述目标变量组的一阶输出，其表示为：
；
其中，表示一阶输出，表示所述第一采样样本计算输出响应过程中除了相应目标变量组的变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点，表示展开点的响应；
S33.以所述目标变量组的变量为输入，以所述目标变量组的一阶输出为输出构建出所述目标变量组的所述一阶模型；
S34.判断所述一阶模型的精度是否满足停止准则，若满足，则输出所述一阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样，直至所述一阶模型的精度满足所述停止准则；
S35.重复执行步骤S31至S34，以获得所有所述目标变量组的所述一阶模型。
根据本发明的一个方面，步骤S34中，采用动态递归排列演化算法在已有样本的基础上进行扩充采样的步骤中，包括：
以步骤S31所获得的个第一采样样本中的个所述第一采样样本作为均匀分布的扩充种子，获得种子样本矩阵；
将所述种子样本矩阵插入间隔空间，并保留转移矩阵不变，以及，优化所述种子样本矩阵的第一列，以插入种子后所有样本的均匀性为目标函数，得到优化后的个种子样本矩阵。
根据本发明的一个方面，步骤S4中，为每两个所述目标变量组构建高维模型表征中的二阶模型，以用于表征两个所述目标变量组之间的关系的步骤中，包括：
S41.获取两个所述目标变量组并判断两个所述目标变量组之间是否存在二阶项，若存在，则采用均匀实验设计方法对两个所述目标变量组进行采样，以获得设计空间内均匀分布的多个第二采样样本；其中，对两个所述目标变量组进行采样的维度为两个所述目标变量组中变量的总和；
S42. 基于所述响应模型对多个所述第二采样样本进行输出计算，获得关于所述目标变量组的二阶模型，其表示为：
；
其中，表示二阶模型，表示所述第二采样样本计算输出响应过程中除了相应两个目标变量组的变量和变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点；
S43.判断所述二阶模型的精度是否满足停止准则，若满足，则输出所述二阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样，直至所述二阶模型的精度满足所述停止准则；
S44.重复执行步骤S41至S43以循环构建两个所述目标变量组的所有所述二阶模型。
根据本发明的一个方面，步骤S5中，基于所述响应模型输出的所述响应、所述一阶模型和所述二阶模型获得针对所述元参数和所述异构发动机数据设计变量中所有参数的预测模型的步骤中，所述预测模型表示为：
；
其中，表示所述展开点的响应。
为实现上述发明目的，本发明提供一种基于前述的固体发动机先验模型构建方法的应用，包括：
获取用于设计固定发动机的元参数和异构发动机数据设计变量的取值；
将所述元参数和异构发动机数据设计变量的取值输入所述预测模型进行固体发动机的性能仿真预测。
根据本发明的一种方案，本发明提出了一种固体发动机异构数据知识迁移统一建模方法，实现了固体发动机异构数据知识迁移快速建模，为固体发动机高效设计提供方法支撑。
根据本发明的一种方案，本发明从源域中已有的固体发动机异构数据出发，利用之前建模任务留下来的高精度样本，利用高维模型表征技术挖掘变量信息，进行知识迁移，结合动态递归排列演化算法提升模型精度，针对目标需求构建其性能预示先验模型，无需重新采样计算即可实现性能快速预示。后续还可以通过少量的高精度仿真进一步提高模型的精度。
根据本发明的一种方案，通过高维模型表征技术挖掘不同变量信息，利用动态递归排列演化算法提升模型的精度，构建出目标发动机的先验模型。
根据本发明的一种方案，本发明首先对已有的源域发动机建模任务，进行设计变量的归类，然后利用多维改进的高维模型表征技术按整理的类别变量进行建模，采用动态递归排列演化算法针对多维变量采样以提高建模精度，实现目标发动机性能预示模型构建。
根据本发明的一种方案，相对于一般采样仿真方法通过对源域任务知识的迁移学习，避免了大量的采样仿真工作，节约了计算成本。
根据本发明的一种方案，本发明通过在多种不同的固体发动机建模中的试验验证，其与现有方法相比，效率更高，结果更可靠，相对于一般训练时间长、计算消耗大的采样仿真方法，本发明提出的方法具有更高的效率和可靠性，能有效满足固体发动机先验模型生成需求。
附图说明
图1是示意性表示根据本发明的一种实施方式的固体发动机先验模型构建方法的步骤图；
图2是示意性表示根据本发明的一种实施方式的固体发动机先验模型构建方法的流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
结合图1和图2所示，根据本发明的一种实施方式，本发明的一种异构数据融合的固体发动机先验模型构建方法，包括以下步骤：
S1.将多个源域已有的异构发动机数据设计变量和关于任务需求的元参数进行分组，其中，将元参数划分为一个元参数组，将异构发动机数据设计变量按照预设的物理意义相近规则划分为多个设计变量组；
