CN112906295B - 固体火箭发动机燃速预示方法、装置和设备 - Google Patents

固体火箭发动机燃速预示方法、装置和设备 Download PDF

Info

Publication number
CN112906295B
CN112906295B CN202110121583.3A CN202110121583A CN112906295B CN 112906295 B CN112906295 B CN 112906295B CN 202110121583 A CN202110121583 A CN 202110121583A CN 112906295 B CN112906295 B CN 112906295B
Authority
CN
China
Prior art keywords
burning rate
sample
prediction model
training
burning
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.)
Active
Application number
CN202110121583.3A
Other languages
English (en)
Other versions
CN112906295A (zh
Inventor
杨家伟
文谦
武泽平
王文杰
杨希祥
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 CN202110121583.3A priority Critical patent/CN112906295B/zh
Publication of CN112906295A publication Critical patent/CN112906295A/zh
Application granted granted Critical
Publication of CN112906295B publication Critical patent/CN112906295B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

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)
  • Testing Of Engines (AREA)

Abstract

本申请涉及固体火箭发动机燃速预示方法、装置和设备，方法包括：获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速；以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度；将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。采用以上技术方案，能够进行任意推进剂配方的燃速预示，实现了固体火箭发动机燃速的高效率、高精度预示。

Description

固体火箭发动机燃速预示方法、装置和设备
技术领域
本申请涉及飞行器发动机设计技术领域，特别是涉及一种固体火箭发动机燃速预示方法、装置和设备。
背景技术
固体火箭发动机是在导弹、火箭等航天运载器中广泛应用的动力***之一，燃速是固体推进剂的重要参数，是推进剂研究和生产过程中的必测参数。固体火箭发动机燃速预示是其中最核心最困难的问题之一，通过预示发动机的燃速，为发动机性能仿真提供关键参数，提高固体火箭发动机设计效率和精度。目前常用的燃速预示方法有：靶线法和水下声发射法，参数辨识法以及构建固体火箭发动机燃速预测模型。然而，在实现本发明过程中，发明人发现前述传统的燃速预示方法，存在着燃速预示效率低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种燃速预示效率高的固体火箭发动机燃速预示方法、一种固体火箭发动机燃速预示装置、一种计算机设备以及一种计算机可读存储介质。
为了实现上述目的，本发明实施例采用以下技术方案：
一方面，本发明实施例提供一种固体火箭发动机燃速预示方法，包括步骤：
获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；
根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速；
以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度；
将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
另一方面，还提供一种固体火箭发动机燃速预示装置，包括：
样本获取模块，用于获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；
模型训练模块，用于根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速；
精度验证模块，用于以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度；
燃速预示模块，用于将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述固体火箭发动机燃速预示方法的步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述固体火箭发动机燃速预示方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述固体火箭发动机燃速预示方法、装置和设备，通过获取已有的各种不同固体火箭发动机的推进剂配方数据及工作条件数据作为训练样本，然后基于径向基神经网络模型进行燃速预示模型训练，通过引入样本的局部密度，将随样本数量增长的超参数统一为一个缩放系数的优化，并且采用快速交叉验证法搜索其最优缩放系数，提高模型构建精度和效率，从而能够进行任意推进剂配方的燃速预示，实现了固体火箭发动机燃速的高效率、高精度预示。
