CN109325288A - 一种基于不确定性优化的固体运载器总体参数确定方法及系统 - Google Patents
一种基于不确定性优化的固体运载器总体参数确定方法及系统 Download PDFInfo
- Publication number
- CN109325288A CN109325288A CN201811082517.4A CN201811082517A CN109325288A CN 109325288 A CN109325288 A CN 109325288A CN 201811082517 A CN201811082517 A CN 201811082517A CN 109325288 A CN109325288 A CN 109325288A
- Authority
- CN
- China
- Prior art keywords
- model
- launch vehicle
- solid launch
- optimization
- uncertainty
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
一种基于不确定性优化的固体运载器总体参数确定方法及系统,构建固体运载器系统模型,包括优化变量和系统参数;根据固体运载器系统模型,建立确定性优化模型;建立固体运载器系统模型中优化变量和系统参数的偏差模型;根据固体运载器系统模型、确定性优化模型和偏差模型,建立不确定性优化模型;对确定性优化模型进行求解,得到求解结果;将求解结果作为不确定性优化模型的初值,对不确定性优化模型进行求解,得到固体运载器总体参数。在总体参数设计时考虑研制过程中存在的不确定性因素的影响,提高设计方案的稳健性和可靠性,使总体方案更具竞争性。
Description
技术领域
本发明涉及一种基于不确定性优化的固体运载器总体参数确定方法及系统,可有效提高固体运载器总体设计方案的质量,属于飞行器总体设计领域。
背景技术
固体运载器具有响应速度快、机动性强、可靠性高、成本低的特点,是一种重要的航天运载器。在固体运载器方案论证初期,需要根据已确定的技术指标要求,对级间比、各级发动机推力及工作时间等总体参数进行优化设计。该环节是固体运载器总体方案设计的基础,对运载器的总体性能水平有着显著的影响。
传统的设计方法往往将总体与其它学科解耦,采用串行模式进行设计,需要多轮反复迭代,设计效率较低的同时也难以发挥运载器的总体性能。为解决这一问题,很多设计者采用多学科设计优化(MDO)技术解决这一问题,将各学科模型进行集成优化,在一定程度上提高了设计效率及运载器的总体性能水平。
但采用MDO技术进行总体参数设计时,一般都将优化变量及系统参数看成是确定性的,而在实际的工程研制过程中,各变量及参数往往存在较大的不确定性,由于没有考虑这些不确定性因素的影响,其方案的稳健性和可靠性往往较差,在详细设计阶段方案可能不能有效闭合,需要对设计方案进行大幅调整,甚至重新设计,造成研制周期和成本的大幅提升,不利于实际的工程应用。因此,在进行固体运载器总体参数设计时考虑不确定性因素的影响是十分必要的,通过对这些不确定性因素的量化考量,可有效提高总体方案的稳健性和可靠性,进而缩短固体运载器的研制周期,降低研制成本。
发明内容
本发明解决的技术问题为:克服现有技术难题,提供一种基于不确定性优化的固体运载器总体参数确定方法,在总体参数设计时考虑研制过程中存在的不确定性因素的影响,提高设计方案的稳健性和可靠性,缩短固体运载器的研制周期,降低研制成本,使总体方案更具竞争性。
本发明解决的技术方案为:一种基于不确定性优化的固体运载器总体参数确定方法,步骤如下:
(1)构建固体运载器系统模型,包括优化变量和系统参数;
(2)根据步骤(1)固体运载器系统模型,建立确定性优化模型;
(3)建立步骤(1)的固体运载器系统模型中优化变量和系统参数的偏差模型;
(4)根据步骤(1)的固体运载器系统模型、步骤(2)的确定性优化模型和步骤(3)的偏差模型,建立不确定性优化模型;
(5)对步骤(2)的确定性优化模型进行求解,得到求解结果;
(6)将步骤(5)的求解结果作为步骤(4)的不确定性优化模型的初值,对步骤(4)的不确定性优化模型进行求解,得到固体运载器总体参数。
步骤(1)构建固体运载器系统模型,包括优化变量和系统参数,具体如下:
固体运载器系统模型包括发动机模型、总体模型及弹道模型。
发动机模型根据优化变量计算能够得到发动机的性能、质量、尺寸参数。