S2.建立以元参数和异构发动机数据设计变量中设计变量参数为输入的响应模型，并基于所述响应模型计算出高维模型表征的展开点的响应；
S3.选取元参数组和多个设计变量组中的任一个作为目标变量组，并为每一个目标变量组构建高维模型表征中的一阶模型；其中，一阶模型针对目标变量组以展开点进行展开；
S4.为每两个目标变量组构建高维模型表征中的二阶模型，以用于表征两个目标变量组之间的关系；
S5.基于响应模型输出的响应、一阶模型和二阶模型获得针对元参数和异构发动机数据设计变量中所有参数的预测模型。
如图1所示，根据本发明的一种实施方式，步骤S1中，通过将关于任务需求的元参数设置为一组，将异构发动机数据设计变量设置为多组的方式实现了对一个高维的发动机设计问题分解成几个维度较低的变量组合。在本实施方式中，物理意义相近规则为：固体发动机总体设计参数大体分为装药、燃烧室和喷管三部分，为此，分别按照与装药、燃烧室和喷管三部分划分即可。
结合图1和图2所示，根据本发明的一种实施方式，步骤S2中，建立以元参数和异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中，响应模型包括：第一模型部分和第二模型部分；在本实施方式中，第一模型部分采用径向基方法构建，其中，第一模型部分以异构发动机数据设计变量为输入，以发动机目标性能参数为输出；第二模型部分以采用径向基方法构建，其中，第二模型部分以元参数为输入，第一模型部分的输出结果为输出。
结合图1和图2所示，根据本发明的一种实施方式，步骤S2中，建立以元参数和异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中包括：
S21.以每一个源域的异构发动机数据设计变量和与异构发动机数据设计变量相对应的发动机目标性能参数构建第一训练集，并基于第一训练集训练出第一模型部分；其中，第一模型部分表示为：
；
其中，表示第一训练集的大小，表示待预测的点，为基函数系数，为高斯基函数，表示把未知样本到已知样本的欧式距离当作自变量，为已知样本点，为形状参数；
S22.设有个源域，则采用第一模型部分对个源域的异构发动机数据设计变量进行计算并输出个第一预测结果，则个第一预测结果可表示为：；
S23.以个源域的元参数（例如）为输入，以个第一预测结果（例如）为输出构建第二训练集，并以第二训练集训练获得第二模型部分。
根据本发明的一种实施方式中，步骤S2中，基于响应模型计算出高维模型表征的展开点的响应的步骤中，包括：
首先计算所有变量（包括元参数和异构发动机数据设计变量）中点对应的响应，作为高维模型表征的展开点，进而可获得展开点的归一化形式，具体的，归一化后的展开点可采用以下形式：
；
其中，表示展开点，且其维度为元参数的个数和所有设计变量的个数之和。在本实施方式中，计算所有变量中点对应的响应，使得所有元参数和设计变量都归一化为0~1之间，因此，作为中点的展开点所有维度取值都是0.5。
其次，计算展开点的输出；其中，基于元参数组中参数和多个设计变量组中参数构建展开点，其表示为：
；
其中，表示所述元参数组中参数的取值，表示多个所述设计变量组中参数的取值；
获取展开点中元参数组中参数的取值和多个设计变量组中参数的取值，并输入响应模型以获得展开点（中心点）的响应，即意味着基于上述计算过程即可计算所有变量（包括元参数和异构发动机数据设计变量）输出的方法去计算中心点的输出。
如图1所示，根据本发明的一种实施方式，步骤S3中，基于元参数组和设计变量组中的参数分别构建出多个目标变量组，并为每一组目标变量组构建高维模型表征中的一阶模型的步骤中，包括：
S31.采用均匀实验设计方法对目标变量组进行采样，得到设计空间内均匀分布的个第一采样样本；其中，所获得的个第一采样样本作为第一折样本，其中，表示第一采样样本，且，，，其矩阵如下所示：
；
其中，矩阵的行数为，即包含个样本点，从而自然地将每一维度的设计域分为个间隔；
在本实施方式中，第一采样样本的维度与第一组变量维度一致，物理意义也一致。
S32.基于响应模型对多个第一采样样本进行输出计算，获得关于目标变量组的一阶输出，其表示为：
；
其中，表示一阶输出，表示第一采样样本计算输出响应过程中除了相应目标变量组的变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点，表示展开点的响应；
在本实施方式中，基于响应模型对多个第一采样样本进行输出计算的步骤中，除了当前的目标变量组之外的其他所有变量与展开点保持一致。其中，由于在响应模型中，需要所有元参数和设计变量取值作为输入，而步骤S31所采样出的样本维度仅与第一组变量相同，因此其他参数取值与展开点保持一致。表示第i组变量的样本取值(通过步骤S31得到)，表示其他所有参数的取值，直接以展开点中的取值予以补齐。
S33.以目标变量组的变量为输入，以目标变量组的一阶输出为输出构建出目标变量组的一阶模型；其中，一阶模型采用径向基方法构建；
