基于自优化CNN的内膛复杂表面接触碰撞响应预测方法技术

本发明专利技术涉及一种基于自优化卷积神经网络(CNN)的内膛复杂表面接触碰撞响应预测方法，其包括：S1、基于火炮射击测试数据，根据身管‑弹丸试验平台建立磨损身管‑弹丸接触碰撞有限元模型；S2、基于有限元模型，结合试验平台测试结果，构建样本集；S3、基于样本集，根据遗传算法‑序列二次规划算法组合优化算法的协同工作机制，实现超参数自优化，从而获取最佳超参数组；同时，在超参数的寻优中训练并得到最佳的基于自优化CNN的身管‑弹丸接触碰撞模型；S4、根据所得身管‑弹丸接触碰撞模型，进一步研究接触碰撞响应变化规律。本发明专利技术考虑磨损内膛复杂表面影响以及接触碰撞能量损失，在保证了响应精度的同时，还极大提高了预测效率。

【技术实现步骤摘要】
基于自优化CNN的内膛复杂表面接触碰撞响应预测方法
本专利技术涉及接触碰撞分析的
，尤其涉及一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法。
技术介绍
火炮作为复杂多体系统，射击精度是其战术性能的重要指标。受弹炮间隙影响，弹丸在膛内高速运动过程中将不断与身管发生剧烈弹塑性接触碰撞，造成身管柔性振动与弹丸膛内运动的相互耦合，引起弹丸炮口扰动，降低火炮射击精度。火炮服役期间，高温高压火药燃气的烧蚀冲刷以及弹丸的反复机械作用皆会导致内膛磨损，影响身管-弹丸接触碰撞响应。针对身管-弹丸的复杂表面弹塑性接触碰撞问题，传统的知识驱动建模方法由于过多假设简化，或者巨大计算内存需求，无法提供兼具精度与效率的响应预测，且鉴于问题本身的复杂性，现有研究较少涉及膛线磨损。
技术实现思路
(一)要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其解决了在考虑火炮内膛磨损的条件下，高效高精度预测接触碰撞响应，且有助于明确弹丸膛内受力状态和运动规律的技术问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：S1、基于火炮射击测试数据，以身管-弹丸试验平台为原型建立磨损身管-弹丸接触碰撞有限元模型；S2、基于所述有限元模型，结合试验平台测试结果，构建多工况接触碰撞样本集；S3、基于所述样本集，根据卷积神经网络与遗传算法-序列二次规划算法组合优化算法的协同工作机制，实现卷积神经网络超参数的自优化，从而获取最佳超参数组；在超参数的寻优过程中训练并得到最佳的基于自优化卷积神经网络的身管-弹丸接触碰撞模型；S4、根据所述基于自优化卷积神经网络的身管-弹丸接触碰撞模型，变参量研究接触碰撞响应变化规律。可选地，步骤S1包括：S11、根据采集到的火炮射击测试数据，得出火炮内膛磨损量分布与射击发数对应关系；S12、利用非等间隔灰色系统模型对所述测试数据进行处理，并结合磨损量分布与射击发数对应关系，建立内膛磨损数学模型；S13、以身管-弹丸试验平台为原型，基于所述内膛磨损数学模型，构建不同磨损程度身管-弹丸接触碰撞先验性有限元模型；S14、结合应力分析结果与试验平台测试数据对所述先验性有限元模型的相关参数设置进行修正，所述相关参数包括网格尺寸以及接触碰撞刚度；S15、多次执行步骤S14，直到修正后模型仿真结果与试验平台测试结果相对误差小于预设误差，得到磨损身管-弹丸接触碰撞有限元模型。可选地，所述内膛磨损数学模型为：Δd＝f(n,x)其中，Δd表示内膛磨损量，n为射击发数，x为轴向位置。可选地，步骤S2包括：S21、确定身管-弹丸接触碰撞响应的影响因素；S22、根据各所述影响因素的物理量变化范围生成正交表，按照所述正交表进行多工况弹塑性接触碰撞有限元数值模拟，得到模拟结果；S23、分析模拟结果，确定神经网络模型输入物理量与输出物理量，构建多工况接触碰撞样本集，所述样本集包括训练集和验证集。