附图说明
图1为一个实施例中固体火箭发动机燃速预示方法的流程示意图；
图2为另一个实施例中固体火箭发动机燃速预示方法的流程示意图；
图3为一个实施例中固体火箭发动机燃速预示方法的整体应用流程示意图；
图4为一个实施例中快速交叉验证迭代选取缩放系数结果意图；
图5为一个实施例中三种燃速预示模型建模效果对比示意图；
图6为一个实施例中固体火箭发动机燃速预示装置的模块结构示意图。
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。需要说明的是，当一个元件被认为是“连接”另一个元件，可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件，即也可以是间接连接到另一个元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
靶线法和水下声发射法，是在测试温度和压力不变的条件下，测试规定长度固体推进剂药条的燃烧时间，由此计算出推进剂的平均燃速，以平均燃速表示推进剂出场的标准燃速。然而，该测试方法与测试样本与固体推进剂在固体火箭发动机燃烧室中的燃烧存在很大差异，导致推进剂的实际工作燃速与出厂燃速存在较大差异。
参数辨识法，通常是采用最小二乘方法，通过一组发动机试验数据进行辨识得到燃速等参数，可用于提高相同型号发动机的仿真精度。然而，通过最小二乘等参数辨识方法基于迭代搜索，效率较低，且对于推进剂配方不同的情况燃速也不同，针对不同的设计需求需要重新计算，造成资源的浪费。
构建固体火箭发动机燃速预测模型，则是基于已有的实验数据，构建推进剂及其工作条件与燃速的预测模型，把新的需求当做输入，得到相应的预测燃速。此类方法无需太多工程经验，并且可以避免繁琐的人工迭代。此类方法的精度随着模型训练数据的增多，精度会不断提高，且能实现任意设计情况下的燃速预测。然而，该方法通常采用径向基神经网络或者Kriging(克里金)模型，其建模的精度取决于模型超参数能否被合适选取。每次建模都需要针对超参数重新优化，制约了燃速预示效率和精度的提升。
综上，本发明针对传统的固体发动机燃速预示效率低、精度差、针对不同推进剂配方需要重新计算等问题，提供了一种简单、高效、快速的固体火箭发动机燃速预示方法。通过结合径向基神经网络模型，基于样本局部密度和快速交叉验证方法给出了预示模型快速构建方法，给出相应推进剂的预示燃速。不同于普通的径向基神经网络方法，简化了繁琐的超参数的优化，大幅提升了燃速预示效率和精度，为固体火箭发动机提供了高效、准确的设计方法。
请参阅图1，在一个实施例中，本发明提供一种固体火箭发动机燃速预示方法，包括如下步骤S12至S18：
S12，获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据。
可以理解，可以通过人工或者计算机技术收集已有的实验数据，得到各种不同推进剂配方及其工作条件等数据，作为建模所需的训练样本，同时，还可以从收集的数据中相应得到作为模型输出的实际工作燃速。
S14，根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速。其中，具体处理步骤为：
步骤141，对训练样本进行归一化处理；具体的归一化处理过程如下：
Figure BDA0002922196400000051
其中，n表示样本维度，
Figure BDA0002922196400000052
和
Figure BDA0002922196400000053
分别表示当前维度的上界和下界，Xi表示样本在当前维度上的值。
步骤142，采用径向基神经网络进行燃速预示模型训练；燃速预示模型为：
Figure BDA0002922196400000054
其中，x表示待预测样本，N表示采样点个数，ωi表示每个基函数的权系数，
Figure BDA0002922196400000055
表示以未知样本到已知样本的欧氏距离为自变量的基函数，通常可以选用如下的高斯函数：
Figure BDA0002922196400000061
其中，ci表示形状参数，rij表示欧式距离，xi表示第i个未知样本，xj表示第j个已知样本。ci值确定后即可通过反算ω＝Φ-1y求得基函数权系数ωi，Φ-1为系数矩阵的逆矩阵。
步骤143，基于训练样本，计算样本局部密度。可以理解，可以采用局部密度法简化形状参数的优化处理，具体的，样本局部密度采用如下公式计算：
Figure BDA0002922196400000062
Figure BDA0002922196400000063
其中，ρ(x)表示样本局部密度，c的取值通常可以取为：
Figure BDA0002922196400000064
步骤144，基于样本局部密度，计算燃速预示模型的基准形状参数。其中，基准形状参数为
Figure BDA0002922196400000066
其计算公式如下：
Figure BDA0002922196400000065
其中，ρi表示样本密度，ρmin表示最小样本密度，dmin表示两个不同训练点间的最小欧式距离。
步骤145，对基准形状参数进行缩放处理，得到真实的形状参数；其中，缩放系数的取值范围为(0，3)。可以理解，为适应不同问题建模的需要，对基准形状参数缩放处理，以得到真正的形状参数，缩放系数取值范围通常可以取为(0，3)。
S16，以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度。
可以理解，设定缩放步长是指在缩放系数的取值范围内迭代时，每次迭代所采用的设定缩放系数的变化步长，具体步长大小可以根据实际验证的精度需要确定。缩放系数的取值范围可以根据模型的设计精度需要以及实验情况进行选取。
在一些实施方式中，具体处理步骤可以包括：