S34.判断一阶模型的精度是否满足停止准则，若满足，则输出一阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样，直至一阶模型的精度满足停止准则；
S35.重复执行步骤S31至S34，以获得所有目标变量组的一阶模型。
结合图1和图2所示，根据本发明的一种实施方式，步骤S34中，采用动态递归排列演化算法在已有样本的基础上进行扩充采样的步骤中，旨在已有样本的间隔进行插空采样，保证效率和均匀性；其具体包括：
将初始个第一采样样本（即步骤S31所获得的个第一采样样本），删除一个样本点后使得剩下样本均匀性最好，得到个均匀分布的第一采样样本为扩充种子，并且把扩充种子的每一列按照矩阵进行整理获得种子样本矩阵；其中，种子样本矩阵表示为：
；
其中，是种子样本矩阵的第i列，为第i个转移矩阵，为种子样本矩阵的第一列；
由于第一折样本有个样本，即每一维度上有个点，考虑每两个点中间一个间隔，每一维度上有个间隔，即所有间隔形成的空间(为实验设计的维度)，将种子样本矩阵插入间隔空间，并保留转移矩阵不变，以及，优化种子样本矩阵的第一列，以插入种子后所有样本的均匀性为目标函数，得到优化后的个样本；其中，针对第次采样，使得不等式成立的最小即为当前每一维度设计变量被演化等分的次数，参数即表示当前的每一维度被分为个间隔, 所有间隔将形成个的实验空间。令参数，下一步的演化矩阵被插入到第个实验空间，同样保持转移矩阵不变，优化种子的第一列，得到第次采样的样本。
结合图1和图2所示，根据本发明的一种实施方式，步骤S4中，为每两个目标变量组构建高维模型表征中的二阶模型，以用于表征两个所述目标变量组之间的关系的步骤中，包括：
S41.获取两个目标变量组并判断两个目标变量组之间是否存在二阶项，若存在，则采用均匀实验设计方法对两个目标变量组进行采样，以获得设计空间内均匀分布的多个第二采样样本；其中，对两个目标变量组进行采样的维度为两个目标变量组中变量的总和；
在本实施方式中，获取两个目标变量组并判断两个目标变量组之间是否存在二阶项的步骤中，通过以下步骤进行判断：
从两个目标变量组的一阶项所有样本中各自任选一个样本（即变量和变量），按照下式进行判断，表示为：
；
其中，为将展开点中该两组变量的取值换成和，其他不变，即表示第组变量和第组变量和的二阶模型，由于采样所得的样本也仅有第组变量和第组变量的取值，进而要计算需要所有参数的取值，取值未知的变量以展开点对应变量的参数代替；
当上式成立时，则表示两个目标变量组之间不存在二阶项，进而重新获取两个目标变量组进行判断；当上式不成立时，则表示两个目标变量组之间存在二阶项，可进一步执行以下步骤；
S42. 基于响应模型对多个第二采样样本进行输出计算，获得关于目标变量组的二阶模型，其表示为：
；
其中，表示二阶模型，表示第二采样样本计算输出响应过程中除了相应两个目标变量组的变量和变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点；
在本实施方式中，基于响应模型对多个第二采样样本进行输出计算的步骤中，除了当前的目标变量组之外的其他所有变量与展开点保持一致；
S43.判断二阶模型的精度是否满足停止准则，若满足，则输出二阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样（与前述步骤一致，在此不再赘述），直至二阶模型的精度满足停止准则；
S44.重复执行步骤S41至S43，以循环构建两个目标变量组的所有二阶模型。
结合图1和图2所示，根据本发明的一种实施方式，步骤S5中，基于响应模型输出的响应、一阶模型和二阶模型获得针对元参数和异构发动机数据设计变量中所有参数的预测模型的步骤中，预测模型表示为：
；
其中，表示展开点的响应。
根据本发明的一种实施方式，本发明提供一种基于前述的固体发动机先验模型构建方法的应用，包括：
获取用于设计固定发动机的元参数和异构发动机数据设计变量的取值；
将元参数和异构发动机数据设计变量的取值输入预测模型进行固体发动机的性能仿真预测。
为说明本方案，进一步对本发明举例阐述。
以固体发动机总体设计为例，其中，以生成四组源域任务以模拟已有任务的情况，每组任务在设计空间范围内均匀采样100个样本点并进行高精度仿真。每一组源域的元参数和设计变量以及取值和范围见表1和表2。仿真的总体性能为发动机的工作时间。目标域的参数取值如表3和表4所示。
表1
表2
表3
表4
基于上述多个源域的构建，将元参数和设计变量按物理意义相近的进行分组，针对源域的元参数和设计变量进行归一化处理，然后在归一化空间建立预测所有参数响应的响应模型，然后采用动态递归排列演化算法采样，并利用高维模型表征技术针对所有组变量构建一阶模型和二阶模型，得到能够预测所有参数的先验模型。
具体可将本发明简述为以下过程：
将元参数和设计变量按物理意义相近的进行分组；
将所有的元参数和设计变量在所有源域参数范围内进行归一化，建立能够预测不同元参数下样本的响应模型；
采用动态递归排列演化算法采样构建高维模型表征的一阶项；
