基于深度元学习的固体发动机性能预测方法研究OA北大核心CSTPCD

针对飞行器动力系统中固体发动机性能实验的诸多限制,如高成本、专业设备需求、特定实验环境、高风险性等问题,本文提出了一种基于深度元学习的人工智能方法,用于发动机性能预测。该方法采用模型不可知元学习(Model-Agnostic Meta-Learning,MAML)和深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)模型,首先根据不同实验条件划分推力-时间数据为不同训练任务,通过内循环训练得到各任务最佳模型参数,在外循环中更新模型初始化参数,内外循环迭代优化后,获得了能够高精度预测固体发动机总冲的模型,最后用新任务进行测试。测试结果显示,相较于无元学习的DCNN,该方法在测试集上的误差显著下降,百分比误差最大为2.27%。证明了元学习模型在小样本条件下对固体发动机性能的高精度预测能力。