一种基于卷积神经网络的固体火箭发动机内弹道参数预测方法

1.本发明涉及固体火箭发动机设计技术领域，具体涉及一种基于卷积神经网络的固体火箭发动机内弹道参数预测方法。


背景技术：

2.固体火箭发动机内弹道性能体现固体火箭发动机的关键技术性能，正确预示固体推进剂老化性能，揭示固体发动机贮存老化条件下内弹道性能影响因素，研究相应预防措施，有利于提高发动机使用寿命，使其在贮存、使用中更好地发挥其效能，在军事和经济上具有重要意义。
3.目前，有些固体推进剂需要满足存放时间较长的要求，但由于环境湿度、温度及密封性各种因素的影响，实际上会使固体火箭发动机推进剂的贮存年限小于其理论贮存年限。对于固体推进剂而言，其燃速系数和压强指数是重要且随时间变化较大的参数。而现有的技术中，对于燃速系数和压强指数的辨识的技术仅仅停留在依靠三维软件，即通过实体造型法计算模型函数提供所需的数据。这种三维软件需要大量的实验数据，实验所需成本较高。
4.因此如何打破现有的依靠三维软件进行实体模拟的方式进行固体火箭发动机内弹道参数的预测，从而节省实验成本，是目前亟待解决的问题。


技术实现要素：

5.有鉴于此，本发明提供了一种基于卷积神经网络的固体火箭发动机内弹道参数预测方法，可减小人为分析判断的误差，不需要大量的实验数据，可减小实验所需要的成本。
6.为达到上述目的，本发明的技术方案包括如下步骤：
7.步骤1：准备卷积神经网络训练所需要的数据集与图片集。
8.其中图片集的准备方式为：根据固体火箭发动机内弹道，修改燃速系数与压强指数值，生成不同的压强-时间曲线图片，组成图片集。
9.数据集的准备方式为：图片集中的每张图片对应一个燃速系数和一个压强指数值，由此生成的n张图片、n个燃速系数和n个压强指数构成数据集；n为图片集中图片总数。
10.步骤2：将图片集中图片与数据集中数据进行绑定。
11.步骤3：对图片集中图片进行图片增强。
12.步骤4：构建卷积神经网络，定义其输入为图片集中图片，输出为需要辨识的燃速系数和压强指数两参数。
13.步骤5：执行卷积神经网络训练程序，利用绑定的图片集与数据集对卷积神经网络进行训练，并保存结果；
14.步骤6：利用训练得到的卷积神经网络进行固体火箭发动机内弹道的燃速系数和压强指数两参数进行预测。
15.进一步地，卷积神经网络为alexnet卷积神经网络，并进行参数和网络输入层的优化。
16.进一步地，步骤2中，将图片集中图片与数据集中数据进行绑定，具体为：每张压强-时间曲线生成的图片均对应一个燃速系数和压强指数的参数值，将对应图片与两个参数存放在同一元胞下匹配。
17.进一步地，步骤3：对图片集中图片进行图片增强，增强方法为反转并随机缩放图片。
18.进一步地，步骤4：构建卷积神经网络，自定义其网络输入层及参数具体为：
19.本神经网络主要结构层系如下：
20.(1)第一层为图片输入层，其输入为图片集中图片，图片输入的尺寸为227
ꢀ×
227
×
3，第一层输出由图片生成的矩阵。
21.(2)第二层为第一个卷积层结合bn归一化层，其输入值为第一层输出的由图片生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为11
ꢀ×
11，步长为4，输出矩阵维度为55
×
55
×
128。
22.(3)第三层为第一个池化层，其输入值为第二层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为 27
×
27
×
128。
23.(4)第四层为第二个卷积层结合bn归一化层，其输入值为第三层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为5
×
5，步长为1，输出矩阵维度为27
×
27
×
512。
24.(5)第五层为第二个池化层，其输入值为第四层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为13
×
13
×
512。
25.(6)第六层为第三个卷积层结合bn归一化层，其输入值为第五层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
384。
26.(7)第七层为第四个卷积层结合bn归一化层，其输入值为第六层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
384。
27.(8)第八层为第五个卷积层结合bn归一化层，其输入值为第七层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
256。
28.(9)第九层为第三个池化层，其输入值为第八层生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为6
ꢀ×6×
256。
29.(10)第十层为第一个全连接层，其输入值为第九层生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为1
×1×
5000。
30.(11)第十一层为第二个全连接层，其输入值为第十层生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为1
×1×
2000。
31.(12)第十二层为第三个全连接层，其输入值为第十一层生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为2，即所需要辨识的燃速系数和压强指数两参数。
32.有益效果：
33.1、本发明提供了一种基于卷积神经网络的固体火箭发动机内弹道参数预测方法，该参数预测方法可通过固体火箭发动机内弹道理论公式生成的压强-时间曲线图片与实验所获得的压强-时间曲线图片对比，由神经网络筛选出最优解，可减小人为分析判断的误差，同时不需要大量的实验数据，可减小实验所需要的成本。
34.2、本发明的卷积神经网络训练，依靠理论样本集进行生成，不需要大量的实验数据，从而可大量节省时间及经济成本。其结果的准确性由神经网络判断，相比于现有的三维软件传统计算方法准确度更高，结果更可信。
附图说明
35.图1为本发明的卷积神经网络的方法的流程图。
36.具体实施方式
37.下面结合附图并举实施例，对本发明进行详细描述。
38.如图1所示，本发明的可视化卷积神经网络的方法包括：确定卷积神经网络训练所需要的数据集与图片集；将图片与数据集绑定；对图片进行图片增强；基于卷积神经网络，自定义其网络输入层及参数；执行卷积神经网络训练程序，对其进行训练，并保存结果。为了便于理解，下面针对上述方案做详细的介绍。
39.一、准备卷积神经网络训练所需要的数据集与图片集。数据集怎么准备
40.根据固体火箭发动机内弹道公式组成方程组，将其编写为程序，程序中包含比热比、低压比热容等参数，其中每组参数对应一张图片，本方法中，采用控制变量法，即将其他参数固定，通过修改程序中的燃速系数与压强指数两参数值，生成不同的压强-时间曲线图片。通过修改n组燃速系数和压强指数值，生成n张图片形成一组图片集，同时每张图片对应一个燃速系数和一个压强指数值，由此生成的n张图片、n个燃速系数和n个压强指数构成了数据集。二、将图片与数据集绑定。每张压强-时间曲线生成的图片均对应一个燃速系数和压强指数的参数值，将对应图片与两个参数存放在同一元胞下匹配。
41.三、对图片进行图片增强。将图片旋转(正向、反转180度)并随机缩放图片，即有目的地强调压强-时间曲线图片的整体或局部特性，将原来不清晰的图片变得清晰并强调感兴趣的特征，扩大图片中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图片质量、丰富信息量，加强图片判读和识别效果，满足某些特殊分析的需要。
42.四、基于卷积神经网络，自定义其网络输入层及参数。将图片输入格式统 一设置为227
×
227
×
3()，以便后续每次经过池化层或卷积层后其参数值均为 整数，从而保证结果的准确性。本次模型中一部分参数是根据经典的alexnet 网络模型的基础上确定的，根据相对误差的大小对一些训练技巧和参数进行了 相应的调整，以达到现有的实验次数中相对误差最小的结果。在模型训练过程 中，应用了数据增强、随机失活、relu激活函数和局部响应规范化(lrp)的 训练技巧，应用了5个卷积层、3个池化层和3个全连接层将图片参数进行处理。
43.本神经网络主要结构层系如下：
44.(1)第一层为图片输入层，其输入为上述图片，图片输入的尺寸为227
×ꢀ
227
×
3，该步骤输出由图片生成的矩阵；
45.(2)第二层为第一个卷积层结合bn归一化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为11
×
11，步长为4，输出矩阵维度为55
×
55
×
128；
46.(3)第三层为第一个池化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为27
ꢀ×
27
×
128；
47.(4)第四层为第二个卷积层结合bn归一化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为5
×
5，步长为1，输出矩阵维度为27
×
27
×
512；
48.(5)第五层为第二个池化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为13
ꢀ×
13
×
512；
49.(6)第六层为第三个卷积层结合bn归一化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
384；
50.(7)第七层为第四个卷积层结合bn归一化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
384；
51.(8)第八层为第五个卷积层结合bn归一化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为1，输出矩阵维度为13
×
13
×
256；
52.(9)第九层为第三个池化层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，卷积层的卷积核数为3
×
3，步长为2，输出矩阵维度为6
ꢀ×6×
256；
53.(10)第十层为第一个全连接层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为1
×1×
5000；
54.(11)第十一层为第二个全连接层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为1
×1×
2000；
55.(12)第十二层为第三个全连接层，其输入值为上步生成的矩阵与相对应的燃速系数和压强指数值，并进行全部组合，输出矩阵维度为2，即所需要辨识的燃速系数和压强指数两参数。
56.五、执行卷积神经网络训练程序，对其进行训练，并保存结果。使用生成 的p-t曲线图片训练集对搭建的cnn模型进行训练，使其形成固体推进剂性能 参数与p-t曲线图片的映射关系。基于卷积神经网络的alexnet训练模型，为神 经网络训练过程中的参数和相应的步骤。
57.六、训练得到的卷积神经网络为图片和燃速系数和压强指数三者的拟合关系，其中图片的参数通过一维向量表示。将待辨识的图片通过程序读取成为一维向量，并将待辨识的特征向量与训练得到的卷积神经网络向量进行比较，可以计算两个向量的相似度，同时根据欧式距离相似度以及余弦相似度的数值辨识其燃速系数和压强指数值。
58.本发明实施例还进行了相关实验，具体数据如下：
59.数据集一：该数据集包含了500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为400张训练图片和100张测试图片。
60.数据集二：该数据集包含了1500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为1200张训练图片和300张测试图片。
61.数据集三：该数据集包含了2500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为2000张训练图片和500张测试图片。
62.数据集四：该数据集包含了500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为350张训练图片和150张测试图片。
63.数据集五：该数据集包含了500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为1050张训练图片和450张测试图片。
64.数据集六：该数据集包含了500张固体火箭发动机内弹道的压强-时间曲线图片，整个数据集被划分为1750张训练图片和750张测试图片。
65.本次实验中，经过6次训练，网络在上述所示的6类样本集中都取得了当 前最好的结果。在上述6种训练情况下分别取得了91.85％，96.26％，92.94％， 91.73％，95.67％和92.2％的最高识别准确率。从结果中可以看出，测试集图片 比例较大时辨识结果准确率较高，当样本集数量过小时会导致卷积神经网络学 习不充分，使得结果准确率低，而样本集数量过大时会导致过拟合，同样会导 致结果准确率较低。
66.综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。