(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111504334.9 (22)申请日 2021.12.10 (71)申请人 中国科学院沈阳自动化研究所 地址 110016 辽宁省沈阳市沈河区南塔街 114号 (72)发明人 徐志刚　韩瑞　于海斌　贺云　 刘勇　王军义　 (74)专利代理 机构 沈阳科苑专利商标代理有限 公司 210 02 代理人 王倩 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 119/14(2020.01) (54)发明名称 火箭发动机喷管与燃烧室柔 顺对接方法 (57)摘要 本发明提供一种火箭发动机喷管与燃烧室 柔顺对接方法， 通过六自由度并联平台按预设的 运动路径控制火箭发动机喷管运动至与火箭发 动机燃烧室发生接触； 记录六维力传感器返回的 数据、 火箭发动机喷管的位置姿态并测量记录碰 撞点坐标， 形成训练数据集； 通过训练数据集训 练神经网络模 型， 并通过狼群算法优化深度学习 模型的预测数据集， 提高对碰撞预测点的定位精 度； 根据六维力传感器解算碰撞点处受力情况； 根据当前受力情况、 模型预测受力情况以及当前 火箭发动机喷管的位姿和碰撞 点， 通过柔顺控制 数学模型解算出下一时间点的火箭发动机喷管 的预期位姿； 运用深度强化学习算法在线学习柔 顺控制数 学模型中的超参数， 提高对接效果。 权利要求书3页 说明书7页 附图4页 CN 114239393 A 2022.03.25 CN 114239393 A 1.火箭发动机喷管与燃烧室柔 顺对接方法,其特 征在于， 包 含以下步骤: 步骤1:搭建基于六自由度并联平台的对接环境,安装等待对接的火箭发动机主体与喷 管,在未碰撞阶段,控制六自由度并联平台带动喷管按照已预先规划 好的运动路径进行运 动， 使其达 到等待碰撞试验位置； 步骤2:碰撞试验阶段,根据六维力传感器感知的数据,解算碰撞作用点范围,多次进行 碰撞试验,记录训练数据集,构建深度学习模型,预测碰撞范围,运用狼群优化算法对预测 的碰撞范围进行优化,得到最终碰撞范围； 步骤3： 对每一个碰撞点的碰撞范围进行 预测， 得到对接线路， 基于对接线路进行对接 。 2.根据权利要求1所述的火箭发动机喷管与燃烧室柔顺对接方法,其特征在于， 所述步 骤2包括以下步骤： 步骤2.1:进行随机碰撞试验,当火箭发动机喷管与火箭发动机主体发生碰撞时， 立刻 停止六自由度并联平台的运动,记录此时的六维力传感器采集的数据、 火箭发动机喷管 的 位姿以及碰撞位置范围； 步骤2.2:根据力的平 移不变性,利用六维力传感器的数据,解 算碰撞位置的受力方向； 步骤2.3:多次重复步骤2.1和步骤2.2,记录多组数据,构成训练数据集； 步骤2.4:构建BP神经网络模型,以六维力传感器采集的数据、 火箭发动机喷管的位姿 及碰撞位置的受力方向为输入,喷管的碰撞范围为输出,训练神经网络模型； 步骤2.5:运用狼群算法,对神经网络模型的预测结果集进行进一步的定位优化,以提 高对火箭发动机喷管碰撞点 位置的预测精度,缩小预测范围。 3.根据权利要求2所述的火箭发动机喷管与燃烧室柔顺对接方法,其特征在于， 所述六 维力传感器设于六自由度并联平台与火箭发动机喷管的支撑工装之 间， 用于采集传感器所 受的三个方向的受力与绕三个方向所受到的力矩。 4.根据权利要求2所述的火箭发动机喷管与燃烧室柔顺对接方法,其特征在于， 通过以 下公式解 算碰撞位置的受力方向： Fx+Fy+Fz＝F 其中， Fx表示X轴方向受力大小， Fy表示Y轴方向受力大小， Fz表示Z方向受力大小， F表示 合力大小。 5.