固体火箭发动机燃速预示方法、装置和设备制造方法及图纸

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。度预示。度预示。

【技术实现步骤摘要】
固体火箭发动机燃速预示方法、装置和设备


[0001]本申请涉及飞行器发动机设计
，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。

技术介绍

[0002]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系统之一，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，在实现本专利技术过程中，专利技术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。

技术实现思路

[0003]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。
[0004]为了实现上述目的，本专利技术实施例采用以下技术方案：
[0005]一方面，本专利技术实施例提供一种固体火箭发动机燃速预示方法，包括步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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。
[0010]另一方面，还提供一种固体火箭发动机燃速预示装置，包括：
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]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。
[0016]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。
[0017]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：
[0018]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
[0019]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；
[0020]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；
[0021]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；
[0022]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；
[0023]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；
[0024]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
[0025]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。
[0026]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
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。
[0027]另外，本专利技术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，也不在本专利技术要求的保护范围之内。
[0028]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。
[0029]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。
[0030]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。
[0031]综上，本专利技术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。
[0032]请参阅图1，在一个实施例中，本专利技术提供一种固体火箭发动机燃速预示方法，包括如下步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。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或2所述的固体火箭发动机燃速预示方法，其特征在于，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：其中，x表示待预测样本，N表示采样点个数，ω
i
表示每个基函数的权系数，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：其中，c
i
表示形状参数，r
ij
表示所述欧式距离，x
i
表示第i个未知样本，x
j
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)。4.根据权利要求3所述的固体火箭发动机燃速预示方法，其特征在于，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：其中，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，ω
r
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：其中，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3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：度采用如下...

【专利技术属性】
技术研发人员：杨家伟，文谦，武泽平，王文杰，杨希祥，张为华，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：