一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法技术

本发明专利技术公开了一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，将不确定参数视为区间参数，利用BP神经网络映射载荷与响应之间的关系，结合已知样本载荷信息，基于贝叶斯理论寻找不确定载荷区间边界处的区间不确定点，以实现导弹结构不确定载荷区间重构。该方法首先随机选择若干不确定参数样本点，建立BP神经网络并进行网络训练，得到样本点处的样本载荷；然后，建立高斯过程代理模型，基于贝叶斯概率理论得到导弹结构不确定载荷的条件概率分布，进而构建下界采集函数及上界采集函数，选择最大化采集函数的区间不确定点为下一个样本点，得到新的样本载荷；不断更新样本载荷信息，最后利用所有样本载荷得到导弹结构不确定载荷的区间边界。

A reconstruction method of uncertain load range of missile structure based on Bayesian theory

【技术实现步骤摘要】
一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法
本专利技术涉及航空航天
，具体涉及一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法。
技术介绍
在工程实际中，许多结构无时无刻都承受着各式各样时变载荷的作用，比如导弹结构发射过程中的冲击载荷，飞行过程中的脉冲压力载荷等。严酷的载荷环境会导致结构破坏、力学性能下降等后果。因此，需要实时准确的获取结构的实际载荷，而直接测量外部载荷往往是非常困难甚至是不可能的。通过测量与被测载荷相关的参数，利用反求算法来间接获取载荷信息，是一种可行的方法，并具有广泛的应用前景。经过几十年的研究，载荷重构领域已涌现出了大量的研究成果。根据重构数学模型的不同，可以将重构方法分为频域重构方法和时域重构方法。载荷的频域重构是利用结构动力学方程的傅里叶变换，形成输出响应与输入载荷的线性关系。载荷的时域重构是基于杜哈姆积分和模态分解，推导零初始条件下载荷重构的复杂卷积关系。随着计算机技术的发展，人工神经网络凭借着强大的学习记忆功能，可以利用复杂的拓扑结构映射载荷与响应之间的复杂函数关系，为结构动态载荷重构提供了新思路。现有的大多数方法适用于结构有限元模型确定的情况，实际上，大量的不确定因素存在于载荷重构的各个环节，比如材料分散性、加工误差、建模误差等等。因此，如何考虑不确定因素的影响，对导弹结构所受的不确定载荷进行重构，是亟需解决的问题。根据不确定信息描述方法的不同，可以将不确定分析方法分为概率方法、模糊方法和区间方法。由于可获取的信息数据较少，区间不确定分析方法可以更好的应用于工程实际问题。区间分析方法中比较常用的是顶点法、基于泰勒级数展开的方法等，对复杂的载荷重构问题而言，不确定参数与待重构载荷的关系并不满足这些方法的适用条件。而贝叶斯推理源于人工智能领域，它的核心思想是通过对某些事件的观察，结合已知的知识或信念，通过一定的手段来获得关于未知事件的信息，目前已经成为表达和推断不确定信息的有效方法之一。
技术实现思路
本专利技术要解决的技术问题是：克服现有技术的不足，提供一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，该方法结合贝叶斯概率理论与BP神经网络，利用测量的结构响应重构作用于不确定导弹结构上的载荷区间边界。该方法的导弹结构不确定载荷区间重构过程简单明了、重构精度高、区间求解过程准确，可用于结构存在不确定参数并且关于不确定参数的实验数据或者信息较少的情况。本专利技术采用的技术方案为：一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，该方法利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：第一步：建立导弹结构的有限元模型，确定导弹结构的不确定参数及不确定参数区间，随机选择导弹结构不确定参数区间中的若干个样本点，所述导弹结构不确定参数包括材料属性和几何尺寸；第二步：构建BP神经网络，确定BP神经网络的初始参数，所述初始参数包括BP神经网络中的网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差、网络学习速率；第三步：确定不同类型的用于第二步所述的BP神经网络训练的训练载荷，通过有限元仿真计算在选择样本点处的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点处的载荷，所述响应包括加速度响应、速度响应、位移响应和应变响应，所述的映射得到的样本点处的载荷称为样本载荷；第四步：假设导弹结构不确定载荷在不确定参数区间上服从高斯分布，建立高斯过程的代理模型，选择高斯过程的均值函数和方差函数，得到样本载荷的联合概率分布以及任一区间不确定点处载荷与样本载荷的联合概率分布，基于贝叶斯概率理论计算导弹结构不确定载荷在第三步所述样本载荷信息下的条件概率分布；第五步：在第四步所述高斯过程的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数和上界采集函数，