S161，以0.1的缩放步长在缩放系数的取值范围(0，3)内迭代，分别计算每一个缩放系数构建的燃速预示模型在每一个样本上的预测误差；预测误差通过如下公式计算：
Figure BDA0002922196400000071
其中，
Figure BDA0002922196400000072
表示所有样本训练时系数矩阵逆矩阵中测试样本对应的r行r列重叠的r阶矩阵，ωr表示测试样本对应的权系数，Δy表示预测误差。计算出当前缩放系数构建的燃速预示模型在每一个样本上的误差后，即可通过下述步骤验证前述模型精度。
S162，采用均方根误差指标评价燃速预示模型精度；均方根误差指标为：
Figure BDA0002922196400000073
其中，
Figure BDA0002922196400000074
和f(x)分别表示燃速预示的结果与真实燃速结果。
如此，通过样本归一化处理，然后基于样本局部密度计算基准形状参数，再基于快速交叉验证方法选择缩放系数，最终完成燃速预示模型的构建处理。
S18，将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
当前的目标推进剂配方数据是指相对于上述训练样本而言，新的推进剂配方数据。在完成燃速预示模型的构建之后，针对新的推进剂配方，采用前述所构建的燃速预示模型即可快速给出预测燃速。
上述固体火箭发动机燃速预示方法，通过获取已有的各种不同固体火箭发动机的推进剂配方数据及工作条件数据作为训练样本，然后基于径向基神经网络模型进行燃速预示模型训练，通过引入样本的局部密度，将随样本数量增长的超参数统一为一个缩放系数的优化，并且采用快速交叉验证法搜索其最优缩放系数，提高模型构建精度和效率，从而能够进行任意推进剂配方的燃速预示，实现了固体火箭发动机燃速的高效率、高精度预示。
请参阅图2和图3，在一个实施例中，上述固体火箭发动机燃速预示方法还可以包括如下处理步骤S20和S22：
S20，获取目标推进剂配方数据经实验得到的目标真实燃速数据；
S22，利用目标真实燃速数据对燃速预示模型进行更新。
可以理解，针对新的推进剂配方数据，在实验后可以得到该新的推进剂配方数据对应的真实的工作燃速，也即目标真实燃速数据，用以扩充训练样本并通过上述处理步骤实现对燃速预示模型的更新，如此，可以进一步提高燃速预示模型的预示精度和可靠性。本领域技术人员可以理解，利用新的推进剂配方进行实验，以得到其对应的真实的工作燃速的具体实验方法，可以参照本领域中针对给到的推进剂配方开展的燃速测试实验同理理解。
在一个实施例中，为了更直观且全面地说明上述固体火箭发动机燃速预示方法，下面是应用本发明提出的前述方法的示例。需要说明的是，本说明书中给出的实施案例仅为示意性的，并非为本发明具体实施案例的唯一限定，本领域技术人员可以在本发明提供的实施案例的示意下，同理采用上述提供的固体火箭发动机燃速预示方法，实现对不同的固体火箭发动机的推进剂配方的燃速预示。
收集已有推进剂配方及其工作条件，以及相应的真实的工作燃速的数据，应用提出的径向基神经网络构建燃速预示模型，训练样本参数表如表1所示，具体数据如表2所示，完成任意推进剂配方下的燃速快速预示，具体步骤如下：
1)收集推进剂配方作为输入与相应的工作燃速数据作为输出；
2)对所有的输入参数归一化处理；
3)计算样本局部密度，并得出基准形状参数；
4)采用5-折快速交叉验证方法迭代验算缩放系数，选取均方根误差最小的缩放系数构建燃速预示模型。
表1训练样本参数表
Figure BDA0002922196400000091
表2推进剂配方及工作条件对应实际工作燃速表
Figure BDA0002922196400000092
表2(续) 表2(续)
Figure BDA0002922196400000101
案例1：
以工厂搜集到的数据作为训练样本，一组参数可唯一确定一组推进剂配方，以其相应的工作燃速作为输出，构建径向基神经网络模型。选取50组数据作为训练样本，首先采用快速交叉验证法迭代选择模型的缩放系数，迭代过程见图4。由图2所示，缩放系数λ为0.9时，训练样本的均方根误差最小，因此选择0.9作为最后建模的缩放系数。此外，快速5-折交叉验证法验证缩放系数仅需0.021秒，而普通5-折交叉验证法需要0.047秒，提高了构建燃速预示模型的效率。
以工厂搜集的140组样本作为测试样本，采用训练的燃速预示模型进行燃速预示，所得结果与真实工作燃速对比，计算均方根误差以验证本文上述方法的有效性，同时与由Kitayama提出的常用径向基神经网络建模方法及Kriging方法对比，以验证本文上述方法的高效性。所的结果如图5所示。显然，本文上述方法在相同训练样本情况下，能够构建精度更高的燃速预示模型，显示了本文上述方法的有效性。
本发明已经在多种不同固体发动机燃速预示案例中得到了应用，与现有方法相比，人工参与过程少、设计速度快，针对任意推进剂参数均可完成燃速预示，匹配设计结果较准确，并且预示模型精度随着案例不断增长，能有效满足固体火箭发动机燃速预示需求。
应该理解的是，虽然图1至图3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至图3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。
请参阅图6，还提供了一种固体火箭发动机燃速预示装置100，包括样本获取模块13、模型训练模块15、精度验证模块17和燃速预示模块19。其中，样本获取模块13用于获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据。模型训练模块15用于根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速。精度验证模块17用于以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度。燃速预示模块19用于将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
