火炮身管烧蚀磨损量的GA-BP预测模型研究方法技术

本发明专利技术公开了火炮身管烧蚀磨损量的GA‑BP预测模型研究方法，属于坦克炮射击训练技术领域，包括以下步骤：S1：采集相关数据，S2：采用BP神经网络增强预测模型的实用性，S3：入遗传算法对网络模型进行优化，S4：建立身管烧蚀磨损量的GA‑BP预测模型，S5：计算分析不同弹种对身管磨损量的影响程度。本发明专利技术很好的避免了网络陷入局部极小，降低了预测值的相对误差，预测精度与实测数据的平均拟合度达98.6％，这表明GA‑BP网络模型能够准确描述身管内膛磨损量与不同弹种射弹数目之间复杂的非线性关系，采用此模型能有效预测磨损量的变化情况，避免了实验测量仪器操作时的不便性，节省了大量人力物力资源，为身管磨损量的预测提供了新方法。

【技术实现步骤摘要】
火炮身管烧蚀磨损量的GA-BP预测模型研究方法
本专利技术涉及坦克炮射击训练
，具体为火炮身管烧蚀磨损量的GA-BP预测模型研究方法。
技术介绍
长期以来，研究者们都在努力探索计算身管烧蚀磨损量的数学模型，但由于火炮身管内部的烧蚀磨损作用机制复杂，各种作用交叉影响，建立准确的数学模型来计算火炮身管烧蚀磨损量都收效甚微。而近年来，随着信息化技术的快速发展，各类智能算法不断兴起完善，国内外部分学者尝试将智能算法应用到身管烧蚀磨损量的预测中去，获得了一定的成果，但存在模型精度不高、推广性不强等缺点。
技术实现思路
本专利技术的目的在于提供火炮身管烧蚀磨损量的GA-BP预测模型研究方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：火炮身管烧蚀磨损量的GA-BP预测模型研究方法，包括以下步骤：S1：采集相关数据，数据采集主要包括射弹数目、内膛磨损量以及火炮初速三部分，其中内膛磨损量的采集采用径向磨损量法，火炮射弹初速则利用HG08型天幕靶进行测量；S2：采用BP神经网络增强预测模型的实用性，包括以下步骤：S2-1：分析BP神经网络结构；S2-2：研究BP神经网络算法；S3：引入遗传算法对网络模型进行优化，包括以下步骤：S3-1：运行遗传算法；S3-2：将遗传算法带入BP神经网络；S4：建立身管烧蚀磨损量的GA-BP预测模型，包括以下步骤：S4-1：神经网络结构的确定；S4-2：遗传算法的优化；S4-3：神经网络训练；S4-4：仿真预测结果对比；S5：计算分析不同弹种对身管磨损量的影响程度。优选的，在S1中，径向磨损量法是一种静态检测法，简称Δd法，根据Δd的特性，它是影响火炮内弹道性能变化的主要因素，两者的关系系数在0.98以上，能够准确反映磨损火炮初速的变化规律，通过它预测火炮初速减退量的误差小，且测径工具操作简单，测试方便，经济性好，是修正火炮初速的重要方法，因此，采用径向磨损量法测量身管内膛的烧蚀磨损程度。优选的，利用身管内膛直径测量仪器对某型坦克炮身管内膛固定点处的直径进行测量，该固定点位于距定位板轴向865mm处，由于现役火炮经过一定量的实弹射击后，火炮内膛已不再是标准的正圆形，而变成了椭圆，因此，在测试点上每隔30°测量一次身管内膛直径，取平均值作为该点处的磨损量值。优选的，在S1中，HG08型天幕靶的光探测器主要功能是：探测弹丸穿越天幕时的光信号并输出光电模拟信号和启动、停止测时仪工作的脉冲输出信号并用指示灯指示。优选的，在S2中，BP神经网络是包含多个隐含层的网络，是一种强调网络采用误差反向传播的学习算法，属于多层前向神经网络，它由一个输入层、一个输出层和若干个隐含层构成。优选的，在S2中，在BP网络中采用误差反向传播的算法进行学习，学习算法包括数据的前向计算和误差的反向推导两个过程，即数据从输入层经隐含层逐层向后传播，进行数据的前向计算；训练网络权值时，则沿着减少误差的方向，从输出层经过中间各层逐层向前修正网络的连接权值，进行误差的反向推导过程，两个过程反复交替；随着学习的不断进行，最终的误差越来越小，直到误差或迭代次数满足设定要求，则模型训练完毕。神经网络的训练过程，就是采用数学算法对权值和阈值不断更新调整，直到误差满足设定要求的过程。优选的，在S3中，遗传算法是一种通过模拟达尔文的生物自然选择学说和自然界生物进化过程来搜索最优解的算法；从20世纪60年代提出到现在，获得了广泛应用，并且算法研究日趋成熟，因其求解速度快、鲁棒性高以及利于全局寻优，具有更高搜索效率而广泛应用于人工智能、机器学习、组合优化以及称为人工生命的崭新研究领域。优选的，在S3中，BP神经网络具有很强的自适应和推广概括能力，特别适用于求解内部机制复杂的问题，对于火炮身管内膛烧蚀磨损机制复杂的这类问题十分适用，然而，在BP神经网络实际应用中，由于是按误差函数的负梯度方向对权值进行调整的，其优化计算经常容易陷入局部极小值中，此外，BP网络采用迭代更新的方式确定权值，需要一个初始权值和阈值，初始值的选取对于BP神经网络十分重要，初始值的过大过小都会对性能产生很大的影响，这就需要与其他人工智能算法结合才可有效改善算法性能。优选的，在S4中，以不同弹种射弹数作为BP网络的输入，身管烧蚀磨损量作为网络输出，建立基于遗传算法的BP神经网络身管磨损量预测模型，利用坦克炮身管磨损量和射弹数目的数据对网络展开训练，并对网络性能进行测试，模型的建立主要分为BP神经网络结构确定、遗传算法优化、神经网络训练和仿真预测结果对比4个方面。优选的，在S5中，神经网络中各层之间的连接权值大小代表着输入变量对输出变量的影响程度，根据建立的身管烧蚀磨损量预测模型，可得到BP网络的权值和阈值矩阵。与现有技术相比，本专利技术的有益效果是：本专利技术通过采集火炮全寿命周期内的相关数据，以该数据为基础，采用不同弹种射弹数目作为输入层，建立身管烧蚀磨损量预测模型，引入遗传算法对网络模型进行优化，建立了基于遗传算法的BP神经网络模型，很好的避免了网络陷入局部极小，降低了预测值的相对误差，预测精度与实测数据的平均拟合度达98.6％，这表明GA-BP网络模型能够准确描述身管内膛磨损量与不同弹种射弹数目之间复杂的非线性关系，采用此模型能有效预测磨损量的变化情况，避免了实验测量仪器操作时的不便性，节省了大量人力物力资源，为身管磨损量的预测提供了新方法。附图说明图1为本专利技术的整体流程图；图2为本专利技术的身管内膛磨损变化趋势图；图3为本专利技术的BP神经网络的拓扑结构图；图4为本专利技术的BP算法流程图；图5为本专利技术的遗传算法基本流程图；图6为本专利技术的GA-BP算法流程图；图7为本专利技术的神经网络预测模型结构图；图8为本专利技术的适应度函数变化曲线图；图9为本专利技术的网络训练过程曲线图；图10为本专利技术的BP神经网络预测曲线图；图11为本专利技术的GA-BP神经网络预测曲线图；图12为本专利技术的GM(1,1)模型预测曲线图。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术提供一种技术方案：火炮身管烧蚀磨损量的GA-BP预测模型研究方法，如图1所示，包括以下步骤：S1：采集相关数据，数据采集主要包括射弹数目、内膛磨损量以及火炮初速三部分，其中：内膛磨损量的采集采用径向磨损量法，它是一种静态检测法，简称Δd法，根据Δd的特性，它是影响火炮内弹道性能变化的主要因素，两者的关系系数在0.98以上，能够准确反映磨损火炮初速的变化规律，通过它预测火炮初速减退量的误差小，且测径工具操作简本文档来自技高网...

【技术保护点】
1.火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于，包括以下步骤：/nS1：采集相关数据，数据采集主要包括射弹数目、内膛磨损量以及火炮初速三部分，其中内膛磨损量的采集采用径向磨损量法，火炮射弹初速则利用HG08型天幕靶进行测量；/nS2：采用BP神经网络增强预测模型的实用性，包括以下步骤：/nS2-1：分析BP神经网络结构；/nS2-2：研究BP神经网络算法；/nS3：引入遗传算法对网络模型进行优化，包括以下步骤：/nS3-1：运行遗传算法；/nS3-2：将遗传算法带入BP神经网络；/nS4：建立身管烧蚀磨损量的GA-BP预测模型，包括以下步骤：/nS4-1：神经网络结构的确定；/nS4-2：遗传算法的优化；/nS4-3：神经网络训练；/nS4-4：仿真预测结果对比；/nS5：计算分析不同弹种对身管磨损量的影响程度。/n

【技术特征摘要】
1.火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于，包括以下步骤：
S1：采集相关数据，数据采集主要包括射弹数目、内膛磨损量以及火炮初速三部分，其中内膛磨损量的采集采用径向磨损量法，火炮射弹初速则利用HG08型天幕靶进行测量；
S2：采用BP神经网络增强预测模型的实用性，包括以下步骤：
S2-1：分析BP神经网络结构；
S2-2：研究BP神经网络算法；
S3：引入遗传算法对网络模型进行优化，包括以下步骤：
S3-1：运行遗传算法；
S3-2：将遗传算法带入BP神经网络；
S4：建立身管烧蚀磨损量的GA-BP预测模型，包括以下步骤：
S4-1：神经网络结构的确定；
S4-2：遗传算法的优化；
S4-3：神经网络训练；
S4-4：仿真预测结果对比；
S5：计算分析不同弹种对身管磨损量的影响程度。


2.根据权利要求1所述的火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于：在S1中，径向磨损量法是一种静态检测法，简称Δd法，根据Δd的特性，它是影响火炮内弹道性能变化的主要因素，两者的关系系数在0.98以上，能够准确反映磨损火炮初速的变化规律，通过它预测火炮初速减退量的误差小，且测径工具操作简单，测试方便，经济性好，是修正火炮初速的重要方法，因此，采用径向磨损量法测量身管内膛的烧蚀磨损程度。


3.根据权利要求2所述的火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于：利用身管内膛直径测量仪器对某型坦克炮身管内膛固定点处的直径进行测量，该固定点位于距定位板轴向865mm处，由于现役火炮经过一定量的实弹射击后，火炮内膛已不再是标准的正圆形，而变成了椭圆，因此，在测试点上每隔30°测量一次身管内膛直径，取平均值作为该点处的磨损量值。


4.根据权利要求1所述的火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于：在S1中，HG08型天幕靶的光探测器主要功能是：探测弹丸穿越天幕时的光信号并输出光电模拟信号和启动、停止测时仪工作的脉冲输出信号并用指示灯指示。


5.根据权利要求1所述的火炮身管烧蚀磨损量的GA-BP预测模型研究方法，其特征在于：在S2中，BP神经网络是包含多个隐含层的网络，是一种强调网络采用误差反向传播的学习算法，属于多层前向神经网络，它由一个输入层、一个输出层和若干个隐含层构成。
...

【专利技术属性】
技术研发人员：王国辉，李向荣，张宝栋，童皖，常雷，马啸飞，
申请(专利权)人：中国人民解放军陆军装甲兵学院，
类型：发明
国别省市：北京;11