发动机模型包括优化变量和系统参数,其中优化变量包括:装药量mp、工作压强pc、工作时间tw、喷管扩张比ε。系统参数包括:比冲效率、燃烧室压强比、药柱装填分数、喷管冲质比、喷管潜入比、喷管长度系数、发动机其它部件结构质量系数。
总体模型,能够根据发动机的质量、尺寸参数,确定固体运载器的各级起飞质量及尺寸参数。
总体模型包括系统参数,该系统参数为各子级结构质量系数。
弹道模型,能够根据发动机的性能和固体运载器的各级起飞质量,进行弹道计算,获得固体运载器的最大射程、一级飞行段最大动压、一二级分离动压。
弹道模型包括系统参数,该系统参数为各级气动力系数。
步骤(2)根据步骤(1)固体运载器系统模型,建立确定性优化模型,具体如下:
把优化变量及系统参数视为确定即不发生变化的,建立确定性优化模型,包括所有优化变量、所有系统参数、约束条件及目标函数。
其中,优化变量和系统参数已在步骤(1)中给出。
约束条件为总体模型得到的运载器起飞质量m0、总长Lm小于限定值,及弹道模型得到的一级飞行段最大动压qm、一二级分离动压qs小于限定值。
目标函数为弹道模型得到的运载器射程L最大。
步骤(3)建立步骤(1)的固体运载器系统模型中的优化变量和系统参数的偏差模型,具体如下:
应用数学方法,对优化变量和系统参数的不确定性进行准确的描述和量化。
步骤(4)根据步骤(1)的固体运载器系统模型、步骤(2)的确定性优化模型和步骤(3)的偏差模型,建立不确定性优化模型,具体如下;
保持步骤(2)的优化变量和系统参数不变,修改步骤(2)中的目标函数及约束条件形成不确定性优化模型,目标函数修改为射程均值μL和标准差σL的权重和函数F,约束条件修改为各约束的可靠度Pr大于给定值G。其中,各约束的可靠度Pr应用可靠性方法进行计算。
步骤(5)对步骤(2)的确定性优化模型进行求解,得到求解结果,具体如下:
求解中的优化算法先使用智能优化算法进行全局寻优,得到次优解,而后采用数值优化算法进行局部寻优,得到全局最优解。
步骤(6)将步骤(5)的求解结果作为步骤(4)的不确定性优化模型的初值,对步骤(4)的不确定性优化模型进行求解,得到固体运载器总体参数,具体如下:
将步骤(5)得到的确定性优化结果作为步骤(4)的不确定性优化模型的求解初值,进行优化求解,求解中的优化算法选用数值优化算法寻优,得到最终求解结果即固体运载器总体参数:各级发动机的装药量mp、工作压强pc、工作时间tw、喷管扩张比ε,完成总体参数优化。
固体运载器系统模型包括发动机模型、总体模型及弹道模型。
发动机模型根据优化变量计算能够得到发动机的性能、质量、尺寸参数。
总体模型,能够根据发动机的质量、尺寸参数,确定固体运载器的各级起飞质量及尺寸参数。
一种基于不确定性优化的固体运载器总体参数确定系统,包括:构建模块、确定性优化模型建立模块、偏差模型建立模块、不确定性优化模型建立模块、求解模块、参数确定模块;
构建模块,构建固体运载器系统模型,包括优化变量和系统参数;
确定性优化模型建立模块,根据固体运载器系统模型,建立确定性优化模型;
偏差模型建立模块,建立固体运载器系统模型中优化变量和系统参数的偏差模型;
不确定性优化模型建立模块,根据固体运载器系统模型、确定性优化模型和步偏差模型,建立不确定性优化模型;
求解模块,对确定性优化模型进行求解,得到求解结果;
参数确定模块,将求解结果作为不确定性优化模型的初值,对不确定性优化模型进行求解,得到固体运载器总体参数。
本发明与现有技术相比的优点在于:
(1)本发明方法可显著提高设计约束的可靠度,提高固体运载器总体设计方案的稳健性和可靠性。
(2)对固体运载器研制过程中各学科的不确定性因素进行统一量化考量,可提升精细化设计水平。
(3)本发明在建立系统模型时,对各学科进行集成考虑,可利用各学科间的协同效应,得到固体运载器系统最优解。
(4)本发明在对建立的不确定模型进行求解时,使用确定性优化结果作为初值,可提高求解效率及精度。
(5)本发明通过对各学科集成优化,并量化考量各学科中的不确定性因素,可提高固体运载器的总体性能水平,并缩短研制周期、降低研制成本。
附图说明
图1为本发明方法流程图;
图2为本发明固体运载器系统模型图;
图3为本发明固体运载器主动段飞行程序角;
图4为本发明确定性优化流程图;
图5为本发明不确定性优化流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细描述。