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，从而得到新选择的样本点，其中对于求解导弹结构不确定载荷区间下界的下界采集函数而言，下一个样本点选择为比当前样本载荷最小值更小的位置，对于求解导弹结构不确定载荷区间上界的上界采集函数而言，下一个样本点选择为比当前样本载荷最大值更大的位置；第六步：在新选择的样本点处进行第三步所述的BP神经网络训练，并重构该样本点处的载荷，将重构的该样本点处的载荷融入至原始的样本载荷信息中，更新样本载荷信息；第七步：重复所述第四步、第五步、第六步，直至满足终止条件，选择全部样本载荷中的最小值作为导弹结构不确定载荷区间下界，全部样本载荷最大值作为导弹结构不确定载荷区间上界，从而实现导弹结构不确定载荷的区间重构，所述终止条件包括容差收敛条件和循环次数终止条件。其中，所述第二步中的BP神经网络，网络输入层神经元的数量等于结构响应测点的数量，网络输出层神经元的数量等于待重构载荷的数量；所述第五步中，求解导弹结构不确定载荷区间的下界采集函数和上界采集函数的构造过程如下，首先建立下界奖励函数和上界奖励函数，若导弹结构不确定载荷比当前样本载荷最小值小时或比当前样本载荷最大值大时，奖励函数值取为两者差值的绝对值，否则，奖励函数值取为零，然后，在第四步所述的概率代理模型的基础上，分别求解奖励函数在样本载荷信息下的条件概率密度函数，最后，将所述的两个奖励函数的条件期望视为下界采集函数及上界采集函数，通过优化方法得到两个采集函数取得最大值处区间的不确定点，作为下一个样本点。本专利技术的原理在于：一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法。对于具有不确定性的导弹结构，该方法将不确定参数视作区间参数，在每个参数不确定点处利用不同类型的训练载荷及训练载荷作用下的结构响应进行BP神经网络训练，输入实测响应即可得到每个不确定点处的载荷。随机选取若干不确定参数样本点，利用上述的BP神经网络得到这些样本点处的样本载荷；然后建立高斯过程概率代理模型，基于贝叶斯理论得到导弹结构不确定载荷在样本载荷信息下的条件概率分布；构建求解导弹结构不确定载荷区间的下界采集函数及上界采集函数，选择采集函数取得最大值处的不确定点做下一个样本点，再次通过BP神经网络得到该点处的载荷，并将其融入原始样本载荷信息中；不断更新样本载荷信息，直至满足终止条件，最终将全部样本载荷的最小值作为导弹结构不确定载荷区间下界，最大值作为导弹结构不确定载荷区间上界，以实现导弹结构不确定载荷的区间重构。本专利技术与现有技术相比的优点在于：(1)本专利技术通过BP神经网络映射导弹结构载荷与响应之间复杂的函数关系，无需傅里叶变换及卷积函数推导，可用于结构复杂的物理模型，分析过程简单明了，载荷重构过程稳定。(2)本专利技术将导弹结构的不确定参数视为区间参数，仅知道参数的上界及下界即可，对不确定参数的数据信息要求较低。(3)本专利技术基于本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，其特征在于：利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：/n第一步：建立导弹结构的有限元模型，确定导弹结构的不确定参数及不确定参数区间，随机选择导弹结构不确定参数区间中的若干个样本点，所述导弹结构不确定参数包括材料属性和几何尺寸；/n第二步：构建BP神经网络，确定BP神经网络的初始参数，所述的初始参数包括BP神经网络中的网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差和网络学习速率；/n第三步：确定不同类型的用于第二步所述BP神经网络训练的训练载荷，通过有限元仿真计算在选择样本点处的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点处的载荷，所述响应包括加速度响应、速度响应、位移响应和应变响应，所述映射得到的样本点处的载荷称为样本载荷；/n第四步：基于导弹结构不确定载荷在不确定参数区间上服从高斯分布，建立高斯过程的代理模型，选择高斯过程的均值函数和方差函数，得到样本载荷的联合概率分布以及任一区间不确定点处载荷与样本载荷的联合概率分布，基于贝叶斯概率理论计算导弹结构不确定载荷在第三步所述的样本载荷下的条件概率分布；/n第五步：在第四步所述高斯过程的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数和上界采集函数，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，得到新选择的样本点，其中对于求解导弹结构不确定载荷区间下界的下界采集函数而言，下一个样本点选择为比当前样本载荷最小值更小的位置，对于求解导弹结构不确定载荷区间上界的上界采集函数而言，下一个样本点选择为比当前样本载荷最大值更大的位置；/n第六步：在新选择的样本点处进行第三步所述BP神经网络训练，并重构该样本点处的载荷，将重构的该样本点处的载荷融入至原始的样本载荷信息中，更新样本载荷信息；/n第七步：重复所述第四步、第五步、第六步，直至满足终止条件，选择全部样本载荷中的最小值作为导弹结构不确定载荷区间下界，全部样本载荷最大值作为导弹结构不确定载荷区间上界，从而实现导弹结构不确定载荷的区间重构，所述终止条件包括容差收敛条件和循环次数终止条件。/n...

【技术特征摘要】
1.一种基于贝叶斯理论的导弹结构不确定载荷区间重构方法，其特征在于：利用BP神经网络映射重构载荷与测点响应之间的函数关系，在已知样本载荷信息的条件下，基于贝叶斯概率理论寻找导弹结构不确定载荷区间边界处的区间不确定点，对导弹结构所受的不确定载荷进行区间重构，包括以下步骤：
第一步：建立导弹结构的有限元模型，确定导弹结构的不确定参数及不确定参数区间，随机选择导弹结构不确定参数区间中的若干个样本点，所述导弹结构不确定参数包括材料属性和几何尺寸；
第二步：构建BP神经网络，确定BP神经网络的初始参数，所述的初始参数包括BP神经网络中的网络层数、各层神经元数量、激励函数类型、最大训练次数、训练目标误差和网络学习速率；
第三步：确定不同类型的用于第二步所述BP神经网络训练的训练载荷，通过有限元仿真计算在选择样本点处的测点训练响应，将测点训练响应作为输入数据，训练载荷作为输出数据，进行BP神经网络训练，并将实测响应输入至已训练好的BP神经网络，映射得到样本点处的载荷，所述响应包括加速度响应、速度响应、位移响应和应变响应，所述映射得到的样本点处的载荷称为样本载荷；
第四步：基于导弹结构不确定载荷在不确定参数区间上服从高斯分布，建立高斯过程的代理模型，选择高斯过程的均值函数和方差函数，得到样本载荷的联合概率分布以及任一区间不确定点处载荷与样本载荷的联合概率分布，基于贝叶斯概率理论计算导弹结构不确定载荷在第三步所述的样本载荷下的条件概率分布；
第五步：在第四步所述高斯过程的概率代理模型的基础上，构建导弹结构不确定载荷区间的下界采集函数和上界采集函数，选择对当前样本载荷最优值有所提升的区间不确定点作为下一个样本点，得到新选择的样...

【专利技术属性】
技术研发人员：王磊，刘亚儒，刘易斯，刘东亮，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11