申请/专利权人：中国人民解放军国防科技大学

申请日：2024-03-25

公开（公告）日：2024-06-07

公开（公告）号：CN117933104B

主分类号：G06F30/27

分类号：G06F30/27;G06F30/15;G06N3/094

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本申请涉及一种固体姿轨控发动机燃气调节阀压强修正方法，首先获取训练数据集与测试数据集，训练数据集包括仿真数据、第一实验数据以及增强数据，测试数据集包括第二实验数据；其中，通过对第一实验数据依次进行归一化处理、降采样处理以及输入CWGAN‑GP‑T模型进行训练，生成增强数据；然后通过训练数据集对构建的压强预测预训练模型进行训练，得到训练好的压强预测模型；通过训练好的压强预测模型对监测点的压强数据进行预测，得到预测结果；最后根据预测结果对固体火箭发动机燃气调节阀进行高精度的压强修正，从而提升固体火箭发动机燃气调节阀仿真建模的效率和准确性。

主权项：1.一种固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，所述方法包括：获取训练数据集与测试数据集；所述训练数据集包括仿真数据、第一实验数据以及增强数据，所述测试数据集包括第二实验数据；其中，在不同实验条件下获取实验数据，将所述实验数据划分为所述第一实验数据和所述第二实验数据；对不同工况下固体火箭发动机燃气调节阀进行仿真建模，以采集所述仿真数据；通过对所述第一实验数据依次进行归一化处理和降采样处理后，输入CWGAN-GP-T模型进行训练，所述CWGAN-GP-T模型包括判别器、生成器及指导网络，基于预设的损失函数，所述判别器、所述生成器与所述指导网络相互进行对抗训练，当所述判别器无法判断所述生成器输出结果的真实性时，生成所述增强数据；基于深度神经网络构建压强预测预训练模型；将所述训练数据集输入所述压强预测预训练模型内进行训练后，采用所述测试数据集进行测试，得到训练好的压强预测模型；通过所述训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测，得到预测结果；根据所述预测结果对所述固体火箭发动机燃气调节阀压强进行修正；对所述第一实验数据依次进行归一化处理和降采样处理后，输入CWGAN-GP-T模型进行训练，所述CWGAN-GP-T模型包括判别器、生成器及指导网络，基于预设的损失函数，所述判别器、所述生成器与所述指导网络相互进行对抗训练，当所述判别器无法判断所述生成器输出结果的真实性时，生成增强数据，包括：对第一实验数据依次进行归一化处理和降采样处理，得到实验样本数据，对所述实验样本数据进行划分，得到实验样本训练集与实验样本测试集；构建CWGAN-GP-T模型，所述CWGAN-GP-T模型包括判别器、生成器及指导网络；基于第一损失函数，将参数标签与高斯噪声输入所述生成器，得到生成样本数据集；将所述实验样本训练集与所述生成样本数据集输入所述指导网络，得到校正样本数据集；基于第二损失函数、所述实验样本训练集、所述生成样本数据集、所述校正样本数据集及参数标签对所述判别器进行训练，得到训练好的判别器；通过所述判别器对所述实验样本测试集与所述生成样本数据集进行判别，当所述判别器无法判断所述生成器输出结果的真实性时，生成增强数据。

全文数据：

权利要求：

百度查询： 中国人民解放军国防科技大学 固体姿轨控发动机燃气调节阀压强修正方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD