[发明专利]基于深信度网络的火箭发动机推力偏移量的标定方法

摘要

本发明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。

主权项

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＝(x_i)和z＝(z_j)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Markov chain Monte Carlo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Levenberg Marquartdt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；Levenberg Marquartdt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，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，d_i为期望向量，y_i为输出向量，ω为权值和阈值向量，基于Levenberg Marquartdt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为权阈值的数量；当μ＝0，即为牛顿方法；当μ非常大时，公式变为梯度下降法；Levenberg Marquartdt法既有高斯‑牛顿法的局部收敛性，又具有梯度法的全局特性；第三步：求解推力偏移量参数将力值经基于Levenberg Marquartdt进行深信度网络训练，直到达到训练次数或归一化误差小于目标误差后，来实现非线性的DBN补偿网络；输入值经过深信度网络补偿和反归一化后，将补偿后力值进行理论结算得到力偏移量的补偿值设Fxi、Fyi、Fzi分别为各传感器在X、Y、Z向受力大小；基于理论力学的原理，三个主推力Fx、Fy、Fz为，Fx1、Fx2、Fx3、Fx4期望值的解算矩阵为，其中，a为相邻传感器安装距离的一半；c为传感器安装平面与外力作用平面的距离；m和n分别为输入层和隐性层单元数；Fx、Fy、Fz分别为X，Y，Z方向上所受到的力；Fx1、Fx2、Fx3、Fx4、Fy、Fz的值求出后，经理论计算，力矢量标定平台准确获得α、δy、δz力矢量偏移量；力矢量偏移参数主偏角α、Y向偏移量δy、Z向偏移量δz的计算公式为，归一化和反归一化的处理使有数量级差的Fx1、Fx2、Fx3、Fx4与Fy、Fz限定在有限范围内。