一种基于机器学习的丁羟推进剂燃速高精高速预测方法与流程

1.本发明涉及一种基于机器学习的推进剂燃速高精高速预测方法，属于固体火箭推进剂技术领域。


背景技术：

2.固体推进剂是以高分子为基并具有特定性能的含能复合材料，是固体火箭发动机的动力源，在固体火箭发动机的设计中，推进剂的燃烧性能直接影响发动机工作的安全性与可靠性。固体推进剂一般分为双基推进剂和复合推进剂两大类，丁羟推进剂具有制造工艺简单、力学性能好、比冲高等优点，是复合推进剂中应用最为广泛的品类之一。
3.在推进剂的设计过程中，燃速计算是选择高能量特性推进剂配方的一种重要方法，由于丁羟推进剂设计过程中涉及大量复杂的物理化学问题，部分物理化学过程原理至今未得到准确的描述。目前，丁羟推进剂配方的性能预测依然主要基于试验调试方法，缺乏有效的预测手段，导致推进剂配方设计长期存在研制周期长、试验成本高、安全风险高等难题。


技术实现要素：

4.本发明的目的在于克服上述缺陷，提供一种丁羟推进剂燃速的高精高速预测方法，解决了目前缺乏丁羟推进剂燃速有效预测手段的技术问题，本发明使用方便、操作简单、计算速度快、计算精度高，具有较高的工程应用价值。
5.为实现上述发明目的，本发明提供如下技术方案：
6.一种基于机器学习的丁羟推进剂燃速高精高速预测方法，包括：
7.建立包含若干组数据的数据库，其中每组数据包括丁羟推进剂燃速及其影响因素；
8.对数据库进行标准化，得到样本库，样本库中的每个样本包含标准化的丁羟推进剂燃速及其标准化的影响因素；将样本库划分为训练集和测试集；
9.利用训练集对多种算法模型进行训练，得到多个推进剂燃速模型；
10.利用先验知识对多个推进剂燃速模型进行初筛；
11.对初筛所得多个推进剂燃速模型进行精细化筛选；
12.将精细化筛选所得多个推进剂燃速模型进行融合，得到推进剂燃速融合预测模型；
13.使用推进剂燃速融合预测模型预测丁羟推进剂燃速。
14.进一步的，每个样本包含的标准化的丁羟推进剂燃速作为输出变量，标准化的影响因素作为输入变量；
15.影响因素包括丁羟推进剂的原料属性参数和调控参数；
16.丁羟推进剂的原料属性参数包括超细氧化剂的含量、超细氧化剂的平均粒度、超细氧化剂中粒径为0-5μm的成分所占比例、超细氧化剂中粒径为5-10μm的成分所占比例、超
细氧化剂中粒径为10-15μm的成分所占比例、超细氧化剂中粒径为》15μm的成分所占比例；
17.丁羟推进剂的调控参数包括超细氧化剂的平均出料量。
18.进一步的，标准化的丁羟推进剂燃速或影响因素记为x
′
：
19.x
′
＝(x-μ)/σ
20.其中，x表示原始推进剂燃速或影响因素，μ、σ分别表示原始推进剂燃速或影响因素的均值和标准差。
21.进一步的，所述多种算法模型包括随机森林回归模型rfr、高斯过程回归模型gpr、支持向量回归模型svr、核岭回归模型krr或径向基函数模型rbf；
22.使用均方误差作为建模准则来构建rfr；使用高斯函数、matern函数和有理二次函数的线性叠加作为高斯核来构建gpr；使用高斯函数作为回归函数核来构建svr；使用高斯函数作为核函数来构建krr；使用多二次函数作为基函数构建rbf。
23.进一步的，先验知识包括超细氧化剂的含量的增加提高丁羟推进剂燃速；超细氧化剂的平均粒度增加会降低丁羟推进剂燃速。
24.进一步的，利用先验知识对多个丁羟推进剂燃速模型进行初筛的方法包括：
25.将测试集中各样本的输入变量输入某一推进剂燃速模型，得到与该模型对应的丁羟推进剂燃速的预测值；
26.判断丁羟推进剂燃速的预测值随超细氧化剂的含量和超细氧化剂的平均粒度的变化规律是否符合先验知识，当不符合时，将该燃速模型排除。
27.进一步的，利用先验知识对多个推进剂燃速模型进行初筛的方法包括：
