一种基于BP人工神经网络的推进剂力学性能预测方法与流程

本发明涉及复合固体推进剂领域，具体是一种基于bp人工神经网络的推进剂力学性能预测方法。

背景技术

复合推进剂是由高分子粘结剂、固体粉末氧化剂、粉末金属燃料和其他附加组分混合组成的一类推进剂，通常按高分子粘结剂的种类分为聚硫橡胶复合推进剂、聚氨酯复合推进剂、端羟基聚丁二烯复合推进剂和端羧基聚丁二烯复合推进剂等。当复合推进剂中加入多种工艺助剂时，多种助剂之间对推进剂的力学性能的影响存在着复杂的非线性关系，但这种关系缺乏数理模型，对于工艺助剂对推进剂力学性能的影响的研究，一直局限于通过实验慢慢调试，这种方法不仅需要大量的推进剂试样，而且研发周期较长，成本较高，难以适应新型的武器研制平台。

由于人工神经网络具有非常强的容错性和自适应性，特别是具有高度的非线性能力，可逼近任意的非线性函数的bp网络的出现为我们解决这些传统的问题提供了一种新的方法，在解决非线性问题上得到广泛应用，目前人们还尚未有将bp网络应用于推进剂力学性能的研究。

技术实现要素：

本发明的目的在于提供一种基于bp人工神经网络的推进剂力学性能预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于bp人工神经网络的推进剂力学性能预测方法，具体步骤如下：

步骤一，将采集的推进剂相关数据，数据经归一化预处理后得到训练样本集；

步骤二，通过设计输入层、隐含层和输出层构建bp神经网络模型，并选择传递函数、训练函数和学习函数；

步骤三，使用训练样本集对bp神经网络进行迭代训练，得到最佳的预测网络模型；

步骤四，将变量输入至最佳的预测网络模型进行预测，变量包括键合剂、固化参数和测试温度，及不同种类键合剂组合后的用量，即可得到推进剂在不同键合剂、不同固化参数、不同测试温度条件下的力学性能。

作为本发明进一步的方案：步骤一中相关数据包括推进剂在不同键合剂、不同固化参数和不同测试温度条件下的抗拉强度和断裂伸长率数据，数据的归一化处理公式为：，式中pn为归一化后的数据，p为原始样本数据，pmin与pmax分别为原始样本数据的最小值与最大值，训练样本集包括样本的输入和样本的输出。

作为本发明进一步的方案：步骤二中输入层包括括两种键合剂含量、固化参数和三个测试温度共6个节点，通过进行确定一个隐含层神经元数量的范围，在该范围内选择不同的神经元个数进行训练，通过比较每个神经元对应的模型网络收敛精度和收敛速度，确定最优的神经元数量；其中l为隐含层神经元个数，n为输入神经元节点数，m为输出神经元节点数，a为（1，10）之间的常数；传递函数采用线性-正切形式的传递函数，训练函数采用levenberg-marguart训练函数，学习函数采用梯度下降动量学习函数learngdm。

作为本发明进一步的方案：确定一个隐含层神经元数量的范围包括预设训练函数trainlm、设定训练目标、设定训练步骤、分别对具有不同隐含层的网络训练、检查网络性能以及根据结果确定最佳的隐含层神经元个数。

作为本发明进一步的方案：构建bp神经网络模型包括创建人工神经网络函数用“newff”，输入节点数为6，输出节点数为2，一个隐含层，10个神经单元，隐含层神经单元间的传递函数为tansig，输出层的传递函数为purelin，模型训练函数为trainlm，权值和阈值的学习函数采用“learngdm”，网络的性能函数，采用默认函数“mse”；以键合剂含量、固化参数、测试温度作为输入变量，推进剂的抗拉强度和断裂伸长率为输出变量。

作为本发明进一步的方案：步骤三中迭代训练包括选取33组样本数据的前28组数据，进行学习、训练、建立模型，根据所建立的样本数据对后5组数据的力学性能进行预测，当实际的输出与所期望的输出不相符时，误差则通过输出层，按照误差梯度下降的方式修正各层的权值，向隐含层、输入层逐项传播，进而实现误差反向传播的过程；由于信息在不断正向传播的同时，误差也进行不断地反向传播，各层权值不断调整，神经网络不断学习、训练，以不断地减少网络输出误差直至可接受的程度，或直至达到所预先设定的训练次数。

