Predicción del rendimiento de impulso específico de un motor de cohete sólido basada en la red neuronal Matlab y BP

(Escuela de Ciencias, Universidad Tecnológica de Mongolia Interior, Hohhot, Mongolia Interior 010051)?

Resumen: Este artículo utiliza tecnología de red neuronal artificial basada en un algoritmo de retropropagación de errores (algoritmo BP ), utilizando la red neuronal de Mat lab. Utilizando la caja de herramientas de red, se estableció y verificó utilizando datos experimentales un modelo de red neuronal para predecir el rendimiento de impulso específico de motores de cohetes sólidos. Los resultados muestran que este método se puede utilizar para predecir el rendimiento de impulso específico de los motores de cohetes sólidos. ?

Palabras clave: Impulso específico del motor de cohete sólido;

Algoritmo BP;

Caja de herramientas de red neuronal de Mat Lab

¿Red neuronal artificial?

Número de clasificación CLC: V435: TP183 Código de identificación del documento: A Número de artículo: 1007-6921(2007)08-0073-02?

Predicción de los parámetros de rendimiento del motor de cohete sólido It Es uno de los temas básicos en el diseño y la investigación de motores. La predicción correcta de los parámetros de rendimiento del motor es la clave y la base para mejorar los indicadores y la precisión del rendimiento del motor y acortar el ciclo de desarrollo. Actualmente existen dos métodos para predecir el desempeño de impulsos específicos. Una es utilizar el coeficiente de corrección obtenido en pruebas anteriores para corregir el impulso específico teórico del motor de nuevo diseño. La otra es estimar la compensación específica calculando diversas pérdidas. Estos métodos tienen la desventaja de requerir datos de muestra grandes y una precisión de predicción deficiente. ?

La teoría de redes neuronales se ha utilizado ampliamente en muchos campos debido a su súper adaptabilidad y capacidad de aprendizaje inherentes, resolviendo muchos problemas que son difíciles de resolver con métodos tradicionales. Debido a que el algoritmo de aprendizaje de la red neuronal es más complejo en los cálculos matemáticos y el proceso es más engorroso, es propenso a errores. Por tanto, el uso de paquetes de software de redes neuronales se ha convertido en una elección inevitable. Este artículo utiliza la caja de herramientas de red neuronal MATLAB, que es la más utilizada actualmente, y utiliza una red neuronal artificial basada en el algoritmo BP para establecer un modelo de predicción del rendimiento de impulso específico de un motor de cohete sólido para mejorar la precisión de la predicción del impulso específico. ?

¿1 modelo de red neuronal BP?

Debido a su estructura simple y su fuerte capacidad de mapeo no lineal, la red BP es el tipo de red neuronal más utilizado. El proceso de aprendizaje de la red neuronal BP se divide en dos etapas: el proceso de propagación hacia adelante de la información y el proceso de propagación hacia atrás del error. La señal de entrada externa es procesada capa por capa por las neuronas en la capa de entrada y la capa oculta y se propaga hacia la capa de salida para dar el resultado. Si la salida esperada no se obtiene en la capa de salida, se ingresa al proceso de retropropagación y el error entre el valor real y la salida de la red se devuelve a lo largo de la ruta de conexión original, y el error se reduce modificando los pesos de conexión de la capa de salida. neuronas en cada capa, y luego cambie al proceso de propagación hacia adelante e itere repetidamente hasta que el error sea menor que el valor dado. ?

2 ¿Aplicaciones de MATLAB Neural Network Toolbox?

Neural Network Toolbox es una de las muchas cajas de herramientas desarrolladas en el entorno de laboratorio de Mat. Se basa en la teoría de redes neuronales artificiales: uso. Lenguaje MATLAB para construir la función de activación de una red neuronal típica. Durante el proceso de entrenamiento de la red, se utiliza el software Mat lab

6.5 para Windows Neural Networks Toolbox para el laboratorio Mat. El paquete de software MATLAB lanzado por Math Work Company en los Estados Unidos no es solo un entorno de software de programación de investigación científica muy práctico y eficaz, sino también un programa interactivo para cálculos científicos y de ingeniería. El propio MATLAB viene con una caja de herramientas de red neuronal, que puede facilitar enormemente el entrenamiento con pesas, reducir la carga de trabajo del programa de entrenamiento y mejorar efectivamente la eficiencia del trabajo. ?

¿3 factores que afectan el rendimiento del impulso específico de los motores de cohetes sólidos?

El impulso específico es un índice técnico importante que refleja el nivel de energía del propulsor utilizado en el motor y la perfección de el proceso de trabajo interno.

Hay muchos factores que afectan el rendimiento del impulso específico, incluidos los siguientes: diámetro de la garganta de la boquilla, relación de penetración de la boquilla, relación de expansión promedio, tiempo de trabajo, medio ángulo de difusión, presión de trabajo promedio, velocidad de combustión promedio y densidad del propulsor. Dado que la prueba a gran escala de un motor de cohete sólido requiere mucha mano de obra, recursos materiales y financieros. Por lo tanto, faltan datos experimentales sobre impulsos específicos. Este artículo recopila 6 grupos de muestras de datos y selecciona 5 grupos como muestras de entrenamiento y un grupo como muestras de prueba. Los primeros 8 elementos de cada conjunto de muestras de datos son los factores de entrada y los factores de salida son los impulsos específicos reales. Utilice estos 6 conjuntos de datos para entrenar y probar la red. ?

4 ¿Diseño del modelo de red?

El diseño de la red BP incluye principalmente la capa de entrada, la capa oculta, la capa de salida y la función de transferencia entre cada capa. ?

4.1 Número de capas de red. La red BP puede contener diferentes capas ocultas y se ha demostrado teóricamente que una red con un sesgo y al menos una capa oculta en forma de S más una capa de salida lineal puede aproximarse a cualquier función racional. La elección empírica del número de capas ocultas es: los problemas lineales generalmente se pueden resolver utilizando perceptrones o redes adaptativas en lugar de redes no lineales, porque una sola capa no puede aprovechar las ventajas de las funciones de activación no lineales;

Para problemas no lineales, generalmente se utilizan dos o más capas ocultas. Sin embargo, la precisión del error se puede mejorar aumentando la cantidad de neuronas en la capa oculta, y el efecto de entrenamiento es mejor que aumentar la cantidad de capas. observar y ajustar, por lo que, en general, se debe dar prioridad a aumentar el número de neuronas en la capa oculta.

4.2 El número de nodos en la capa de entrada y el número de nodos en la capa de salida. La capa de entrada actúa como una memoria intermedia y recibe datos de entrada externos, por lo que el número de nodos depende de la dimensión del vector de entrada. Dado que la muestra de entrada para la predicción del rendimiento del impulso específico del motor de cohete sólido es un vector de entrada de 8 dimensiones, la capa de entrada tiene 8 neuronas. ?

El número de nodos en la capa de salida depende de dos aspectos: el tipo de datos de salida y el tamaño de datos requerido para representar ese tipo. Dado que la muestra de salida para la predicción del rendimiento de impulso específico del motor de cohete sólido es un vector de salida unidimensional, la capa de salida tiene 1 neurona. ?

4.3 Número de nodos de neuronas de capa oculta. La cantidad de nodos de las neuronas de la capa oculta se determina entrenando y comparando diferentes cantidades de neuronas y luego agregando un pequeño margen de manera apropiada. Según la experiencia previa, se puede utilizar la siguiente fórmula para el diseño:

?

En la fórmula: n es el número de nodos de capa ocultos

n i; es el número de nodos de entrada;

?

n 0 es el número de nodos de salida

a es una constante entre 1 y 10. ?

Según este principio, el número de nodos de las neuronas de la capa oculta de esta red BP es [KF(]8 1[KF)] a (a=1~10), que se toma como 13. ?

4.4 Función de transferencia. Generalmente, la estructura de la red BP adopta una función de activación tipo S en la capa oculta y la capa de salida adopta una función de activación lineal. ?

4.5 Selección de métodos de entrenamiento. El uso del método de impulso aditivo para la retropropagación reduce la posibilidad de que la red se atasque en la superficie del error y ayuda a reducir el tiempo de entrenamiento. Una tasa de aprendizaje demasiado grande conducirá a un aprendizaje inestable y un valor demasiado pequeño conducirá a un tiempo de entrenamiento extremadamente largo. La tasa de aprendizaje adaptativo logra una tasa razonablemente alta al tiempo que garantiza una formación estable, lo que puede reducir el tiempo de formación. ?

4.6 Selección empírica de la tasa de aprendizaje. Generalmente, se prefiere una tasa de aprendizaje más pequeña para garantizar la estabilidad del sistema, y ​​el rango de la tasa de aprendizaje está entre 0,01 y 0,8. La tasa de aprendizaje de esta red se selecciona como 0,05. ?

4.7 Selección del error esperado. En general, a modo de comparación, se pueden entrenar dos redes con diferentes valores de error esperado al mismo tiempo y, finalmente, una de las redes se determina considerando factores integrales. ?

En resumen: la topología de la red BP es una estructura de 8×13×1.

La función de transferencia de la neurona de la capa media es la función tangente en forma de S tansig. Dado que la salida se ha normalizado al intervalo [0, 1], la función de transferencia de la neurona de la capa de salida se puede configurar en la función logarítmica de tipo S logsig. La función de entrenamiento de la red utiliza el algoritmo BP de impulso con una tasa de aprendizaje variable para modificar el peso y la función de umbral de entrenamientodx de la red neuronal. ?

5 ¿Entrenamiento y prueba de redes?

Al aprender y entrenar redes neuronales y predecir impulsos específicos, los datos de entrada y salida deben preprocesarse primero, es decir, normalizarse o la estandarización limita la datos de entrada y salida de la red en el intervalo [0, 1]. Las principales razones para la normalización son: ① Cada dato de entrada de la red a menudo tiene diferentes significados físicos y diferentes dimensiones. La normalización puede hacer que a cada componente de entrada se le dé la misma importancia;

②Los valores de algunas variables de entrada pueden ser. muy diferente de otras variables de entrada. La normalización puede evitar que las variables de gran valor oculten las de pequeño valor.

③Puede evitar la saturación de neuronas. ?

Los datos normalizados de 6 grupos de muestras de datos medidos se muestran en la Tabla 1.

?

Utilice la función de simulación sim para calcular la salida de la red. La curva de error de pronóstico se muestra en la Figura 1.

?

Como se puede ver en la figura, el error entre el valor predicho de la red y el valor real es muy pequeño, ambos inferiores a 3. Cumplir plenamente con los requisitos de la aplicación. ?

6 ¿Conclusión?

Como mapeo altamente no lineal de entrada/salida, la red neuronal realiza los parámetros de rendimiento de impulso específicos del motor de cohete sólido mediante la combinación múltiple de funciones de acción. Y se obtienen las siguientes conclusiones:?

6.1 No es necesario establecer un modelo matemático del sistema, siempre que haya suficientes muestras de entrenamiento (obtenidas de datos experimentales o datos de simulación), se puede predecir hecho. ?

6.2 La red BP encuentra la relación entre entrada y salida basándose en datos de muestra, a través del aprendizaje y la capacitación, para encontrar la solución al problema, en lugar de basarse en el juicio empírico del problema, por lo que es adaptativo. Esta función supera las deficiencias de los métodos de regresión estadística al analizar datos de muestras pequeñas. ?

6.3 Los resultados muestran que el modelo de red BP entrenado puede predecir con mayor precisión el rendimiento de impulso específico de los motores de cohetes sólidos. ?

6.4 Las reglas de predicción del modelo se ven afectadas por las propiedades de la muestra. Debido a la falta de datos experimentales sobre el impulso específico de los motores de cohetes sólidos, este modelo aún necesita más verificación de datos experimentales. ?

[Referencias]

[1] Liu Peijin, Lu Xiang, He Guoqiang. Investigación sobre la correlación de la tasa de combustión basada en redes neuronales artificiales [J]. (2): 156-158.?

[2] Zhang Yuxing. Investigación sobre la predicción del rendimiento de impulso específico de un motor de cohete sólido basado en el principio de red neuronal [D]: Tesis de maestría de la Universidad de Mongolia Interior. of Technology, 2002.

［3］ Feisi Technology Product R&D Center.MATLAB6.5 Application Interface Programming［M］ Beijing: Electronic Industry Press, 2003.

［4］ Noticias. , Zhou Lu, Wang Danli y otros. Diseño de aplicaciones de redes neuronales de laboratorio Mat [M]. Beijing: Science Press, 2000.

[5] Introducción a las redes neuronales artificiales [M]. Beijing: Prensa de Educación Superior, 2001.