[發明專利]基于深信度網絡的火箭發動機推力偏移量的標定方法有效
| 申請號: | 201710610730.7 | 申請日: | 2017-07-28 |
| 公開(公告)號: | CN107587955B | 公開(公告)日: | 2019-03-05 |
| 發明(設計)人: | 張軍;賈振元;田雨;任宗金;常慶兵;李明昱;宋鵬 | 申請(專利權)人: | 大連理工大學 |
| 主分類號: | F02K9/96 | 分類號: | F02K9/96 |
| 代理公司: | 大連理工大學專利中心 21200 | 代理人: | 溫福雪;侯明遠 |
| 地址: | 116024 遼*** | 國省代碼: | 遼寧;21 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 基于 深信 網絡 火箭發動機 推力 偏移 標定 方法 | ||
1.一種基于深信度網絡的火箭發動機推力偏移量的標定方法,所用的標定裝置以壓電式測力儀作為核心力敏元件,包括液壓加載裝置、標定平臺、電荷放大器、數據采集卡、計算機及軟件模塊;裝配時,標定架(7)用螺栓固定在底座上,連接法蘭(6)通過螺栓連接在標定架(7)的左側,壓電測力儀(5)通過螺栓和連接法蘭(6)相連接,轉接法蘭(1)通過螺栓和壓電測力儀(5)的左端相連接;自動定心裝置由球形塞(3)、錐形套(4)和六角螺母(2)組成,球形塞(3)和錐形套(4)為球面副連接,起到自動定心的作用,六角螺母(2)起預緊連接的作用;自動定心裝置通過后端拉桿(8)和標準力傳感器(9)的左端相連接;液壓加載裝置(11)通過前端拉桿(10)和標準力傳感器(9)的右端相連接,液壓加載裝置(11)的液壓缸缸體通過螺栓與標定架(7)的右側相連接;液壓加載裝置(11)與標定平臺裝配完畢后,將壓電測力儀(5)的傳感器與電荷放大器用導線連接,然后通過采集卡將電荷放大器與計算機連接成一體;
其特征在于,標定裝置搭建完畢后,對電荷放大器進行預熱及對標定系統進行預加載,然后通過液壓加載裝置(11)給壓電測力儀(5)施加外力,利用壓電傳感器的力電轉換功能,將作用于壓電測力儀(5)的外力信號轉換為電信號,然后將壓電傳感器輸出的微小電荷量經電荷放大器處理,再經數據采集卡的A/D轉換傳輸到計算機中,最后,利用基于深信度網絡的算法將采集到的數據進行標定處理;
具體步驟如下:
第一步:充分訓練RBM
RBM是深信度網絡的基本單元,作為深信度網絡的核心環節,采用非監督貪婪逐層方法獲得權值,實現網絡的預訓練;RBM的訓練過程,實際是求出一個能產生訓練樣本的概率分布;也就是說,獲得一個由權值ω決定、訓練樣本概率最大的概率分布;訓練RBM的目標就是尋找最佳的權值;
設輸入層和隱性層呈現伯努利分布,輸入層和隱性層的輸入能量函數E(x,z|θ),如下式:
其中,m和n分別為輸入層和隱性層單元數;x=(xi)和z=(zj)分別表示輸入層和隱性層內單元值;為輸入層和隱性層的權值,為輸入層閾值,為隱性層第j個單元的閾值;i表示輸入層的第i個單元數,j表示隱性層的第j個單元數;
為達到降低誤差的目的及獲得最大權值下的概率分布,多次修正θ得到最小全局能量結構;然后將輸入能量函數E(x,z|θ)指數化且正則化,得到輸入層和隱性層的聯合概率分布P(x,z|θ)
基于馬爾科夫蒙特卡洛Markov chain Monte Carlo理論,使得輸入層和隱含層互為條件,不斷更新權值和閾值,使它們共同趨向平穩狀態;基于概率梯度經過k次RMB迭代,第k+1次權值閾值向量θ(k+1)為,
其中,η為學習率;
經過多次修正θ使全局能量最小,達到收斂誤差盡量小的目的;固定第一個RBM的權重和偏移量,然后使用其隱性神經元的狀態,作為第二個RBM的輸入向量;重復以上步驟,充分訓練第二個RBM,然后將第二個RBM堆疊在第一個RBM的上方,如此類推,一直訓練到頂層的RBM;
第二步:基于Levenberg Marquartdt進行深信度網絡訓練
將深信度網絡的每個基本單元RBM充分訓練后,求解出每個隱元與顯元之間的權重ω;Levenberg Marquartdt為一種高斯牛頓法的改進算法,既具有在局部優化搜索方向的特點,又具有在全局梯度法的特性,其收斂速度遠快于梯度下降法,通過相應算法修正權值ω使整體誤差快速降低;設誤差函數E(ω)
其中,N為訓練次數,di為期望向量,yi為輸出向量,ω為權值和閾值向量,
基于Levenberg Marquartdt法,經過第k次訓練后,權值閾值向量增量
Δω=[JT(ω)J(ω)+μI]-1JT(ω)e(ω)
其中,I為單位矩陣,μ為學習率,J(ω)為Jacobian矩陣,n為權閾值的數量;當μ=0,即為牛頓方法;當μ非常大時,公式變為梯度下降法;Levenberg Marquartdt法既有高斯-牛頓法的局部收斂性,又具有梯度法的全局特性;
第三步:求解推力偏移量參數
將力值經基于Levenberg Marquartdt進行深信度網絡訓練,直到達到訓練次數或歸一化誤差小于目標誤差后,來實現非線性的DBN補償網絡;輸入值經過深信度網絡補償和反歸一化后,將補償后力值進行理論結算得到力偏移量的補償值
設Fxi、Fyi、Fzi分別為各傳感器在X、Y、Z向受力大小;基于理論力學的原理,三個主推力Fx、Fy、Fz為,
Fx1、Fx2、Fx3、Fx4期望值的解算矩陣為,
其中,a為相鄰傳感器安裝距離的一半;c為傳感器安裝平面與外力作用平面的距離;m和n分別為輸入層和隱性層單元數;Fx、Fy、Fz分別為X,Y,Z方向上所受到的力;
Fx1、Fx2、Fx3、Fx4、Fy、Fz的值求出后,經理論計算,力矢量標定平臺準確獲得α、δy、δz力矢量偏移量;力矢量偏移參數主偏角α、Y向偏移量δy、Z向偏移量δz的計算公式為,
歸一化和反歸一化的處理使有數量級差的Fx1、Fx2、Fx3、Fx4與Fy、Fz限定在有限范圍內。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于大連理工大學,未經大連理工大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/201710610730.7/1.html,轉載請聲明來源鉆瓜專利網。





