延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法技术

本发明专利技术公开了一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，包括以下步骤：根据对延伸喷管力热特性具有重要影响的因素建立参数数据库；针对延伸喷管影响因素，建立满足精度要求的延伸喷管力热特性神经网络预测模型；将选取的影响因素输入延伸喷管力热特性神经网络预测模型进行预测输出；比较经延伸喷管力热特性神经网络预测模型输出的力热特性数据与影响因素数据库中对应力热特性的相对变化，对影响因素的灵敏度进行量化，实现延伸喷管力热载荷灵敏度分析。本发明专利技术对影响延伸喷管展开的因素进行参数化分析，建立关键影响参数灵敏度分析技术，对参数进行辨识分析，得到对力热特性影响较大的参数，为延伸喷管设计与优化提供技术支撑。计与优化提供技术支撑。计与优化提供技术支撑。

【技术实现步骤摘要】
延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法


[0001]本专利技术涉及延伸喷管领域，尤其是涉及一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法。

技术介绍

[0002]采用延伸喷管的导弹在进行级间热分离时分离时间较短，但其中蕴含的物理现象却极为复杂，如排焰窗口面积、憋压时间、延伸喷管起始展开时间和展开速度等都对延伸喷管的动态展开具有重要的影响，这些因素的共同作用增加了延伸喷管展开与分离过程的不可预测程度。这就需要对延伸喷管动态展开过程中主要的影响因素进行参数辨识，通过定量分析和比较确定参数对延伸喷管力热特性的影响规律，筛选出对分离结果影响较大的参数，为延伸喷管设计与优化提供有力支撑。
[0003]传统的灵敏度分析方法中，Sobol法是一种基于方差的全局灵敏度计算方法，其将系统输出方差分解为由各输入变量所决定的方差之和，从而定量分析输入变量对系统输出的影响。但是，Sobol全局灵敏度分析法需要另外构建系统模型，其局限性很强，灵敏度的计算精度和准确性很大程度上受到系统模型的影响，且定义区间如果受到脏数据或者离散点的影响，准确率将大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述方法包括以下步骤：S1：根据对延伸喷管力热特性具有重要影响的因素建立参数数据库；S2：针对延伸喷管影响因素，利用人工神经网络设置输入层、隐藏层和输出层多对多输出，建立延伸喷管力热特性神经网络训练模型，并利用影响因素数据库中的各参数对延伸喷管力热特性神经网络训练模型进行训练，形成满足精度要求的延伸喷管力热特性神经网络预测模型；S3：将选取的影响因素输入延伸喷管力热特性神经网络预测模型进行预测输出；S4：比较经延伸喷管力热特性神经网络预测模型输出的力热特性数据与影响因素数据库中对应力热特性数据的相对变化，对影响因素的灵敏度进行量化，实现延伸喷管力热载荷特性灵敏度分析和对影响延伸喷管展开的关键因素辨识。2.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述S2中输入层的个数由影响因素数据库中的影响参数个数决定，所述输出层的个数为力热载荷，所述隐藏层的个数h计算公式如下：其中，m为输出层节点数目，n为输出层节点数目，a为1～10之间的常数。3.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述S2中包括以下分步骤：S2
‑
1：对影响因素数据库中的各参数数据进行标准化处理后导入延伸喷管力热特性神经网络训练模型的输入层，标准化处理公式如下所示：其中，x
new
为标准化处理后的数据，x为原数据，x
min
为原数据的最小值，x
min
为原数据的最大值；S2
‑
2：将标准化处理后的参数数据样本空间划分形成延伸喷管力热特性神经网络训练模型，并通过延伸喷管力热特性神经网络训练模型的输出层输出参数数据，包括以下公式：设置初始权重系数w(0)为较小的随机非零值；给定输入和输出样本对，计算网络的输出：设第p组样本输入x
p
和输出d
p
分别如下：x
p
＝(x
1p
,x
2p
,
…
,x
np
)d
p
＝(d
1p
,d
2p
,
…
,d
np
)...

【专利技术属性】
技术研发人员：康伟，王彦清，胡仕林，鲍福廷，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：