来源：期刊VIP网 时间：
作者：于鹏程;娄碧轩;崔研;杨慧欣;
单位：沈阳航空航天大学航空宇航学院;
摘要：固体火箭发动机点火过程压强变化剧烈且难以实时测量，传统地面实验成本高昂，数值仿真常需简化假设，制约了精确预测。为此，提出一种基于卷积长短期记忆网络（ConvLSTM）与滑动窗口技术的深度学习预测方法。通过融合一维卷积的局部特征提取能力和LSTM的时间序列建模优势，构建端到端压强预示框架，利用历史实验数据学习不同工况下的动态规律，实现新工况下未来压强曲线的精准预测。实验表明，ConvLSTM模型的平均绝对百分比误差小于3%，较支持向量机、多层感知机及门控循环单元方法显著提升预测精度，为固体火箭发动机性能优化提供可靠的技术支撑。
关键词：固体火箭发动机;;点火过程;;神经网络;;深度学习;;压强预测
基金资助：辽宁省高校基本科研业务费项目（LT212410143038）
