【技术实现步骤摘要】
本专利技术涉及一种离子液体电喷雾的模式识别方法，特别是一种利用神经网络基于电流信号的离子液体电喷雾模式识别方法。属于航空航天。
技术介绍
1、离子液体电喷雾推力器是一种利用对带电液滴的静电加速产生推力的微推力推进器。因其体积小、功耗低、比冲高等优点以及零挥发性、高导电率离子液体的应用，在微小卫星发射领域具有相当的发展潜力。其结构如图2所示。带有毛细管发射极的典型电喷雾推力器中，液体工质通过贮供系统供给至发射极，发射极与提取极之间由于高压产生强电场，发射极顶端液体表面(称为弯月面)在液体表面张力与静电力的共同作用下发生变形，当两种力达到平衡时，弯月面变为锥形，称为泰勒锥。其中少数液体因电场力的作用分裂出离子或带电液滴。带电液体或离子在电场作用下加速，从而产生推力。
2、随着液体流速和外加电压的变化，电喷雾表现为多种模式，这些模式的分类方式主要基于对电场作用下液体弯月面形状的观察。不同模式下，电喷雾的性能也不同。在实际科研工作中，电喷雾模式识别基本依赖于肉眼判断。
3、s.verdoold等人开发了一种利用电流测量来确定电喷雾推力器喷雾模式的方法。研究表明，电喷雾系统中液体弯月面的行为能够准确地反映在通过该系统的电流中，这可用于通过处理系统的电流来确定系统的喷雾模式。在这个过程中可以识别出几个描述系统电流行为的特征值，这些特征值的组合能够对喷雾模式进行分类。
4、实际的科研工作当中，离子电喷雾模式识别基本依赖于肉眼判断。肉眼判断的方法导致其效率低，同时依赖清晰的图像，在图像不清晰或没有图像时无法准
5、而已有的基于电流测量确定推力器喷雾模式的方法利用直流电流，在锥射流模式下的判定非常有效，但不能用于明确区分锥射流模式与其他模式。
6、人工神经网络是一种模仿人脑生理结构而设计的数学模型。因为神经网络可以作为逼近某个函数的数学模型而使用，因此也可以用来表征某原像集到像集的映射函数。在离子液体电喷雾模式识别工作中，对于某个特定的电流信号数据，模式识别主要依赖于该数据属于各模式的概率大小。而神经网络则可以近似表征输入数据到概率序列之间的映射函数。神经网络经过训练集训练，可以通过优化神经网络参数，逐渐趋近于该映射函数。
技术实现思路
1、本专利技术的目的是解决无法高效、快速识别离子电喷雾模式的问题。解决电流测量确定喷雾模式时，不能区分锥射流模式与其他模式的问题。
2、本专利技术一种离子液体电喷雾的模式识别方法，分为以下几个步骤：请见图1所示；
3、s1:电流数据处理及数据集构建，对于某一种离子液体的电喷雾，改变供给液体的流量、发射和提取极之间的电压，以此改变喷雾模式，收集它在不同喷雾模式下的若干样本，每种模式对应的样本数大于5个，作为训练数据。每个样本中包含两种数据：一是电流信号输入数据，即电流随时间的变化规律；二是标签数据，也就是各模式的概率数据，若样本属于某模式，则标签数据中对应该模式的概率设置为1，否则为0。
4、s2：对电流信号输入数据进行处理，分别得到三种数据：第一种参数a为电流平均值这主要表征了该模式下电流的直流分量，即电流平均大小。第二种参数b为电流标准差与平均值的比值这主要是为了表征该模式下的相对电流脉冲幅度。只采用电流数据标准差进行表征容易受不同工况下平均电流的影响，故最终采用电流标准差与平均值的比值。第三种参数为电流上升段与下降段积分的比值，即上升段下降段通过的电荷量的比值。其中稳定锥射流状态由于电流稳定，不存在该数据，在训练当中设为某一确定值即可(如100)。
5、第三种参数c表达式为(需要借助图3来看)
6、统一对三种数据进行归一化处理，使参与训练的电流波形的三种参数无量纲化。
7、归一化公式：
8、
9、其中，yi为归一化结果，x代表a、b、c中的某一个参数，xi为第i样本的该电流参数，max(xi)为所有样本中该电流参数的最大值，min(xi)为所有样本中该电流参数的最小值。
10、s3:构建卷积神经网络模型，选用全连接前馈神经网络,网络具有两层含有8个神经元的隐藏层，采用样本的三种电流参数作为输入数据，输出层含有的神经元数量与所有样本中的喷雾模式数相同。