采用动态递归排列演化算法采样构建高维模型表征的二阶项；
生成目标发动机任务的先验模型（即预测模型）。
基于此，针对前述案例设计的所有参数进行分组，将物理意义相近的分为一组，具体分组见表5。表中共分为3组，第一组为3个元参数，由于自身样本较少，因此单独分为一组，第二组为7个装药结构尺寸相关的参数，第三组为剩下的4个参数。
表5
进一步的，采用前述所构建的能够预测所有参数输出的先验模型，为验证模型效果，在表3和表4的参数范围内随机选取10个点进行仿真计算工作时间，与预测输出对比计算误差，误差见表6。表中表示，测试的10个样本误差最高在8.52%，最低在0.006712%，预测性能较好。由于构建的是先验模型，后续引入高精度样本后模型精度可以进一步提高。
表6
上述内容仅为本发明的具体方案的例子，对于其中未详尽描述的设备和结构，应当理解为采取本领域已有的通用设备及通用方法来予以实施。
以上所述仅为本发明的一个方案而已，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 (9)

1.异构数据融合的固体发动机先验模型构建方法，其特征在于，包括以下步骤：
S1.将多个源域已有的异构发动机数据设计变量和关于任务需求的元参数进行分组，其中，将所述元参数划分为一个元参数组，将所述异构发动机数据设计变量按照预设的物理意义相近规则划分为多个设计变量组；
S2.建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型，并基于所述响应模型计算出高维模型表征的展开点的响应；
S3.选取所述元参数组和多个所述设计变量组中的任一个作为目标变量组，并为每一个所述目标变量组构建高维模型表征中的一阶模型；其中，所述一阶模型针对所述目标变量组以所述展开点进行展开；
S4.为每两个所述目标变量组构建高维模型表征中的二阶模型，以用于表征两个所述目标变量组之间的关系；
S5.基于所述响应模型输出的所述响应、所述一阶模型和所述二阶模型获得针对所述元参数和所述异构发动机数据设计变量中所有参数的预测模型。
2.根据权利要求1所述的固体发动机先验模型构建方法，其特征在于，步骤S2中，建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中，所述响应模型包括：第一模型部分和第二模型部分；
所述第一模型部分采用径向基方法构建，其中，所述第一模型部分以异构发动机数据设计变量为输入，以发动机目标性能参数为输出；
所述第二模型部分以采用径向基方法构建，其中，所述第二模型部分以所述元参数为输入，所述第一模型部分的输出结果为输出。
3.根据权利要求2所述的固体发动机先验模型构建方法，其特征在于，步骤S2中，建立以所述元参数和所述异构发动机数据设计变量中设计变量参数为输入的响应模型的步骤中包括：
S21.以每一个所述源域的所述异构发动机数据设计变量和与所述异构发动机数据设计变量相对应的发动机目标性能参数构建第一训练集，并基于所述第一训练集训练出所述第一模型部分；其中，所述第一模型部分表示为：
；
其中，表示所述第一训练集的大小，表示待预测的点，为基函数系数，为高斯基函数，为已知样本点，为形状参数；
S22.设有个源域，则采用所述第一模型部分对个所述源域的所述异构发动机数据设计变量进行计算并输出个第一预测结果；
S23.以个所述源域的元参数为输入，以个所述第一预测结果为输出构建第二训练集，并以第二训练集训练获得所述第二模型部分。
4.根据权利要求3所述的固体发动机先验模型构建方法，其特征在于，步骤S2中，基于所述响应模型计算出高维模型表征的展开点的响应的步骤中，包括：
基于所述元参数组中参数和多个所述设计变量组中参数构建展开点，其表示为：
；
其中，表示所述元参数组中参数的取值，表示多个所述设计变量组中参数的取值；
获取所述展开点中元参数组中参数的取值和多个所述设计变量组中参数的取值，并输入所述响应模型以获得所述展开点的响应。
5.根据权利要求4所述的固体发动机先验模型构建方法，其特征在于，步骤S3中，选取所述元参数组和多个所述设计变量组中的任一个作为目标变量组，并为每一个所述目标变量组构建高维模型表征中的一阶模型的步骤中，包括：
S31.采用均匀实验设计方法对所述目标变量组进行采样，得到设计空间内均匀分布的个第一采样样本；
S32.基于所述响应模型对多个所述第一采样样本进行输出计算，获得关于所述目标变量组的一阶输出，其表示为：
；
其中，表示一阶输出，表示所述第一采样样本计算输出响应过程中除了相应目标变量组的变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点，表示展开点的响应；
S33.以所述目标变量组的变量为输入，以所述目标变量组的一阶输出为输出构建出所述目标变量组的所述一阶模型；
S34.判断所述一阶模型的精度是否满足停止准则，若满足，则输出所述一阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样，直至所述一阶模型的精度满足所述停止准则；
S35.重复执行步骤S31至S34，以获得所有所述目标变量组的所述一阶模型。
6.根据权利要求5所述的固体发动机先验模型构建方法，其特征在于，步骤S34中，采用动态递归排列演化算法在已有样本的基础上进行扩充采样的步骤中，包括：
以步骤S31所获得的个第一采样样本中的个所述第一采样样本作为均匀分布的扩充种子，获得种子样本矩阵；
将所述种子样本矩阵插入间隔空间，并保留转移矩阵不变，以及，优化所述种子样本矩阵的第一列，以插入种子后所有样本的均匀性为目标函数，得到优化后的个种子样本矩阵。
7.根据权利要求6所述的固体发动机先验模型构建方法，其特征在于，步骤S4中，为每两个所述目标变量组构建高维模型表征中的二阶模型，以用于表征两个所述目标变量组之间的关系的步骤中，包括：
S41.获取两个所述目标变量组并判断两个所述目标变量组之间是否存在二阶项，若存在，则采用均匀实验设计方法对两个所述目标变量组进行采样，以获得设计空间内均匀分布的多个第二采样样本；其中，对两个所述目标变量组进行采样的维度为两个所述目标变量组中变量的总和；
S42. 基于所述响应模型对多个所述第二采样样本进行输出计算，获得关于所述目标变量组的二阶模型，其表示为：
；
其中，表示二阶模型，表示所述第二采样样本计算输出响应过程中除了相应两个目标变量组的变量和变量用采样的点之外，剩下的变量保持与展开点相同，表示展开点；
S43.判断所述二阶模型的精度是否满足停止准则，若满足，则输出所述二阶模型，若否，则采用动态递归排列演化算法在已有样本的基础上进行扩充采样，直至所述二阶模型的精度满足所述停止准则；
S44.重复执行步骤S41至S43以循环构建两个所述目标变量组的所有所述二阶模型。
8.根据权利要求7所述的固体发动机先验模型构建方法，其特征在于，步骤S5中，基于所述响应模型输出的所述响应、所述一阶模型和所述二阶模型获得针对所述元参数和所述异构发动机数据设计变量中所有参数的预测模型的步骤中，所述预测模型表示为：
；
其中，表示所述展开点的响应。
9.一种基于权利要求1至8任一项所述的固体发动机先验模型构建方法的应用，其特征在于，包括：
获取用于设计固定发动机的元参数和异构发动机数据设计变量的取值；
将所述元参数和异构发动机数据设计变量的取值输入所述预测模型进行固体发动机的性能仿真预测。
CN202410350010.1A 2024-03-26 2024-03-26 异构数据融合的固体发动机先验模型构建方法及应用 Active CN117952024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410350010.1A CN117952024B (zh) 2024-03-26 2024-03-26 异构数据融合的固体发动机先验模型构建方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410350010.1A CN117952024B (zh) 2024-03-26 2024-03-26 异构数据融合的固体发动机先验模型构建方法及应用

Publications (2)

Publication Number Publication Date
CN117952024A true CN117952024A (zh) 2024-04-30
CN117952024B CN117952024B (zh) 2024-06-21

Family

ID=90800326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410350010.1A Active CN117952024B (zh) 2024-03-26 2024-03-26 异构数据融合的固体发动机先验模型构建方法及应用

Country Status (1)

Country Link
CN (1) CN117952024B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297686A (zh) * 2021-07-27 2021-08-24 中国人民解放军国防科技大学 固体火箭发动机数据融合设计方法、装置、设备及介质
CN114048544A (zh) * 2021-11-09 2022-02-15 中国人民解放军国防科技大学 飞行器结构响应特性预示方法、装置、设备和介质
CN115115862A (zh) * 2022-05-20 2022-09-27 中国科学院计算技术研究所 基于异构图神经网络的高阶关系知识蒸馏方法及系统
CN116776748A (zh) * 2023-08-18 2023-09-19 中国人民解放军国防科技大学 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法