28.设输入变量为m维变量x1,x2,
…
xm；m≥7；
29.使变量xj为单因素变量，其他m-1维变量为固定值，绘制推进剂燃速关于变量xj的单因素变化曲线，j＝1，2
…
m；其他m-1维变量为固定值时，所述固定值为该变量在训练集中的范围上限和范围下限的平均值；
30.判断丁羟推进剂燃速关于变量xj的单因素变化曲线是否符合相应的先验知识比较，当不符合时，将该燃速模型排除。
31.进一步的，对初筛所得多个推进剂燃速模型进行精细化筛选的方法为：
32.利用初筛所得多个推进剂燃速模型得到相应的推进剂燃速预测值；
33.将所述推进剂燃速预测值与训练集中的输出变量对比，得到二者的最大绝对误差、最大相对误差、平均绝对误差和均方根误差；
34.将最大绝对误差、最大相对误差、平均绝对误差或均方根误差大于预设阈值的推进剂燃速模型舍去，或将最大绝对误差最大的推进剂燃速模型舍去。
35.进一步的，采用平均各个精细化筛选所得推进剂燃速模型输出的方法，得到推进剂燃速融合预测模型。
36.进一步的，建立数据库时，所用推进剂燃速为标准状态下的推进剂燃速。
37.本发明与现有技术相比具有如下至少一种有益效果：
38.(1)本发明创造性的提出一种基于机器学习的推进剂燃速高精高速预测方法，基于机器学习方法，根据已有的试验数据建立预测模型，为一种适用于固体火箭发动机丁羟推进剂燃速的高精高速预测方法。
39.(2)本发明预测速度和精度更高。与传统的燃烧性能理论和仿真计算相比，消除了
大量理想化假设和数值误差对预测结果的影响，根据实际试验数据形成的样本集，构建的数学预测模型预测速度和精度均得到跨越式提高。
40.(3)本发明研制效率和经济效益更高。与传统的试验调试等预测方式相比，本发明大幅提高了方案优化迭代效率，同时大幅节约发动机地面点火试验成本和人力设计成本等，以更小的代价寻优更好的性能，从而产生更高的经济效益。
41.(4)本发明安全性和成功率更高。与传统的理论仿真计算和试验调试等预测方式相比，大幅降低了因推进剂设计不当和性能预测误差过大而导致的试验失败乃至爆炸等风险，并大幅提高了推进剂配方满足性能指标要求的成功率。
附图说明
42.图1为本发明预测模型构建方法的流程示意图；
43.图2为本发明精筛所得多个推进剂燃速模型绝对误差对比图；
44.图3为本发明精筛所得多个推进剂燃速模型相对误差对比图；
45.图4为本发明单因素变化曲线基准点确定过程的示意图。
46.图5为利用本发明方法对样本集外数据预测情况图。
具体实施方式
47.下面通过对本发明进行详细说明，本发明的特点和优点将随着这些说明而变得更为清楚、明确。
48.在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
49.本发明将丁羟推进剂配方设计的试验数据及相关专业知识进行挖掘及分析，以数据驱动的方式运用先进的数学方法构建代理模型，以更小的代价开展更高效、更智能的丁羟推进剂性能预测工作，是丁羟推进剂设计优化的有效途径。本发明提出了一种基于机器学习的丁羟推进剂燃速高精高速预测方法，可以在小样本、多特征情况下准确高效地预测丁羟推进剂燃速，此方法的应用有望从根本上扭转丁羟推进剂的研制模式，为我国武器装备研制中亟待解决的“小样本多特征高精高速设计”难题寻找一条破局之路。
50.本发明一种基于机器学习的丁羟推进剂燃速高精高速预测方法，包括以下步骤：
51.1)梳理并建立丁羟推进剂燃速及其影响因素数据库，通过标准化方式将数据库构建为可用于机器学习的样本库，并划分训练集和测试集；
52.2)利用训练集，采用多种算法训练并构建多个丁羟推进剂燃速模型预测；
53.3)利用先验知识对多个预测模型进行初筛，并利用测试集测试初筛后的预测模型，通过燃速预测误差等指标对初筛模型进行精细化筛选，形成最终的融合预测模型；