11、s4：神经网络训练及验证，采用初始学习率为0.01，每10000步学习率下降2％的动态学习率，系数为0.0001的l2正则化对神经网络进行训练，实现从电流信号到离子液体电喷雾模式的完全映射。训练完成后即可通过输入电流信号识别离子液体电喷雾模式，最后对该神经网络的识别准确率进行验证。
12、本专利技术与现有技术相比所具有的有益效果：
13、1、利用机器学习方法识别离子液体电喷雾模式，相较于人眼一张一张进行辨别，大幅加快了离子液体电喷雾模式地识别速度。
14、2、利用基于电流信号的识别方法，可以在没有电喷雾锥体图像或者图像模糊时识别离子液体电喷雾的模式。
15、3、利用卷积神经网络模型的机器学习以及稳定锥射流和部分非稳定模式的样本，使得程序能够最高以95.5％的准确率识别稳定锥射流和部分非稳定模式，突破了原本基于电流的识别方法只能识别稳定锥射流的局限。
16、4、对于不同种离子液体的电喷雾模式识别，不需要人工重新再样本中寻找规律，可以直接用样本作为数据集对编写好的神经网络程序进行训练，避免在面对新的离子液体电喷雾问题时的人工重复劳动。
本文档来自技高网...【技术保护点】
1.一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤S1中，对于某一种离子液体的电喷雾，改变供给液体的流量、发射和提取极之间的电压，以此改变喷雾模式，收集它在不同喷雾模式下的若干样本，每种模式对应的样本数大于5个，作为训练数据。
3.根据权利要求2所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：每个样本中包含两种数据：一是电流信号输入数据，即电流随时间的变化规律；二是标签数据，是各模式的概率数据，若样本属于某模式，则标签数据中对应该模式的概率设置为1，否则为0。
4.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤S2中，第一种参数a为电流平均值I，表示电流的直流分量，即电流平均大小；第二种参数b为电流标准差与平均值的比值表示相对电流脉冲幅度；第三种参数为电流上升段与下降段积分的比值，即上升段下降段通过的电荷量的比值；
5.根据权利要求4所述的一种基于电流信号的离子液体
6.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤S3中，网络具有两层含有8个神经元的隐藏层，采用样本的三种电流参数作为输入数据，输出层含有的神经元数量与所有样本中的喷雾模式数相同。
7.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤S4中，采用初始学习率为0.01，每10000步学习率下降2％的动态学习率，系数为0.0001的L2正则化对神经网络进行训练，实现从电流信号到离子液体电喷雾模式的完全映射；训练完成后通过输入电流信号识别离子电喷雾模式，最后对该神经网络的识别准确率进行验证。
...【技术特征摘要】
1.一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤s1中，对于某一种离子液体的电喷雾，改变供给液体的流量、发射和提取极之间的电压，以此改变喷雾模式，收集它在不同喷雾模式下的若干样本，每种模式对应的样本数大于5个，作为训练数据。
3.根据权利要求2所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：每个样本中包含两种数据：一是电流信号输入数据，即电流随时间的变化规律；二是标签数据，是各模式的概率数据，若样本属于某模式，则标签数据中对应该模式的概率设置为1，否则为0。
4.根据权利要求1所述的一种基于电流信号的离子液体电喷雾模式识别方法，其特征在于：在步骤s2中，第一种参数a为电流平均值i，表示电流的直流分量，即电流平均大小；第二种参数b为电流标准差与平均值的比值表示相对电流...
【专利技术属性】
技术研发人员：王伟宗，王骥勤，孙任国豪，程玉峰，李沛然，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。