CN112528441A - 喉栓式变推力发动机总体参数设计方法、装置和设备 - Google Patents

喉栓式变推力发动机总体参数设计方法、装置和设备 Download PDF

Info

Publication number
CN112528441A
CN112528441A CN202110186802.6A CN202110186802A CN112528441A CN 112528441 A CN112528441 A CN 112528441A CN 202110186802 A CN202110186802 A CN 202110186802A CN 112528441 A CN112528441 A CN 112528441A
Authority
CN
China
Prior art keywords
engine
design
overall
throat
model
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
Application number
CN202110186802.6A
Other languages
English (en)
Other versions
CN112528441B (zh
Inventor
武泽平
杨家伟
王鹏宇
张为华
王东辉
张锡
文谦
江振宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110186802.6A priority Critical patent/CN112528441B/zh
Publication of CN112528441A publication Critical patent/CN112528441A/zh
Application granted granted Critical
Publication of CN112528441B publication Critical patent/CN112528441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及喉栓式变推力发动机总体参数设计方法、装置和设备，方法包括：根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点；将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数，采用径向基函数方法构建目标函数和约束条件的代理模型；采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。提高了设计效率。

Description

喉栓式变推力发动机总体参数设计方法、装置和设备
技术领域
本申请涉及飞行器发动机设计技术领域，特别是涉及一种喉栓式变推力发动机总体参数设计方法、装置和设备。
背景技术
固体火箭发动机是在导弹、火箭等航天运载器中广泛应用的动力系统之一，喉栓式变推力固体发动机由于能够灵活调整推力，满足不同工作需求，而具有广泛的应用前景。总体方案设计是喉栓式变推力固体发动机设计中最核心最困难的技术之一，其主要任务是在装药稳定燃烧和推力调节能力的约束下，通过调整设计参数，使得最终设计出的发动机平均冲质比最大。
目前常用的喉栓式变推力发动机总体方案设计方法有：基于已有设计案例，对发动机内弹道参数进行手动设置和调整，以满足推力调节性能需求。此类方法在固体发动机工业生产部门中应用较多，由于常年从事变推力固体发动机总体方案设计，积累了大量案例和经验，因此一般情况下能得到较好的结果。然而，在实现本发明过程中，发明人发现前述传统的总体方案设计方法中，仍存在着设计效率低的技术问题。
发明内容
基于此，有必要针对上述技术问题，提供一种相对简单、高效且快速的喉栓式变推力发动机总体参数设计方法、一种喉栓式变推力发动机总体参数设计装置、一种计算机设备以及一种计算机可读存储介质。
为了实现上述目的，本发明实施例采用以下技术方案：
一方面，本发明实施例提供一种喉栓式变推力发动机总体参数设计方法，包括步骤：
根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；
采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点；
将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数；
根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型；
采用自适应粒子群算法，基于建立的所述代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；
将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
另一方面，还提供一种喉栓式变推力发动机总体参数设计装置，包括：
参数建立模块，用于根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；
初始样本模块，用于采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点；
初始仿真模块，用于将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数；
代理构建模块，用于根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型；
搜索输出模块，用于采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；
设计输出模块，用于将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述喉栓式变推力发动机总体参数设计方法的步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述喉栓式变推力发动机总体参数设计方法的步骤。
上述技术方案中的一个技术方案具有如下优点和有益效果：
上述喉栓式变推力发动机总体参数设计方法、装置和设备，首先根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型，然后采用优化拉丁超立方实验方法得到设计空间内均匀分布的样本点，运行高精度的发动机性能仿真模型进行样本仿真，采用径向基函数进行初始代理模型构建。根据当前代理模型，基于非精确采样准则选取下一个采样点，并进行高精度的发动机性能仿真以评估采样点的性能。满足收敛条件则停止搜索，输出当前最优解，若不收敛，则继续搜索代理模型执行下一次采样，直到输出总体方案的优化设计。
本发明结合了基于代理模型的优化方法，实现了喉栓式变推力发动机总体方案的快速优化，给出相应的总体设计参数，完成总体方案设计。不同于普通的智能优化方法，基于代理模型的优化方法由于引入了代理模型代替高精度仿真模型进行搜索，提高了设计效率，为喉栓式变推力固体发动机总体方案设计提供了快速、准确的设计方法。
附图说明
图1为一个实施例中喉栓式变推力发动机总体参数设计方法的流程示意图；
图2为一个实施例中喉栓式变推力发动机总体参数设计方法的应用流程示意图；
图3为一个实施例中优化目标迭代曲线的示意图；
图4为一个实施例中喉栓式变推力发动机总体参数设计装置的模块结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。需要说明的是，当一个元件被认为是“连接”另一个元件，可以是直接连接到另一个元件并与之结合为一体，或者可能同时存在居中元件，即也可以是间接连接到另一个元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“和／或”包括一个或多个相关的所列项目的任意的和所有的组合。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
基于现有固体发动机设计方案，增加喉栓后进行适应性修正，对喉栓式变推力固体发动机内弹道参数进行手动设置和调整，获得满足设计需求的方案。此类方法经需要以大量的工程经验为基础，迭代过程繁琐耗时，且大部分情况下只能得到满足要求的结果，而无法使设计性能达到最佳，设计效率较低。
