基于深信度网络的火箭发动机推力偏移量的标定方法技术

本发明专利技术提供了一种基于深信度网络的火箭发动机推力偏移量的标定方法，属于压电传感器测量领域。该方法首先通过建立实验标定平台，完成力偏移量标定试验；然后将输出的电压信号经归一化处理后进行RBM修正，再经基于LevenbergMarquartdt的BP进行权值和阈值的训练，直到达到训练次数或归一化误差小于目标误差后，实现非线性的深信度网络补偿网络；经过深信度网络补偿后的值进行反归一化处理后，再进行理论计算得到力偏移量的补偿值。该方法循环步数少，效率高，非线性误差小，拟合和泛化精度高，实现了对火箭发动机推力偏移量的精确标定，对非线性标定与误差处理具有重要的参考价值。

Calibration method of rocket engine thrust offset based on deep confidence network

The invention provides a calibration method for the thrust displacement of a rocket engine based on the depth of the network, which belongs to the field of the measurement of the piezoelectric sensor. Firstly, through the establishment of experimental calibration platform, force offset calibration test; then the output voltage signal after normalization of RBM correction, the weight and threshold of LevenbergMarquartdt BP based on the number of training or training, until it reaches the normalized error less than the target error after the implementation of the compensation network nonlinear network trust; after a deep belief network after the compensation value of anti normalization, and then calculated the force offset compensation value. The method has the advantages of less cycle steps, high efficiency, small nonlinear error, high accuracy of fitting and generalization, and accurate calibration of rocket engine thrust offset. It has important reference value for nonlinear calibration and error processing.

【技术实现步骤摘要】
基于深信度网络的火箭发动机推力偏移量的标定方法
本专利技术属于压电传感器测量领域，涉及一种基于深信度网络的火箭发动机推力偏移量的标定方法。
技术介绍
随着航空航天与科学技术地迅速发展，航天器需要更加精确的轨道运动控制要求，对火箭发动机的姿态调控、轨道修正的精度要求也越来越高。推力矢量作为火箭发动机的重要性能指标，直接影响火箭发动机的性能和轨道运动精度。在火箭发动机喷射过程中，推进剂的不均匀燃烧以及喷管轴线的偏移等因素，将会导致火箭推力偏离其轴线而产生侧向力和推力偏心的现象。火箭发动机力矢量力在主、侧向的量程有二到三个数量级差，属于主、侧大量程比的问题，侧向力容易受主向力的影响而被淹没，引起侧向的非线性干扰，增加了推力测试的难度。此外，受制造误差、装配误差以及结构变形等因素的影响，推力和偏移量的测试精度很难保证。因此，准确获得发动机推力矢量和偏移量等关键参数，对力矢量进行精确标定是提高火箭发动机的运动和控制精度的重要保障。经过文献检索，多数文章对测力平台的标定补偿方法主要应用硬件补偿法和计算算法等方法进行研究。李思研究了基于信号处理、计算机智能、智能处理的力传感器的硬件标定技术。高长银，邢勤分别对压电测力系统用最小二乘法实现力矢量的静态标定和动态标定。樊尚春基于输出静态性能对压力传感器进行了标定算法的研究。以上标定方法都是基于线性输入—输出特性关系。然而，从严格意义说，受测力平台本身制造、装配和环境因素等干扰的影响，目前传感器的输入—输出依然存非线性误差，降低和校正干扰是提高测试精度亟需解决的问题。为此，需要相应理论和实验方法来补偿和修正非线性误差，实现非线性的标定。
技术实现思路
本专利技术为克服现有技术的缺陷，专利技术一种基于深信度网络的火箭发动机推力偏移量的标定方法，该方法首先通过建立实验标定平台，完成力偏移量标定试验；然后将输出的电压信号经归一化处理后进行受限玻尔兹曼机(RestrictedBoltzmannMachines，RBM)修正，再经基于Levenberg-Marquartdt的BP进行权值和阈值的训练，直到达到训练次数或归一化误差小于目标误差后，实现非线性的深信度网络补偿；经过深信度网络补偿后的值进行反归一化处理后，再进行理论计算得到力偏移量的补偿值。该方法循环步数少，效率高，非线性误差小，拟合和泛化精度高。本专利技术的技术方案：过程中基于一种火箭发动机推力偏移量的标定装置来完成标定实验。该装置以压电式测力仪作为核心力敏元件，由液压加载装置、标定平台、电荷放大器、数据采集卡、计算机及软件模块等组成。装配时，标定架7用螺栓固定在底座，连接法兰6通过螺栓连接在标定架7的左侧，压电测力仪5通过螺栓和连接法兰6相连接，转接法兰1通过螺栓和压电测力仪5的左端相连接；球形塞3和锥形套4为球面副连接，起到自动定心的作用，六角螺母2起预紧连接的作用；自动定心装置(由球形塞3、锥形套4和六角螺母2组成)通过后端拉杆8和标准力传感器9的左端相连接；液压加载装置11通过前端拉杆10和标准力传感器9的右端相连接，液压加载装置11的液压缸缸体通过螺栓与标定架7的右侧相连接。液压加载装置与标定平台装配完毕后，将压电测力仪5的传感器与电荷放大器用导线连接，然后通过采集卡将电荷放大器与计算机连接成一体。实验标定系统搭建完毕后，对电荷放大器进行预热及对标定系统进行预加载，然后通过液压加载装置给实验标定系统的压电测力仪施加外力，利用压电传感器的力电转换功能将作用于压电测力仪的外力信号转换为电信号，然后将压电传感器输出的微小电荷量经电荷放大器处理，再经数据采集卡的A/D转换传输到计算机中，利用Devesoft软件对实验数据进行采集，最后，利用基于深信度网络的算法将采集到的实验数据进行标定处理。本专利技术的有益效果是通过采用深信度网络数据处理的方法，补偿和修正了非线性误差，提高了拟合和泛化精度，使数据处理循环步数减少，效率提高，实现了对火箭发动机推力偏移量的精确标定。附图说明图1为标定平台结构简图。图2为对火箭发动机推力偏移量进行全过程标定的流程图。图3为基于深信度网络方法对实验数据进行标定处理的流程图。图4为解算推力偏量参数的流程图。图中：1转接架；2六角螺母；3球形塞；4锥形套；5压电测力仪；6连接法兰；7标定架；8后端拉杆；9标准力传感器；10前端拉杆；11液压加载装置。具体实施方式以下结合附图和技术方案，进一步说明本专利技术的具体实施方式。本专利技术是一种基于深信度网络的火箭发动机推力偏移量的标定方法，采用火箭发动机推力偏移量的标定实验系统进行标定实验，然后基于深信度网络对火箭发动机推力偏移量的标定实验所得到的实验数据进行处理，经过深信度网络补偿和反归一化后，再经理论计算便可精确得到火箭发动机推力偏移量。该方法循环步数少，效率高，非线性误差小，拟合和泛化精度高，实现了对火箭发动机推力偏移量的精确标定，对非线性标定与误差处理有重要的参考价值。基于深信度网络的火箭发动机推力偏移量的标定方法，步骤如下：第一步：充分训练RBMRBM是深信度网络的基本单元，为了获取更有效的学习权值，RBM作为深信度网络的核心环节，采用非监督贪婪逐层方法获得权值，来实现网络的预训练。RBM的训练过程，实际上是求出一个能产生训练样本的概率分布。也就是说，能够获得一个由权值ω决定、训练样本概率最大的概率分布。所以我们训练RBM的目标就是寻找最佳的权值。设输入层和隐性层呈现伯努利分布，输入层和隐性层的输入能量函数E(x,z|θ)为，其中，m和n分别为输入层和隐性层单元数；x＝(xi)和z＝(zj)分别表示输入层和隐性层内单元值；为输入层和隐性层的权值，为输入层阈值，为第一隐性层阈值。为达到降低误差的目的及获得最大权值下的概率分布，需多次修正θ得到最小全局能量结构；然后将输入能量函数E(x,z|θ)指数化且正则化，得到输入层和隐性层的联合概率分布P(x,z|θ)为，基于MarkovchainMonteCarlo使得输入层和隐含层互为条件的特点，不断更新权值和阈值，使它们共同趋向平稳状态。基于概率梯度经过k次RMB迭代，第k+1次权值阈值向量θ(k+1)为，其中，η为学习率。经过多次修正θ使全局能量最小，达到收敛误差尽量小的目的。固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；重复以上步骤，充分训练第二个RBM，然后将第二个RBM堆叠在第一个RBM的上方…，如此类推，一直训练到顶层的RBM。第二步：基于LevenbergMarquartdt进行深信度网络训练将深信度网络的每个基本单元RBM充分训练后，需要求解出每个隐元与显元之间的权重ω。LevenbergMarquartdt为一种高斯牛顿法的改进算法，既具有在局部优化搜索方向的特点，又具有在全局梯度法的特性，其收敛速度远快于梯度下降法，其基本思路是通过相应算法修正权值ω使整体误差快速降低。设误差函数E(ω)其中，N为训练次数，di为期望向量，yi为输出向量，ω为权值和阈值向量，基于LevenbergMarquartdt法，经过第k次训练后，权值阈值向量增量Δω＝[JT(ω)J(ω)+μI]-1JT(ω)e(ω)其中，I为单位矩阵，μ为学习率，J(ω)为Jacobian矩阵，n为权本文档来自技高网...

【技术保护点】
一种基于深信度网络的火箭发动机推力偏移量的标定方法，所用的标定装置以压电式测力仪作为核心力敏元件，包括液压加载装置、标定平台、电荷放大器、数据采集卡、计算机及软件模块；装配时，标定架(7)用螺栓固定在底座上，连接法兰(6)通过螺栓连接在标定架(7)的左侧，压电测力仪(5)通过螺栓和连接法兰(6)相连接，转接法兰(1)通过螺栓和压电测力仪(5)的左端相连接；自动定心装置由球形塞(3)、锥形套(4)和六角螺母(2)组成，球形塞(3)和锥形套(4)为球面副连接，起到自动定心的作用，六角螺母(2)起预紧连接的作用；自动定心装置通过后端拉杆(8)和标准力传感器(9)的左端相连接；液压加载装置(11)通过前端拉杆(10)和标准力传感器(9)的右端相连接，液压加载装置(11)的液压缸缸体通过螺栓与标定架(7)的右侧相连接；液压加载装置(11)与标定平台装配完毕后，将压电测力仪(5)的传感器与电荷放大器用导线连接，然后通过采集卡将电荷放大器与计算机连接成一体；其特征在于，标定装置搭建完毕后，对电荷放大器进行预热及对标定系统进行预加载，然后通过液压加载装置(11)给压电测力仪(5)施加外力，利用压电传感器的力电转换功能，将作用于压电测力仪(5)的外力信号转换为电信号，然后将压电传感器输出的微小电荷量经电荷放大器处理，再经数据采集卡的A/D转换传输到计算机中，最后，利用基于深信度网络的算法将采集到的数据进行标定处理；具体步骤如下：第一步：充分训练RBMRBM是深信度网络的基本单元，作为深信度网络的核心环节，采用非监督贪婪逐层方法获得权值，实现网络的预训练；RBM的训练过程，实际是求出一个能产生训练样本的概率分布；也就是说，获得一个由权值ω决定、训练样本概率最大的概率分布；训练RBM的目标就是寻找最佳的权值；设输入层和隐性层呈现伯努利分布，输入层和隐性层的输入能量函数E(x,z|θ)，如下式：...

【技术特征摘要】
1.一种基于深信度网络的火箭发动机推力偏移量的标定方法，所用的标定装置以压电式测力仪作为核心力敏元件，包括液压加载装置、标定平台、电荷放大器、数据采集卡、计算机及软件模块；装配时，标定架(7)用螺栓固定在底座上，连接法兰(6)通过螺栓连接在标定架(7)的左侧，压电测力仪(5)通过螺栓和连接法兰(6)相连接，转接法兰(1)通过螺栓和压电测力仪(5)的左端相连接；自动定心装置由球形塞(3)、锥形套(4)和六角螺母(2)组成，球形塞(3)和锥形套(4)为球面副连接，起到自动定心的作用，六角螺母(2)起预紧连接的作用；自动定心装置通过后端拉杆(8)和标准力传感器(9)的左端相连接；液压加载装置(11)通过前端拉杆(10)和标准力传感器(9)的右端相连接，液压加载装置(11)的液压缸缸体通过螺栓与标定架(7)的右侧相连接；液压加载装置(11)与标定平台装配完毕后，将压电测力仪(5)的传感器与电荷放大器用导线连接，然后通过采集卡将电荷放大器与计算机连接成一体；其特征在于，标定装置搭建完毕后，对电荷放大器进行预热及对标定系统进行预加载，然后通过液压加载装置(11)给压电测力仪(5)施加外力，利用压电传感器的力电转换功能，将作用于压电测力仪(5)的外力信号转换为电信号，然后将压电传感器输出的微小电荷量经电荷放大器处理，再经数据采集卡的A/D转换传输到计算机中，最后，利用基于深信度网络的算法将采集到的数据进行标定处理；具体步骤如下：第一步：充分训练RBMRBM是深信度网络的基本单元，作为深信度网络的核心环节，采用非监督贪婪逐层方法获得权值，实现网络的预训练；RBM的训练过程，实际是求出一个能产生训练样本的概率分布；也就是说，获得一个由权值ω决定、训练样本概率最大的概率分布；训练RBM的目标就是寻找最佳的权值；设输入层和隐性层呈现伯努利分布，输入层和隐性层的输入能量函数E(x,z|θ)，如下式：其中，m和n分别为输入层和隐性层单元数；x＝(xi)和z＝(zj)分别表示输入层和隐性层内单元值；为输入层和隐性层的权值，为输入层阈值，为隐性层第j个单元的阈值；i表示输入层的第i个单元数，j表示隐性层的第j个单元数；为达到降低误差的目的及获得最大权值下的概率分布，多次修正θ得到最小全局能量结构；然后将输入能量函数E(x,z|θ)指数化且正则化，得到输入层和隐性层的联合概率分布P(x,z|θ)基于马尔科夫蒙特卡洛MarkovchainMonteCarlo理论，使得输入层和隐含层互为条件，不断更新权值和阈值，使它们共同趋向平稳状态；基于概率梯度经过k次RMB迭代，第k+1次权值阈值向量θ(k+1)为，其中，η为学习率；经过多次修正θ使全局能量最小，达到收敛误差尽量小的目的；固定第一个RBM的权重和偏移量，然后使用其隐性神经元的状态，作为第二个RBM的输入向量；重复以上步骤，充分训练第二个RBM，然后将第二个RBM堆叠在第一个RBM的上方，如此类推，一直训练到顶层的RBM；第二步：基于LevenbergMarquartdt进行深信度网络训练将深信度网络的每个基本单元RBM充分训练后，求解出每个隐元与显元之间的权重ω；LevenbergMarquart...

【专利技术属性】
技术研发人员：张军，贾振元，田雨，任宗金，常庆兵，李明昱，宋鹏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁,21