CN117094090A (zh) * 2023-08-22 2023-11-21 中国人民解放军国防科技大学 异构方案知识迁移的固体发动机总体性能快速计算方法
CN117494584A (zh) * 2023-12-28 2024-02-02 湖南大学 基于神经网络对抗迁移学习的高维可靠性设计优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113297686A (zh) * 2021-07-27 2021-08-24 中国人民解放军国防科技大学 固体火箭发动机数据融合设计方法、装置、设备及介质
CN114048544A (zh) * 2021-11-09 2022-02-15 中国人民解放军国防科技大学 飞行器结构响应特性预示方法、装置、设备和介质
CN115115862A (zh) * 2022-05-20 2022-09-27 中国科学院计算技术研究所 基于异构图神经网络的高阶关系知识蒸馏方法及系统
CN116776748A (zh) * 2023-08-18 2023-09-19 中国人民解放军国防科技大学 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法
CN117094090A (zh) * 2023-08-22 2023-11-21 中国人民解放军国防科技大学 异构方案知识迁移的固体发动机总体性能快速计算方法
CN117494584A (zh) * 2023-12-28 2024-02-02 湖南大学 基于神经网络对抗迁移学习的高维可靠性设计优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
WANG, W. ET AL: "Augmented RBF metamodel for global sensitivity analysis enhanced by recursive evolution LHD and efficient K-fold cross-validation", 《J MECH SCI TECHNOL》, 29 July 2022 (2022-07-29), pages 4127 *
YANG, J. ET AL.: "Enhanced anisotropic radius basis function metamodel based on recursive evolution Latin hypercube design and fast K-fold cross-validation", 《STRUCT MULTIDISC OPTIM》, 1 July 2023 (2023-07-01), pages 1 - 29 *
YANG, J. ET AL: "A surrogate-based optimization method for mixed-variable aircraft design", 《ENGINEERING OPTIMIZATION》, 4 January 2021 (2021-01-04), pages 113 *
武泽平;王东辉;杨希祥;江振宇;张为华;: "应用径向基代理模型实现序列自适应再采样优化策略", 国防科技大学学报, no. 06, 28 December 2014 (2014-12-28), pages 21 - 27 *
窦毅芳;刘飞;张为华;: "响应面建模方法的比较分析", 工程设计学报, no. 05, 15 October 2007 (2007-10-15), pages 17 - 21 *
窦毅芳;王中伟;张为华;: "固体火箭发动机内弹道响应面建模方法研究", 弹箭与制导学报, no. 05, 15 December 2007 (2007-12-15), pages 141 - 143 *
韩萍等: "基于多源异构数据的航班追踪盲区评估", 中国民航大学学报, no. 04, 15 August 2020 (2020-08-15), pages 4 - 9 *

Also Published As

Publication number Publication date
CN117952024B (zh) 2024-06-21

Similar Documents

Publication Publication Date Title
Zeng et al. DeePMD-kit v2: A software package for deep potential models
Yang et al. Investigating grey-box modeling for predictive analytics in smart manufacturing
WO1998022894A1 (en) Method and apparatus for solving complex and computationally intensive inverse problems in real-time
Razaaly et al. Novel algorithm using active metamodel learning and importance sampling: application to multiple failure regions of low probability
Ghosh et al. A strategy for adaptive sampling of multi-fidelity gaussian processes to reduce predictive uncertainty
Stiskalek et al. The scatter in the galaxy–halo connection: a machine learning analysis
Fu et al. Auto-NBA: Efficient and effective search over the joint space of networks, bitwidths, and accelerators
Zheng et al. A parameterized lower confidence bounding scheme for adaptive metamodel-based design optimization
Smutnicki et al. A new approach for multi-criteria scheduling
CN114519429B (zh) 获取目标体系的可观测量的方法、装置及介质
Wang et al. Constructing cost-aware functional test-suites using nested differential evolution algorithm
Savchenko et al. Metamodeling as a way to universalization of inductive modeling tools
Chen et al. Global sensitivity analysis for multivariate outputs using generalized RBF-PCE metamodel enhanced by variance-based sequential sampling
Boncoraglio et al. Piecewise-global nonlinear model order reduction for pde-constrained optimization in high-dimensional parameter spaces
CN117952024B (zh) 异构数据融合的固体发动机先验模型构建方法及应用
Raza et al. Uncertainty-based computational robust design optimisation of dual-thrust propulsion system
Tafintseva et al. Global structure of sloppiness in a nonlinear model
Aleeva et al. High-Performance Computing Using Application of Q-determinant of Numerical Algorithms
CN111159865A (zh) 一种全堆芯热工水力子通道模拟方法
CN116302344A (zh) 一种批量生成硬件仿真自动化过程的方法及系统
Baird et al. The most compact search space is not always the most efficient: a case study on maximizing solid rocket fuel packing fraction via constrained bayesian optimization
Ganesan et al. A case for generalizable DNN cost models for mobile devices
Wang et al. Accelerating weeder: a DNA motif search tool using the micron automata processor and FPGA
Ayed et al. An exploratory study of the inputs for ensemble clustering technique as a subset selection problem
Bouffier et al. A mine alternative to d-optimal designs for the linear model

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