本发明为解决上述传统的总体方案设计方法中存在着的设计效率低的技术问题，本发明实施例提供了以下技术方案：
请参阅图1，在一个实施例中，本发明提供一种喉栓式变推力发动机总体参数设计方法，包括如下步骤S12至S22：
S12，根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型。
可以理解，喉栓式变推力发动机的总体设计指标要求可以但不限于通过人工手动输入的方式获得，或者从存储了不同固体火箭发动机的总体设计指标要求的数据库服务器上联机下载而获得。总体设计指标要求可以包括发动机的装药量、推力调节能力以及其他部件的设计尺寸等设计需求信息，根据总体设计指标要求建立相应的总体参数优化计算模型，从而构建起针对当前所需设计的喉栓式变推力发动机的设计空间。在一些实施方式中，建立的喉栓式变推力发动机的总体参数优化计算模型可以如下：
Figure 696523DEST_PATH_IMAGE001
其中，
Figure 682934DEST_PATH_IMAGE002
为设计变量，包括喷管喉径、喉栓直径、喷管基础扩张比和燃烧室柱段长度；目标函数
Figure 317177DEST_PATH_IMAGE003
为发动机平均冲质比最大，
Figure 680026DEST_PATH_IMAGE004
为发动机总质量，
Figure 450535DEST_PATH_IMAGE005
为装药质量，
Figure 76689DEST_PATH_IMAGE006
、
Figure 260546DEST_PATH_IMAGE007
和
Figure 99189DEST_PATH_IMAGE008
分别为喉栓不介入、介入一半和全部介入时发动机对应的比冲，
Figure 52101DEST_PATH_IMAGE009
为燃烧室柱段总长度，
Figure 583577DEST_PATH_IMAGE010
为最大推力，
Figure 989150DEST_PATH_IMAGE011
为最小燃烧室压强，
Figure 162642DEST_PATH_IMAGE012
、
Figure 907745DEST_PATH_IMAGE013
、
Figure 675368DEST_PATH_IMAGE014
和
Figure 505921DEST_PATH_IMAGE015
分别为设计需求的最大长度、最小装药量、最大推力需求和维持稳定燃烧所需的最小燃烧室压强。
S14，采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点。
可以理解，关于本实施例中优化拉丁超立方实验设计方法本身及其应用方式的具体解释说明，可以参照本领域中设计固体火箭发动机的已有方法中的同类应用方式，进行同理理解，本说明书中不再展开赘述。
可以在设计空间内生成5n个初始样本点，其中n为设计变量个数。如此，后续流程中可以在每个输入样本点进行发动机总体性能仿真，从而获得相应的设计约束条件和目标函数值。
S16，将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数。
可以理解，关于本实施例中发动机性能仿真模型本身及其应用方式的具体解释说明，可以参照本领域中设计固体火箭发动机的已有方法中的同类应用方式，进行同理理解，本说明书中不再展开赘述。具体的，利用发动机性能仿真模型开展喉栓式变推力固体发动机总体性能仿真，可得到样本点处的目标函数以及约束条件的取值。
S18，根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型。
可以理解，关于本实施例中代理模型的一般建立方法本领域可以参照本领域中，设计固体火箭发动机的已有方法中代理模型的建立方式做同理理解，利用前述步骤获取的训练样本集，可以建立所需的代理模型。
S20，采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点。
可以理解，自适应粒子群算法即(PSO：Particle swarm optimization)，是一种进化计算技术。在本实施例中，利用自适应粒子群算法对基于代理模型的优化问题进行搜索求解，寻找并输出第一个找到的优于当前已有最优解的采样点，作为新的当前采样点，也即当前搜索到的、符合要求的解。
S22，将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
可以理解，预设的收敛条件是指预先设置的模型计算约束条件，用于约束发动机性能仿真模型进行性能计算的过程趋向收敛，以使发动机性能仿真模型能够输出满足条件的设计参数。
上述喉栓式变推力发动机总体参数设计方法，首先根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型，然后采用优化拉丁超立方实验方法得到设计空间内均匀分布的样本点，运行高精度的发动机性能仿真模型进行样本仿真，采用径向基函数进行初始代理模型构建。根据当前代理模型，基于非精确采样准则选取下一个采样点，并进行高精度的发动机性能仿真以评估采样点的性能。满足收敛条件则停止搜索，输出当前最优解，若不收敛，则继续搜索代理模型执行下一次采样，直到输出总体方案的优化设计。
其中结合了基于代理模型的优化方法，实现了喉栓式变推力发动机总体方案的快速优化，给出相应的总体设计参数，完成总体方案设计。不同于普通的智能优化方法，基于代理模型的优化方法由于引入了代理模型代替高精度仿真模型进行搜索，提高了设计效率，为喉栓式变推力固体发动机总体方案设计提供了快速、准确的设计方法。
如图2所示，在一个实施例中，关于上述步骤S12，具体可以包括如下处理步骤：
建立喉栓式变推力发动机的总体参数优化计算模型，具体可以如下所示：
Figure 748683DEST_PATH_IMAGE016
其中，
Figure 613871DEST_PATH_IMAGE017
为设计变量，包括喷管喉径、喉栓直径、喷管基础扩张比和燃烧室柱段长度；目标函数
Figure 752728DEST_PATH_IMAGE018
为发动机平均冲质比最大，
Figure 132894DEST_PATH_IMAGE019
为发动机总质量，
Figure 117031DEST_PATH_IMAGE020
为装药质量，
Figure 899042DEST_PATH_IMAGE021
、
Figure 943221DEST_PATH_IMAGE022
和
Figure 13945DEST_PATH_IMAGE023
分别为喉栓不介入、介入一半和全部介入时发动机对应的比冲，
Figure 864090DEST_PATH_IMAGE024
为燃烧室柱段总长度，
Figure 438291DEST_PATH_IMAGE025
为最大推力，
Figure 715688DEST_PATH_IMAGE026
为最小燃烧室压强；
Figure 742550DEST_PATH_IMAGE027
、
Figure 396385DEST_PATH_IMAGE028
、
Figure 825092DEST_PATH_IMAGE029
和
Figure 476654DEST_PATH_IMAGE030
分别为设计需求的最大长度、最小装药量、最大推力需求和维持稳定燃烧所需的最小燃烧室压强及其在一些实施方式中的相应取值；
确定总体参数优化计算模型的约束条件
Figure 318708DEST_PATH_IMAGE031
；约束条件
Figure 448338DEST_PATH_IMAGE032
由发动机总长度、装药质量、最小燃烧室压强和推力调节能力确定。
可以理解，约束条件
Figure 793868DEST_PATH_IMAGE033
也即由
Figure 616331DEST_PATH_IMAGE034
、
Figure 883364DEST_PATH_IMAGE035
、
Figure 613423DEST_PATH_IMAGE036
和
Figure 16722DEST_PATH_IMAGE037
确定。
在一些实施方式中，上述发动机对应的比冲可以通过如下公式计算：
Figure 72403DEST_PATH_IMAGE038
其中，
Figure 295574DEST_PATH_IMAGE039
为喷管效率，
Figure 94903DEST_PATH_IMAGE040
为特征速度，
Figure 352709DEST_PATH_IMAGE041
为比热比，
Figure 313712DEST_PATH_IMAGE042
为喷管出口压强，
Figure 289758DEST_PATH_IMAGE043
为燃烧室压强，
Figure 830461DEST_PATH_IMAGE044
为环境压强，
Figure 5090DEST_PATH_IMAGE045
为扩张比。
发动机总质量
Figure 340256DEST_PATH_IMAGE046
包括喷管质量、燃烧室质量、装药质量和点火器质量，由于点火器质量相比发动机总质量较小且一般不随设计变量变化，因此将该常量在设计忽略，得到发动机总质量的计算为：
Figure 600336DEST_PATH_IMAGE047
其中，
Figure 679151DEST_PATH_IMAGE048
为燃烧室质量，
Figure 177128DEST_PATH_IMAGE049
为喷管质量。采用固体发动机喷管绝热层和壳体厚度计算方法，对喷管各部分的厚度进行计算，可采用 CAD软件计算各部分质量。
约束条件
Figure 479934DEST_PATH_IMAGE050
计算方式如下：
发动机总长度：喷管长度与燃烧室长度相加，即可得到发动机总长度。
装药质量：采用CAD软件获得。
最小燃烧室压强：采用平衡压强计算，取喉栓不介入状态下的压强平衡压强当作最小燃烧室压强；最小燃烧室压强通过如下公式计算：
Figure 430572DEST_PATH_IMAGE051
其中，
Figure 942823DEST_PATH_IMAGE052
为推进剂密度，
Figure 29728DEST_PATH_IMAGE053
为燃面面积，
Figure 503434DEST_PATH_IMAGE054
为燃速系数，
Figure 941369DEST_PATH_IMAGE055
为压强指数，
Figure 361986DEST_PATH_IMAGE056
为喉栓未介入时的喷管等效喉部面积。
推力调节能力：分别将最小等效喉部面积和最大等效喉部面积代入上式，即可得到最大压强和最小压强。因此，推力调节能力包括最大推力和最小推力，最大推力和最小推力通过如下公式计算：
Figure 365714DEST_PATH_IMAGE057
其中，
Figure 213584DEST_PATH_IMAGE058
为最大推力，
Figure 935553DEST_PATH_IMAGE059
为最小推力，
Figure 894281DEST_PATH_IMAGE060
为前述
Figure 18095DEST_PATH_IMAGE061
的最大值，
Figure 36867DEST_PATH_IMAGE062
为前述
Figure 183814DEST_PATH_IMAGE063
的最小值，
Figure 8551DEST_PATH_IMAGE064
为最大燃烧室压强，
Figure 924554DEST_PATH_IMAGE065
为最小燃烧室压强。
至此，建立喉栓式变推力固体发动机的仿真模型后，可采用基于代理模型的优化方法对变推力发动机进行优化设计。
在一个实施例中，关于上述步骤S20，具体可以包括如下处理步骤：
设定约束惩罚因子
Figure 176544DEST_PATH_IMAGE066
、当前找到的真实模型最优解对应的适应度值
Figure 810788DEST_PATH_IMAGE067
作为粒子群搜索终止参考，随机选取多个样本点并且初始化粒子群搜索速度，获得适应度评估函数值；适应度评估函数值为：
Figure 173636DEST_PATH_IMAGE068
其中，
Figure 209725DEST_PATH_IMAGE069
为目标函数的代理模型，
Figure 570299DEST_PATH_IMAGE070
表示第
Figure 488577DEST_PATH_IMAGE071
个约束的代理模型；
将所有样本进行归一化处理并确定设计变量
Figure 592799DEST_PATH_IMAGE072
的上下界；设计变量的上下界为：
Figure 545711DEST_PATH_IMAGE073
其中，
Figure 342766DEST_PATH_IMAGE074
为上界，
Figure 686023DEST_PATH_IMAGE075
为下界；
对种群中的个体进行交叉变异更新速度和位置；更新方法为：
Figure 390674DEST_PATH_IMAGE076
其中，
Figure 135776DEST_PATH_IMAGE077
为更新后第
Figure 900469DEST_PATH_IMAGE078
个样本的第
Figure 731022DEST_PATH_IMAGE079
维速度，
Figure 239364DEST_PATH_IMAGE080
为更新前第
Figure 370131DEST_PATH_IMAGE081
个样本的第
Figure 243409DEST_PATH_IMAGE082
维速度，
Figure 357996DEST_PATH_IMAGE083
为惯性权重，
Figure 607711DEST_PATH_IMAGE084
和
Figure 389723DEST_PATH_IMAGE085
为学习因子，
Figure 699481DEST_PATH_IMAGE086
和
Figure 239047DEST_PATH_IMAGE087
为
Figure 89191DEST_PATH_IMAGE088
的随机数，
Figure 663392DEST_PATH_IMAGE089
为当前粒子在
Figure 943719DEST_PATH_IMAGE090
次变异中找到的历史最优的第
Figure 236160DEST_PATH_IMAGE091
维变量，
Figure 827679DEST_PATH_IMAGE092
为种群所有粒子在
Figure 584282DEST_PATH_IMAGE093
次变异中找到的历史最优的第
Figure 970264DEST_PATH_IMAGE094
维变量，
Figure 546739DEST_PATH_IMAGE095
为该粒子当前位置的第
Figure 676369DEST_PATH_IMAGE094
维变量，
Figure 490741DEST_PATH_IMAGE096
为更新后第维变量；
跟随迭代进度，对惯性权重和学习因子进行更新；更新方法为：
Figure 109941DEST_PATH_IMAGE097
其中，最大惯性权重
Figure 111395DEST_PATH_IMAGE098
和学习因子初值
Figure 107033DEST_PATH_IMAGE099
通常设置为2，最小惯性权重
Figure 510333DEST_PATH_IMAGE100
和学习因子末值
Figure 503697DEST_PATH_IMAGE101
设置为0.5，
Figure 54764DEST_PATH_IMAGE102
为
Figure 791775DEST_PATH_IMAGE103
次搜索后
Figure 111898DEST_PATH_IMAGE104
集合在设计空间内分布的标准差；
进行目标函数适应度评估，决定个体是否保留：
Figure 10584DEST_PATH_IMAGE105
若
Figure 48947DEST_PATH_IMAGE106
成立，则输出
Figure 324071DEST_PATH_IMAGE107
作为下一个采样点
Figure 701963DEST_PATH_IMAGE108
，否则跳转执行对种群中的个体进行交叉变异更新速度和位置的步骤。
可以理解，例如可以将5n个样本点对应的设计变量、目标函数和约束条件构成训练样本集：
Figure 99446DEST_PATH_IMAGE109
其中，
Figure 297209DEST_PATH_IMAGE110
为设计生成的设计变量的取值，
Figure 438340DEST_PATH_IMAGE111
为目标函数和所有约束条件组成的向量，即：
Figure 405159DEST_PATH_IMAGE112
其中，
Figure 176806DEST_PATH_IMAGE113
表示目标函数，
Figure 924182DEST_PATH_IMAGE114
表示任一约束条件。
设置迭代次数
Figure 541109DEST_PATH_IMAGE115
