基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法与流程

本发明属于智能自动化技术领域，涉及基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法。

背景技术

固体火箭发动机是导弹和航天火箭的重要组件，它的研究工作和航天安全息息相关。在固体火箭发动机研制成功之后，为了保证不发生灾难性事故，必须对发动机的可靠性做出评价。固体火箭发动机贮存特点：“长期贮存、一次使用”。对于传统的可靠性评估主要在于现场贮存实验记录法，此方法贮存环境真实，数据质量高。但此方法耗时很长，费用巨大。同样加速贮存实验的使用和发展，其优点在于耗时短、费用相对较少。但存在不确定因素缺乏考虑，数据质量有一定风险。

随着深度学习和计算机的发展，基于深度学习算法的特征自学习能力的健壮性和模型泛化能力强度性，为我们处理大数据提供了可能。因此开发高效率、高精度的固体火箭发动机可靠性预测方法具有足够的必要性。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法，基于现场贮存实验记录近几年可靠性数据，此方法贮存环境真实，数据质量高从而构建现实数据集，利用加速贮存实验，基于三维粘弹性有限元分析和固体火箭发动机推进剂高温加速老化实验为基础，结合montecarlo随机抽样技术，利用应力-强度干涉模型计算近几年以后不同贮存期内的药柱的可靠性数据从而构建模糊数据集。基于以上数据集融合建立数据库，利用深度学习算法，进行模型训练，从而对固体火箭发动机可靠性预测。

为达到上述目的，本发明提供如下技术方案：

基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法，具体包括以下步骤：

s1：基于固体火箭发动机现场贮存可靠性实验记录数据构建现实数据集；

s2：基于固体火箭发动机可靠性影响权重最显著的药柱作为加速贮存实验的研究本体，通过基于三维粘弹性有限元分析和固体火箭发动机推进剂高温加速老化实验为基础，以应力-强度干涉模型作为失效模型研究计算得出固体火箭发动机加速贮存可靠性实验记录数据构建模糊数据集；

s3：通过固体火箭发动机可靠性现实数据与加速贮存可靠性数据融合作为深度学习的数据库，从而以此数据库划分训练集、验证集和测试集；使用深度学习算法的特征自学习能力的健壮性和模型泛化能力强度性，从而对固体火箭发动机可靠性预测。

进一步，所述步骤s2具体包括以下步骤：

s21：获取固体推进剂性能参数的统计特征及发动机工作时的薄弱部位之后，建立固体火箭发动机药柱的三维粘弹性随机有限元分析模型；

s22：利用随机有限元法确定发动机点火过程中vonmises应变的统计分布；

s23：利用应力-强度干涉模型计算出不同贮存期内的药柱的点火瞬时可靠度；

s24：依据步骤s23计算的可靠性数据构建固体火箭发动机可靠性模糊数据集。

进一步，步骤s23中，所述的利用应力-强度干涉模型计算出贮存不同时期药柱的点火瞬时可靠度，具体为：

假定应力s和强度i为基本随机变量，服从正态分布且相互独立，则功能函数z为：

z＝i-s

药柱点火瞬间的结构可靠度r为：

其中，z为功能函数；p表示事件发生概率表达式。

进一步，步骤s3中，所述的深度学习算法是一个典型的全连接神经网络，即是一个复合函数：一层层仿射变换与非线性变换的叠加；具体为：一个n层的网络，表示成如下的复合函数：

y＝gn(wngn-1(θn-1,…f2(w2g1(θ1,f2(w1x+b1))+b2)…)+bn)

＝gn(fn(gn-1(θn-1,…g2((θ1,f2(g1(θ1,f1(x))))…)))

其中，f(x)＝wx+b表示仿射变换，x、b表示向量，w表示矩阵；g表示激活函数，下标表示层数。

进一步，使用一个平滑版本的relu函数(即softplus函数)解决激活函数的梯度总是1，即使连续相乘也不会变小的梯度消失的问题；

所述softplus函数的公式为：f(x)＝ln(1+e^x)。

本发明的有益效果在于：

1)通过将基于近几年现场贮存实验记录的固体火箭发动机可靠性现实数据，结合基于加速贮存实验计算近几年后不同贮存期的固体火箭发动机可靠性模糊数据，融合构建数据库，通过数据驱动的方法更好地解决贮存可靠性预测的问题；

2)基于现实与模糊数据深度融合学习的固体火箭发动机可靠性预测方法，由于现场贮存实验环境真实，记录数据质量高的优点，加上加速贮存实验所计算出的可靠性数据的耗时短、费用相对较少的优点，将两者有效结合起来构建数据库，使数据库的数据在单一方法下获取，获取的数据在质量和经济效益上得到很好的改善；

3)通过深度学习算法的自学习能力的健壮性和模型泛化能力强度性特点，能有效训练数据库的可靠性数据，建立固体火箭发动机可靠性预测模型并随着数据库数据的更新和壮大，其预测精度不断提高。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述可靠性预测方法的流程框图；

图2为固体火箭发动机药柱应力-强度干涉图；

图3为relu函数与softplus函数图；

图4为数据深度融合学习算法流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

如图1所示，本发明所述固体火箭发动机可靠性预测方法，具体包括以下步骤：

1、基于固体火箭发动机现场贮存可靠性实验记录数据构建现实数据集；

2、基于固体火箭发动机可靠性影响权重最显著的药柱作为加速贮存实验的研究本体，通过基于三维粘弹性有限元分析和固体火箭发动机推进剂高温加速老化实验为基础，以应力-强度干涉模型作为失效模型研究计算得出固体火箭发动机加速贮存可靠性实验记录数据构建模糊数据集；

所述计算得出固体火箭发动机加速贮存可靠性实验记录数据构建模糊数据集的具体步骤包括：

步骤1)：获取固体推进剂性能参数的统计特征及发动机工作时的薄弱部位之后，即可建立固体火箭发动机药柱的三维粘弹性随机有限元分析模型。

步骤2)：利用随机有限元法可确定发动机点火过程中vonmises应变的统计分布。

步骤3)：利用应力-强度干涉模型可计算出贮存不同时期药柱的点火瞬时可靠度。

基于montecarlo随机有限元方法，引入应力-强度干涉模型评估发动机药柱可靠性。此处的应力是指广义的应力，包括推进剂、粘结界面的最大应力或最大应变与之对应的广义强度可以是最大拉伸强度、最大延伸率等。在药柱的功能函数中，假定应力s和强度i为基本随机变量，服从正态分布且相互独立，则功能函数z为：

z＝i-s

药柱点火瞬间的结构可靠度r为：

其中，z为功能函数；p表示事件发生概率表达式。

步骤4)：依据步骤3)计算的可靠性数据构建固体火箭发动机可靠性模糊数据集。

3、通过固体火箭发动机可靠性现实数据与加速贮存可靠性数据融合作为深度学习的数据库，从而以此数据库划分训练集、验证集、测试集。使用深度学习算法的自学习能力的健壮性和模型泛化能力强度性，从而对固体火箭发动机可靠性预测。

图2为应力s和强度i的概率密度曲线，相交区域如阴影部分所示，是结构可能出现的故障区域，称为干涉区。由图2可看出，当药柱的强度和工作应力越接近，离散程度越大，干涉部分就可能增大，药柱的不可靠度也就加大，推进剂性能愈好，工作应力小且稳定，则它们的分布离散度将减少，干涉部分相应地减少，发动机药柱的可靠度也就愈高。只要干涉区存在，就表示药柱结构有失效的可能性，但阴影区面积并不表示失效概率。在应力s和强度i的概率密度曲线已知的情况下，可根据干涉模型进行可靠性的定量计算。

