申请/专利权人:沈阳航空航天大学
申请日:2023-02-28
公开(公告)日:2024-03-26
公开(公告)号:CN117763933A
主分类号:G06F30/27
分类号:G06F30/27;G06N3/084;G06N3/0464
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.12#实质审查的生效;2024.03.26#公开
摘要:本发明公开了一种基于深度学习的固体火箭发动机时间序列参数预测方法及预测系统,所述预测方法包括:采集固体火箭发动机在不同工况下的多组原始时间序列参数数据并进行数据预处理,得到样本数据;建立深度神经网络模型;将预处理后的样本数据划分为训练样本和测试样本,并将训练样本输入到所述深度神经网络模型内进行训练;将所述测试样本输入到训练后的深度神经网络模型,获得固体火箭发动机时间序列参数数据预测结果。该预测方法和预测系统,可以对地面推力测试实验得到的数据进行修正,可以补全因意外情况导致实验中丢失的部分数据,避免重复进行测试实验,降低实验成本,从而更加高效、低成本地对固体发动机性能进行评估。
主权项:1.基于深度学习的固体火箭发动机时间序列参数预测方法,其特征在于,包括:S1:采用固体火箭地面试车试验采集固体火箭发动机在不同工况下的多组原始时间序列参数数据,并将所述原始时间序列参数数据进行数据预处理,得到样本数据;S2:建立深度神经网络模型ConvNeXt;S3:将预处理后的样本数据进行划分获得训练样本和测试样本,并将训练样本输入到所述深度神经网络模型ConvNeXt内进行模型训练;S4,将所述测试样本输入到训练后的深度神经网络模型,获得固体火箭发动机时间序列参数数据预测结果。
全文数据:
权利要求:
百度查询: 沈阳航空航天大学 基于深度学习的固体火箭发动机时间序列参数预测方法和预测系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。