固体火箭发动机跨模态时序数据智能生成方法

本发明涉及固体火箭发动机和人工智能，具体涉及一种固体火箭发动机跨模态时序数据智能生成方法。

背景技术：

1、固体火箭发动机具有结构简单、工作可靠、使用简单、机动性好等优点，在火箭、导弹武器、航天运载等领域得到了广泛应用。研发高效率、高精度的固体火箭发动机对于保证固体火箭发动机的飞行安全至关重要。

2、固体火箭发动机的推力曲线和压强曲线能够有效的反映固体火箭发动机的整体性能表现，因此，通过分析固体火箭发动机的压强推力曲线，可以得到固体火箭发动机的工作状态。固体火箭发动机的推力和压强之间存在一定的联系，即通过给出压强数据或推力数据，可以通过计算得出推力数据或压强数据；然而，这种方法通常需要大量的计算能力，并且所需时间长、成本高。为了克服以上方法的局限性，人们采用深度学习方法对固体火箭发动机数据进行跨模态生成，具体而言，将固体火箭发动机推力数据(压强数据)输入到深度神经网络模型中，要求该模型输出相应的压强数据(推力数据)；但固体火箭发动机存在数据量少的限制，直接进行跨模态生成的效果不够理想。

技术实现思路

1、为了克服上述现有技术的缺陷，本发明的目的在于提供了一种固体火箭发动机跨模态时序数据智能生成方法，通过生成式扩散模型大量生成与固体火箭发动机历史数据较为相似的仿真样本数据，并将仿真样本数据输入到深度神经网络中进行跨模态数据生成，从而进一步增强固体火箭发动机数据跨模态生成的效果。

2、为达到上述目的，本发明采取的技术方案为：

3、一种固体火箭发动机跨模态时序数据智能生成方法，包括以下步骤：

4、步骤1：获取固体火箭发动机的推力—时间和压强—时间原始数据；

5、步骤2：根据qj1047-92标准(固体火箭发动机压强—时间、推力—时间数据处理规范)，对步骤1中获取的推力—时间和压强—时间进行处理，并进行线性插值和降采样操作，对降采样后的推力—时间数据与压强—时间数据分别进行时间归一化和幅值归一化处理；

6、步骤3：按照需要将步骤2处理后的数据划分为扩散数据集od＝{o1,o2,...oa}和测试数据集ot＝{o1,o2,...ob}；其中，扩散数据集od中包含a个样本，测试数据集ot中包含b个样本，针对扩散数据集od中样本oa，oa＝(fa,pa)，即每一个样本包含两个通道，两个通道分别存储推力数据fa和压强数据pa，其中为第a个样本的推力数据，由n个推力数据点组成，为第a个样本的压强数据，由n个压强数据点组成；测试数据集ot和扩散数据集od类似；

7、步骤4：构建生成式扩散模型，生成式扩散模型采用unet作为基本网络架构，在前向过程中不断向步骤3中的扩散数据集od中的样本oa中逐步加入噪声εi，直到其完全变为纯高斯噪声；然后在反向过程中逐步去噪，从而得到与扩散数据集od类似的生成样本数据集g＝{g1,g2,...gi,...gi}；

8、步骤5：用步骤4中得到生成样本数据集g与步骤3中的扩散数据集od进行相似性度量，分别计算扩散数据集od中每个样本与生成样本数据集g中每个样本之间的均方误差(mse)、最大均值差异(mmd)以及余弦相似度；并将获得的余弦相似度作为主要观察指标，均方误差、最大均值差异两个指标辅以验证，保留余弦相似度大于0.8的生成样本，剔除生成样本数据集g中余弦相似度小于0.8，且最大均值差异、均方误差两项指标分别大于所有保留样本的最大均值差异均值的3倍、均方误差均值的3倍的生成样本，得到高质量固体火箭发动机推力压强仿真数据集gf；

9、步骤6：构建固体火箭发动机的跨模态数据生成模型，跨模态数据生成模型通过一系列卷积层、池化层和全连接层构成，每个卷积层后面跟着一个泄露整流线性单元激活函数，在池化层后采用展平层将多维数据展平为一维，并且引入dropout正则化层来防止过拟合；

10、步骤7：划分增强后的训练数据集tr和测试数据集te；增强后训练数据集tr由步骤3中扩散数据集od和步骤4中生成数据集gf的并集组成，增强后测试数据集te为步骤3中测试数据集ot；

11、tr＝od∪gf

12、te＝ot

13、步骤8：分别将步骤3中扩散数据集od和测试数据集ot以及步骤7中得到的训练数据集tr和测试数据集te中的推力数据(压强数据)分别输入跨模态数据生成模型中进行n次训练和测试，获得输出的压强数据(推力数据)，并计算输出数据与真实数据之间的损失；损失函数采用rmse函数，优化器采用adam优化器，记录增强前的训练损失trainpre和测试损失testpre以及增强后的训练损失trainpos和测试损失testpos；

14、步骤9：分别计算最后e次增强前的训练损失trainpre、测试损失testpre与增强后的训练损失trainpos、测试损失testpos的平均值，分别得到ave(trainpre)e、ave(testpre)e、ave(trainpos)e、ave(testpos)e，e表示设定的次数，若满足以下条件：

15、

16、则固体火箭发动机的跨模态数据生成效果得到增强；若不满足，重复步骤4、步骤5再次得到生成样本数据集g，并将生成样本数据集g添加到训练数据集tr中，重复步骤8和步骤9，直至固体火箭发动机的跨模态数据生成效果得到增强。

17、所述的步骤2中推力数据记为f，推力数据f包含lf个推力数据点；压强数据记为p,压强数据p包含lp个压强数据点；要求将推力数据f中的推力数据点的个数以及压强数据p中的压强数据点的个数均降采样为n，则降采样后的推力数据f中第if个点和压强数据p中第ip个点分别与原始推力数据对应索引if、原始压强数据索引ip的对应关系如下：

18、

19、

20、对于每个时间点ti，采用以下公式进行推力(压强)数据时间归一化：

21、

22、其中，t'i表示归一化之后数据的时间点，ti表示原始数据时间点，tmin表示原始数据中时间序列的最小值，tmax表示原始数据中时间序列的最大值；

23、幅值归一化将推力(压强)数据的幅值转换到[0,1]区间内，对于每个幅值点yi，采用以下公式进行推力(压强)数据幅值归一化：

24、

25、其中，y'i表示归一化之后数据的幅值，yi表示原始数据幅值，ymin表示原始数据中的幅值最小值，ymax表示原始数据中幅值的最大值。

26、步骤5中均方误差(mse)的计算公式如下：

27、

28、其中，n代表用于扩散的样本的特征数量，fi代表用于扩散的样本的第i个特征值，代表生成样本的第i个特征值；

29、最大均值差异(mmd)的计算公式如下：

30、

31、其中，扩散数据集od的分布为p，生成样本数据集g的分布为q，f(·)表示映射函数；

32、余弦相似度的计算公式如下：

33、

34、其中，oa代表扩散数据集od中第a个样本向量，gi代表生成样本数据集g中第i个样本向量。

35、和现有技术相比，本发明的有效效果为：

36、本发明采用生成式扩散模型来生成固体火箭发动机推力压强数据，从而改善了由于固体火箭发动机原数据缺乏而导致的跨模态数据生成效果不佳的问题，能够显著提高跨模态数据生成的效果。