延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法

本发明涉及延伸喷管领域，尤其是涉及一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法。

背景技术：

1、采用延伸喷管的导弹在进行级间热分离时分离时间较短，但其中蕴含的物理现象却极为复杂，如排焰窗口面积、憋压时间、延伸喷管起始展开时间和展开速度等都对延伸喷管的动态展开具有重要的影响，这些因素的共同作用增加了延伸喷管展开与分离过程的不可预测程度。这就需要对延伸喷管动态展开过程中主要的影响因素进行参数辨识，通过定量分析和比较确定参数对延伸喷管力热特性的影响规律，筛选出对分离结果影响较大的参数，为延伸喷管设计与优化提供有力支撑。

2、传统的灵敏度分析方法中，sobol法是一种基于方差的全局灵敏度计算方法，其将系统输出方差分解为由各输入变量所决定的方差之和，从而定量分析输入变量对系统输出的影响。但是，sobol全局灵敏度分析法需要另外构建系统模型，其局限性很强，灵敏度的计算精度和准确性很大程度上受到系统模型的影响，且定义区间如果受到脏数据或者离散点的影响，准确率将大大下降。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法避免了传统灵敏度分析的局限性，解决了传统灵敏度分析方法准确率低，以及灵敏度的计算精度和准确性易受系统模型影响的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述方法包括以下步骤：

3、s1：根据对延伸喷管力热特性具有重要影响的因素建立参数数据库；

4、s2：针对延伸喷管影响因素，利用人工神经网络设置输入层、隐藏层和输出层多对多输出，建立延伸喷管力热特性神经网络训练模型，并利用影响因素数据库中的各参数对延伸喷管力热特性神经网络训练模型进行训练，形成满足精度要求的延伸喷管力热特性神经网络预测模型；

5、s3：将选取的影响因素输入延伸喷管力热特性神经网络预测模型进行预测输出；

6、s4：比较经延伸喷管力热特性神经网络预测模型输出的力热特性数据与影响因素数据库中对应力热特性数据的相对变化，对影响因素的灵敏度进行量化，实现延伸喷管力热载荷特性灵敏度分析和对影响延伸喷管展开的关键因素辨识。

7、上述方案的有益效果是：通过上述技术方案，对影响延伸喷管展开的影响因素进行参数化分析，建立关键参数灵敏度分析技术，对延伸喷管力热特性具有重要影响的参数进行辨识分析，得到对力热特性影响较大的参数，为延伸喷管设计与优化提供技术支撑，避免了传统灵敏度分析的局限性，提高灵敏度分析的准确率，解决了灵敏度的计算精度和准确性易受系统模型影响的问题。

8、进一步地，s2中输入层的个数由影响因素数据库中的影响参数个数决定，所述输出层的个数为力热载荷，所述隐藏层的个数h计算公式如下：

9、

10、其中，m为输出层节点数目，n为输出层节点数目，a为1～10之间的常数。

11、上述进一步方案的有益效果是：通过上述技术方案，确定神经网络模型的输入层、隐藏层和输出层层数，进而构建神经网络组织架构。

12、进一步地，s2中包括以下分步骤：

13、s2-1：对影响因素数据库中的各参数数据进行标准化处理后导入延伸喷管力热特性神经网络训练模型的输入层，标准化处理公式如下所示：

14、

15、其中，xnew为标准化处理后的数据，x为原数据，xmin为原数据的最小值，xmin为原数据的最大值；

16、s2-2：将标准化处理后的参数数据样本空间划分形成延伸喷管力热特性神经网络训练模型，并通过延伸喷管力热特性神经网络训练模型的输出层输出参数数据，包括以下公式：

17、设置初始权重系数w(0)为较小的随机非零值；

18、给定输入和输出样本对，计算网络的输出：设第p组样本输入xp和输出dp分别如下：

19、xp＝(x1p,x2p,...,xnp)

20、dp＝(d1p,d2p,...,dnp)

21、其中，p＝1，2，…，l，l为样本量，x1p,x2p,…,xnp均为输入样本，d1p,d2p,…,dnp均为输出样本，节点i在第p组样本输入时，输出yip为

22、yip＝f[xip(t)]＝f[w(0)ijp]

23、其中，xip(t)为xp在节点i的输入，ijp为在第p组样本输入时，节点i的第j个输入，f为激励函数；

24、计算网络的目标函数j(t)：设ep(t)为在第p组样本输入时网络的第一目标函数，取l2范数，则

25、

26、

27、其中，yp(t)为第p组样本输入对应的输出，dkp为第k个节点的样本输出，ykp(t)为在第p组样本输入时，经t次权值调整网络的输出，k为输出层第k个节点，ekp(t)为第p组样本输入时网络的第二目标函数；

28、网络的总目标j(t)为

29、

30、作为对网络学习状况的评价；

31、s2-3：判断输出的参数数据是否满足精度要求，若是，则输出满足精度要求的延伸喷管力热特性神经网络预测模型，若否，则对延伸喷管力热特性神经网络参数进行调节，重新调节隐藏层个数，并返回分步骤s2-2中，判断公式如下：

32、j(t)≤ε

33、其中，ε为训练网络的误差，ε为预先确定的，且ε≥0。

34、上述进一步方案的有益效果是：通过上述技术方案，利用影响参数数据库对延伸喷管力热特性神经网络模型进行训练，得到满足精度要求的延伸喷管力热特性预测模型。

35、进一步地，s3中对选取的影响因素进行10％-20％的干扰量，公式如下：

36、

37、其中，δ为灵敏度，x1为原输入影响因素，x2为施加10％-20％干扰量的现输入影响因素，f(x1)和f(x2)为延伸喷管力热特性神经网络预测模型的输出结果。

38、上述进一步方案的有益效果是：通过上述技术方案，对输入影响因素施加扰动，将新的输入影响因素带入训练好的延伸喷管力热特性神经网络模型，对得到的输入影响因素求偏导，得到这一影响因素的灵敏度。

39、进一步地，s4中将预测输出与影响因素数据库对比使其预测误差保持在5％的范围内。

40、上述进一步方案的有益效果是：通过上述技术方案，对预测输出与实际输出误差范围设置为5％，确保灵敏度分析方法的准确率。

技术特征：

1.一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述s2中输入层的个数由影响因素数据库中的影响参数个数决定，所述输出层的个数为力热载荷，所述隐藏层的个数h计算公式如下：

3.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述s2中包括以下分步骤：

4.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述s3中对选取的影响因素进行10％-20％的干扰量，公式如下：

5.根据权利要求1所述的延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，其特征在于，所述s4中将预测输出与影响因素数据库对比使其预测误差保持在5％的范围内。

技术总结
本发明公开了一种延伸喷管力热载荷特性影响因素辨识的灵敏度分析方法，包括以下步骤：根据对延伸喷管力热特性具有重要影响的因素建立参数数据库；针对延伸喷管影响因素，建立满足精度要求的延伸喷管力热特性神经网络预测模型；将选取的影响因素输入延伸喷管力热特性神经网络预测模型进行预测输出；比较经延伸喷管力热特性神经网络预测模型输出的力热特性数据与影响因素数据库中对应力热特性的相对变化，对影响因素的灵敏度进行量化，实现延伸喷管力热载荷灵敏度分析。本发明对影响延伸喷管展开的因素进行参数化分析，建立关键影响参数灵敏度分析技术，对参数进行辨识分析，得到对力热特性影响较大的参数，为延伸喷管设计与优化提供技术支撑。

技术研发人员：康伟,王彦清,胡仕林,鲍福廷
受保护的技术使用者：西北工业大学
技术研发日：
技术公布日：2024/1/14