如图2所示，取某一应力定值s0，在此领域内，取一小区间ds，计算应力出现在此区间内的概率为：

强度i大于定值应力s0的概率为：

由于应力和强度互相独立，故应力取值在s0领域和强度大于s0这2个事件同时发生的概率p为二事件单独发生概率的乘积，则

即可得到因干涉存在而引起的可靠概率。这一可靠概率表达式，对于任意s0的任意取值均应成立。即该结构的可靠度r为：

由于应力和强度服从正态分布，则应力s的概率密度函数为：

式中：σs为应力s的标准差；μs为应力s的均值。

强度i的概率密度函数fi(i)为：

式中：σi为强度i的标准差；μi为强度i的均值。

功能函数z亦服从正态分布，其均值和方差分别为：

μz＝μi-μs

σz²＝σi²+σs²

结构可靠度r的表达式为

将随机变量z化为标准正态分布的形式，即令x＝(z-μz)/σz，当z＝0时，x的积分下限为：此时r也可表示：

利用正态分布的对称性r也可表示为：

在结构可靠性问题中，通常令

式中：称β为可靠指标。则可靠度r表达式也可表示为：

因此，在求得可靠指标β后，可由标准正态分布表查得可靠度r。

基于深度学习算法是一个典型的全连接神经网络，其实就是一层层仿射变换+非线性变换的叠加，所以可以将其看作是一个复合函数。比如一个n层的网络，可以将其表示成如下的复合函数：

y＝gn(wngn-1(θn-1,…f2(w2g1(θ1,f2(w1x+b1))+b2)…)+bn)

＝gn(fn(gn-1(θn-1,…g2((θ1,f2(g1(θ1,f1(x))))…)))

其中，f(x)＝wx+b表示仿射变换，g表示激活函数，下标表示层数。x表示向量，w表示矩阵，b是个向量。

使用一个平滑版本的relu函数(即softplus函数)解决激活函数的梯度总是1，即使连续相乘也不会变小的梯度消失的问题；softplus函数的图像如图3所示，公式如下：

f(x)＝ln(1+e^x)

同时，数据深度融合算法的流程图如图4所示。基于现实与模糊数据深度融合学习的固体火箭发动机可靠性网络预测步骤如下：

1)样本的构成及样本数据的归一化处理

将近几年贮存的固体火箭发动机(不超过5年)的现场贮存实验记录的可靠度数据(现实数据集)，与基于加速老化贮存实验所记录的可靠度数据(模糊数据集)衔接融合起来。作为数据集样本，将样本数据分成两组，分别构成训练样本和测试样本。设网络的输入神经元数是n。输出神经元是1，则(n+1)个数据组成一个样本，其前n个值作为输入数据，第(n+1)个值是期望映射。由于传递函数的饱和特性，对输入、输出样本向量各分量的取值范围有要求。因此要对实际的输入、输出样本进行归一化处理。将处理过的样本数据进行网络训练。对样本数据归一化可用如下公式处理：

其中，rmax与rmin是n个数据样本中贮存可靠度最大值和最小值，rc是归一化后处理的数据可靠度，ri是原始数据可靠度。

2)深度网络的训练

利用tensorflow网络框架对网络进行训练。确定网络的输入神经元数是n，输出神经元是1，隐层神经元数需要进行试运算；用训练样本进行网络训练，直到网络收敛于一定的标准(计算机配置要求：gpu至少2g，深度学习超级电脑最佳)。

3)深度网络学习预测

深度网络训练结束后，滑动窗口移动到贮存可靠度序列的最后n个值。输入到深度神经网络中，此时的网络输出就是该序列的下一步预测值。窗口再向后移动一次，将包括原贮存可靠度序列的最后(n-1)个值及预测值输入到网络中，又可以得到第二步预测，这样下去就能连续得到数步后的预测值，这是一个迭代过程。

4)深度网络预测结果的反归一化处理

将预测出的可靠度rsn+i反归一化，得到固体火箭发动机贮存可靠度预测结果rn+i：

rn+i＝rsn+i(rmax-rmin)+rmin(i＞＞1)。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。