本发明的一种基于不确定性优化的固体运载器总体参数确定方法,应用于多级固体运载器的方案论证初期,提高设计方案的稳健性和可靠性,进而提升固体运载器的方案论证效率及性能水平。本发明一种基于不确定性优化的固体运载器总体参数确定方法,方案步骤依次为:(1)构建固体运载器系统模型,包括优化变量和系统参数;(2)根据步骤(1)固体运载器系统模型,建立确定性优化模型;(3)建立步骤(1)的固体运载器系统模型中优化变量和系统参数的偏差模型;(4)根据步骤(1)的固体运载器系统模型、步骤(2)的确定性优化模型和步骤(3)的偏差模型,建立不确定性优化模型;(5)对步骤(2)的确定性优化模型进行求解,得到求解结果;(6)将步骤(5)的求解结果作为步骤(4)的不确定性优化模型的初值,对步骤(4)的不确定性优化模型进行求解,得到固体运载器总体参数。在总体参数设计时考虑研制过程中存在的不确定性因素的影响,提高设计方案的稳健性和可靠性,使总体方案更具竞争性。
本发明方法流程如图1所示,固体运载器为三级,针对三级固体运载器的实施例对具体步骤进行描述:
(1)构建固体运载器系统模型
固体运载器系统模型构成如图2所示,包括发动机模型、总体模型及弹道模型。
(1.1)建立发动机模型
发动机模型根据优化变量计算能够得到发动机的性能、质量、尺寸参数。
发动机模型包括优化变量和系统参数,其中优化变量包括:装药量mp、工作压强pc、工作时间tw、喷管扩张比ε。实际上,优化变量的选取有多种方式,一般选取一组相互独立的变量即可,此外,发动机直径Dm依据已有型谱确定,不参与优化。
系统参数包括:比冲效率、燃烧室压强比、药柱装填分数、喷管冲质比、喷管潜入比、喷管长度系数、发动机其它部件结构质量系数,系统参数的选择也可根据发动机模型特点进行调整,取值可依据同类型号确定,优选取值范围如表1所示。
表1发动机系统参数取值范围
发动机模型建立步骤如下:
(1.1.1)发动机性能计算:参照相关工程设计方法,利用经验公式估算发动机比冲,进而由发动机装药量及工作时间确定平均推力。
(1.1.2)发动机质量计算:参照相关工程设计方法,对发动机燃烧室壳体质量、喷管质量、其它部件结构质量进行估算,得到发动机总质量。
(1.1.3)发动机尺寸计算:只需计算发动机长度Ls,计算公式为
Ls=Lc+(1-δ)Ln,其中,Lc为燃烧室长度,由燃烧室几何关系确定;δ为发动机潜入比,可参考同类型号选定;Ln为喷管总长度,估算公式为Ln=Rt+knDe,其中,Rt为喉部半径;kn为喷管长度系数;De为喷管出口外径。
(1.2)建立总体计算模型
总体模型能够根据发动机的质量、尺寸参数,确定固体运载器的各级起飞质量及尺寸参数。
总体模型包括系统参数,该系统参数为各子级结构质量系数。
实施例针对三级固体运载器进行计算,起飞时整个运载器称为第一级,第一级发动机工作完毕,去除对以后工作无用的消极质量后,即为第二级,第二级发动机工作完毕后,去除对以后工作无用的消极质量后,即为第三级。
总体模型建立步骤如下:
(1.2.1)计算各子级结构质量mk:计算公式为mk=λkms,其中,ms为发动机质量;λk为子级结构质量系数,可参考同类型号数据取值。
(1.2.2)计算各级起飞质量:计算公式为其中j0为固体运载器级数;mj0表示j0级起飞质量;msj为第j级发动机质量;mkj为第j子级结构质量;mg为有效载荷质量,由飞行任务给定;运载器起飞质量m0与一级起飞质量相等,即m0=m1。
(1.2.3)计算固体运载器的尺寸参数:只需对固体运载器长度Lm进行计算,计算公式为其中,Lsj为第j级发动机长度,Lg为有效载荷长度,由飞行任务给定。
(1.3)建立弹道模型
弹道模型能够根据发动机的性能和固体运载器的各级起飞质量,进行弹道计算,获得固体运载器的最大射程、一级飞行段最大动压、一二级分离动压。
弹道模型包括系统参数,该系统参数为各级气动力系数。
弹道模型的建立步骤如下:
(1.3.1)计算最大射程标准弹道:采用图3所示的飞行模式,图中横坐标为飞行时间,纵坐标为飞行程序角,以攻角转弯段最大负攻角αM为自变量,求解方程Θr=Θrmax计算最大射程,其中,Θr为再入点当地弹道倾角;Θrmax为允许的最大当地弹道倾角。
(1.3.2)计算最大射程偏差弹道:考虑固体运载器在制造、使用过程中产生的偏差量,采用上步中获得的标准弹道程序角数据计算上、下偏差弹道,用以判断飞行过程约束的满足情况,本实施例中只考虑了影响最为显著的各级发动机燃速偏差。
其中,计算最大射程标准弹道和最大射程偏差弹道的运动学方程为:
其中,x、y、z为位置向量在发射系下的分量;Vx、Vy、Vz为速度向量在发射系下的分量;GB为弹体坐标系至发射坐标系的转换矩阵;m为运载器质量;P为发动机推力;GV为速度坐标系至发射坐标系的转换矩阵;X、Y、Z分别为运载器的气动阻力、升力、侧力,可使用同类型号的气动力系数进行计算;gx、gy、gz为引力加速度在发射系下的分量;为发动机燃气秒流量;t为运载器飞行时间。
(2)建立确定性优化模型
确定性优化流程如图4所示,需把优化变量及系统参数视为确定即不发生变化的,建立确定性优化模型,包括所有优化变量、所有系统参数、约束条件及目标函数。
优化变量X和系统参数P已在步骤(1)中给出。其中,优化变量X包括各级发动机的装药量mp、工作压强pc、工作时间tw、喷管扩张比ε,系统参数P包括发动机、总体、弹道模型中的所有系统参数。
约束条件为总体模型得到的运载器起飞质量m0、总长Lm小于限定值,及弹道模型得到的一级飞行段最大动压qm、一二级分离动压qs小于限定值。
目标函数为弹道模型得到的运载器射程L最大。
对于本实施例的三级固体运载器,统一的数学表达即优化模型为:
其中:j表示发动机级数;mpj、pcj、twj、εj分别表示第j级发动机的装药量、工作压强、工作时间、喷管扩张比;qmlim、qslim、m0lim、Lmlim分别表示各约束的限定最大值;XL和XU为优化变量的取值区间,根据任务需要确定,XL优选为优化变量初值的0.5倍,XU优选为优化变量初值的1.5倍;min表示求最小值;s.t.为约束条件;find为寻优优化变量初值。
(3)建立优化变量和系统参数的偏差模型
把优化变量及系统参数视为不确定即变化的,应用数学方法,对优化变量和系统参数的不确定性进行准确的描述和量化。建模方法可分为概率和非概率方法两类,本实施例采用较为成熟的概率类方法。
在固体运载器的全生命周期中,不确定性因素分别存在于研制阶段及制造、使用阶段。本发明的应用场景为总体方案初步论证阶段,研制阶段的不确定性因素影响更为显著,因此本发明主要对这一阶段的不确定性因素进行考量。
偏差模型为确定优化变量及系统参数的分布方式及极限偏差,实施例的分布方式采用正态分布,优化变量及系统参数的极限偏差选取如表2和表3所示。
表2优化变量的极限偏差表
优化变量 | 优化变量含义 | 极限偏差3σ |
m<sub>p1</sub>、m<sub>p2</sub>、m<sub>p3</sub> | 发动机装药量 | 0.015 |
p<sub>c1</sub>、p<sub>c2</sub>、p<sub>c3</sub> | 发动机工作压强 | 0.05 |
t<sub>w1</sub>、t<sub>w2</sub>、t<sub>w3</sub> | 发动机工作时间 | 0.05 |
ε<sub>1</sub>、ε<sub>2</sub>、ε<sub>3</sub> | 发动机喷管扩张比 | 0.05 |
表3系统参数的极限偏差表
(4)建立不确定性优化模型
不确定性优化流程如图5所示,需保持步骤(2)的优化变量和系统参数不变,并修改目标函数及约束条件构建不确定性优化模型,目标函数修改为射程均值μL和标准差σL的权重和函数F,约束条件修改为各约束的可靠度Pr大于给定值G,不确定性优化模型的数学表述为:
其中,gi(·)为第i个约束条件,已在步骤(2)中给出;G的取值区间为0.9~1.0,本实施例中G优选为0.95。
各约束的可靠度Pr应用可靠性方法进行计算,该部分称为不确定性分析,本实施例采用效率最高的期望一阶分析法计算,该方法的数学表述如下:
其中,βi为i个约束条件的可靠性指标;Z为优化变量X及系统参数P的集合向量;gi(·)为第i个约束条件,已在步骤(2)中给出;Zk为向量Z的第k个分量;n为向量Z中分量的个数;Φ(·)是标准正态分布函数;μZ为向量Z中各分量均值构成的向量;为Zk的方差。
同时,采用泰勒级数一阶展开的方法计算射程均值μL和标准差σL,公式为:
其中,f(·)为目标函数,即步骤(2)中的f(X,P)=-L。
(5)确定性优化模型求解
对步骤(2)的确定性优化模型进行求解,求解中的优化算法先使用智能优化算法进行全局寻优,得到次优解,而后采用数值优化算法进行局部寻优,得到全局最优解。本实施例中智能优化算法选用粒子群算法(PSO),数值优化算法选用序列二次规划法(SQP)。
确定性优化模型求解得到各级发动机的装药量mp、工作压强pc、工作时间tw、喷管扩张比ε。
(6)不确定性优化模型求解