可选地，所述影响因素包括身管的口径、磨损程度以及初始接触碰撞运动状态；所述输入物理量包括身管-弹丸材料参数、几何尺寸以及初始接触碰撞运动状态；所述输出物理量包括接触碰撞力、压下量、接触碰撞速度、接触面积、塑性能量损失及变形量、接触碰撞最大膛线条数、最大接触压力及Mises应力。可选地，在步骤S3中，所述基于所述样本集，根据卷积神经网络与遗传算法-序列二次规划算法组合优化算法的协同工作机制，实现卷积神经网络超参数的自优化，从而获取最佳超参数组包括：S31、随机生成具有不同超参数组的卷积神经网络染色体，其上均包含若干待优化超参数基因，以此作为遗传算法初始种群；训练获取各个卷积神经网络的均方误差；S32、基于卷积神经网络的均方误差损失函数构建初始种群个体适应度评价指标；S33、利用轮盘赌方式选择父辈染色体与母辈染色体，经历交叉、变异不断地生成子辈染色体；S34、判断是否满足第一收敛条件；S35A、若否，返回步骤S32；S35B、若是，则在最后一代种群中选择个体适应度最高的个体作为遗传算法的最优解；S36、以所述遗传算法的最优解作为序列二次规划算法的输入；S37、开启局部寻优过程；S38、判断是否满足第二收敛条件；S39A、若否，返回步骤S37；S39B、若是，则将组合寻优的值作为卷积神经网络的最佳超参数组。可选地，在步骤S3中，所述在超参数的寻优过程中训练并得到最佳的基于自优化卷积神经网络的身管-弹丸接触碰撞模型包括：A31、设定不同超参数组，其中步骤A32至步骤A36均是在同一超参数组中进行；A32、采用正向传播算法提取所述训练集的数据特征；A33、基于所述均方误差损失函数衡量卷积神经网络的预估接触碰撞响应与实际值误差；A34、判断是否满足第三收敛条件；A35a、若不满足第三收敛条件，采用Adam梯度优化算法进行误差反向传播，调整网络权重及偏置，重复步骤A33；A35b、若满足第三收敛条件，训练终止，得到基于卷积神经网络的身管-弹丸接触碰撞先验模型；A36、利用所述验证集评估所述先验模型对于新数据的预测性能；A37、按照不同超参数组多次重复步骤A32至步骤A36，以生成多种基于不同卷积神经网络的身管-弹丸接触碰撞模型；其中，验证集上预测性能最优的模型即为最佳的基于自优化卷积神经网络的身管-弹丸接触碰撞模型。可选地，所述均方误差损失函数为：所述个体适应度评价指标为：其中yi为目标值，为预测值，N为样本数量，Index为个体适应度评价指标。可选地，所述第一收敛条件为：设定最大进化代数，通过100乘以变量个数得到最大进化代数；或当种群在50代内适应度不再上升，以适应度差距≤1e-6为判断依据；或设置总的迭代次数为10000次；所述第二收敛条件为：步长容差与函数值容差均小于设定的阈值，迭代结束；所述第三收敛条件为：当训练集上的MSE持续降低，而验证集上的MSE不降反升时，停止训练；或当连续20次验证集上的MSE不再降低时，停止训练；或达到最大训练次数10000。可选地，所述最佳超参数组包括全局超参数与局部超参数；所述全局超参数包括：学习率、一阶矩估计指数衰减速率、二阶矩估计指数衰减速率、最大迭代次数、停止迭代阈值、批处理规模以及网络权重初始化方式；所述局部超参数包括：卷积层、批归一化层、非线性激活层、池化层搭配方式及数量，卷积过滤器尺寸及数目、填充类型、像素点数、卷积步幅、激活函数类型、池化标准、池化过滤器尺寸及数目、池化过滤器步幅、全连接层激活函数、全连接层层数、各层神经元数以及dropout概率。(三)有益效果本专利技术的有益效果是：本专利技术利用深度学习技术建立一种基于自优本文档来自技高网...

