基于长短时记忆神经网络的混合动力学建模方法及系统技术方案

本发明专利技术公开一种基于长短时记忆神经网络的混合动力学建模方法及系统，涉及建模技术领域，构建柔性航天器的混合动力学模型；在设定阈值范围内对动力学模型的物理参数进行调整，得到若干个调整动力学模型；对混合动力学模型和若干个调整动力学模型进行编程计算，得到参考参数矩阵和若干个差异参数矩阵；将各差异参数矩阵与参考参数矩阵进行做差，得到差值集；基于各差异参数矩阵和各差值集对长短时记忆神经网络进行训练，得到训练好的长短时记忆神经网络；基于训练好的长短时记忆神经网络对实际建模的误差进行预测，继而抵消掉不确定性误差，提高建模精度，为后续振动控制提供良好的基础。基础。基础。

【技术实现步骤摘要】
基于长短时记忆神经网络的混合动力学建模方法及系统


[0001]本专利技术涉及建模
，特别是涉及一种基于长短时记忆神经网络的混合动力学建模方法及系统。

技术介绍

[0002]随着航天事业的飞速发展，关于柔性航天器的振动控制问题是航天领域的一大研究热点。其中，建立航天器的数学模型问题作为振动控制问题的第一步，也是关键所在。因此，模型建立的准确与否会直接影响到振动控制的效果。柔性结构在航天飞行器中的应用越来越广泛，已经成为航天工程领域应用的主要结构类型之一。各类航天结构也日益趋于大型化、低刚度与轻型化方向发展，但这同时也给航天器结构的设计、制造和使用带来了一系列新的问题，尤其是柔性航天器建模的精度问题。高精度航天器模型对于航天器的振动控制效果有着至关重要的作用。