将步骤(5)得到的确定性优化结果作为步骤(4)的不确定性优化模型的求解初值,进行优化求解,求解中的优化算法选用数值优化算法寻优,本实施例选用SQP算法,得到的求解结果为各级发动机的装药量mp、工作压强pc、工作时间tw、喷管扩张比ε,即为最终的固体运载器总体参数,本实施例的结果如表4所示,表4中数据以确定性优化结果为基准进行无量纲化。
表4不确定性优化模型求解结果表
目标函数及约束条件的仿真结果如下表所示,表中数据以确定性优化结果为基准进行无量纲化。由表5可知:相比于确定性优化方法,本发明的不确定方法射程减小2%,但各约束可靠度由50%左右提高到95%以上,表明设计方案的稳健性及可靠性大幅提高。虽然采用该方法运载能力有一定损失,但实际上,通过对系统不确定性因素的量化考量,可提升精细化设计水平,有利于进一步提升固体运载器的总体性能水平。
表5目标函数及约束条件的仿真结果表
本发明方法可显著提高设计约束的可靠度,提高固体运载器总体设计方案的稳健性和可靠性;对固体运载器研制过程中各学科的不确定性因素进行统一量化考量,可提升精细化设计水平;本发明在建立系统模型时,对各学科进行集成考虑,可利用各学科间的协同效应,得到固体运载器系统最优解;本发明在对建立的不确定模型进行求解时,使用确定性优化结果作为初值,可提高求解效率及精度;通过对各学科集成优化,并量化考量各学科中的不确定性因素,可提高固体运载器的总体性能水平,并缩短研制周期、降低研制成本。
本发明说明书中未作详细描述的内容属本领域技术人员的公知内容。
Claims (11)
1.一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于步骤如下:
(1)构建固体运载器系统模型,包括优化变量和系统参数;
(2)根据步骤(1)固体运载器系统模型,建立确定性优化模型;
(3)建立步骤(1)的固体运载器系统模型中优化变量和系统参数的偏差模型;
(4)根据步骤(1)的固体运载器系统模型、步骤(2)的确定性优化模型和步骤(3)的偏差模型,建立不确定性优化模型;
(5)对步骤(2)的确定性优化模型进行求解,得到求解结果;
(6)将步骤(5)的求解结果作为步骤(4)的不确定性优化模型的初值,对步骤(4)的不确定性优化模型进行求解,得到固体运载器总体参数。
2.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(1)构建固体运载器系统模型,包括优化变量和系统参数,具体如下:
固体运载器系统模型包括发动机模型、总体模型及弹道模型;
发动机模型根据优化变量计算能够得到发动机的性能、质量、尺寸参数;
发动机模型包括优化变量和系统参数,其中优化变量包括:装药量mp、工作压强pc、工作时间tw、喷管扩张比ε;系统参数包括:比冲效率、燃烧室压强比、药柱装填分数、喷管冲质比、喷管潜入比、喷管长度系数、发动机其它部件结构质量系数;
总体模型,能够根据发动机的质量、尺寸参数,确定固体运载器的各级起飞质量及尺寸参数;
总体模型包括系统参数,该系统参数为各子级结构质量系数;
弹道模型,能够根据发动机的性能和固体运载器的各级起飞质量,进行弹道计算,获得固体运载器的最大射程、一级飞行段最大动压、一二级分离动压;
弹道模型包括系统参数,该系统参数为各级气动力系数。
3.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(2)根据步骤(1)固体运载器系统模型,建立确定性优化模型,具体如下:
把优化变量及系统参数视为确定即不发生变化的,建立确定性优化模型,包括所有优化变量、所有系统参数、约束条件及目标函数;
其中,优化变量和系统参数已在步骤(1)中给出;
约束条件为总体模型得到的运载器起飞质量m0、总长Lm小于限定值,及弹道模型得到的一级飞行段最大动压qm、一二级分离动压qs小于限定值;
目标函数为弹道模型得到的运载器射程L最大。
4.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(3)建立步骤(1)的固体运载器系统模型中的优化变量和系统参数的偏差模型,具体如下:
应用数学方法,对优化变量和系统参数的不确定性进行准确的描述和量化。
5.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(4)根据步骤(1)的固体运载器系统模型、步骤(2)的确定性优化模型和步骤(3)的偏差模型,建立不确定性优化模型,具体如下;