【技术保护点】
1.一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，包括：/nS1、基于火炮射击测试数据，以身管-弹丸试验平台为原型建立磨损身管-弹丸接触碰撞有限元模型；/nS2、基于所述有限元模型，结合试验平台测试结果，构建多工况接触碰撞样本集；/nS3、基于所述样本集，根据卷积神经网络与遗传算法-序列二次规划算法组合优化算法的协同工作机制，实现卷积神经网络超参数的自优化，从而获取最佳超参数组；在超参数的寻优过程中训练并得到最佳的基于自优化卷积神经网络的身管-弹丸接触碰撞模型；/nS4、根据所述基于自优化卷积神经网络的身管-弹丸接触碰撞模型，变参量研究接触碰撞响应变化规律。/n

【技术特征摘要】
1.一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，包括：
S1、基于火炮射击测试数据，以身管-弹丸试验平台为原型建立磨损身管-弹丸接触碰撞有限元模型；
S2、基于所述有限元模型，结合试验平台测试结果，构建多工况接触碰撞样本集；
S3、基于所述样本集，根据卷积神经网络与遗传算法-序列二次规划算法组合优化算法的协同工作机制，实现卷积神经网络超参数的自优化，从而获取最佳超参数组；在超参数的寻优过程中训练并得到最佳的基于自优化卷积神经网络的身管-弹丸接触碰撞模型；
S4、根据所述基于自优化卷积神经网络的身管-弹丸接触碰撞模型，变参量研究接触碰撞响应变化规律。


2.如权利要求1所述的一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，步骤S1包括：
S11、根据采集到的火炮射击测试数据，得出火炮内膛磨损量分布与射击发数对应关系；
S12、利用非等间隔灰色系统模型对所述测试数据进行处理，并结合磨损量分布与射击发数对应关系，建立内膛磨损数学模型；
S13、以身管-弹丸试验平台为原型，基于所述内膛磨损数学模型，构建不同磨损程度身管-弹丸接触碰撞先验性有限元模型；
S14、结合应力分析结果与试验平台测试数据对所述先验性有限元模型的相关参数设置进行修正，所述相关参数包括网格尺寸以及接触碰撞刚度；
S15、多次执行步骤S14，直到修正后模型仿真结果与试验平台测试结果相对误差小于预设误差，得到磨损身管-弹丸接触碰撞有限元模型。


3.如权利要求2所述的一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，所述内膛磨损数学模型为：
Δd＝f(n,x)
其中，Δd表示内膛磨损量，n为射击发数，x为轴向位置。


4.如权利要求1所述的一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，步骤S2包括：
S21、确定身管-弹丸接触碰撞响应的影响因素；
S22、根据各所述影响因素的物理量变化范围生成正交表，按照所述正交表进行多工况弹塑性接触碰撞有限元数值模拟，得到模拟结果；
S23、分析模拟结果，确定神经网络模型输入物理量与输出物理量，构建多工况接触碰撞样本集，所述样本集包括训练集和验证集。


5.如权利要求4所述的一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，
所述影响因素包括身管的口径、磨损程度以及初始接触碰撞运动状态；
所述输入物理量包括身管-弹丸材料参数、几何尺寸以及初始接触碰撞运动状态；
所述输出物理量包括接触碰撞力、压下量、接触碰撞速度、接触面积、塑性能量损失及变形量、接触碰撞最大膛线条数、最大接触压力及Mises应力。


6.如权利要求4所述的一种基于自优化CNN的内膛复杂表面接触碰撞响应预测方法，其特征在于，在步骤S3中，所述基于所述样本集，根据卷积神经网络与遗传算法-序列二次规划算法组合优化算法的协同工作机制，实现卷积神经网络超参数的自优化，从而获取最佳超参数组包括：
S31、随机生成具有不同超参数组的卷积神经网络染色体，其上均包含若干待优化超参数基因，以此作为遗传算法初始种群；训练获取各个卷积神经网络的均方误差；
S32、基于卷积神经网络的均方误差损失函数构建初始种群个体适应度评价指标；
S3...

【专利技术属性】
技术研发人员：马佳，董帅，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43