关键词:
固体火箭发动机
燃面退移测试
超稀疏视角CT成像
燃面退移建模
缺陷检测与定位
摘要:
固体火箭发动机(Solid Rocket Motor,SRM)作为当今战略、战术导弹武器系统的首选动力装置,其内部燃面变化对内弹道性能与结构可靠性至关重要。为确保SRM自主可控、安全可靠、威慑有效,进行燃面退移测试是必要的,也是十分迫切的。SRM内结构燃面的变化是瞬态、动态过程,现有超声、微波等测试方法在成像分辨率和效率方面无法满足内结构燃面的动态测试需求。X射线计算机层析成像(Computed Tomography,CT)技术可通过高速摄影获得不同时间节点的瞬态燃面进行可视测试,直观表征SRM内结构燃面的动态变化。由于SRM自身结构、工作特性及试车环境的限制,无法通过SRM旋转、成像系统旋转、多视角静态扫描等模式获取投影数据。因此,本文致力于突破传统CT成像模式,将稀疏采样至极限,研究基于超稀疏视角CT成像的SRM燃面退移测试方法。系统地开展退移仿真模型建模、超稀疏视角CT重建、缺陷检测与定位研究,对于深入开展SRM试车内结构燃面动态测试工程应用技术研究积累实验数据样本、奠定良好的技术基础具有重要意义。主要的研究工作如下:
(1)针对SRM样本获取难度高以及传统数值方法在求解SRM燃面退移算法计算量大、时间成本高的问题,提出了基于水平集(Level-set,LS)物理模型指导的SRM燃面退移建模算法。该算法将数值求解方法与神经网络集成,来有效表征偏微分方程(Partial Differential Equation,PDE)物理系统。同时构造物理约束优化目标,将科学知识(如PDE、边界条件、优化条件)纳入模型,在数据有限的情况下使训练程序正规化,以得到物理上合理、一致、精度高的结果。实验结果表明,所提出的物理指导学习范式可以加速PDE求解。与数值求解方法相比,在数量级上提高了一次迭代计算时间。此外,该算法具有良好的泛化性,能够有效处理具有均匀燃速、非均匀燃速和含缺陷装药燃面的情况。该算法的提出用于支撑基于数据驱动的超稀疏视角CT重建网络的训练与调优。
(2)针对每个时间状态可获取的X射线投影非常有限,解析重建、基于模型的迭代重建方法应用受限等问题,提出了超稀疏视角下数据驱动的SRM燃面退移CT重建算法。该算法将CT图像重建定义为一种数据驱动的监督学习任务,在编码-解码框架的基础上引入双视角特征自适应融合模块,实现任意正交方向的X射线投影到CT的跨维度映射。提出的超稀疏视角CT重建网络从特征通道维度推断CT体素深度,避免级联3D卷积带来的内存负担。通过实施静态验证实验和动态验证实验,重建的CT体积图像的均方根误差(Root Mean Square Error,RMSE)低于0.01,峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)高于35d B,结构相似度度量(Structure Similarity Index Measure,SSIM)高于0.98。该算法在保证重建质量的前提下,能够显著减少对投影数量的依懒性。
(3)鉴于SRM X射线缺陷图像对比度低、纹理特征不清晰、灰度边缘差值小以及缺陷区域范围小等特性,提出了一种与密度相关的基于分数生成模型的SRM燃面缺陷检测与定位算法。针对数据的稀缺性可能会导致生成模型无法充分学习到数据分布特征的问题,引入了Hankel矩阵进行数据集增强。训练阶段,采用基于随机微分方程(Stochastic Differential Equation,SDE)分数生成模型,建立正样本的分数训练模型,直接对正常数据概率分布进行建模。测试阶段,建立负样本的分数推理模型,通过预测器、校正器和低秩约束交替执行,缺陷区域被恢复正常。最后,基于重建误差分配异常分数进行缺陷检测与定位。通过仿真和实际数据验证,该算法在无监督模式和小样本数据下具有良好的性能,缺陷检测指标高于95%,缺陷定位指标高于92%。