保持步骤(2)的优化变量和系统参数不变,修改步骤(2)中的目标函数及约束条件形成不确定性优化模型,目标函数修改为射程均值μL和标准差σL的权重和函数F,约束条件修改为各约束的可靠度Pr大于给定值G;其中,各约束的可靠度Pr应用可靠性方法进行计算。
6.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(5)对步骤(2)的确定性优化模型进行求解,得到求解结果,具体如下:
求解中的优化算法先使用智能优化算法进行全局寻优,得到次优解,而后采用数值优化算法进行局部寻优,得到全局最优解。
7.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:步骤(6)将步骤(5)的求解结果作为步骤(4)的不确定性优化模型的初值,对步骤(4)的不确定性优化模型进行求解,得到固体运载器总体参数,具体如下:
将步骤(5)得到的确定性优化结果作为步骤(4)的不确定性优化模型的求解初值,进行优化求解,求解中的优化算法选用数值优化算法寻优,得到最终求解结果即固体运载器总体参数:各级发动机的装药量mp、工作压强pc、工作时间tw、喷管扩张比ε,完成总体参数优化。
8.根据权利要求1所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:固体运载器系统模型包括发动机模型、总体模型及弹道模型。
9.根据权利要求8所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:发动机模型根据优化变量计算能够得到发动机的性能、质量、尺寸参数。
10.根据权利要求8所述的一种基于不确定性优化的固体运载器总体参数确定方法,其特征在于:总体模型,能够根据发动机的质量、尺寸参数,确定固体运载器的各级起飞质量及尺寸参数。
11.一种基于不确定性优化的固体运载器总体参数确定系统,其特征在于包括:构建模块、确定性优化模型建立模块、偏差模型建立模块、不确定性优化模型建立模块、求解模块、参数确定模块;
构建模块,构建固体运载器系统模型,包括优化变量和系统参数;
确定性优化模型建立模块,根据固体运载器系统模型,建立确定性优化模型;
偏差模型建立模块,建立固体运载器系统模型中优化变量和系统参数的偏差模型;
不确定性优化模型建立模块,根据固体运载器系统模型、确定性优化模型和步偏差模型,建立不确定性优化模型;
求解模块,对确定性优化模型进行求解,得到求解结果;
参数确定模块,将求解结果作为不确定性优化模型的初值,对不确定性优化模型进行求解,得到固体运载器总体参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082517.4A CN109325288B (zh) | 2018-09-17 | 2018-09-17 | 一种基于不确定性优化的固体运载器总体参数确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811082517.4A CN109325288B (zh) | 2018-09-17 | 2018-09-17 | 一种基于不确定性优化的固体运载器总体参数确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109325288A true CN109325288A (zh) | 2019-02-12 |
CN109325288B CN109325288B (zh) | 2023-04-07 |
Family
ID=65265881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811082517.4A Active CN109325288B (zh) | 2018-09-17 | 2018-09-17 | 一种基于不确定性优化的固体运载器总体参数确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109325288B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562999A (zh) * | 2017-07-31 | 2018-01-09 | 上海宇航系统工程研究所 | 运载火箭固体发动机制导偏差仿真方法 |