，优化迭代开始。利用所有
Figure 690330DEST_PATH_IMAGE116
个样本点构成的训练样本集，采用径向基函数方法，构建目标函数和所有约束条件的代理模型
Figure 367299DEST_PATH_IMAGE117
。
将代理模型代入优化问题，构建用于序列采样的子优化问题，
Figure 601971DEST_PATH_IMAGE118
表示第个约束的代理模型：
Figure 288168DEST_PATH_IMAGE119
采用自适应粒子群算法(PSO)对基于代理模型的前述优化问题进行搜索，具体步骤如上述步骤S20包括的具体处理步骤所示。通过上述处理步骤，实现了采用自适应粒子群算法进行寻优搜索处理，寻找下一个采样点的目的。
在一个实施例中，可选的，预设的收敛条件可以包括基于样本点进行寻优搜索输出后进行性能仿真时，性能仿真输出的当前最优解经设定次数的迭代未得到更新。
关于上述步骤S22中，根据预设的收敛条件，输出发动机总体参数的过程，具体可以包括如下处理步骤：
若连续迭代次数达到设定次数，当前最优解未得到更新，则输出当前最优解以及当前最优解对应的设计参数，作为发动机总体参数。
可以理解，将寻优搜索获得的下一个采样点
Figure 229579DEST_PATH_IMAGE120
代入发动机性能仿真模型，通过发动机性能计算，获得相应发动机设计的目标函数与约束条件的取值。若所得输出优于当前的最优解，则更新当前最优解
Figure 139766DEST_PATH_IMAGE121
，否则保留当前最优解。
具体的，在收敛判定的过程中，若连续若干次（例如但不限于5次）迭代，当前最优解
Figure 799418DEST_PATH_IMAGE122
没有得到更新，则输出当前最优解
Figure 820463DEST_PATH_IMAGE123
及其对应的设计参数，作为最终设计结果。通过上述收敛处理步骤，即可在当前最优解满足收敛条件时，快速输出所需的发动机总体参数。
在一个实施例中，可选的，预设的收敛条件还可以包括基于样本点进行寻优搜索输出后进行性能仿真时，迭代次数达到最大迭代次数。关于上述步骤S22中，根据预设的收敛条件，输出发动机总体参数的过程，或者具体可以包括如下处理步骤：
若迭代次数达到最大迭代次数，则输出性能仿真输出的当前最优解以及当前最优解对应的设计参数，作为发动机总体参数。
可以理解，最大迭代次数
Figure 147539DEST_PATH_IMAGE124
可以根据实际设计计算量、性能限制、计算时间限制或者其他设计要求而确定其具体取值大小。具体的，在收敛判定的过程中，若迭代次数
Figure 900732DEST_PATH_IMAGE125
达到最大迭代次数
Figure 109996DEST_PATH_IMAGE124
，则输出当前最优解
Figure 872416DEST_PATH_IMAGE126
及其对应的设计参数，作为最终设计结果。通过上述收敛处理步骤，即可在当前最优解满足另一种收敛条件时，快速输出所需的发动机总体参数。
在一个实施例中，关于上述步骤S22中，根据预设的收敛条件，输出发动机总体参数的过程，具体还可以包括如下处理步骤：
若连续迭代次数达到设定次数时当前最优解仍得到更新，或者迭代次数未达到最大迭代次数，则进行下一次的循环迭代，采用新的样本点形成新的训练样本集，更新代理模型后进行寻优搜索直至满足收敛条件，输出发动机总体参数。
可以理解，设定次数也可以根据实际设计计算量、性能限制、计算时间限制或者其他设计要求而确定其具体取值大小，例如但不限于5次。
具体的，在收敛判定的过程中，若连续5次迭代，当前最优解
Figure 847806DEST_PATH_IMAGE127
仍然得到更新，或者迭代次数
Figure 37479DEST_PATH_IMAGE128
未达到最大迭代次数
Figure 468461DEST_PATH_IMAGE129
，则令迭代次数
Figure 34571DEST_PATH_IMAGE130
，转至前述设置迭代次数
Figure 70660DEST_PATH_IMAGE131
，优化迭代开始的步骤，进行下一次的循环迭代计算。通过上述迭代循环处理步骤，即可在当前最优解未满足收敛条件时，快速开展下一次迭代计算，直至输出所需的发动机总体参数。
在一个实施例中，为了更直观且全面地说明上述喉栓式变推力发动机总体参数设计方法，下面是以直径170的变推力发动机设计为例，对本发明的上述方法进行了验证的示例。需要说明的是，本说明书中给出的实施案例仅为示意性的，并非为本发明具体实施案例的唯一限定，本领域技术人员可以在本发明提供的实施案例的示意下，同理采用上述提供的喉栓式变推力发动机总体参数设计方法，实现对不同尺寸的喉栓式变推力发动机的设计。
设计需求如下表1所示。
表1变推力发动机设计需求
Figure 493551DEST_PATH_IMAGE132
根据设计需求，以柱段长度、喉径、扩张比为设计变量，建立优化问题：
Figure 349512DEST_PATH_IMAGE133
选择设计变量范围如下表2所示。
表2 变推力发动机设计变量范围
Figure 516051DEST_PATH_IMAGE134
仿真中所需的物性参数如下表3所示。
表3 变推力发动机设计所需物性参数
Figure 672226DEST_PATH_IMAGE135
Figure 203701DEST_PATH_IMAGE136
根据设计变量个数，选择15个初始样本点，计算目标函数和约束条件，获得所有样本集。
Figure 609275DEST_PATH_IMAGE137
根据样本点构造目标函数和约束条件的代理模型，采用本发明算法对该代理模型进行搜索和更新，当更新次数达到22次时，优化过程收敛，得到的目标函数及其可行性如下图3所示。目标函数(平均冲质比)收敛到
Figure 251609DEST_PATH_IMAGE138
，模型仿真次数共调用37次。
优化得到的结果如下表4所示。
表4变推力发动机设计结果
Figure 59028DEST_PATH_IMAGE139
与现有最好技术相比，本发明的优点在于：
采用不同工况下的冲质比进行综合性能表征，提高了设计结果对不同推力变化过程的普适性；相对现有依据经验设计的方法，能够采用算法驱动设计迭代，提升了设计效率；采用了基于代理模型的优化方法，实现了综合性能的提升。相比于传统的一般智能方法具有更快的设计速度，提高了推力匹配设计效率。
本发明的有效性在多种不同的喉栓式变推力总体设计中得到了应用，设计结果经过多方位仿真验证，采用本方法后，平均冲质比可实现显著提升，与现有设计方法相比，人工参与过程少、设计速度快，能有效满足端面燃烧变推力固体发动机总体设计需求。
应该理解的是，虽然图1和图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且图1和图2的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参阅图4，另一方面，还提供一种喉栓式变推力发动机总体参数设计装置100，包括参数建立模块13、初始样本模块15、初始仿真模块17、代理构建模块19、搜索输出模块21和设计输出模块23。其中，参数建立模块13用于根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型。初始样本模块15用于采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点。初始仿真模块17用于将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数。代理构建模块19用于根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型。搜索输出模块21用于采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点。设计输出模块23用于将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
上述喉栓式变推力发动机总体参数设计装置100，通过各模块的协作，首先根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型，然后采用优化拉丁超立方实验方法得到设计空间内均匀分布的样本点，运行高精度的发动机性能仿真模型进行样本仿真，采用径向基函数进行初始代理模型构建。根据当前代理模型，基于非精确采样准则选取下一个采样点，并进行高精度的发动机性能仿真以评估采样点的性能。满足收敛条件则停止搜索，输出当前最优解，若不收敛，则继续搜索代理模型执行下一次采样，直到输出总体方案的优化设计。
其中结合了基于代理模型的优化方法，实现了喉栓式变推力发动机总体方案的快速优化，给出相应的总体设计参数，完成总体方案设计。不同于普通的智能优化方法，基于代理模型的优化方法由于引入了代理模型代替高精度仿真模型进行搜索，提高了设计效率，为喉栓式变推力固体发动机总体方案设计提供了快速、准确的设计方法。
在一个实施例中，上述喉栓式变推力发动机总体参数设计装置100的各模块还可以用于实现上述固体火箭发动机装药构型设定装方法各实施例中增加的相应步骤或者子步骤。
关于喉栓式变推力发动机总体参数设计装置100的具体限定，可以参见上文中喉栓式变推力发动机总体参数设计方法的相应限定，在此不再赘述。上述喉栓式变推力发动机总体参数设计装置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于具体数据处理功能的设备中，也可以软件形式存储于前述设备的存储器中，以便于处理器调用执行以上各个模块对应的操作，前述设备可以是但不限于用于进行固体火箭发动机设计的计算机设备或者计算系统。
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点；将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数；根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型；采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
在一个实施例中，处理器执行计算机程序时还可以实现上述喉栓式变推力发动机总体参数设计方法各实施例中增加的步骤或者子步骤。
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；采用优化拉丁超立方实验设计方法，在总体参数优化计算模型内生成初始样本点；将初始样本点输入发动机性能仿真模型中，得到初始样本点对应的设计约束条件和目标函数；根据初始样本点、设计约束条件以及目标函数生成训练样本集，采用径向基函数方法构建目标函数和约束条件的代理模型；采用自适应粒子群算法，基于建立的代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；将当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
在一个实施例中，计算机程序被处理器执行时，还可以实现上述喉栓式变推力发动机总体参数设计方法各实施例中增加的步骤或者子步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线式动态随机存储器（Rambus DRAM，简称RDRAM）以及接口动态随机存储器（DRDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可做出若干变形和改进，都属于本申请保护范围。因此本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种喉栓式变推力发动机总体参数设计方法，其特征在于，包括步骤：
根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；
所述总体参数优化计算模型为：
Figure 494732DEST_PATH_IMAGE001
其中，
Figure 943031DEST_PATH_IMAGE002
为设计变量，包括喷管喉径、喉栓直径、喷管基础扩张比和燃烧室柱段长度；目标函数
Figure 988347DEST_PATH_IMAGE003
为发动机平均冲质比最大，
Figure 649136DEST_PATH_IMAGE004
为发动机总质量，
Figure 463508DEST_PATH_IMAGE005
为装药质量，
Figure 551550DEST_PATH_IMAGE006
、
Figure 84162DEST_PATH_IMAGE007
和
Figure 548642DEST_PATH_IMAGE008
分别为喉栓不介入、介入一半和全部介入时发动机对应的比冲，
Figure 483100DEST_PATH_IMAGE009
为燃烧室柱段总长度，
Figure 742043DEST_PATH_IMAGE010
为最大推力，
Figure 496372DEST_PATH_IMAGE011
为最小燃烧室压强，
Figure 498963DEST_PATH_IMAGE012
、
Figure 287928DEST_PATH_IMAGE013
、
Figure 983351DEST_PATH_IMAGE014
和
Figure 490556DEST_PATH_IMAGE015
分别为设计需求的最大长度、最小装药量、最大推力需求和维持稳定燃烧所需的最小燃烧室压强；
采用优化拉丁超立方实验设计方法，在所述总体参数优化计算模型内生成初始样本点；
将所述初始样本点输入发动机性能仿真模型中，得到所述初始样本点对应的设计约束条件和目标函数；
根据所述初始样本点、所述设计约束条件以及所述目标函数生成训练样本集，采用径向基函数方法构建所述目标函数和约束条件的代理模型；
采用自适应粒子群算法，基于建立的所述代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；
将所述当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
2.根据权利要求1所述的喉栓式变推力发动机总体参数设计方法，其特征在于，预设的所述收敛条件包括基于样本点进行寻优搜索输出后进行性能仿真时，性能仿真输出的当前最优解经设定次数的迭代未得到更新；
所述根据预设的收敛条件，输出发动机总体参数的过程，包括：
若连续迭代次数达到所述设定次数，所述当前最优解未得到更新，则输出所述当前最优解及其对应的设计参数，作为所述发动机总体参数。
3.根据权利要求1或2所述的喉栓式变推力发动机总体参数设计方法，其特征在于，预设的所述收敛条件包括基于样本点进行寻优搜索输出后进行性能仿真时，迭代次数达到最大迭代次数；
所述根据预设的收敛条件，输出发动机总体参数的过程，包括：
若迭代次数达到所述最大迭代次数，则输出性能仿真输出的当前最优解及其对应的设计参数，作为所述发动机总体参数。
4.根据权利要求3所述的喉栓式变推力发动机总体参数设计方法，其特征在于，所述根据预设的收敛条件，输出发动机总体参数的过程，还包括：
若连续迭代次数达到设定次数时所述当前最优解仍得到更新，或者迭代次数未达到所述最大迭代次数，则进行下一次的循环迭代，采用新的样本点形成新的训练样本集，更新所述代理模型后进行寻优搜索直至满足所述收敛条件，输出所述发动机总体参数。
5.根据权利要求1所述的喉栓式变推力发动机总体参数设计方法，其特征在于，根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型的步骤，包括：
建立喉栓式变推力发动机的总体参数优化计算模型：
确定所述总体参数优化计算模型的约束条件
Figure 31259DEST_PATH_IMAGE016
；所述约束条件
Figure 674730DEST_PATH_IMAGE017
由发动机总长度、装药质量、最小燃烧室压强和推力调节能力确定。
6.根据权利要求1所述的喉栓式变推力发动机总体参数设计方法，其特征在于，采用自适应粒子群算法对基于所述代理模型的优化问题进行寻优搜索，输出最优的采样点的步骤，包括：
设定约束惩罚因子
Figure 275475DEST_PATH_IMAGE018
、当前找到的真实模型最优解对应的适应度值
Figure 269976DEST_PATH_IMAGE019
作为粒子群搜索终止参考，随机选取多个样本点并且初始化粒子群搜索速度，获得适应度评估函数值；所述适应度评估函数值为：
Figure 614370DEST_PATH_IMAGE020
其中，
Figure 377926DEST_PATH_IMAGE021
为目标函数的代理模型，
Figure 149573DEST_PATH_IMAGE022
表示第
Figure 365791DEST_PATH_IMAGE023
个约束的代理模型；
将所有样本进行归一化处理并确定设计变量
Figure 513875DEST_PATH_IMAGE024
的上下界；所述设计变量的上下界为：
Figure 131939DEST_PATH_IMAGE025
其中，
Figure 340066DEST_PATH_IMAGE026
为上界，
Figure 778001DEST_PATH_IMAGE027
为下界；
对种群中的个体进行交叉变异更新速度和位置；更新方法为：
Figure 464197DEST_PATH_IMAGE028
其中，
Figure 205275DEST_PATH_IMAGE029
为更新后第
Figure 584304DEST_PATH_IMAGE030
个样本的第
Figure 775114DEST_PATH_IMAGE031
维速度，
Figure 265001DEST_PATH_IMAGE032
为更新前第
Figure 592077DEST_PATH_IMAGE033
个样本的第
Figure 142007DEST_PATH_IMAGE034
维速度，
Figure 554534DEST_PATH_IMAGE035
为惯性权重，
Figure 848112DEST_PATH_IMAGE036
和
Figure 295274DEST_PATH_IMAGE037
为学习因子，
Figure 750526DEST_PATH_IMAGE038
和
Figure 915928DEST_PATH_IMAGE039
为
Figure 482039DEST_PATH_IMAGE040
的随机数，
Figure 49287DEST_PATH_IMAGE041
为当前粒子在
Figure 675440DEST_PATH_IMAGE042
次变异中找到的历史最优的第
Figure 328138DEST_PATH_IMAGE043
维变量，
Figure 963519DEST_PATH_IMAGE044
为种群所有粒子在
Figure 119694DEST_PATH_IMAGE045
次变异中找到的历史最优的第
Figure 182328DEST_PATH_IMAGE046
维变量，
Figure 791164DEST_PATH_IMAGE047
为该粒子当前位置的第
Figure 230235DEST_PATH_IMAGE048
维变量，
Figure 506496DEST_PATH_IMAGE049
为更新后第
Figure 740031DEST_PATH_IMAGE050
维变量；
跟随迭代进度，对所述惯性权重和所述学习因子进行更新；更新方法为：
Figure 101742DEST_PATH_IMAGE051
其中，最大惯性权重
Figure 813346DEST_PATH_IMAGE052
和
Figure 944113DEST_PATH_IMAGE053
通常设置为2，最小惯性权重
Figure 348550DEST_PATH_IMAGE054
和
Figure 197557DEST_PATH_IMAGE055
设置为0.5，
Figure 712852DEST_PATH_IMAGE056
为
Figure 963705DEST_PATH_IMAGE057
次搜索后
Figure 539043DEST_PATH_IMAGE058
集合在设计空间内分布的标准差；
进行目标函数适应度评估，决定个体是否保留：
Figure 609767DEST_PATH_IMAGE059
若
Figure 928753DEST_PATH_IMAGE060
成立，则输出
Figure 34112DEST_PATH_IMAGE061
作为下一个采样点
Figure 780351DEST_PATH_IMAGE062
，否则跳转执行所述对种群中的个体进行交叉变异更新速度和位置的步骤。
7.根据权利要求5所述的喉栓式变推力发动机总体参数设计方法，其特征在于，发动机对应的比冲通过如下公式计算：
Figure 338371DEST_PATH_IMAGE063
其中，
Figure 195469DEST_PATH_IMAGE064
为喷管效率，
Figure 155335DEST_PATH_IMAGE065
为特征速度，
Figure 72475DEST_PATH_IMAGE066
为比热比，
Figure 380441DEST_PATH_IMAGE067
为喷管出口压强，
Figure 41229DEST_PATH_IMAGE068
为燃烧室压强，
Figure 855602DEST_PATH_IMAGE069
为环境压强，
Figure 209223DEST_PATH_IMAGE070
为扩张比；
最小燃烧室压强通过如下公式计算：
Figure 741835DEST_PATH_IMAGE071
其中，
Figure 940735DEST_PATH_IMAGE072
为推进剂密度，
Figure 609614DEST_PATH_IMAGE073
为燃面面积，
Figure 134136DEST_PATH_IMAGE074
为燃速系数，
Figure 154045DEST_PATH_IMAGE075
为压强指数，
Figure 156636DEST_PATH_IMAGE076
为喉栓未介入时的喷管等效喉部面积；
推力调节能力包括最大推力和最小推力，所述最大推力和所述最小推力通过如下公式计算：
Figure 680021DEST_PATH_IMAGE077
其中，
Figure 375445DEST_PATH_IMAGE078
为最大推力，
Figure 617070DEST_PATH_IMAGE079
为最小推力，
Figure 423352DEST_PATH_IMAGE080
为前述
Figure 332402DEST_PATH_IMAGE081
的最大值，
Figure 933148DEST_PATH_IMAGE082
为前述
Figure 927649DEST_PATH_IMAGE083
的最小值，
Figure 6463DEST_PATH_IMAGE084
为最大燃烧室压强，
Figure 770020DEST_PATH_IMAGE085
为最小燃烧室压强。
8.一种喉栓式变推力发动机总体参数设计装置，其特征在于，包括：
参数建立模块，用于根据总体设计指标要求，建立喉栓式变推力发动机的总体参数优化计算模型；
所述总体参数优化计算模型为：
Figure 541667DEST_PATH_IMAGE086
其中，
Figure 23464DEST_PATH_IMAGE087
为设计变量，包括喷管喉径、喉栓直径、喷管基础扩张比和燃烧室柱段长度；目标函数
Figure 171548DEST_PATH_IMAGE088
为发动机平均冲质比最大，
Figure 524032DEST_PATH_IMAGE089
为发动机总质量，
Figure 732160DEST_PATH_IMAGE090
为装药质量，
Figure 435674DEST_PATH_IMAGE091
、
Figure 121870DEST_PATH_IMAGE092
和
Figure 860019DEST_PATH_IMAGE093
分别为喉栓不介入、介入一半和全部介入时发动机对应的比冲，
Figure 973468DEST_PATH_IMAGE094
为燃烧室柱段总长度，
Figure 164278DEST_PATH_IMAGE095
为最大推力，
Figure 388586DEST_PATH_IMAGE096
为最小燃烧室压强，
Figure 981241DEST_PATH_IMAGE097
、
Figure 531171DEST_PATH_IMAGE098
、
Figure 209277DEST_PATH_IMAGE099
和
Figure 237276DEST_PATH_IMAGE100
分别为设计需求的最大长度、最小装药量、最大推力需求和维持稳定燃烧所需的最小燃烧室压强；
初始样本模块，用于采用优化拉丁超立方实验设计方法，在所述总体参数优化计算模型内生成初始样本点；
初始仿真模块，用于将所述初始样本点输入发动机性能仿真模型中，得到所述初始样本点对应的设计约束条件和目标函数；
代理构建模块，用于根据所述初始样本点、所述设计约束条件以及所述目标函数生成训练样本集，采用径向基函数方法构建所述目标函数和约束条件的代理模型；
搜索输出模块，用于采用自适应粒子群算法，基于建立的所述代理模型对优化问题进行搜索求解，找到比当前已有最优解性能更好的点即停止搜索并输出作为当前采样点；
设计输出模块，用于将所述当前采样点作为新的采样点输入，利用发动机性能仿真模型计算真实输出，根据预设的收敛条件，输出发动机总体参数。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述喉栓式变推力发动机总体参数设计方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至7中任一项所述喉栓式变推力发动机总体参数设计方法的步骤。
CN202110186802.6A 2021-02-18 2021-02-18 喉栓式变推力发动机总体参数设计方法、装置和设备 Active CN112528441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110186802.6A CN112528441B (zh) 2021-02-18 2021-02-18 喉栓式变推力发动机总体参数设计方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110186802.6A CN112528441B (zh) 2021-02-18 2021-02-18 喉栓式变推力发动机总体参数设计方法、装置和设备

Publications (2)

Publication Number Publication Date
CN112528441A true CN112528441A (zh) 2021-03-19
CN112528441B CN112528441B (zh) 2021-04-27

Family

ID=74975670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186802.6A Active CN112528441B (zh) 2021-02-18 2021-02-18 喉栓式变推力发动机总体参数设计方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112528441B (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255145A (zh) * 2021-06-03 2021-08-13 中国人民解放军国防科技大学 姿轨控发动机喉栓运动时序实验设计方法、装置和设备
CN113255082A (zh) * 2021-06-21 2021-08-13 中国人民解放军国防科技大学 变推力固体发动机喉栓喷管型面一体化优化设计方法
CN113496062A (zh) * 2021-07-26 2021-10-12 中国人民解放军国防科技大学 压强平稳约束下姿轨控发动机喉栓运动时序设计方法
CN113505442A (zh) * 2021-08-02 2021-10-15 北京理工大学 一种二次流喉栓发动机设计方法
CN113627103A (zh) * 2021-08-10 2021-11-09 中国人民解放军国防科技大学 激光聚变波形和靶结构优化设计方法、装置及计算机设备
CN113779704A (zh) * 2021-09-28 2021-12-10 中国人民解放军国防科技大学 喉栓式变推力固体火箭发动机喷管型面多目标优化方法
CN113887123A (zh) * 2021-08-25 2022-01-04 清华大学 一种行人动力学模型参数调整方法和装置
CN114200843A (zh) * 2022-02-15 2022-03-18 中国人民解放军国防科技大学 喉栓式固体姿轨控推力快速预示方法
CN114372373A (zh) * 2022-01-12 2022-04-19 中国人民解放军国防科技大学 变推力固体发动机总体参数多目标优化设计方法
CN114707290A (zh) * 2021-12-31 2022-07-05 北京理工大学 一种高效低排放发动机技术参数决策方法
CN115238613A (zh) * 2022-09-19 2022-10-25 齐鲁工业大学 一种风机叶片形状优化方法、系统、存储介质及设备
CN116738583A (zh) * 2023-08-16 2023-09-12 中国人民解放军国防科技大学 固体火箭发动机装药构型约束设计方法
CN116776748A (zh) * 2023-08-18 2023-09-19 中国人民解放军国防科技大学 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN117852315A (zh) * 2024-03-07 2024-04-09 北京适创科技有限公司 用于确定计算机辅助工程的初始条件的方法及相关设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956281A (zh) * 2016-05-05 2016-09-21 中国人民解放军国防科学技术大学 固体火箭发动机装药设计方法
CN106365666A (zh) * 2015-07-20 2017-02-01 上海航天设备制造总厂 导弹固体火箭发动机碳/碳复合材料隐身二元喷管制造方法
CN109325288A (zh) * 2018-09-17 2019-02-12 北京宇航系统工程研究所 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
US20190213300A1 (en) * 2018-01-09 2019-07-11 Autodesk, Inc. Constraint-oriented programming approach to mechanical assembly design
CN110472358A (zh) * 2019-08-21 2019-11-19 西北工业大学 基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法
CN110826194A (zh) * 2019-10-18 2020-02-21 内蒙动力机械研究所 一种固体火箭发动机可靠性数据的建模方法
CN111783251A (zh) * 2020-07-16 2020-10-16 中国人民解放军国防科技大学 一种固体火箭发动机总体参数设计方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106365666A (zh) * 2015-07-20 2017-02-01 上海航天设备制造总厂 导弹固体火箭发动机碳/碳复合材料隐身二元喷管制造方法
CN105956281A (zh) * 2016-05-05 2016-09-21 中国人民解放军国防科学技术大学 固体火箭发动机装药设计方法
US20190213300A1 (en) * 2018-01-09 2019-07-11 Autodesk, Inc. Constraint-oriented programming approach to mechanical assembly design
CN109325288A (zh) * 2018-09-17 2019-02-12 北京宇航系统工程研究所 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
CN110472358A (zh) * 2019-08-21 2019-11-19 西北工业大学 基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法
CN110826194A (zh) * 2019-10-18 2020-02-21 内蒙动力机械研究所 一种固体火箭发动机可靠性数据的建模方法
CN111783251A (zh) * 2020-07-16 2020-10-16 中国人民解放军国防科技大学 一种固体火箭发动机总体参数设计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
武泽平 等: "应用径向基代理模型实现序列自适应再采样优化策略", 《国防科技大学学报》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255145B (zh) * 2021-06-03 2021-09-24 中国人民解放军国防科技大学 姿轨控发动机喉栓运动时序实验设计方法、装置和设备
CN113255145A (zh) * 2021-06-03 2021-08-13 中国人民解放军国防科技大学 姿轨控发动机喉栓运动时序实验设计方法、装置和设备
CN113255082A (zh) * 2021-06-21 2021-08-13 中国人民解放军国防科技大学 变推力固体发动机喉栓喷管型面一体化优化设计方法
CN113496062A (zh) * 2021-07-26 2021-10-12 中国人民解放军国防科技大学 压强平稳约束下姿轨控发动机喉栓运动时序设计方法
CN113505442A (zh) * 2021-08-02 2021-10-15 北京理工大学 一种二次流喉栓发动机设计方法
CN113505442B (zh) * 2021-08-02 2023-12-01 北京理工大学 一种二次流喉栓发动机设计方法
CN113627103A (zh) * 2021-08-10 2021-11-09 中国人民解放军国防科技大学 激光聚变波形和靶结构优化设计方法、装置及计算机设备
CN113887123B (zh) * 2021-08-25 2022-09-13 清华大学 一种行人动力学模型参数调整方法和装置
CN113887123A (zh) * 2021-08-25 2022-01-04 清华大学 一种行人动力学模型参数调整方法和装置
CN113779704A (zh) * 2021-09-28 2021-12-10 中国人民解放军国防科技大学 喉栓式变推力固体火箭发动机喷管型面多目标优化方法
CN114707290A (zh) * 2021-12-31 2022-07-05 北京理工大学 一种高效低排放发动机技术参数决策方法
CN114707290B (zh) * 2021-12-31 2023-03-10 北京理工大学 一种高效低排放发动机技术参数决策方法
CN114372373A (zh) * 2022-01-12 2022-04-19 中国人民解放军国防科技大学 变推力固体发动机总体参数多目标优化设计方法
CN114200843A (zh) * 2022-02-15 2022-03-18 中国人民解放军国防科技大学 喉栓式固体姿轨控推力快速预示方法
CN114200843B (zh) * 2022-02-15 2022-04-19 中国人民解放军国防科技大学 喉栓式固体姿轨控推力快速预示方法
CN115238613A (zh) * 2022-09-19 2022-10-25 齐鲁工业大学 一种风机叶片形状优化方法、系统、存储介质及设备
CN115238613B (zh) * 2022-09-19 2022-12-09 齐鲁工业大学 一种风机叶片形状优化方法、系统、存储介质及设备
CN116738583A (zh) * 2023-08-16 2023-09-12 中国人民解放军国防科技大学 固体火箭发动机装药构型约束设计方法
CN116738583B (zh) * 2023-08-16 2023-10-31 中国人民解放军国防科技大学 固体火箭发动机装药构型约束设计方法
CN116776748B (zh) * 2023-08-18 2023-11-03 中国人民解放军国防科技大学 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法
CN116776748A (zh) * 2023-08-18 2023-09-19 中国人民解放军国防科技大学 喉栓式变推力发动机喉栓喷管构型设计知识迁移优化方法
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN117556551B (zh) * 2024-01-11 2024-04-09 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN117852315A (zh) * 2024-03-07 2024-04-09 北京适创科技有限公司 用于确定计算机辅助工程的初始条件的方法及相关设备
CN117852315B (zh) * 2024-03-07 2024-05-10 北京适创科技有限公司 用于确定计算机辅助工程的初始条件的方法及相关设备

Also Published As

Publication number Publication date
CN112528441B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112528441B (zh) 喉栓式变推力发动机总体参数设计方法、装置和设备
CN111783251B (zh) 一种固体火箭发动机总体参数设计方法
CN105956281B (zh) 固体火箭发动机装药设计方法
CN112818469B (zh) 固体火箭发动机映射设计方法、装置和设备
US20170024497A1 (en) Product design considering cost and structural performance
CN113779704B (zh) 喉栓式变推力固体火箭发动机喷管型面多目标优化方法
WO2007087490A2 (en) Sector meshing and neighbor searching for object interaction simulation
Zeping et al. Solid-rocket-motor performance-matching design framework
CN110442974B (zh) 马蹄焰玻璃窑蓄热室性能优化方法和装置
Wang et al. An uncertain optimization method for overall ballistics based on stochastic programming and a neural network surrogate model
CN112906295B (zh) 固体火箭发动机燃速预示方法、装置和设备
CN112597600B (zh) 固体火箭发动机装药构型设定方法、装置和设备
CN113255082B (zh) 变推力固体发动机喉栓喷管型面一体化优化设计方法
CN109325288B (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
Zhao et al. Optimization of the aerodynamic configuration of a tubular projectile based on blind kriging
CN113837489A (zh) 基于多目标的配煤掺烧优化方法
CN110083946B (zh) 一种基于无约束优化模型的多状态模型修正的方法
CN116579259B (zh) 弹道三维瞬态流场建模及多物理场数值计算方法及装置
Li et al. Using NSGA‐II and TOPSIS Methods for Interior Ballistic Optimization Based on One‐Dimensional Two‐Phase Flow Model
El Sadek et al. Improvement of interior ballistic performance utilizing particle swarm optimization
CN116738583A (zh) 固体火箭发动机装药构型约束设计方法
Yan et al. Design and optimization of a novel supersonic rocket with small caliber.
CN112861378B (zh) 一种基于改进灰狼算法的助推段飞行程序优化方法和装置
CN114996880A (zh) 一种基于ansys二次开发的复合装甲结构优化方法
CN110096798A (zh) 一种多状态有限元模型修正的方法

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