技术实现思路

[0003]本专利技术的目的是提供一种基于长短时记忆神经网络的混合动力学建模方法及系统，通过拟合建模中的不确定性误差，来提高建模的精度。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种基于长短时记忆神经网络的混合动力学建模方法，包括：
[0006]构建柔性航天器的混合动力学模型；在设定阈值范围内对所述动力学模型的物理参数进行调整，得到若干个调整动力学模型；
[0007]对所述混合动力学模型进行编程计算，得到参考参数矩阵；对若干个所述调整动力学模型进行编程计算，得到若干个差异参数矩阵；
[0008]分别将各所述差异参数矩阵与所述参考参数矩阵进行做差，得到差值集；r/>[0009]基于所述差异参数矩阵构建长短时记忆神经网络；基于各所述差异参数矩阵和各所述差值集对所述长短时记忆神经网络进行训练，得到训练好的所述长短时记忆神经网络；
[0010]构建需求柔性航天器的初始动力学模型，对所述初始动力学模型进行编程计算，得到需求参数矩阵；
[0011]基于所述需求参数矩阵和训练好的所述长短时记忆神经网络，得到预测误差值；
[0012]基于所述预测误差值对所述初始动力学模型进行调整，得到需求柔性航天器的动力学模型。
[0013]优选地，所述构建柔性航天器的混合动力学模型；在设定阈值范围内对所述动力学模型的物理参数进行调整，得到若干个调整动力学模型，包括：
[0014]构建柔性航天器的初始有限元模型，按照设定物理参数集对所述初始有限元模型进行设计，得到设计动力学模型；
[0015]在所述设定阈值范围内对所述设定物理参数集进行调整，得到若干个调整物理参
数集；
[0016]按照各所述调整物理参数集对所述初始有限元模型进行设计，得到若干个初始调整动力学模型；
[0017]对所述设计动力学模型进行固定面和远程点设置，得到所述混合动力学模型；
[0018]对各所述初始调整动力学模型均进行固定面和远程点设置，得到各所述调整动力学模型。
[0019]优选地，所述参考参数矩阵包括质量矩阵、阻尼矩阵和刚度矩阵。
[0020]优选地于，所述物理参数包括刚度、密度和杨氏模量。
[0021]优选地，所述长短时记忆神经网络包括遗忘门、输入门和输出门。
[0022]本专利技术还提供了一种基于长短时记忆神经网络的混合动力学建模系统，包括：
[0023]模型构建模块，用于构建柔性航天器的混合动力学模型，并在设定阈值范围内对所述动力学模型的物理参数进行调整，得到若干个调整动力学模型；
[0024]编程计算模块，用于对所述混合动力学模型进行编程计算，得到参考参数矩阵，并对若干个所述调整动力学模型进行编程计算，得到若干个差异参数矩阵；
[0025]做差模块，用于分别将各所述差异参数矩阵与所述参考参数矩阵进行做差，得到差值集；
[0026]神经网络模块，用于基于所述差异参数矩阵构建长短时记忆神经网络，并基于各所述差异参数矩阵和各所述差值集对所述长短时记忆神经网络进行训练，得到训练好的所述长短时记忆神经网络；
[0027]需求模型模块，用于构建需求柔性航天器的初始动力学模型，并对所述初始动力学模型进行编程计算，得到需求参数矩阵；
[0028]预测模块，用于基于所述需求参数矩阵和训练好的所述长短时记忆神经网络，得到预测误差值；
[0029]模型调整模块，用于基于所述预测误差值对所述初始动力学模型进行调整，得到需求柔性航天器的动力学模型。
[0030]优选地，所述模型构建模块具体为：
[0031]构建柔性航天器的初始有限元模型，按照设定物理参数集对所述初始有限元模型进行设计，得到设计动力学模型；
[0032]在所述设定阈值范围内对所述设定物理参数集进行调整，得到若干个调整物理参数集；
[0033]按照各所述调整物理参数集对所述初始有限元模型进行设计，得到若干个初始调整动力学模型；
[0034]对所述设计动力学模型进行固定面和远程点设置，得到所述混合动力学模型；
[0035]对各所述初始调整动力学模型均进行固定面和远程点设置，得到各所述调整动力学模型。
[0036]优选地，所述参考参数矩阵包括质量矩阵、阻尼矩阵和刚度矩阵。
[0037]优选地，所述物理参数包括刚度、密度和杨氏模量。
[0038]优选地，所述长短时记忆神经网络包括遗忘门、输入门和输出门。
[0039]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0040]本专利技术公开一种基于长短时记忆神经网络的混合动力学建模方法及系统，构建柔性航天器的混合动力学模型；在设定阈值范围内对动力学模型的物理参数进行调整，得到若干个调整动力学模型；对混合动力学模型和若干个调整动力学模型进行编程计算，得到参考参数矩阵和若干个差异参数矩阵；将各差异参数矩阵与参考参数矩阵进行做差，得到差值集；基于各差异参数矩阵和各差值集对长短时记忆神经网络进行训练，得到训练好的长短时记忆神经网络；基于训练好的长短时记忆神经网络对实际建模的误差进行预测，继而抵消掉不确定性误差，提高建模精度，为后续振动控制提供良好的基础。
附图说明
[0041]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本专利技术基于长短时记忆神经网络的混合动力学建模方法流程图；
[0043]图2为任意差值的时序数列示意图；
[0044]图3为长短时记忆神经网络的训练输出与测试输出示意图；
[0045]图4为长短时记忆神经网络训练过程的误差；
[0046]图5为长短时记忆神经网络测试过程的误差；
[0047]图6为本专利技术基于长短时记忆神经网络的混合动力学建模系统结构图。
[0048]符号说明：1、模型构建模块；2、编程计算模块；3、做差模块；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于长短时记忆神经网络的混合动力学建模方法，其特征在于，包括：构建柔性航天器的混合动力学模型；在设定阈值范围内对所述动力学模型的物理参数进行调整，得到若干个调整动力学模型；对所述混合动力学模型进行编程计算，得到参考参数矩阵；对若干个所述调整动力学模型进行编程计算，得到若干个差异参数矩阵；分别将各所述差异参数矩阵与所述参考参数矩阵进行做差，得到差值集；基于所述差异参数矩阵构建长短时记忆神经网络；基于各所述差异参数矩阵和各所述差值集对所述长短时记忆神经网络进行训练，得到训练好的所述长短时记忆神经网络；构建需求柔性航天器的初始动力学模型，对所述初始动力学模型进行编程计算，得到需求参数矩阵；基于所述需求参数矩阵和训练好的所述长短时记忆神经网络，得到预测误差值；基于所述预测误差值对所述初始动力学模型进行调整，得到需求柔性航天器的动力学模型。2.根据权利要求1所述的混合动力学建模方法，其特征在于，所述构建柔性航天器的混合动力学模型；在设定阈值范围内对所述动力学模型的物理参数进行调整，得到若干个调整动力学模型，包括：构建柔性航天器的初始有限元模型，按照设定物理参数集对所述初始有限元模型进行设计，得到设计动力学模型；在所述设定阈值范围内对所述设定物理参数集进行调整，得到若干个调整物理参数集；按照各所述调整物理参数集对所述初始有限元模型进行设计，得到若干个初始调整动力学模型；对所述设计动力学模型进行固定面和远程点设置，得到所述混合动力学模型；对各所述初始调整动力学模型均进行固定面和远程点设置，得到各所述调整动力学模型。3.根据权利要求1所述的混合动力学建模方法，其特征在于，所述参考参数矩阵包括质量矩阵、阻尼矩阵和刚度矩阵。4.根据权利要求1所述的混合动力学建模方法，其特征在于，所述物理参数包括刚度、密度和杨氏模量。5.根据权利要求1所述的混合动力学建模方法，其特征在于，所述长短时记忆神经网络包括遗忘门、输入门和输出门。6.一种基于长短时记忆神经网络...

【专利技术属性】
技术研发人员：刘向东，黄靖文，刘海阔，杜长坤，陈振，路平立，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：