CN112182787A (zh) * | 2020-11-03 | 2021-01-05 | 中国运载火箭技术研究院 | 确定运载火箭的总体偏差量的方法、系统、终端及介质 |
CN112528441A (zh) * | 2021-02-18 | 2021-03-19 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机总体参数设计方法、装置和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053764A1 (en) * | 2010-08-30 | 2012-03-01 | King Fahd University Of Petroleum And Minerals | Particle swarm-based micro air launch vehicle trajectory optimization method |
CN103593519A (zh) * | 2013-10-31 | 2014-02-19 | 中国运载火箭技术研究院 | 一种基于试验设计的运载火箭总体参数优化方法 |
CN103955557A (zh) * | 2014-03-31 | 2014-07-30 | 北京航空航天大学 | 一种运载火箭多学科综合设计优化方法与系统 |
CN106407586A (zh) * | 2016-09-28 | 2017-02-15 | 北京航空航天大学 | 一种基于不确定优化的飞行器结构功能一体化设计平台系统 |
CN106777492A (zh) * | 2016-11-16 | 2017-05-31 | 北京航空航天大学 | 一种结构系统非概率可靠性优化设计方法 |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
-
2018
- 2018-09-17 CN CN201811082517.4A patent/CN109325288B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053764A1 (en) * | 2010-08-30 | 2012-03-01 | King Fahd University Of Petroleum And Minerals | Particle swarm-based micro air launch vehicle trajectory optimization method |
CN103593519A (zh) * | 2013-10-31 | 2014-02-19 | 中国运载火箭技术研究院 | 一种基于试验设计的运载火箭总体参数优化方法 |
CN103955557A (zh) * | 2014-03-31 | 2014-07-30 | 北京航空航天大学 | 一种运载火箭多学科综合设计优化方法与系统 |
CN106407586A (zh) * | 2016-09-28 | 2017-02-15 | 北京航空航天大学 | 一种基于不确定优化的飞行器结构功能一体化设计平台系统 |
CN106777492A (zh) * | 2016-11-16 | 2017-05-31 | 北京航空航天大学 | 一种结构系统非概率可靠性优化设计方法 |
CN106909718A (zh) * | 2017-01-23 | 2017-06-30 | 沈阳航空航天大学 | 一种在不确定性环境下的工程结构优化设计方法 |
Non-Patent Citations (4)
Title |
---|
梁欣欣等: "固体运载器大气飞行段内弹道优化设计研究", 《弹道学报》 * |
王宇等: "考虑不确定性的飞机总体参数优化方法", 《航空学报》 * |
胡凡等: "固体运载火箭轨迹/总体参数一体化优化设计研究", 《固体火箭技术》 * |
黄体圣等: "固体运载器发动机内弹道设计方法", 《航空学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562999A (zh) * | 2017-07-31 | 2018-01-09 | 上海宇航系统工程研究所 | 运载火箭固体发动机制导偏差仿真方法 |
CN107562999B (zh) * | 2017-07-31 | 2020-05-22 | 上海宇航系统工程研究所 | 运载火箭固体发动机制导偏差仿真方法 |