54.4)使用融合预测模型预测样本集外的丁羟推进剂燃速。
55.在一种具体的实施方式中，梳理并建立丁羟推进剂燃速及其影响因素数据库，通过标准化方式将数据库构建为可用于机器学习的样本库，并划分训练集和测试集的方法为：
56.(a)记录输入参数数据：丁羟推进剂的原料属性参数，包括推进剂超细氧化剂的含
量、超细氧化剂的平均粒度、超细氧化剂粒径为0-5μm成分所占比例、超细氧化剂粒径为5-10μm成分所占比例、超细氧化剂粒径为10-15μm成分所占比例超细氧化剂粒径为》15μm成分所占比例；丁羟推进剂的调控参数为超细氧化剂的平均出料量。记录输出燃速数据：标准状态下的推进剂燃速。将输入参数数据和输出燃速数据对应整理成表。
57.(b)读入以表格形式存储的数据，并对输入参数和输出燃速进行标准化：对每种输入参数及输出燃速分别计算其对应的均值和标准差，通过代数计算，从而将其标准化为均值为0、标准差为1的无量纲输入输出数据。一组输入参数数据及其对应的输出数据称为一个样本。
58.(c)将标准化后的样本进行随机划分，其中90％作为训练集，其余10％作为测试集。
59.在一种具体的实施方式中，使用神经网络训练并构建多个模型预测丁羟推进剂的燃速步骤为：
60.(d)使用相同的训练集来构建包括随机森林回归模型(rfr)、高斯过程回归模型(gpr)、支持向量回归模型(svr)、核岭回归模型(krr)、径向基函数模型(rbf)在内的多个预测模型：使用均方误差作为建模准则来构建rfr；使用高斯函数，matern函数和有理二次函数的线性叠加作为高斯核来构建gpr；使用高斯函数作为回归函数核来构建svr；使用高斯函数作为核函数来构建krr；使用多二次函数作为基函数构建rbf。
61.在一种具体的实施方式中，利用先验知识对多个预测模型进行初筛，并利用测试集测试初筛后的预测模型，通过燃速预测误差等指标对初筛模型进行精细化筛选，形成最终的融合预测模型的方法为：
62.(e)对步骤(d)中训练形成的预测模型根据已有的先验知识进行初步筛选：绘制出相应模型在样本点围成的样本空间中心点处关于超细氧化剂含量和超细氧化剂粒度的单因素变化曲线，并将预测模型表现出的单因素变化曲线和已有的关于原料属性参数变化会对燃速的影响规律(即先验知识)进行比较，舍弃其中变化曲线和影响规律存在明显差异的对应模型。
63.(f)对步骤(e)中通过初步筛选的模型，在相同的测试集上使用误差等指标进行精细化模型筛选、融合获得最终的燃速预测模型：分别应用通过初步筛选的模型对测试集进行预测，并和实际结果对比，计算预测结果的最大绝对误差、最大相对误差、平均绝对误差和均方根误差，并将其中最大相对误差大于5％、最大绝对误差显著高于其他模型的模型舍去，最后将经过精细化筛选的模型进行多模型融合，从而得到表现更好的最终的燃速预测模型即融合预测模型。
64.在一种具体的实施方式中，使用融合预测模型预测样本集外的丁羟推进剂燃速的方法为：
65.(g)对步骤(f)中得到的最终的燃速预测模型，将样本集外需要预测的输入参数组合按照建模时使用的输入量标准化参数进行标准化，再输入到预测模型中，得到的标准化输出再按照建模时使用的输出量标准化参数进行逆标准化，得到最终的燃速预测模型对相应输入参数组合的燃速预测结果。
66.如图1，本发明一种基于机器学习的推进剂燃速高精高速预测方法，主要包括以下步骤：
67.1)使用丁羟推进剂的原料属性参数与燃速，将原始数据标准化作为训练集和测试集；
68.2)利用训练集，采用多种算法训练并构建多个丁羟推进剂燃速模型预测；
69.3)利用先验知识对多个预测模型进行初筛，并利用测试集测试初筛后的预测模型，通过燃速预测误差等指标对初筛模型进行精细化筛选，形成最终的融合预测模型；