上述固体火箭发动机燃速预示装置100，通过各模块的协作，首先获取已有的各种不同固体火箭发动机的推进剂配方数据及工作条件数据作为训练样本，然后基于径向基神经网络模型进行燃速预示模型训练，通过引入样本的局部密度，将随样本数量增长的超参数统一为一个缩放系数的优化，并且采用快速交叉验证法搜索其最优缩放系数，提高模型构建精度和效率，从而能够进行任意推进剂配方的燃速预示，实现了固体火箭发动机燃速的高效率、高精度预示。
在一个实施例中，上述固体火箭发动机燃速预示装置100具体还可以包括燃速实验模块和模型更新模块。其中，燃速实验模块用于获取目标推进剂配方数据经实验得到的目标真实燃速数据。模型更新模块用于利用目标真实燃速数据对燃速预示模型进行更新。
在一个实施例中，上述模型训练模块15包括归一化子模块、训练执行子模块、局部密度子模块、基准形状子模块和形状缩放子模块。其中，归一化子模块用于对训练样本进行归一化处理。训练执行子模块用于采用径向基神经网络进行燃速预示模型训练；燃速预示模型为：
Figure BDA0002922196400000121
其中，x表示待预测样本，N表示采样点个数，ωi表示每个基函数的权系数，
Figure BDA0002922196400000122
表示以未知样本到已知样本的欧氏距离为自变量的基函数：
Figure BDA0002922196400000123
其中，ci表示形状参数，rij表示欧式距离，xi表示第i个未知样本，xj表示第j个已知样本。
局部密度子模块用于基于训练样本，计算样本局部密度。基准形状子模块用于基于样本局部密度，计算燃速预示模型的基准形状参数。形状缩放子模块用于对基准形状参数进行缩放处理，得到真实的形状参数；其中，缩放系数的取值范围为(0,3)。
在一个实施例中，上述固体火箭发动机燃速预示装置100的各模块还可以用于实现上述固体火箭发动机装药构型设定装方法各实施例中增加的相应步骤或者子步骤。
关于固体火箭发动机燃速预示装置100的具体限定，可以参见上文中固体火箭发动机燃速预示方法的相应限定，在此不再赘述。上述固体火箭发动机燃速预示装置100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具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于用于进行固体火箭发动机设计的计算机设备或者计算***。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速；以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度；将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
在一个实施例中，处理器执行计算机程序时还可以实现上述固体火箭发动机燃速预示方法各实施例中增加的步骤或者子步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取固体火箭发动机的燃速预示模型的训练样本；训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；根据训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；燃速预示模型的输出为训练样本对应的实际工作燃速；以设定缩放步长在缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个缩放系数构建的燃速预示模型的精度；将当前的目标推进剂配方数据输入训练并验证后的燃速预示模型，得到目标推进剂配方对应的预测燃速。
在一个实施例中，计算机程序被处理器执行时，还可以实现上述固体火箭发动机燃速预示方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线式动态随机存储器(Rambus DRAM，简称RDRAM)以及接口动态随机存储器(DRDRAM)等。
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，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种固体火箭发动机燃速预示方法，其特征在于，包括步骤：
获取固体火箭发动机的燃速预示模型的训练样本；所述训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；
根据所述训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；所述燃速预示模型的输出为所述训练样本对应的实际工作燃速；
以设定缩放步长在所述缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个所述缩放系数构建的所述燃速预示模型的精度；
将当前的目标推进剂配方数据输入训练并验证后的所述燃速预示模型，得到所述目标推进剂配方对应的预测燃速；
根据所述训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数的步骤，包括：
对所述训练样本进行归一化处理；
采用径向基神经网络进行所述燃速预示模型训练；所述燃速预示模型为：
Figure FDA0003314039270000011
其中，x表示待预测样本，N表示采样点个数，ωi表示每个基函数的权系数，
Figure FDA0003314039270000012
表示以未知样本到已知样本的欧氏距离为自变量的基函数：
Figure FDA0003314039270000013
其中，ci表示形状参数，rij表示所述欧氏距离，xi表示第i个未知样本，xj表示第j个已知样本；
基于所述训练样本，计算样本局部密度；
基于所述样本局部密度，计算所述燃速预示模型的基准形状参数；
对所述基准形状参数进行缩放处理，得到真实的形状参数；其中，缩放系数的取值范围为(0,3)；
以设定缩放步长在所述缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个所述缩放系数构建的所述燃速预示模型的精度的步骤，包括：
以0.1的缩放步长在所述缩放系数的取值范围(0,3)内迭代，分别计算每一个所述缩放系数构建的所述燃速预示模型在每一个样本上的预测误差；所述预测误差通过如下公式计算：
Figure FDA0003314039270000021
其中，
Figure FDA0003314039270000022
表示所有样本训练时系数矩阵逆矩阵中测试样本对应的r行r列重叠的r阶矩阵，ωr表示测试样本对应的权系数，Δy表示所述预测误差；
采用均方根误差指标评价所述燃速预示模型精度；所述均方根误差指标为：
Figure FDA0003314039270000023
其中，
Figure FDA0003314039270000024
和f(x)分别表示燃速预示的结果与真实燃速结果。
2.根据权利要求1所述的固体火箭发动机燃速预示方法，其特征在于，还包括：
获取所述目标推进剂配方数据经实验得到的目标真实燃速数据；
利用所述目标真实燃速数据对所述燃速预示模型进行更新。
3.根据权利要求1所述的固体火箭发动机燃速预示方法，其特征在于，所述样本局部密度采用如下公式计算：
Figure FDA0003314039270000025
Figure FDA0003314039270000026
其中，ρ(x)表示所述样本局部密度，c的取值为：
Figure FDA0003314039270000027
所述基准形状参数为
Figure FDA0003314039270000031
Figure FDA0003314039270000032
其中，ρi表示样本密度，ρmin表示最小样本密度，dmin表示两个不同训练点间的最小欧氏距离。
4.一种固体火箭发动机燃速预示装置，其特征在于，包括：
样本获取模块，用于获取固体火箭发动机的燃速预示模型的训练样本；所述训练样本包括各种不同固体火箭发动机的推进剂配方数据及工作条件数据；
模型训练模块，用于根据所述训练样本，采用径向基神经网络进行燃速预示模型训练并确定模型的缩放系数；所述燃速预示模型的输出为所述训练样本对应的实际工作燃速；
精度验证模块，用于以设定缩放步长在所述缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个所述缩放系数构建的所述燃速预示模型的精度；
燃速预示模块，用于将当前的目标推进剂配方数据输入训练并验证后的所述燃速预示模型，得到所述目标推进剂配方对应的预测燃速；
模型训练模块，还用于对所述训练样本进行归一化处理；
采用径向基神经网络进行所述燃速预示模型训练；所述燃速预示模型为：
Figure FDA0003314039270000033
其中，x表示待预测样本，N表示采样点个数，ωi表示每个基函数的权系数，
Figure FDA0003314039270000034
表示以未知样本到已知样本的欧氏距离为自变量的基函数：
Figure FDA0003314039270000035
其中，ci表示形状参数，rij表示所述欧氏距离，xi表示第i个未知样本，xj表示第j个已知样本；
基于所述训练样本，计算样本局部密度；
基于所述样本局部密度，计算所述燃速预示模型的基准形状参数；
对所述基准形状参数进行缩放处理，得到真实的形状参数；其中，缩放系数的取值范围为(0,3)；
精度验证模块，还用于以设定缩放步长在所述缩放系数的取值范围内迭代，采用快速交叉验证法验证每一个所述缩放系数构建的所述燃速预示模型的精度的步骤，包括：以0.1的缩放步长在所述缩放系数的取值范围(0,3)内迭代，分别计算每一个所述缩放系数构建的所述燃速预示模型在每一个样本上的预测误差；所述预测误差通过如下公式计算：
Figure FDA0003314039270000041
其中，
Figure FDA0003314039270000042
表示所有样本训练时系数矩阵逆矩阵中测试样本对应的r行r列重叠的r阶矩阵，ωr表示测试样本对应的权系数，Δy表示所述预测误差；
采用均方根误差指标评价所述燃速预示模型精度；所述均方根误差指标为：
Figure FDA0003314039270000043
其中，
Figure FDA0003314039270000044
和f(x)分别表示燃速预示的结果与真实燃速结果。
5.根据权利要求4所述的固体火箭发动机燃速预示装置，其特征在于，还包括：
燃速实验模块，用于获取所述目标推进剂配方数据经实验得到的目标真实燃速数据；
模型更新模块，用于利用所述目标真实燃速数据对所述燃速预示模型进行更新。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3中任一项所述固体火箭发动机燃速预示方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至3中任一项所述固体火箭发动机燃速预示方法的步骤。
CN202110121583.3A 2021-01-28 2021-01-28 固体火箭发动机燃速预示方法、装置和设备 Active CN112906295B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110121583.3A CN112906295B (zh) 2021-01-28 2021-01-28 固体火箭发动机燃速预示方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110121583.3A CN112906295B (zh) 2021-01-28 2021-01-28 固体火箭发动机燃速预示方法、装置和设备