根据权利要求2所述的火箭发动机喷管与燃烧室柔顺对接方法， 其特征在于， 所述步 骤2.4包括以下步骤： 步骤2.4.1： 构建包 含两层隐藏层的神经网络模型； 步骤2.4.2： 构建训练数据集， 其中输入由三部分组成， 第一部分是通过六维力传感器 采集的数据； 第二部分是发生碰撞时火箭发动机喷管 的位姿数据； 第三部分是发生碰撞 时 火箭发动机 喷管受力的方向； 输出 由两部分组成， 第一部分是预测作用在火箭发动机喷管 上的位置集 合； 第二部分是解 算出的火箭发动机喷管碰撞处的受力大小的数据； 步骤2.4.3： 构造需要优化的损失函数， n阶三维空间均方误差函数： 其中， xpiypizpi表示预测出的三轴坐标值， xiyizi表示实际测量的三轴坐标值；权　利　要　求　书 1/3 页 2 CN 114239393 A 2步骤2.4.4： 前向传播： 根据输入数据及神经网络权重矩阵、 偏置和激活函数计算当前 时刻的理论输出； 步骤2.4.5： 反向传播： 将当前时刻计算出的理论输出与实际数据集中的输出代入损失 函数， 并采用梯度下降法对损失函数进行优化， 利用优化结果更新神经网络的权 重矩阵； 步骤2.4.6： 迭代进行步骤2.4.4与步骤2.4.5， 不断降低损失函数的值， 以优化神经网 络模型， 直至神经网络模型输出的预测结果达 到设定的预测精度范围。 6.根据权利要求2所述的火箭发动机喷管与燃烧室柔顺对接方法， 其特征在于， 所述步 骤2.5包括以下步骤： 步骤2.5.1： 初始化： 设人工狼群的规模为N， 每一只人工狼代表在已经预测的碰撞范围 内的一个可能的碰撞点， 搜索空间的维数为D， 第i只人工 狼的空间位置表示 为： Xi＝(xi1， xi2， xi3， ...， xiD)， 1≤i≤N， 1≤d≤D xid＝xmin+rand(0， 1)*(xmax‑xmin) 其中， xid表示在某一维中的可能碰撞点的取值， xminxmax分别表示取值范围的下限与上 限， 即在预测范围中的可能碰撞点坐标的取值下限与上限， rand(0， 1)表示0， 1之间的随机 数； 步骤2.5.2： 竞争头狼： 选取适应度最好， 即随机生成的可能碰撞点中与实际碰撞点最 靠近的q只人工狼作为竞争者， 该q只人工狼在自己周围的h个方向进 行搜索， 设竞争狼的当 前位置是P0， P1是围绕当前位置产生的新位置， 若新产生的位置比当前位置更接近实际碰撞 点， 则将新产生的位置作为当前位置并继续搜索， 当游走结束时， 将当前最优位置的竞争狼 作为头狼， 其余的q ‑1只狼作为探狼， 则探狼附近产生的h个点的位置中第j个点第d维的位 置γjd， 1≤j≤h可表示为： γjd＝xxid+rand(0， 1)*stepa 其中， xxid为第i只探狼第d维的当前位置， stepa指游走步长， rand(0， 1)表示0， 1之间的 随机数； 步骤2.5.3： 头狼召唤： 头狼通过嚎叫发起召唤行为， 召集周围的k只探狼向头狼所在位 置靠拢， 则探狼i在第d维变量空间中第t+1次迭代所处的位置表示 为： 式中， 表示第t代头狼在第d维空间的位置， stepb表示探狼奔袭步长， 表示当前时 刻该维度的取值， 表示下一时刻该维度的取值； 步骤2.5.4： 围攻猎物： 将距离猎物较近的探狼与头狼联合对猎物进行围攻， 所述猎物 为头狼所在位置， 即当前状态下所发现的最优点， 并将距离猎物最近的位置视为猎物的移 动位置， 通过下式实现， 对于第t代狼群， 设猎物在第d维空间的中的位置为 stepc表示攻 击步长， 则狼群的围攻行为表示 为： 其中， rand( ‑1， 1)表示在 ‑1， 1之间的随机数； 步骤2.5.5： 狼群更新机制： 将狼群捕获的猎物按照由强到弱的原则进行排序， 即， 将得权　利　要　求　书 2/3 页 3 CN 114239393 A 3