一种基于机器学习固体火箭发动机无损检测数据预测方法

摘要

本发明提供一种基于机器学习固体火箭发动机无损检测数据预测方法，包括在发生缺陷的发动机中，提取飞行成功及飞行失败的子样，选取判读影响因子（一般为长度、宽度等因素），以飞行成功或失败的发动机为基准进行有监督算法预测，经过归一化处理后，给出失败或成功的相似度预测结果。由于该方法可以对成功概率/失败危险程度进行了直观排序，找出与已知状态最相似的发动机。本发明解决人工检测精度低，人力资源投入大的问题。可替代现有技术中的人工测量，并大大提高测量效率与测量精度。

说明书

技术领域

本发明涉及固体火箭发动机无损检测领域，具体涉及一种基于机器学习固体火箭发动机无损检测数据预测方法。

背景技术

固体火箭发动机无损检测与评价技术是保证固体火箭发动机质量和可靠性的重要技术手段之一。现代固体火箭发动机的研制离开了先进的无损检测与评价技术，则必然使其质盘无法判断，产品失效与寿命无法分析预测，产品无法出厂和交付，因此，现代无损检测与评价技术在固体火箭发动机技术发展中极为重要，其中无损检测数据预测环节是对发动机使用决策的重要支持依据，该环节一直由人工判断，该方法需投入大量人力资源成本，且需要判读人具有丰富的判读经验。一直以来，固体火箭发动机无损检测数据预测都是由人工完成。目前，国内尚未有将机器学习算法应用于固体火箭发动机无损检测图像数据预测的案例。

发明内容

本发明提供一种基于机器学习固体火箭发动机无损检测数据预测方法，解决人工检测精度低，人力资源投入大的问题。本发明可替代现有技术中的人工测量，并大大提高测量效率与测量精度。

为了解决上述技术问题，本发明提供一种基于机器学习固体火箭发动机无损检测数据预测方法，包括如下步骤：

S1：在发生缺陷的发动机中，提取飞行成功和失败的子样，选取判读影响因子；

S2：数据归一化，归一化采用公式为：

即找出每个特征的最大值后，所有特征值分别除以最大值，以达到将特征值范围缩小至0-1之间；

S3：根据归一化后的值计算特征的空间距离，计算公式如下：

其中x，y为本实验提出的两个特征，实验认为这两个特征具有代表性；

S4：将空间距离作为KNN的输入，训练KNN模型，对于任意n维输入向量，分别对应于特征空间中的一个点，输出为该特征向量所对应的类别标签或预测值，

KNN模型的具体实现过程为：

输入训练数据集：T＝{(x1,y1),(x2,y2),…,(xn,yn)}，

其中xi为特征向量，yi为类别，i＝1,2,…,n，输出为预测实例x所属的类别 y；

算法执行步骤为：

根据给定的欧氏距离度量方法，在训练集T中找出与x最相近的k个样本点，并将这k个样本点所表示的集合记为N_k(x)；

根据下式所示的多数投票的原则确定实例X所属类别Y：

I为指示函数：

训练KNN算法需要确定两个因素：k与模型向量空间的距离量度；

KNN中只有一个超参数K，采用交叉验证发确定K值，距离量度选择欧式距离。

S5：训练好的KNN模型可给出未知样本失败或成功的相似度预测结果。

本发明所提供的基于机器学习固体火箭发动机无损检测数据预测方法，使用计算机自动化预测技术替代人工预测过程，极大程度上减少人力资源的投入，预测结果与人工预测结果一致。

具体实施方式

下面结合本发明实施例中，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部所得实施例。基于本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

一种基于机器学习固体火箭发动机无损检测数据预测方法，包括如下步骤：

S1：在发生缺陷的发动机中，提取飞行成功和失败的子样，选取判读影响因子；

S2：数据归一化，归一化采用公式为：

即找出每个特征的最大值后，所有特征值分别除以最大值，以达到将特征值范围缩小至0-1之间；

S3：根据归一化后的值计算特征的空间距离，计算公式如下：

其中x，y为本实验提出的两个特征，实验认为这两个特征具有代表性；

S4：将空间距离作为KNN的输入，训练KNN模型，对于任意n维输入向量，分别对应于特征空间中的一个点，输出为该特征向量所对应的类别标签或预测值，

KNN模型的具体实现过程为：

输入训练数据集：T＝{(x1,y1),(x2,y2),…,(xn,yn)}，

其中xi为特征向量，yi为类别，i＝1,2,…,n，输出为预测实例x所属的类别 y；

算法执行步骤为：

根据给定的欧氏距离度量方法，在训练集T中找出与x最相近的k个样本点，并将这k个样本点所表示的集合记为N_k(x)；

根据下式所示的多数投票的原则确定实例X所属类别Y：

I为指示函数：

训练KNN算法需要确定两个因素：k与模型向量空间的距离量度；

KNN中只有一个超参数K，采用交叉验证发确定K值，距离量度选择欧式距离。

S5：训练好的KNN模型可给出未知样本失败或成功的相似度预测结果。

为了更好的说明本发明的特征，下面结合实施例对本发明作进一步说明：

以某助推器的部组件的“脱粘”缺陷为例，选取上例中发生脱粘缺陷的17 组底片进行预测，判读影响因子为脱粘长度与宽度(长度和宽度的影响程度未知，经分析，影响权重相差不超过10％)。在发生“脱粘”缺陷的发动机中，已知有一台飞行失败，以这台发动机为基准进行无监督算法预测，经过归一化处理后的失败相似度预测结果如下：

表1失败相似度排行

由以上可知，采取双因素预测时，脱粘缺陷长度和宽度的影响占比分别为 50％、50％，40％、60％和60％、40％时与已知失败案例最接近的前六台发动机编号分别是001、003、012、022、008、007，003、001、012、007、022、008 和001、003、012、022、008、010。该预测结果与人工分类结果基本一致，同时该方法还对失败危险程度进行了直观排序，对发动机使用决策提供了有力的支撑。