申请/专利权人：河北工业大学

申请日：2024-04-09

公开（公告）日：2024-06-28

公开（公告）号：CN118261053A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/0442;G06N3/0985;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明公开一种基于LSTM网络的直线电磁推进装置电枢速度预测方法，该方法采用pytorch框架实现，通过考虑多种因素对点数速度的影响，利用高精度实验数据，包括脉冲电流、膛口电压数据作为输入，拟合出电枢速度的变化曲线作为输出，从而建立了预测模型。这一预测模型提高了电枢速度的预测精度，对于提升电磁推进装置性能具有重要参考意义。此外，本发明的预测方法稳定可靠，预测结果能够准确反映电枢内弹道的实际运动状态。使用训练好的模型可以直接进行电枢速度预测，相较于有限元仿真，更加方便快捷。

主权项：1.一种基于LSTM网络的直线电磁推进装置电枢速度预测方法，其特征在于，该方法包括以下步骤：步骤1：获取直线电磁推进装置在多次电磁推进实验中的的脉冲电流、膛口电压和电枢速度随时间的变化数据，得到多个脉冲电流、膛口电压和电枢速度的时序数据，相邻数据采样时刻点之间间隔20μs，一次实验监测总时长不少于4ms；步骤2：对步骤1中的脉冲电流、膛口电压的多个时序数据分别进行标准化处理，得到多个脉冲电流、膛口电压的相关数据的时序数据；步骤3：将步骤2中得到的多个脉冲电流、膛口电压的相关数据的时序数据和步骤1中与其对应的电枢速度的时序数据，按电磁推进实验的次数为单位进行划分，将一次电磁推进实验所得到的脉冲电流、膛口电压的相关数据的时序数据划分为一个批次的数据；对一个批次的数据按采样时刻点划分为一个切片样本，其中，一个切片样本包括同一个采样时刻点的脉冲电流、膛口电压的相关数据和相应的电枢速度，一个批次的数据得到若干个切片样本；将其中的一个批次的数据的切片样本划分为测试集，其余批次数据的切片样本均划分为训练集；步骤4：构建电枢速度预测模型电枢速度预测模型为LSTM网络模型，包含一个输入层、一个LSTM层、一个全连接层和一个输出层；其中，输入层维度为2，LSTM层的维度为100，输出层的维度为1；LSTM单元的数据处理过程可以表示为： 式中，xt是当前时间步t的LSTM单元的输入；ht是当前时间步t的LSTM单元的输出；ct是当前时间步t的LSTM单元的细胞状态；it、ft和ot分别是输入门、遗忘门和输出门；at是候选细胞状态；σ是sigmoid激活函数；tanh是双曲正切激活函数；⊙是元素级的乘法；Wii、bii、Whi、bhi、Wif、bif、Whf、bhf、Wig、big、Whg、bhg、Wio、bio、Who、bho为模型的训练参数；ht-1为上一时间步t-1的LSTM单元的输出，ct-1为上一时间步t-1的LSTM单元的细胞状态；初始化h0与c0为全零张量；全连接层对数据的处理过程可以表示：y＝W·h+b4式中，y是全连接层的输出；W是全连接层的权重矩阵，b为全连接层的偏置矩阵，均为模型的训练参数；h是从LSTM层传入全连接层的输入，h＝[h1,…,ht,…,h100]；步骤5：训练电枢速度预测模型初始化电枢速度预测模型的训练参数，将h0与c0初始化为全零张量；遍历整个训练集为一轮次，设定迭代轮次为100；将训练集中一个批次数据的切片样本输入到电枢速度预测模型中，其中，一个切片样本的脉冲电流、膛口电压的相关数据作为模型的输入量，相应的电枢速度作为模型的输出量的真实值，模型的输出量为电枢速度的预测值；每训练完一个批次数据的切片样本，计算电枢速度的预测值与真实值之间的损失；计算公式是： 式中，为误差函数；yi是第i个切片样本的电枢速度的真实值，是第i个切片样本的电枢速度的预测值，n是一个批次数据的切片样本的总数；根据该批次数据的切片样本的损失值，采用Adam优化器，初始化优化器的梯度为0，利用梯度下降法更新一次模型的训练参数，完成一批数据的训练；将上一批数据训练完成的模型的训练参数作为下一批数据训练时的初始参数，不断迭代，直至训练完训练集中的最后一批数据，完成训练集的一个轮次的训练；训练集的上一个轮次训练完成的训练参数作为下一个轮次训练时的初始参数，每一轮训练开始时，重新初始化h0与c0为全零张量，初始化优化器的梯度为0，再依次输入训练集中的若干批数据进行训练，不断迭代，当连续10个轮次的损失值不大于1％或者训练轮次达到最大迭代轮次，模型的训练完成；步骤6：使用测试集调整模型超参数使用步骤3中划分的测试集的数据输入到训练好的电枢速度预测模型中，得到模型对电枢速度的预测值；对比模型预测的电枢速度和测试集中真实的电枢速度，计算模型的预测误差，使用平均绝对误差和均方根误差两个指标来评估模型的预测性能；如果两个指标的值均小于百分之3，则该训练好的模型为有效模型；反之，则对模型的学习速率、训练轮数或激活函数进行调整，重复步骤5的模型训练的过程，直至两个指标的值均小于百分之3；步骤7：电枢速度预测获取与步骤1中相同的直线电磁推进装置在电磁推进实验中的一个时刻点的脉冲电流、膛口电压数据，采用步骤2中的方法进行标准化处理，其中，时序数据的均值和该时序数据的标准差的取值为步骤2中相应的多个时序数据的均值与标准差的平均值，得到脉冲电流、膛口电压的相关数据；将上述脉冲电流、膛口电压的相关数据输出到步骤6中测试为有效的电枢速度预测模型中，得到对应时刻点的电枢速度的预测值。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于LSTM网络的直线电磁推进装置电枢速度预测方法

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