Publications (2)

Publication Number Publication Date
CN112906295A CN112906295A (zh) 2021-06-04
CN112906295B true CN112906295B (zh) 2021-12-24

Family

ID=76119974

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110121583.3A Active CN112906295B (zh) 2021-01-28 2021-01-28 固体火箭发动机燃速预示方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112906295B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255235B (zh) * 2021-06-28 2021-09-24 中国人民解放军国防科技大学 飞行器复杂结构近似建模方法、装置、设备和介质
CN117933104B (zh) * 2024-03-25 2024-06-07 中国人民解放军国防科技大学 固体姿轨控发动机燃气调节阀压强修正方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10349208B1 (en) * 2018-08-17 2019-07-09 xAd, Inc. Systems and methods for real-time prediction of mobile device locations
CN110399928A (zh) * 2019-07-29 2019-11-01 集美大学 固体氧化物燃料电池电压预测方法、终端设备及存储介质
CN111259927B (zh) * 2020-01-08 2022-08-05 西北工业大学 基于神经网络和证据理论的火箭发动机故障诊断方法
CN111783251B (zh) * 2020-07-16 2021-12-03 中国人民解放军国防科技大学 一种固体火箭发动机总体参数设计方法
CN112052871B (zh) * 2020-07-21 2024-05-07 上海宇航***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***

Also Published As

Publication number Publication date
CN112906295A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112528441B (zh) 喉栓式变推力发动机总体参数设计方法、装置和设备
CN112906295B (zh) 固体火箭发动机燃速预示方法、装置和设备
CN112434448B (zh) 基于多点加点的代理模型约束优化方法和装置
CN109101717B (zh) 基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法
Zhang et al. Efficient time-variant reliability analysis through approximating the most probable point trajectory
CN115221801B (zh) 基于动态近似建模的飞行器不确定性传播分析方法和装置
CN112818469B (zh) 固体火箭发动机映射设计方法、装置和设备
CN116595363A (zh) 预测方法、装置、设备、存储介质和计算机程序产品
CN116305434A (zh) 一种基于机器学习和msa预测核电厂地震易损性的方法
CN114595577A (zh) 基于克里金代理模型的分阶段高效约束优化方法和装置
CN115859783A (zh) 用于核反应堆仿真测试的多保真度网络构建方法和装置
CN115186486A (zh) 导弹低高精度性能数据的独立融合建模及响应预测方法
Zhou et al. An active learning variable-fidelity metamodeling approach for engineering design
CN113486553A (zh) 基于泰森多边形区域划分的复杂装备可靠性分析方法
CN114492564B (zh) 基于局部高斯过程拟合的序贯设计方法、装置和设备
CN117421565B (zh) 基于马尔可夫毯的装备评估方法、装置和计算机设备
CN117933104B (zh) 固体姿轨控发动机燃气调节阀压强修正方法
Nambiar et al. Multidisciplinary Automation in Design of Turbine Vane Cooling Channels
CN115688229B (zh) 基于深度学习的网壳结构最不利缺陷模态创建方法
CN114200843B (zh) 喉栓式固体姿轨控推力快速预示方法
CN110942149B (zh) 一种基于信息变化率及条件互信息的特征变量选择方法
Foster et al. Improved Design Space Exploration by Machine Learning Estimation for a Parametric Turbofan Model
CN112070157A (zh) 一种多极限学习机模型构建方法、装置及计算机设备
Arsalan et al. Initial Centroid Determination Using Simulated Annealing Algorithm
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***

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