本技术涉及智能自动化，特别是涉及一种固体姿轨控发动机燃气调节阀压强修正方法。
背景技术：
1、固体姿轨控系统已被广泛地应用于导弹和航天器的姿态控制、轨道控制和末端修正等。与传统固体发动机不同，固体姿轨控发动机推力的高精度连续调节控制具有很高的理论难度和工程技术难度。
2、目前，固体姿轨控发动机的研究仍旧基于现有的固体发动机设计方法，不具备综合考虑上述高度复杂动态耦合效应的计算能力，未掌握系统高置信度仿真和精确性能评估方法，缺乏准确评估燃气阀动态调节性能和姿轨控发动机推力矢量动态精确控制的方法和手段，导致各型号的固体姿轨控发动机研制主要依靠经验方法和单学科仿真进行设计，再进行实验验证和改进。
3、然而地面实验测试结果也存在较大误差，存在机理不清、算不准、测不准的问题，研发工作量大、成本高、计算耗时长等问题，技术突破显得十分迫切。固体姿轨控发动机燃气阀的气动负载和发动机推力特性在不同燃气温度、压力和阀门调节速度下，存在全局非线性、时变性等特征，阀门的运动特性存在时滞、死区等动态不确定性，同时往复周期运动也会激励系统的多模态振动。传统的基于理论建模和商业软件建模的方法很难满足计算需求，且计算成本高。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够解决固体姿轨控发动机多学科建模难及模型精度差的固体姿轨控发动机燃气调节阀压强修正方法。
2、一种固体姿轨控发动机燃气调节阀压强修正方法，所述方法包括：
3、获取训练数据集与测试数据集；所述训练数据集包括仿真数据、第一实验数据以及增强数据，所述测试数据集包括第二实验数据；其中，在不同实验条件下获取实验数据，将所述实验数据划分为所述第一实验数据和所述第二实验数据；对不同工况下固体火箭发动机燃气调节阀进行仿真建模，以采集所述仿真数据；通过对所述第一实验数据依次进行归一化处理和降采样处理后，输入cwgan-gp-t模型进行训练，所述cwgan-gp-t模型包括判别器、生成器及指导网络，基于预设的损失函数，所述判别器、所述生成器与所述指导网络相互进行对抗训练，当所述判别器无法判断所述生成器输出结果的真实性时，生成所述增强数据；
4、基于深度神经网络构建压强预测预训练模型；将所述训练数据集输入所述压强预测预训练模型内进行训练后，采用所述测试数据集进行测试，得到训练好的压强预测模型；
5、通过所述训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测，得到预测结果；
6、根据所述预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
7、其中一个实施例中，对所述第一实验数据依次进行归一化处理，表达式为：
8、；
9、式中，表示第组压强数据中第个时间节点；表示第组压强数据末尾时间节点；表示第i组压强数据起始时间节点，表示对第组压强样本数据中第个时间节点进行归一化后对应的时间节点。
10、其中一个实施例中，对所述第一实验数据依次进行归一化处理和降采样处理后，输入cwgan-gp-t模型进行训练，所述cwgan-gp-t模型包括判别器、生成器及指导网络，基于预设的损失函数，所述判别器、所述生成器与所述指导网络相互进行对抗训练，当所述判别器无法判断所述生成器输出结果的真实性时，生成增强数据，包括：
11、对第一实验数据依次进行归一化处理和降采样处理，得到实验样本数据，对所述实验样本数据进行划分，得到实验样本训练集与实验样本测试集；
12、构建cwgan-gp-t模型，所述cwgan-gp-t模型包括判别器、生成器及指导网络；
13、基于第一损失函数，将参数标签与高斯噪声输入所述生成器，得到生成样本数据集；
14、将所述实验样本训练集与所述生成样本数据集输入所述指导网络，得到校正样本数据集；
15、基于第二损失函数、所述实验样本训练集、所述生成样本数据集、所述校正样本数据集及参数标签对所述判别器进行训练，得到训练好的判别器；
16、通过所述判别器对所述实验样本测试集与所述生成样本数据集进行判别，当所述判别器无法判断所述生成器输出结果的真实性时，生成增强数据。
17、其中一个实施例中，第一损失函数的表达式为：
18、；
19、式中，表示损失权重；表示生成器生成样本概率分布；表示判别器；表示生成器；表示参数标签信息；表示随机取样；表示校正误差。
20、其中一个实施例中，第二损失函数的表达式为：
21、；
22、式中，表示原始样本概率分布；表示生成器生成样本概率分布；表示惩罚函数；表示梯度惩罚系数；表示判别器；表示生成器；表示真实样本数据分布；表示参数标签信息；表示随机取样；表示沿真实数据分布和生成数据分布之间连线的随机插值采样。
23、其中一个实施例中，所述生成器包括5个卷积层；各所述卷积层中均包括归一化层、激活层与卷积核。
24、其中一个实施例中，所述压强预测预训练模型包括3个卷积模块；各所述卷积模块中均包括残差网络、池化层与dropout层。
25、其中一个实施例中，基于深度神经网络构建压强预测预训练模型；将所述训练数据集输入所述压强预测预训练模型内进行训练后，采用所述测试数据集进行测试，得到训练好的压强预测模型，包括：
26、基于深度神经网络构建压强预测预训练模型，并初始化所述压强预测预训练模型参数；
27、将所述训练数据集分批次输入，并向前传播，计算第三损失函数；
28、判断是否遍历所述训练数据集，若是，则判断是否达到训练轮次或训练终止条件；
29、若否，则根据第三损失函数对压强预测预训练模型进行反向更新，自适应对所述压强预测预训练模型的每层权值进行优化。
30、其中一个实施例中，所述第三损失函数表达式为：
31、；
32、式中，表示真实值；表示模型的预测值；表示样本预测数量。
33、上述固体姿轨控发动机燃气调节阀压强修正方法，首先获取训练数据集与测试数据集；训练数据集包括仿真数据、第一实验数据以及增强数据，测试数据集包括第二实验数据；其中，在不同实验条件下获取实验数据，将实验数据划分为第一实验数据和第二实验数据；对不同工况下固体火箭发动机燃气调节阀进行仿真建模，以采集仿真数据；通过对第一实验数据依次进行归一化处理和降采样处理后，输入cwgan-gp-t模型进行训练，cwgan-gp-t模型包括判别器、生成器及指导网络，基于预设的损失函数，判别器、生成器与指导网络相互进行对抗训练，当判别器无法判断生成器输出结果的真实性时，生成增强数据；然后基于深度神经网络构建压强预测预训练模型；将训练数据集输入压强预测预训练模型内进行训练后，采用测试数据集进行测试，得到训练好的压强预测模型；通过训练好的压强预测模型对固体火箭发动机燃气调节阀工作过程中监测点的压强数据进行预测，得到预测结果；最后根据预测结果对所述固体火箭发动机燃气调节阀压强进行修正。
34、本发明增强数据的生成过程中结合了归一化处理、降采样处理以及设计的cwgan-gp-t模型，生成过程避免了模式崩溃、梯度消失、收敛慢和训练过程不稳定等缺陷，使生成样本质量更高；同时基于深度神经网络构建的压强预测预训练模型，能够构建数据间高度复杂的非线性关系；与训练数据集、预设的损失函数结合进行训练，能够显著提高压强预测预训练模型的计算效果和计算精度，根据预测结果对固体火箭发动机燃气调节阀进行高精度的压强修正，从而提升固体火箭发动机燃气调节阀仿真建模的效率和准确性。
1.一种固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，所述方法包括：
2.根据权利要求1所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，对所述第一实验数据依次进行归一化处理，表达式为：
3.根据权利要求2所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，对所述第一实验数据依次进行归一化处理和降采样处理后，输入cwgan-gp-t模型进行训练，所述cwgan-gp-t模型包括判别器、生成器及指导网络，基于预设的损失函数，所述判别器、所述生成器与所述指导网络相互进行对抗训练，当所述判别器无法判断所述生成器输出结果的真实性时，生成增强数据，包括：
4.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，第一损失函数的表达式为：
5.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，第二损失函数的表达式为：
6.根据权利要求3所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，所述生成器包括5个卷积层；各所述卷积层中均包括归一化层、激活层与卷积核。
7.根据权利要求1至6任一项所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，所述压强预测预训练模型包括3个卷积模块；各所述卷积模块中均包括残差网络、池化层与dropout层。
8.根据权利要求7所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，基于深度神经网络构建压强预测预训练模型；将所述训练数据集输入所述压强预测预训练模型内进行训练后，采用所述测试数据集进行测试，得到训练好的压强预测模型，包括：
9.根据权利要求8所述的固体姿轨控发动机燃气调节阀压强修正方法，其特征在于，所述第三损失函数表达式为：
