一种具有增量式学习能力的固体火箭发动机比冲性能预测方法

摘要

一种具有增量式学习能力的固体火箭发动机比冲性能预测方法，本发明涉及一种根据固体火箭发动机初始设计的特征参数可快速预示其比冲性能的方法。首先选取地面试车成功的固体火箭发动机作为典型样本，提取固体火箭发动机设计的特征参数及比冲性能数据，将上述数据输入Fuzzy ART‑BP神经网络进行训练学习，达到预定误差后，训练学习完毕，特征参数包括：推进剂密度、工作时间、平均工作压强、平均燃速、喷管喉径、平均扩张比、扩张半角。将新设计固体火箭发动机的特征参数输入Fuzzy ART‑BP神经网络，可快速地计算出其比冲性能。本发明可省去复杂的固体火箭发动机装药设计、内弹道计算等，快速简洁的计算出固体火箭发动机的比冲性能，显著提升系统工程师快速迭代固体火箭总体方案的能力，可用于固体火箭发动机比冲性能快速预测。

说明书

技术领域

本发明涉及火箭发动机领域，具体涉及一种固体火箭发动机比冲性能预测方法。

背景技术

固体火箭发动机具有结构简单、免维护、保障要求低等优点，适用于固体运载火箭、导弹助推动力来源，具有广阔的应用场景；

固体火箭发动机比冲性能是反映发动机所用推进剂能量高低和发动机内部工作过程完善程度的重要技术指标。目前，在固体火箭发动机设计初期，比冲性能预测主要有：1.以历次试验得到的修正系数对新设计的固体火箭发动机的理论比冲进行修正；2.通过计算各种损失来预估比冲性能。这些方法存在样本数据大和预测精度差的缺点，且没有考虑到设计特征参数间相互影响，致使达不到预期的固体火箭发动机比冲设计效果，从而导致固体运载火箭/导弹总体方案反复或者不闭合；

因此，对于固体运载火箭/导弹的总体设计师，需要在不依赖固体动力专业岗位支持下，省去复杂的固体火箭发动机装药设计、内弹道计算以及经验参数，用简洁有效、较为准确地方法快速计算出固体火箭发动机的比冲性能，支持固体火箭/导弹总体方案的快速迭代，可显著提升固体火箭/导弹方案论证的效率。

发明内容

本发明的目的是提供一种可有效缩短固体火箭发动机研制时间，提高性能预估精度的固体火箭发动机比冲性能预测方法；

一种具有增量式学习能力的固体火箭发动机比冲性能预测方法，其特征在于包括以下步骤：

（1）选取地面试车成功的固体火箭发动机作为典型训练样本，提取其设计的特征参数，特征参数包括：推进剂密度、工作时间、平均工作压强、平均燃速、喷管喉径、平均扩张比、扩张半角；

（2）将上述得到固体火箭发动机设计参数归一化处理后作为Fuzzy ART-BP神经网络的输入层输入向量，相应的比冲性能归一化处理后作为Fuzzy ART-BP神经网络的输出层输出向量，隐含层节点数设定为8-12；运用Fuzzy ART对训练样本进行分类，然后运用BP神经网络分别对分类后的训练样本进行有导师训练学习，当BP神经网络的收敛误差小于10e-5时，BP神经网络最终收敛，训练样本训练学习完毕，并自动记录学习样本的分类号、权值和阈值；

（3）将新设计固体火箭发动机的特征参数导入Fuzzy ART-BP神经网络，Fuzzy ART神经网络利用已存储的分类权值，首先对特征参数进行分类，然后利用BP神经网络已存储的分类后特征参数进行非线性映射预测计算，对可快速地计算出新设计固体火箭发动机的比冲性能数据，供箭（弹）总体快速迭代固体运载总体方案；

与现有技术相比，本发明的固体火箭发动机比冲性能预测方法至少具有如下的有益效果：

本神经网络算法可以对未训练学习的固体火箭发动机比冲性能进行自适应增量式学习，实现离线学习能力，增强神经网络的泛化性，同时使得比冲性能预测结果更加符合实际；能够快速计算出固体火箭发动机比冲性能，供固体火箭/导弹总体快速迭代总体方案。