与现有技术相比，本发明的有益效果是：本发明的方法根据已有的数据条件，建立合适的bp神经网络模型，可对复合固体推进剂任意配方不同键合剂含量、固化参数和测试条件下的力学性能进行预测，以弥补实验数据有限、测量周期长和费用高的缺陷，达到提高效率降低生产成本的目的，为技术工作人员对配方的调试提供参考指导作用。

附图说明

图1为基于bp人工神经网络的推进剂力学性能预测方法中误差反向传播的人工神经网络拓扑图。

图2为基于bp人工神经网络的推进剂力学性能预测方法中人工神经网络的预测流程图。

图3为基于bp人工神经网络的推进剂力学性能预测方法中均方误差随训练步骤的变化示意图。

具体实施方式

下面结合具体实施方式对本专利的技术方案作进一步详细地说明。

请参阅图1-3，一种基于bp人工神经网络的推进剂力学性能预测方法，具体步骤如下：

步骤一，将采集的推进剂相关数据，相关数据主要为抗拉强度和断裂伸长率，采集推进剂在不同键合剂、不同固化参数、不同测试温度条件下的抗拉强度和断裂伸长率数据，为了避免所建模型在训练学习过程中陷入局部最优的情况，对相关数据进行归一化处理，并对网络的输出变量进行反归一化处理，以得到原物理空间值；数据归一化处理公式：，式中pn为归一化后的数据，p为原始样本数据，pmin与pmax分别为原始样本数据的最小值与最大值，相关数据经归一化预处理后得到训练样本集，训练样本集包括样本的输入和样本的输出；

步骤二，用于复合固体推进剂力学性能预测的bp人工神经网络由输入层、隐含层和输出层构成；其中，包括两种键合剂含量、固化参数和三个测试温度共6个节点，输出层包括抗拉强度和断裂伸长率2个节点，通过进行确定一个隐含层神经元数量的范围，在该范围内选择不同的神经元个数进行训练，通过比较每个神经元对应的模型网络收敛精度和收敛速度，确定最优的隐含层神经元数量个数；其中l为隐含层神经元个数，n为输入神经元节点数，m为输出神经元节点数，a为（1,10）之间的常数，在本例子中确定最优的隐含层神经元数为10，预测训练过程为：预设训练函数trainlm、设定训练目标、设定训练步骤、分别对具有不同隐含层的网络训练、检查网络性能以及根据结果确定最佳的隐含层神经元个数，创建上述的神经网络，创建人工神经网络函数用“newff”，输入节点数为6，输出节点数为2，一个隐含层，10个神经单元，所建立的bp网络结构为6-10-2。隐含层神经单元间的传递函数为tansig，输出层的传递函数为purelin，模型训练函数为trainlm，权值和阈值的学习函数采用“learngdm”，网络的性能函数，采用默认函数“mse”，以键合剂含量、固化参数、测试温度作为输入变量，推进剂的抗拉强度和断裂伸长率为输出变量，创建bp人工神经网络后，确定传递函数、训练函数和学习函数，用于激活整个网络的学习、反馈和最终的预测功能；根据收敛精度分析，分别选择线性-正切形式的传递函数，levenberg-marguart训练函数和梯度下降动量学习函数learngdm；

步骤三，使用训练样本集对bp神经网络进行迭代训练，选取33组样本数据的前28组数据，进行学习、训练、建立模型，根据所建立的样本数据对后5组数据的力学性能进行预测，当实际的输出与所期望的输出不相符时，误差则通过输出层，按照误差梯度下降的方式修正各层的权值，向隐含层、输入层逐项传播，进而实现误差反向传播的过程；由于信息在不断正向传播的同时，误差也进行不断地反向传播，各层权值不断调整，神经网络不断学习、训练，以不断地减少网络输出误差直至可接受的程度，或直至达到所预先设定的训练次数，得到最佳的预测网络模型；

步骤四，将变量输入至最佳的预测网络模型对进行预测，变量包括固化参数和测试温度，及两种键合剂组合后的用量，即可得到推进剂在不同键合剂、不同固化参数、不同测试温度条件下的力学性能。

确定固化剂种类及含量并且进行实验，得到bp网络预测推进剂的力学性能随固化参数及测试温度的变化情况见表1。

表1

应用力学性能预测分析的结果，可有效应用于指导复合固体推进剂中键合剂含量及固化参数的调节，具有实际的应用意义；结合复合固体推进剂中键合剂用量、测试温度分析，研究复合固体推进剂力学性能预测模型，所取得的研究成果无论是在键合剂含量、固化参数以及测试温度对复合固体推进剂力学性能的影响的理论研究，还是在对复合固体推进剂中键合剂含量及固化参数的调节都具有指导作用，研究具有很高的创新性。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。