70.4)使用融合预测模型预测样本集外的丁羟推进剂燃速。
71.由上述本发明的工作流程可见，本发明作为一种基于机器学习的丁羟推进剂燃速的预测方法，主要包括四个步骤：参数标准化与参数输入、进行学习或训练、筛选与优化模型、验证优化模型。下面将针对这四部分工作分别进行具体介绍。
72.(一)参数标准化与参数输入：
73.记录输入参数数据(丁羟推进剂的原料属性参数与调控参数)，包括推进剂超细氧化剂的含量、超细氧化剂的平均粒度、超细氧化剂粒径为0-5μm成分所占比例、超细氧化剂粒径为5-10μm成分所占比例、超细氧化剂粒径为10-15μm成分所占比例超细氧化剂粒径为》15μm成分所占比例、超细氧化剂的平均出料量。记录输出燃速数据(标准状态下的推进剂燃速)。将输入参数数据和输出燃速数据对应整理成表。
74.计算数据库中所有参数的样本均值和标准差：
[0075][0076][0077]
其中：x为输入或输出参数，n为参数个数，μ为样本均值，σ为标准差。
[0078]
并通过下式的计算，将其标准化为均值为0、标准差为1的无量纲输入输出数据：
[0079]
x
′
＝(x-μ)/σ
[0080]
其中：x
′
为标准化后的输入或输出参数。
[0081]
将标准化后的样本进行随机划分，其中90％作为训练集，10％作为测试集。
[0082]
(二)进行学习及训练：
[0083]
使用相同的训练集来构建包括随机森林回归模型、高斯过程回归模型、支持向量回归模型、核岭回归模型、径向基函数模型在内的多个预测模型。
[0084]
随机森林回归模型(rfr)
[0085]
随机森林回归模型是一种集成学习的思想，通过随机抽样获得数据，输入众多基评估器，进而通过平均多个评估器来决定最终的输出结果。
[0086]
随机森林回归模型由多棵决策回归树构成，且森林中每一棵树都是相互独立的，模型最终的输出结果有森林中的每一棵决策回归树共同决定。为了保证模型的泛化能力(或者说通用能力)，随机森林模型在建立每棵树时，往往会遵循“数据随机”和“特征随机”这两个基本原则。
[0087]
用该模型构建丁羟推进剂燃烧性能预测模型的原理如下：从训练集s中选择n个样本点，得到一个新的s1…
sn子训练集；在每个子训练集上使用cart算法构建一棵决策回归树，每一棵决策回归树最终的预测结果为该样本点所到叶节点的均值；对于每一棵决策回
归树的每个节点，切分规则都是先从7个特征(丁羟推进剂的6个原料属性参数与1个调控参数)中随机的选择k(k《7)个特征，然后从这k个特征中选择最优的切分点在做左右子树的划分；通过将多棵决策回归树的预测结果进行平均，从而得到最终的回归结果。
[0088]
cart决策回归树采用的原则是最小均方差(mse)。随机森林回归模型的其他超参数包括：随机森林中评估器的数量设置为1000。
[0089]
高斯过程回归模型(gpr)
[0090]
高斯过程回归本质是一个随机过程，对应于无限维服从高斯分布的随机变量。高斯过程的分布是所有这些(无限维)随机变量的联合概率分布，服从多元高斯分布：
[0091]
f～gp(μ,k)
[0092]
其中：μ(x)为随机变量x的均值函数；k(x,x
′
)为随机变量x的均值函数和协方差函数，也就是高斯过程的核函数，决定了高斯过程的性质。
[0093]
核函数有几种不同的类型，包括常数、线性函数、白噪声函数、高斯函数、matern函数、周期函数、有理二次函数等，并且可以进行叠加。这里使用高斯函数，matern函数和有理二次函数的线性叠加作为核函数来构建用于预测丁羟推进剂燃烧性能的高斯过程回归模型，这样构造的新的核函数能够兼顾各核函数的优缺点，具有较好的性能。随后，根据核函数和先验假设gp(0,σ2)可以计算出后验分布：
[0094][0095][0096]
其中：μ
*
为预测输出的平均值，σ
*
为预测输出的方差，k为协方差矩阵，x为训练样本，x
*
为测试样本集输入变构成的输入矩阵，σ2为输出噪声的方差，i为单位矩阵，为训练样本集中的输出向量。
[0097]
此外，为了改进高斯过程回归模型的表现，使用优化器对核函数中的超参数进行优化，而使用的优化算法则是l-bfgs-b算法，这是一种拟牛顿优化算法，通过使用有限存储空间近似表示多元函数的逆hessian矩阵的估计，从而大幅节约存储空间，提高计算效率。
[0098]
支持向量回归模型(svr)
[0099]
在机器学习中，支持向量机(svm)是具有相关学习算法的监督学习模型，用于分类和回归分析的数据。支持向量回归(svr)是支持向量机(svm)的重要应用分支。无论是svm还是svr，都需要建立一个超平面。svm的目标是令超平面与最接近的数据点的距离最大，以达到通过超平面对数据点分类的目的；而svr的目标是要使超平面与最远的数据点距离最小，以达到通过超平面对数据进行拟合的目的。svr的特点是使用核、稀疏解和vapnik-chervonenkis理论控制边距和支持向量的数量。
[0100]
svr的特点是使用核、稀疏解和vapnik-chervonenkis理论控制边距和支持向量的数量。作为一种监督学习方法，svr使用对称损失函数进行训练，这同样会惩罚高错误估计和低错误估计。使用vapnik的方法，在估计函数周围对称地形成一个最小半径的柔性管，管外的点会受到惩罚，但管内的点，无论是高于还是低于实际值，都不会受到惩罚。
[0101]
svr的主要优点之一是其计算复杂度不依赖于输入空间的维度。此外，它具有出色的泛化能力，具有很高的预测精度。为了将非线性回归问题转化成线性回归问题，通过非线性变换将训练数据映射到高维特征空间，并在高维特征空间进行特征拟合得到：
[0102][0103]
其中：x和f(x)分别为训练样本集中对应的输入与输出向量，为输入向量x在高维特征空间中的映射，ω为线性函数的斜率矩阵，b为线性函数的截距。svr引入核函数后上式变为：
[0104][0105]
其中：和ai为拉格朗日乘子，k(x,xi)为核函数。并通过最小化罚函数的方式来优化得到各个参数。
[0106]
在预测丁羟推进剂燃烧性能问题中使用高斯函数作为核函数来构建svr，它可以将一个样本映射到一个更高维的空间内。其他的超参数的设置包括：正则化系数为1，采用l2罚函数，管宽度为0.1，高斯函数核系数为1/7。
[0107]
核岭回归模型(krr)
[0108]
核岭回归模型是岭回归模型的改进形式，通过引入核函数技巧来处理非线性问题。岭回归针对的线性回归问题，在面对变量数过多、样本数过少、模型泛化性差等问题时，通过加入惩罚项(惩罚系数乘以不包含截距的其他模型参数)，解决了由此引起的过拟合现象，从而增大模型的预测效能。
[0109]
由于其同样具有和svr相同的模型最终形式，因此同样可以通过引入核函数来提升其处理非线性问题的能力，在预测丁羟推进剂燃烧性能问题中同样使用高斯函数作为核函数来构建核岭回归模型，其他超参数设置包括：正则化系数为1，采用l2罚函数，高斯核函数系数为1。
[0110]
径向基函数模型(rbf)
[0111]
径向基函数模型是将一类以未知点与已知数据点之间的欧式距离作为自变量的基函数进行线性叠加来得到最终函数形式的模型，其基本形式为：
[0112][0113]
其中：为径向函数，‖x-xi‖为未知点到点i的径向距离，λi为权系数。
[0114]
径向函数会显著影响模型特性，而常用的径向函数有线性函数、三次函数、高斯函数、多二次函数和逆多二次函数。在预测丁羟推进剂燃烧性能问题中使用多二次函数作为基函数构建径向基函数模型，多二次函数是非局部函数，其对应的插值矩阵只有一个正的特征值，更能逼近光滑的输入输出映射
[0115]
(三)筛选与优化模型：
[0116]
根据先验知识对训练得到的预测模型进行初步筛选。对于推进剂燃烧数据样本点(在本实施例中，样本点为7维输入，简记为x1,x2,x3,x4,x5,x6,x7)，其各个输入变量维度上的最大与最小值范围[x
i,min
,x
i,max
]互相交叉，可以得到包络全部样本点的超立方体形状的样本空间：[x
1,min
,x
1,max
]
×
[x
2,min
,x
2,max
]
×…×
[x
7,min
,x
7,max
]，对于这个样本空间，可以根据各个维度上的最大最小值确定出作为单因素基准点的样本空间中心点(x
1,c
,x
2,c
,x
3,c
,x
4,c
,x
5,c
,x
6,c
,x
7,c
)，其中：
[0117][0118]
以上单因素变化曲线基准点的确定过程可参考图4，而后，绘制出这些模型在样本点围成的样本空间中心点处,即x1＝x
1,c
,x2＝x
2,c
,x3＝x
3,c
,x4＝x
4,c
,x5＝x
5,c
,x6＝x
6,c
,x7＝x
7,c
时，关于超细氧化剂含量和超细氧化剂粒度对推进剂燃速的单因素变化曲线，并将预测模型表现出单因素变化曲线的规律和已知的关于超细氧化剂含量、超细氧化剂粒度变化会对燃速的影响规律进行比较，舍弃其中变化曲线和影响规律存在明显差异的对应模型。
[0119]
根据长期的研制经验，单参数变化对燃速具有以下宏观趋势性影响规律：氧化剂含量的增加提高燃速，而氧化剂粒度增加则会降低燃速，若预测模型表现出的单因素变化规律与上述规律相反，则被舍去。
[0120]
对经过初步筛选的模型，在相同的测试集上使用误差等指标进行精细化模型筛选、融合获得最终的燃速预测模型。分别应用经过初步筛选的模型对测试集进行预测，并和实际结果对比，计算预测结果的最大绝对误差、最大相对误差、平均绝对误差和均方根误差，并将其中最大相对误差大于5％、最大绝对误差显著高于其他模型的模型舍去，最后将经过精细化筛选的模型进行多模型融合，从而得到表现更好的融合预测模型。
[0121]
融合预测模型采用平均各个精细化筛选模型输出的方法，从而改善融合后模型的各项误差指标，得到更好的表现。
[0122]
(四)验证优化模型：
[0123]
对得到的融合预测模型，将样本集外需要预测的输入参数组合进行标准化处理后，输入到预测模型中，得到的标准化输出再按照建模时使用的输出量标准化参数进行逆标准化：
[0124]
y＝σy
′
+μ
[0125]
其中：y为逆标准化后的参数，y
′
为模型直接输出的参数，σ为输出量平均值，μ为输出量标准差。
[0126]
由此得到融合预测模型的燃速预测结果。
[0127]
本发明方法可成功预测某型丁羟推进剂燃速：
[0128]
本实施例中，样本数共83个，经过随机划分后，测试集样本数9个，训练集样本数74个。在各个模型中，krr模型和rfr模型由于不符合已有先验认识而被舍去，各模型的测试集误差结果整理如下表，多模型融合后，最后的燃速预测模型的测试集表现同样列在表1中，本发明精筛所得多个推进剂燃速模型绝对误差对比图和相对误差对比图分别如图2和图3所示，图2中，横坐标是绝对误差区间，纵坐标是测试集误差在绝对误差区间内的个数；图3中，横坐标是相对误差区间，纵坐标是测试集误差在相对误差区间内的个数。rfr指随机森林模型的结果，gpr指高斯过程回归模型的结果，svr为支持向量回归模型的结果，krr为核岭回归模型的结果，rbf为径向基函数模型的结果。
[0129]
表1不同模型预测误差
[0130]
模型最大绝对误差最大相对误差平均绝对误差均方根误差rfr0.32791.85％0.13550.1891gpr0.4162.37％0.14480.2031svr0.42652.43％0.15180.2066
krr0.37382.13％0.17260.2071rbf0.51612.84％0.1570.2217预测模型0.33821.91％0.15120.1953
[0131]
本实施例中，采用样本集外的数据验证该燃速预测模型，预测结果和对比情况可见图5，图5中，横坐标是数据序号，圆点曲线为实际值，方块曲线为预测值，圆点及方块曲线对应的左侧纵坐标为燃速值，柱状图为预测误差，其对应的右侧纵坐标为误差值。
[0132]
其最大绝对误差0.7499，最大相对误差4.38％，平均绝对误差0.2631，均方根误差0.3645，满足最大相对误差小于5％的要求。
[0133]
应用上述预测模型，预测四组丁羟推进剂燃速，并进行试验测试，预测与实测结果见表2。预测值与实测值吻合性较好，最大相对误差仅为3.35％，满足工程实际需求。
[0134]
表2试验及预测结果
[0135][0136][0137]
本发明利用机器学习方法来预测丁羟推进剂燃速，构建的燃速预测模型具有操作简单方便、计算速度快、预测精度高等显著优势，进而推动丁羟推进剂研制模式从试验调试向智能预测方向发展。
[0138]
以上结合具体实施方式和范例性实例对本发明进行了详细说明，不过这些说明并不能理解为对本发明的限制。本领域技术人员理解，在不偏离本发明精神和范围的情况下，可以对本发明技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本发明的范围内。本发明的保护范围以所附权利要求为准。
[0139]
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

技术特征：
1.一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，包括：建立包含若干组数据的数据库，其中每组数据包括丁羟推进剂燃速及其影响因素；对数据库进行标准化，得到样本库，样本库中的每个样本包含标准化的丁羟推进剂燃速及其标准化的影响因素；将样本库划分为训练集和测试集；利用训练集对多种算法模型进行训练，得到多个推进剂燃速模型；利用先验知识对多个推进剂燃速模型进行初筛；对初筛所得多个推进剂燃速模型进行精细化筛选；将精细化筛选所得多个推进剂燃速模型进行融合，得到推进剂燃速融合预测模型；使用推进剂燃速融合预测模型预测丁羟推进剂燃速。2.根据权利要求1所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，每个样本包含的标准化的丁羟推进剂燃速作为输出变量，标准化的影响因素作为输入变量；影响因素包括丁羟推进剂的原料属性参数和调控参数；丁羟推进剂的原料属性参数包括超细氧化剂的含量、超细氧化剂的平均粒度、超细氧化剂中粒径为0-5μm的成分所占比例、超细氧化剂中粒径为5-10μm的成分所占比例、超细氧化剂中粒径为10-15μm的成分所占比例、超细氧化剂中粒径为>15μm的成分所占比例；丁羟推进剂的调控参数包括超细氧化剂的平均出料量。3.根据权利要求2所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，标准化的丁羟推进剂燃速或影响因素记为x
′
：x
′
＝(x-μ)/σ其中，x表示原始推进剂燃速或影响因素，μ、σ分别表示原始推进剂燃速或影响因素的均值和标准差。4.根据权利要求1所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，所述多种算法模型包括随机森林回归模型rfr、高斯过程回归模型gpr、支持向量回归模型svr、核岭回归模型krr或径向基函数模型rbf；使用均方误差作为建模准则来构建rfr；使用高斯函数、matern函数和有理二次函数的线性叠加作为高斯核来构建gpr；使用高斯函数作为回归函数核来构建svr；使用高斯函数作为核函数来构建krr；使用多二次函数作为基函数构建rbf。5.根据权利要求2所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，先验知识包括超细氧化剂的含量的增加提高丁羟推进剂燃速；超细氧化剂的平均粒度增加会降低丁羟推进剂燃速。6.根据权利要求5所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，利用先验知识对多个丁羟推进剂燃速模型进行初筛的方法包括：将测试集中各样本的输入变量输入某一推进剂燃速模型，得到与该模型对应的丁羟推进剂燃速的预测值；判断丁羟推进剂燃速的预测值随超细氧化剂的含量和超细氧化剂的平均粒度的变化规律是否符合先验知识，当不符合时，将该燃速模型排除。7.根据权利要求5所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，利用先验知识对多个推进剂燃速模型进行初筛的方法包括：
设输入变量为m维变量x1,x2,
…
x
m
；m≥7；使变量x
j
为单因素变量，其他m-1维变量为固定值，绘制推进剂燃速关于变量x
j
的单因素变化曲线，j＝1，2
…
m；其他m-1维变量为固定值时，所述固定值为该变量在训练集中的范围上限和范围下限的平均值；判断丁羟推进剂燃速关于变量x
j
的单因素变化曲线是否符合相应的先验知识比较，当不符合时，将该燃速模型排除。8.根据权利要求2所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，对初筛所得多个推进剂燃速模型进行精细化筛选的方法为：利用初筛所得多个推进剂燃速模型得到相应的推进剂燃速预测值；将所述推进剂燃速预测值与训练集中的输出变量对比，得到二者的最大绝对误差、最大相对误差、平均绝对误差和均方根误差；将最大绝对误差、最大相对误差、平均绝对误差或均方根误差大于预设阈值的推进剂燃速模型舍去，或将最大绝对误差最大的推进剂燃速模型舍去。9.根据权利要求1所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，采用平均各个精细化筛选所得推进剂燃速模型输出的方法，得到推进剂燃速融合预测模型。10.根据权利要求1所述的一种基于机器学习的丁羟推进剂燃速高精高速预测方法，其特征在于，建立数据库时，所用推进剂燃速为标准状态下的推进剂燃速。

技术总结
本发明公开了一种丁羟推进剂燃速的高精高速预测方法，包括建立包含若干组数据的数据库，其中每组数据包括推进剂燃速及其影响因素；对数据库进行标准化，得到样本库，样本库中的每个样本包含标准化的丁羟推进剂燃速及其标准化的影响因素；将样本库划分为训练集和测试集；利用训练集对多种算法模型进行训练，得到多个推进剂燃速模型；利用先验知识对多个推进剂燃速模型进行初筛；对初筛所得多个推进剂燃速模型进行精细化筛选；将精细化筛选所得多个推进剂燃速模型进行融合，得到推进剂燃速融合预测模型；使用推进剂燃速融合预测模型预测推进剂燃速。本发明使用方便、操作简单、计算速度快、计算精度高，具有较高的工程应用价值。具有较高的工程应用价值。具有较高的工程应用价值。


技术研发人员：孙娜 王心怡 沈坚 张斌
受保护的技术使用者：上海新力动力设备研究所
技术研发日：2023.07.05
技术公布日：2023/9/22