附图说明

图1为固体火箭发动机比冲性能快速计算流程图；

图2为Fuzzy ART-BP神经网络的学习训练过程图；。

具体实施方式

本发明涉及一种具有增量式学习能力的固体火箭发动机比冲性能预测方法，可用于固体火箭发动机比冲性能快速计算，图1给出了快速计算流程图。图2给出了Fuzzy ART-BP神经网络的学习训练过程图；

用人工神经网络进行固体火箭发动机的比冲性能预测，考虑到实际应用中样本多，数据差异比较大，采用一个神经网络不能实现对输入数据增量式学习，而且收敛性差，预测精度低，因此，根据输入向量和一定的规则组合，将整个样本分为若干个相互独立的子样本集，建立多重子BP神经网络，即Fuzzy ART-BP混合神经网络，它充分利用Fuzzy ART神经网络的自适应分类功能，利用BP神经网络对Fuzzy ART分类后的样本进行非线性映射，该方法在一定程度上解决了BP神经网络不具备增量式学习能力的问题。将此方法引入到固体火箭发动机比冲性能预测中，可更加准确地预测出发动机比冲性能，可适应多种类型固体火箭发动机比冲性能预测；

Fuzzy ART-BP神经网络算法进行训练时是采用的有导师学习方式，其主要思想是：输入学习的样本向量，首先经过Fuzzy ART神经网络进行自适应竞争聚类，修改输入向量所属类别的权值，然后就输入向量所属类别使用反向传播算法BP对混合神经网络的权值和阈值进行反复的调整训练，使得实际输出的向量与期望输出向量尽可能接近，当网络输出层的误差平方和小于指定的误差时，训练完成，保存此时网络的权值和阈值，Fuzzy ART-BP神经网络训练学习完毕；

具体步骤如下所示：

（1）输入参数归一化

对固体火箭发动机设计的特征参数进行归一化处理，得到输入向量P=（a

（2）输入向量补码

对输入向量P=（a

I=(a,a

其中， a

（3）Fuzzy ART神经网络初始化

对Fuzzy ART神经网络的类别层节点的自底向上的权值向量 W

（4）计算输入向量匹配度

Fuzzy ART神经网络根据进行补码后的输入向量I与已存储的各类别单元的权值向量W

T

式中表示模糊与操作，即(P.∧Q)

Fuzzy ART神经网络会以“胜者为王”的原则来选择类别的节点J，从而获胜者会有最大的激活值T

T

式中m为类别的节点个数；

通过上式计算得到最大激活值，计算输入向量的匹配度k，计算如下式所示；

k=|I∧W

将上面计算得到的输入向量匹配度k与Fuzzy ART神经网络的警戒阈值ρ进行比较，如果此时k≥ρ，Fuzzy ART神经网络处于共振状态，将此输入向量I赋予类别的节点j，调整相应的Fuzzy ART神经网络权值，权值调整按着下式进行；

W

（5）建立所属类别J编号的BP神经网络

就输入向量I所属类别编号J建立相应类别的BP神经网络，并对类别J的BP神经网络初始化，即给每个连接权值W

（6）类别J编号BP神经网络训练学习

将输入向量P=（a

选取下一个训练样本输入到Fuzzy ART-BP神经网络，继续步骤（1）~（6），直到所有的训练样本训练完毕；

上述过程可用图2 Fuzzy ART-BP神经网络的学习训练过程图表示；

具体实例如下：首先提取试车成功的固体火箭发动机设计特征参数及真空比冲，特征参数包括：推进剂密度（1795kg/m

输入新设计固体火箭发动机归一化后的特征参数：0.1795，0.71，0.7，0.156，0.42，0.15，至Fuzzy ART-BP神经网络进行真空比冲预示，真空比冲预示值为286.6s，按此参数进行设计的固体火箭发动机，经过地面热试车试验，反算真空比冲为285.6s，预示精度达到0.35%；

由于固体火箭发动机属于定制设计，相近参数的发动机数据较少，设计参数变化又较大，如果使用传统BP神经网络进行比冲性能预测，随着训练样本的增多，将会降低预测精度；

与BP神经网络相比，Fuzzy ART-BP神经网络能够针对输入数据进行自适应分类学习，然后就分类后的数据进行BP神经网络训练学习，使得网络对训练数据更加有针对性，尽可能地减少对新数据学习后破坏已记忆模式程度，提高了网络预测准确度，使网络具备了增量式学习的能力。