本技术涉及炸药压制成型,尤其涉及一种高聚物粘结炸药装药质量预测方法、装置和服务器。
背景技术:
1、高聚物粘结炸药(简称:pbx)是由高能单质炸药、高聚物粘结剂和增塑剂等组成的聚合物基高能炸药。高聚物粘结炸药由于其爆轰能量高、安全性能好和力学性能优异等特点被广泛地应用于先进武器战斗部主装药及传爆序列中,而影响高聚物粘结炸药爆轰性能最重要的因素就是装药质量。
2、在高聚物粘结炸药领域中,造型粉的升级换代速度快,每一批次的造型粉各组分的配比以及各组分材料都可能会发生微小变化,而且成型后炸药本身也具有老化性能,超出一定的时间后爆轰、毁伤性能也会降低,这就意味着高聚物粘结炸药压制成型过程为多批次小批量的生产过程。工厂在成型高聚物粘结炸药过程中,单批次的产品往往造型粉相同并且成型后的高聚物粘结药柱尺寸也接近。
3、在预测某批次预计再生产的高聚物粘结炸药的装药质量方面,目前通过某批次已生产高聚物粘结炸药的相关数据构建深度神经网络(简称:dnn)预测模型,进而分析工艺参数和装药质量之间的关系,最后将训练好的预测模型应用在实际的生产过程中。但是某批次已生产高聚物粘结炸药的相关数据少,样本工艺参数输入的类型也较少,数据复杂度低,当尝试构建深度神经网络的时候很容易出现过拟合现象,这样就会导致在训练预测模型时误差很小,而实际应用时模型不准确、泛化能力低。
技术实现思路
1、本技术实施例通过提供一种高聚物粘结炸药装药质量预测方法、装置和服务器,能够解决现有高聚物粘结炸药装药质量的预测方法在训练预测模型时误差很小,而实际应用时模型不准确、泛化能力低的问题。
2、为了实现上述目的,本发明实施例的技术方案是:
3、第一方面,本发明实施例提供了一种高聚物粘结炸药装药质量预测方法,包括:
4、分别获取高聚物粘结炸药的每个历史批次和本批次的工艺参数和判别参数作为样本数据集;
5、将每个历史批次的所述样本数据集按照第一比例划分为训练集、验证集和测试集,将本批次的所述样本数据集按照第二比例划分为训练数据集和测试集,并将所述训练数据集划分为训练集和验证集;
6、利用所述高聚物粘结炸药每个历史批次的所述训练集建立并训练深度神经网络模型,其中,所述深度神经网络模型的输入包括所述工艺参数,输出包括所述判别参数;
7、利用每个历史批次的所述验证集计算所述深度神经网络模型的预测误差,调整所述深度神经网络模型的超参数,直至所述超参数在所述验证集上的所述深度神经网络模型的预测误差最小,分别得到每个历史批次的第一权重参数矩阵集合wk*的权重文件,其中,k为1,2,…,d-1,d;
8、利用d个第一权重参数矩阵集合wk*的权重文件构建本批次的深度神经网络模型的第二权重参数矩阵集合wt;
9、利用本批次的深度神经网络模型固定d个历史批次的第一权重参数矩阵集合wk*;
10、利用本批次的所述训练数据集训练并交叉验证本批次的深度神经网络预测模型,得到本批次的第三权重参数矩阵集合wt*;
11、将本批次的所述测试集输入至具有所述第三权重参数矩阵集合wt*的深度神经网络预测模型中预测。
12、结合第一方面,在一种可能的实现方式中,所述工艺参数包括:所述高聚物粘结炸药装药过程中的造型粉的预热温度t1、模具预热温度t2、加压速率v1、保压压力p、保压时间t、卸压速率v2;
13、所述判别参数包括:批次中的每个样本药柱多个区域中的最大密度值ρ1和最小密度值ρ2。
14、结合第一方面,在一种可能的实现方式中,包括:将所述训练集和所述验证集的所述造型粉的预热温度t1、模具预热温度t2、加压速率v1、保压压力p、保压时间t、卸压速率v2分别进行归一化处理。
15、结合第一方面,在一种可能的实现方式中,d个历史批次的所述深度神经网络预测模型采用relu激活函数和mse损失函数;
16、所述relu激活函数为:
17、所述mse损失函数为:
18、其中,fk表示第k个批次所构建的神经网络预测模型,k∈(1,2,…,d-1,d);表示第k个批次的第i个样本数据,nk表示第k个批次的训练集的样本数据的个数;为经过神经网络预测模型fk的预测数据;表示第k个批次中除输入层外每一层的权重参数矩阵的集合,为最后一个隐藏层到输出层的权重参数矩阵,并且所述保存在l层的信息中。
19、结合第一方面,在一种可能的实现方式中,所述利用所述高聚物粘结炸药每个历史批次的所述训练集训练深度神经网络模型包括:
20、在所述高聚物粘结炸药每个历史批次的所述训练集上进行梯度下降训练迭代权重参数矩阵集合得到深度神经网络模型,其中,所述梯度下降训练迭代公式为:
21、
22、其中,表示第k个批次深度神经网络模型进行梯度下降训练迭代时上一步的权重参数矩阵集合;表示进行梯度下降训练迭代时下一步的权重参数矩阵集合;t为训练迭代次数;η为学习率。
23、结合第一方面,在一种可能的实现方式中,利用d个第一权重参数矩阵集合wk*的权重文件构建本批次的深度神经网络模型的第二权重参数矩阵集合wt,包括:
24、将所述深度神经网络预测模型的每一层的修改为使且为所述深度神经网络预测模型的最后一个隐藏层到输出层的第二权重参数矩阵,αk为历史批次中第k批次的第一权重参数矩阵集合wk*与本批次的第二权重参数矩阵集合wt之间的相似度。
25、结合第一方面,在一种可能的实现方式中,所述将所述训练数据集划分为训练集和验证集,包括:
26、通过十折交叉验证方法将所述训练数据集划分为训练集和验证集。
27、第二方面,本发明另一实施例提供了一种高聚物粘结炸药装药质量预测装置,包括:
28、获取模块,用于分别获取高聚物粘结炸药的每个历史批次和本批次的工艺参数和判别参数作为样本数据集;
29、划分模块,用于将每个历史批次的所述样本数据集按照第一比例划分为训练集、验证集和测试集,将本批次的所述样本数据集按照第二比例划分为训练数据集和测试集,并将所述训练数据集划分为训练集和验证集;
30、建立及训练模块,用于利用所述高聚物粘结炸药每个历史批次的所述训练集建立并训练深度神经网络模型,其中,所述深度神经网络模型的输入包括所述工艺参数,输出包括所述判别参数;
31、计算模块,用于利用每个历史批次的所述验证集计算所述深度神经网络模型的预测误差,调整所述深度神经网络模型的超参数,直至所述超参数在所述验证集上的所述深度神经网络模型的预测误差最小,分别得到每个历史批次的第一权重参数矩阵集合wk*的权重文件,其中,k为1,2,…,d-1,d;
32、构建模块,用于利用d个第一权重参数矩阵集合wk*的权重文件构建本批次的深度神经网络模型的第二权重参数矩阵集合wt;
33、固定模块,用于利用本批次的深度神经网络模型固定d个历史批次的第一权重参数矩阵集合wk*;
34、验证模块,用于利用本批次的所述训练数据集训练并交叉验证本批次的深度神经网络预测模型,得到本批次的第三权重参数矩阵集合wt*;
35、预测模块,用于将本批次的所述测试集输入至具有所述第三权重参数矩阵集合wt*的深度神经网络预测模型中预测。
36、第三方面,本发明又一实施例提供了一种服务器,包括:存储器和处理器;
37、所述存储器用于存储程序指令;
38、所述处理器用于执行接收机中的程序指令,使得所述服务器执行上述所述的高聚物粘结炸药装药质量预测方法。
39、第四方面,本发明再一实施例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存储有可执行指令,计算机执行所述可执行指令时能够实现上述所述的高聚物粘结炸药装药质量预测方法。
40、本发明实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
41、本技术实施例提供的高聚物粘结炸药装药质量预测方法,利用历史批次的装药数据具有一定的相似性来建立历史每个批次与本批次数据的相似度,通过一次次地遍历循环,不断地减小本批次的损失函数,进而不断地优化更新历史每个批次与本批次的装药数据的相似度,最终将多个历史批次的装药数据迁移至本批次的神经网络预测模型中,提高了本批次的神经网络预测模型的预测精度和泛化能力。