CN112182787A (zh) * | 2020-11-03 | 2021-01-05 | 中国运载火箭技术研究院 | 确定运载火箭的总体偏差量的方法、系统、终端及介质 |
CN112182787B (zh) * | 2020-11-03 | 2022-08-05 | 中国运载火箭技术研究院 | 确定运载火箭的总体偏差量的方法、系统、终端及介质 |
CN112528441A (zh) * | 2021-02-18 | 2021-03-19 | 中国人民解放军国防科技大学 | 喉栓式变推力发动机总体参数设计方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109325288B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rai et al. | Aerodynamic design using neural networks | |
CN105631095B (zh) | 一种等间隔发射的多约束地月转移轨道簇搜索方法 | |
Hu et al. | Optimization design of satellite separation systems based on multi-island genetic algorithm | |
CN105005651B (zh) | 航天器脉冲交会轨迹的梯度分割区间优化设计方法 | |
CN105956281B (zh) | 固体火箭发动机装药设计方法 | |
CN109325288A (zh) | 一种基于不确定性优化的固体运载器总体参数确定方法及系统 | |
CN110376882A (zh) | 基于有限时间扩张状态观测器的预定性能控制方法 | |
CN106020231A (zh) | 基于再入点参数的高超声速飞行器再入轨迹优化方法 | |
CN107103164A (zh) | 无人机执行多任务的分配方法及装置 | |
CN111813146B (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
CN104636821A (zh) | 基于动态惯性权重粒子群的火电机组负荷优化分配方法 | |
CN108319799A (zh) | 一种自主水下航行器的外形多保真度优化设计方法 | |
CN111191368B (zh) | 一种连续小推力行星际转移轨道优化方法和装置 | |
CN104252132A (zh) | 基于自适应遗传算法的行星际轨道控制优化方法 | |
CN104794281A (zh) | 一种基于自适应代理模型的平动点航天器编队重构方法 | |
CN114370793A (zh) | 一种火箭子级返回与垂直着陆制导方法 | |
Wang et al. | Multi-objective optimization of drive gears for power split device using surrogate models | |
Wang et al. | Deep learning based missile trajectory prediction | |
CN104699901A (zh) | 基于差量采样解的GappyPOD翼型反设计方法 | |
CN106295218B (zh) | 一种快速确定能量最优拦截预测命中点的数值优化方法 | |
CN114117631B (zh) | 一种带有最优终端时间估计的火箭回收轨迹优化方法 | |
Cao et al. | DNN-based surrogate modeling-based feasible performance reliability design methodology for aircraft engine | |
CN115289917A (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
Tanil et al. | External configuration optimization of missiles in conceptual design | |
CN113821057A (zh) | 一种基于强化学习的行星软着陆控制方法及系统和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |