基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备

1.本发明属于智能自动化技术及飞行器发动机设计技术领域，具体涉及一种基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备。


背景技术：

2.固体火箭发动机是在导弹、火箭等航天运载器中广泛应用的动力系统之一，固体火箭发动机研究和生产过程中重要参数的预示是最核心的问题之一。通过预示发动机的总冲，为发动机性能仿真提供关键参数，可以提高固体火箭发动机设计效率和精度。目前常用的回归预测方法有:最小二乘线性回归法和支持向量回归预测法。
3.近年来，深度学习的爆发式发展使得许多研究任务极大地受益，并在图像分类、语音识别等众多领域取得了显著进展。深度神经网络具有快速推理、使用门槛低等应用优势，能够极大促进发动机设计研究的智能化发展。同时，深度学习模型可以有效地构建高维数据之间复杂的映射关系，提升建模效率及准确性。并且结构简单直接，对先验知识的要求较少，便于工业应用。
4.深度神经网络是一种基于大数据的模型，需要大量的、多样的数据作为支撑。固体发动机地面试验成本高且无法全面模拟飞行状态，试验考核不充分，试验样本少，现行试验模式无法满足发动机技术创新验证需求，很难针对每一种工况收集到足量的数据，因此，当地面试验采集数据的数量和种类不能满足深度卷积神经网络的训练需求时，为了提高深度神经网络进行烧蚀率预示方法的泛化能力，最直接的手段是进行数据增强，包括增加数据的多样性、扩大数据集等。然而，适用于图像和语音的数据增强方法并不适合具有明显的物理意义和机理特征的序列数据。例如，翻转、剪切、对称、变速等方法施加于固体发动机地面试验时测得的压强-时间序列数据，会得到不符合一般固体火箭发动机试验曲线的伪样本，若用于深度神经网络学习，将影响特征提取和学习的过程，进而降低预示精度。因此，需要从固体发动机工作特点出发，对少而有限的固体发动机实测数据样本进行有效扩充，以提高预示精度。
5.因此，将深度学习与数据增强方法应用于固体火箭发动机性能预测，成为亟待解决的问题。


技术实现要素：

6.本发明的目的是提供一种基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备，以解决上述问题。
7.本发明一方面提供了一种基于深度学习与数据增强的固体火箭发动机性能预测方法，包括如下步骤：
8.s1：基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；
9.s2：对所述固体火箭发动机点火过程推力实测数据集进行预处理，并将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集，所述训练样本分别进行数据增强获得若干条伪样本，所述训练样本和伪样本共同构成训练数据集，其中，所述数据增强方法为自适应高斯噪声方法或随机漂移方法；
10.s3：搭建深度卷积神经网络模型，并设置训练超参数，之后，将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练，得到训练好的模型；
11.s4：将所述测试数据集输入所述训练好的模型，得到固体火箭发动机性能预测结果。
12.优选，s2中，对所述固体火箭发动机点火过程推力实测数据集的预处理包括：
13.记点火器开始工作到装药表面第一点点燃需要的时间为推进剂点火延迟时间t1，记发动机达准稳态工况前的最大推力峰值为点火推力峰f
max
，记点火器开始工作到点火推力峰值的80％需要的时间为预定初始时间t2；
14.截取推进剂点火延迟时间t1至预定初始时间t2段的推力数据，作为点火过程推力，若不存在点火延迟时间t1，则截取全过程推力中大于0.2kn且小于点火推力峰f
max
的80％的部分为点火过程推力；
15.对时间序列进行归一化，使各过程具有相同尺度的时间索引，使不同时间历程的各过程在相同时间索引处的特征点分别对应。
16.进一步优选，s3中，将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练包括如下步骤：
17.s31：对所述训练数据集分批次进行前向传播，计算损失函数值，采用平均绝对误差和均方误差作为损失函数，度量预测与地面事实之间的绝对差异，所述平均绝对误差和均方误差的算式如式(1)所示，
[0018][0019]
式中，l
mae
为平均绝对误差，l
mse
为均方误差，yi为模型的第i次的预测值，表示固体火箭发动机性能的标签，n表示预测的次数；
[0020]
s32：使用反向传播算法进行深度卷积神经网络模型训练，并优化和调整整个深度卷积神经网络模型的参数；
[0021]
s33：循环执行步骤s31-s32，直至达到最大模型训练次数。
[0022]
进一步优选，所述反向传播算法采用adam优化器优化。
[0023]
进一步优选，所述最大模型训练次数为400次，且当所述模型执行所述最大模型训练次数后，所述模型收敛。
[0024]
进一步优选，s3中，搭建的深度卷积神经网络模型包括卷积层和多个全连接层，其中，所述卷积层包含大小为3、数量为64、步幅为1的一维卷积滤波器；对一维卷积计算后的特征图使用激活函数后，获得提取的特征，所述提取的特征在多个全连接层内被依次连接起来；所述多个全连接层包括一个包含7936个神经元的第一全连接层以及一个包含240个
神经元的第二全连接层；最后一个神经元作为固体火箭发动机性能的预测值。
[0025]
本发明还提供了一种基于深度学习与数据增强的固体火箭发动机性能预测系统，用于实施上述的方法，包括：
[0026]
固体火箭发动机点火过程推力实测数据集构建模块，用于基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；
[0027]
数据预处理模块，用于对所述固体火箭发动机点火过程推力实测数据集进行预处理；
[0028]
样本分类模块：用于将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集；
[0029]
数据增强模块，用于对所述训练样本分别进行数据增强获得若干条伪样本，所述伪样本和训练样本共同构成训练数据集；
[0030]
深度卷积神经网络模型搭建及训练模块，用于搭建深度卷积神经网络模型，并设置训练超参数，还用于通过所述训练数据集进行模型训练，得到训练好的模型；
[0031]
性能预测模块，用于将所述测试数据集输入到所述训练好的模型，得到固体火箭发动机性能预测结果。
[0032]
本发明还提供了一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有多条指令，所述处理器用于读取所述指令并执行上述的方法。
[0033]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有多条指令，所述多条指令可被处理器读取并执行上述的方法。
[0034]
本发明提供的方法、装置、电子设备以及计算机可读存储介质，具有如下有益的技术效果：
[0035]
(1)克服小样本地面试验数据在固体火箭发动机性能预测问题上的低精度和局限性，将数据先进行预处理并分别进行数据增强后再整合到一起，将整合后的数据放入深度学习模型，模型通过卷积运算提取特征，最后将特征放到一起进行分析预测，从而能够充分利用数据的特点，性能预测的精度更高，成为处理采集数据预测固体火箭发动机性能的有效工具；
[0036]
(2)能够通过改变数据增强方法中的参数控制生成伪样本与实测样本的相似度，通过超参数控制生成伪样本的数量，改善数据集不平衡的导致的训练中部分过拟合的情况。此外，能够增强模型对环境噪声的鲁棒性，研究对不同型号以及工况状态通用性强的预测方法，为工程中固体火箭发动机的设计、制造及使用，提供理论依据和工程指导；
[0037]
(3)基于深度学习与数据增强的固体火箭发动机性能进行预测，舍去了传统方法繁琐求解过程，也不需要在固体火箭发动机领域的高专业性，对环境噪声的鲁棒性和不同工况的普适性更高；
[0038]
(4)对传统的深度学习神经网络进行了改进，使其更适应固体火箭发动机性能预测，在固体火箭发动机性能预测方面具有优越性。
附图说明
[0039]
图1为本发明提供的基于深度学习与数据增强的固体火箭发动机性能预测方法的流程图；
[0040]
图2为固体发动机点火性能参数示意图；
[0041]
图3为原始的点火过程推力-时间曲线图；
[0042]
图4为时间归一化后的点火过程推力-时间曲线图；
[0043]
图5为五种固体火箭发动机性能预示模型误差对比示意图。
具体实施方式
[0044]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0045]
如图1所示，基于深度学习与数据增强的固体火箭发动机性能预测方法，包括如下步骤：
[0046]
s1：基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；
[0047]
s2：对所述固体火箭发动机点火过程推力实测数据集进行预处理，并将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集，所述训练样本分别进行数据增强获得若干条伪样本，所述训练样本和伪样本共同构成训练数据集；
[0048]
其中，对所述固体火箭发动机点火过程推力实测数据集的预处理包括：
[0049]
记点火器开始工作到装药表面第一点点燃需要的时间为推进剂点火延迟时间t1，记发动机达准稳态工况前的最大推力峰值为点火推力峰f
max
，记点火器开始工作到点火推力峰值的80％需要的时间为预定初始时间t2，如固体发动机点火性能参数示意图(图2)所示；
[0050]
截取推进剂点火延迟时间t1至预定初始时间t2段的推力数据，作为点火过程推力，若不存在点火延迟时间t1，则截取全过程推力中大于0.2kn且小于点火推力峰f
max
的80％的部分为点火过程推力；
[0051]
对时间序列进行归一化，使各过程具有相同尺度的时间索引，该方法使不同时间历程的各过程在相同时间索引处的特征点分别对应(如图3、图4所示)，具体的归一化处理过程如下:
[0052][0053]
其中，输入数据序列表示为x＝[x1,x2,
…
,xn]，xi为第i个输入序列中第i个元素，x
min
和x
max
分别为输入序列中元素的最小值和最大值；
[0054]
其中，所述数据增强方法为自适应高斯噪声方法或随机漂移方法，通过改变增加的高斯噪声大小和随机漂移幅度，控制生成伪样本与实测样本的相似度。还可以通过超参数改变数据增强的次数控制生成伪样本的数量，用以改善数据集不平衡的导致的训练中部分过拟合的情况；
[0055]
其中，自适应高斯噪声方法(ang)：一种随着数据序列的最大差值自适应变化的高
斯噪声，并直接将随机噪声应用于原始数据序列，输入数据序列表示为x＝[x1,x2,
…
,xn]，x
aug
作为增强后的数据序列，α
gaus
为自适应高斯噪声系数，则
[0056]
x
aug
＝x+α
gaus
g(x
max-x
min
),g～n(0,1)
ꢀꢀꢀ
(4)
[0057]
随着α
gaus
增大，原始数据在每个点的振动幅度增大，但没有改变曲线形状。给定不同大小的α
gaus
可以得到不同的推力曲线，相同α
gaus
的agn方法施加在同一序列数据上多次，也可以得到不同的推力曲线，一定程度上增加了数据的多样性。对于最大推力不同的推力数据，自适应的高斯噪声能够做到使用同样的超参数α
gaus
为各组推力数据添加相同程度的扰动，具有很好的泛化性。
[0058]
随机漂移方法(rd)：一种随机地、平滑地将数据序列的值从其原始值产生漂移的方法，漂移的程度由最大漂移系数d
max
决定。通过随机选择数据序列上的2个点，对两点之间的数据序列施加三次样条插值，再将插值得到的数据序列按照d
max
与插值最大值的乘积进行归一化处理，叠加在输入的数据序列上。
[0059]
随机漂移方法在原始数据的基础上改变驻点(一阶导数为0的点)的个数和位置，保持物理意义上的推力峰值和最小推力的不变，同时满足了实际应用和丰富固体火箭发动机数据多样性的需求。
[0060]
s3：搭建深度卷积神经网络模型，并设置训练超参数，之后，将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练，得到训练好的模型；
[0061]
具体地，选择深度卷积神经网络作为基本架构，输入层的功能是将预处理后长度为n的数据序列，形如x＝[x1,
…
,x
t-1
,x
t
,
…
,xn]
t
的数据导入神经网络，深度卷积层通过卷积层提取特征，通过全连接层对卷积处理后的数据进行降维映射，映射后的输出即为预测值，卷积层的输出和激活函数表示如下：
[0062][0063][0064]
式中：卷积层的输出为ci；wi为权重；bi为偏差；是卷积运算符号；
[0065]
leaky relu函数是一个分段线性的激活函数，给每个负值赋予非零斜率，而正值不变。激活函数功能主要是通过增加非线性因素，提高训练模型的非线性表达能力。leaky relu作为激活函数，可以保证所有数据输入和输出都是可微的，从而使训练网络实现不断的循环运算，以更好地发现关键运算特性，并拟合训练模型。
[0066]
将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练包括如下步骤：
[0067]
s31：对所述训练数据集分批次进行前向传播，计算损失函数值，采用平均绝对误差和均方误差作为损失函数，度量预测与地面事实之间的绝对差异，所述平均绝对误差和均方误差的算式如式(1)所示，
[0068][0069]
式中，l
mae
为平均绝对误差，l
mse
为均方误差，yi为模型的第i次的预测值，表示固
体火箭发动机性能的标签，n表示预测的次数；
[0070]
s32：使用反向传播算法进行深度卷积神经网络模型训练，并优化和调整整个深度卷积神经网络模型的参数；
[0071]
s33：循环执行步骤s31-s32，直至达到最大模型训练次数。
[0072]
s4：将所述测试数据集输入所述训练好的模型，得到固体火箭发动机性能预测结果。
[0073]
作为技术方案的改进，所述反向传播算法采用adam优化器优化。
[0074]
作为技术方案的改进，所述最大模型训练次数为400次，且当所述模型执行所述最大模型训练次数后，所述模型收敛。优选，采用可变学习率的策略，对于训练的前200轮，学习率为0.00006，以保证快速优化；后200轮使用0.000001的学习率，以保证稳定收敛，对同一组参数连续进行了10次实验，所得误差取平均值，以减少随机性的影响。
[0075]
作为技术方案的改进，s3中，搭建的深度卷积神经网络模型包括卷积层和多个全连接层，其中，所述卷积层包含大小为3、数量为64、步幅为1的一维卷积滤波器；对一维卷积计算后的特征图使用激活函数后，获得提取的特征，所述提取的特征在多个全连接层内被依次连接起来；所述多个全连接层包括一个包含7936个神经元的第一全连接层以及一个包含240个神经元的第二全连接层；最后一个神经元作为固体火箭发动机性能的预测值。
[0076]
本发明还提供了一种基于深度学习与数据增强的固体火箭发动机性能预测系统，用于实施上述的方法，包括：
[0077]
固体火箭发动机点火过程推力实测数据集构建模块，用于基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；
[0078]
数据预处理模块，用于对所述固体火箭发动机点火过程推力实测数据集进行预处理；
[0079]
样本分类模块：用于将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集；
[0080]
数据增强模块，用于对所述训练样本分别进行数据增强获得若干条伪样本，所述伪样本和训练样本共同构成训练数据集；
[0081]
深度卷积神经网络模型搭建及训练模块，用于搭建深度卷积神经网络模型，并设置训练超参数，还用于通过所述训练数据集进行模型训练，得到训练好的模型；
[0082]
性能预测模块，用于将所述测试数据集输入到所述训练好的模型，得到固体火箭发动机性能预测结果。
[0083]
本发明还提供了一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有多条指令，所述处理器用于读取所述指令并执行上述的方法。
[0084]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有多条指令，所述多条指令可被处理器读取并执行上述的方法。
[0085]
实施例
[0086]
以工厂搜集的46组固体火箭发动机点火过程推力-时间序列数据及其全过程总冲样本作为实测数据集，应用上述提出的基于深度学习与数据增强方法的固体火箭发动机性
能预测方法，训练数据集如表1所示，完成任意工况下的全过程总冲快速预示，具体步骤如下:
[0087]
1)推力-时间序列数据作为输入与相应的全过程总冲数据作为输出；
[0088]
2)推力-时间序列数据进行预处理，对时间坐标归一化处理；
[0089]
3)划分训练与测试样本，对训练样本施加数据增强方法，得到扩充的训练数据集，输入搭建好的深度神经网络模型进行训练，得到训练好的模型；
[0090]
4)将测试样本输入到训练好的模型，输出全过程总冲预测值。
[0091]
表1训练数据集
[0092][0093][0094]
采用训练的全过程总冲预示模型进行全过程总冲预示，所得结果与真实全过程总冲对比，计算平均绝对误差和均方方差以验证本发明提供的方法的有效性，同时与基于最小二乘线性回归法(lslr)和支持向量回归预测法(svm)对比，以验证本发明提供的方法的高效性。所得结果如图5所示。从图中可以看出，本发明提供的方法在相同训练样本情况下，能够构建精度更高的全过程总冲预示模型，显示了本文上述方法的有效性。
[0095]
本发明己经在多种不同固体发动机性能预示案例中得到了应用，与现有方法相比，人工参与过程少、设计速度快，将来自不同型号、不同工况下的复杂数据整合到特征学习中，从而实现数据融合，丰富了系统的信息，预示模型精度随着案例不断增长，能有效满足固体火箭发动机性能预示需求，具有较好的通用性。一般来说，原始的测量数据被直接用作输入，不需要信号处理的专业知识。操作难度低，只将测试样本输入到所提出的性能预测模型中，就得到预测结果，参数识别方案也被自动实现，在很大程度上提高了模型在实际工业场景中的适用性。
[0096]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于，包括如下步骤：s1：基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；s2：对所述固体火箭发动机点火过程推力实测数据集进行预处理，并将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集，所述训练样本分别进行数据增强获得若干条伪样本，所述训练样本和伪样本共同构成训练数据集，其中，所述数据增强方法为自适应高斯噪声方法或随机漂移方法；s3：搭建深度卷积神经网络模型，并设置训练超参数，之后，将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练，得到训练好的模型；s4：将所述测试数据集输入所述训练好的模型，得到固体火箭发动机性能预测结果。2.根据权利要求1所述的基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于：s2中，对所述固体火箭发动机点火过程推力实测数据集的预处理包括：记点火器开始工作到装药表面第一点点燃需要的时间为推进剂点火延迟时间t1，记发动机达准稳态工况前的最大推力峰值为点火推力峰f
max
，记点火器开始工作到点火推力峰值的80％需要的时间为预定初始时间t2；截取推进剂点火延迟时间t1至预定初始时间t2段的推力数据，作为点火过程推力，若不存在点火延迟时间t1，则截取全过程推力中大于0.2kn且小于点火推力峰f
max
的80％的部分为点火过程推力；对时间序列进行归一化，使各过程具有相同尺度的时间索引，使不同时间历程的各过程在相同时间索引处的特征点分别对应。3.根据权利要求1所述的基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于：s3中，将所述训练数据集输入到所述深度卷积神经网络模型内进行模型训练包括如下步骤：s31：对所述训练数据集分批次进行前向传播，计算损失函数值，采用平均绝对误差和均方误差作为损失函数，度量预测与地面事实之间的绝对差异，所述平均绝对误差和均方误差的算式如式(1)所示，式中，l
mae
为平均绝对误差，l
mse
为均方误差，y
i
为模型的第i次的预测值，y表示固体火箭发动机性能的标签，n表示预测的次数；s32：使用反向传播算法进行深度卷积神经网络模型训练，并优化和调整整个深度卷积神经网络模型的参数；s33：循环执行步骤s31-s32，直至达到最大模型训练次数。4.根据权利要求3所述基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于：所述反向传播算法采用adam优化器优化。
5.根据权利要求3所述的基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于：所述最大模型训练次数为400次，且当所述模型执行所述最大模型训练次数后，所述模型收敛。6.根据权利要求1所述的基于深度学习与数据增强的固体火箭发动机性能预测方法，其特征在于：s3中，搭建的深度卷积神经网络模型包括卷积层和多个全连接层，其中，所述卷积层包含大小为3、数量为64、步幅为1的一维卷积滤波器；对一维卷积计算后的特征图使用激活函数后，获得提取的特征，所述提取的特征在多个全连接层内被依次连接起来；所述多个全连接层包括一个包含7936个神经元的第一全连接层以及一个包含240个神经元的第二全连接层；最后一个神经元作为固体火箭发动机性能的预测值。7.基于深度学习与数据增强的固体火箭发动机性能预测系统，用于实施权利要求1-6中任一项所述的方法，其特征在于，包括：固体火箭发动机点火过程推力实测数据集构建模块，用于基于固体火箭发动机地面试验中推力传感器采集到的固体火箭发动机多工况下多个过程的推力-时间序列数据，构建固体火箭发动机点火过程推力实测数据集；数据预处理模块，用于对所述固体火箭发动机点火过程推力实测数据集进行预处理；样本分类模块：用于将预处理后的固体火箭发动机点火过程推力实测数据集里每个工况的推力数据进行分类，获得训练样本和测试样本，其中，所述测试样本组成测试数据集；数据增强模块，用于对所述训练样本分别进行数据增强获得若干条伪样本，所述伪样本和训练样本共同构成训练数据集；深度卷积神经网络模型搭建及训练模块，用于搭建深度卷积神经网络模型，并设置训练超参数，还用于通过所述训练数据集进行模型训练，得到训练好的模型；性能预测模块，用于将所述测试数据集输入到所述训练好的模型，得到固体火箭发动机性能预测结果。8.电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-6中任一项所述的方法。9.计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-6中任一项所述的方法。

技术总结
本发明公开了一种基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备，其中，所述方法包括：构建固体发动机点火过程推力实测数据集；对固体发动机点火过程推力实测数据集进行预处理，对每个工况的推力数据进行分类，获得测试数据集和训练数据集；搭建深度卷积神经网络模型，并设置训练超参数，之后，将训练数据集输入到深度卷积神经网络模型内进行模型训练，得到训练好的模型；将测试数据集输入到训练好的模型，得到固体火箭发动机性能预测结果。该基于深度学习与数据增强的固体火箭发动机性能预测方法、预测系统、存储介质和设备，能够克服小样本地面试验数据在固体火箭发动机性能预测问题上的低精度和局限性。精度和局限性。精度和局限性。


技术研发人员：杨慧欣 项子健 张微 李响
受保护的技术使用者：沈阳航空航天大学
技术研发日：2023.02.28
技术公布日：2023/7/11