CN113971320B - 一种冲压发动机推力性能的实时优化方法 - Google Patents

Abstract

本发明公开了一种冲压发动机推力性能的实时优化方法，包括以冲压发动机各进气口的进气口位置以及进气口入射角度构建多维度优化空间，采用拉丁超立方设计方法构建样本，以CFD方法计算推力并构造RBF神经网络近似预测模型，采用蛙跳算法优化，在全局搜索时以RBF神经网络计算个体适应度值。本发明使发动机在实际复杂工况下实时调整进气口的位置与入射角度，满足发动机在实际运行过程中实时优化冲压发动机的推力。

Description

一种冲压发动机推力性能的实时优化方法

技术领域

本发明涉及一种实时优化冲压发动机性能的方法，特别是涉及一种冲压发动机推力性能的实时优化方法。

背景技术

冲压发动机是空气喷气发动机的一种，空气的压缩是通过进气道对高速气流进行冲压来实现的，构造简单，成本低。因而其具有非常广泛的应用前景，可用于各种导弹，炮弹以及空间飞行器。冲压发动机中的氧化剂由环形布置的进气口提供，高速来流经进气口压缩后与燃烧室内的燃料混合燃烧，从而产生推力。其中进气口的位置与入射角度会对氧化剂与燃料的掺混效率产生重要的影响，而燃料的掺混效率又会对燃烧过程产生影响，进而会影响冲压发动机推力的产生。然而现有技术主要通过试验研究以提高冲压发动机的推力。通过对冲压发动机各个结构参数进行排列组合试验，从中选取最优的组合。由于冲压发动机各个结构参数和发动机推力之间呈现出非常复杂的非线性关系，因此，盲目的对结构参数进行选择和分析并不能合理的获得最大推力。此外，在优化过程中，基于CFD技术的数值模拟计算时间长，在冲压发动机实际运行过程中，不能等待数值模拟的计算结果再进行优化、调整。

发明内容

针对上述现有技术的缺陷，本发明提供了一种冲压发动机推力性能的实时优化方法，解决CFD技术计算时间长，无法实时优化冲压发动机推力的问题。

本发明技术方案如下：一种冲压发动机推力性能的实时优化方法，包括以下步骤：

S1、以冲压发动机各进气口的位置以及进气口入射角度构建多维度优化空间；

S2、构建RBF神经网络并进行训练得到RBF预测模型；

S3、采用蛙跳算法实时优化，具体包括：

S3-0、设定一时间长度Time，并开始计时，同时初始化种群参数，设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数T_max。

S3-1、随机生成一个由m*n只青蛙组成的种群S(t)，m为子种群数目，n为每个子种群中的青蛙个数，每个青蛙个体包括冲压发动机各进气口的进气口位置以及进气口入射角度；

S3-2、将S(t)经过归一化后作为待预测集合，采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体s_j在不同进气口位置和入射角度下的推力F_j；

S3-3、将冲压发动机的推力的倒数作为适应度值大小来评价每个青蛙的好坏；

S3-4、根据FF的大小对m*n个青蛙个体进行降序排列，生成降序排列种群Z(t)，然后将所述降序排列种群Z(t)中的所有青蛙依次分配到m个子种群中，生成新种群R(t)＝(R₁,R₂,…,R_o,…,R_m)，其中每个所述子种群R_o，o∈[1,…,m]包含n个青蛙个体；

S3-5、采用随机权重策略调整每个所述子种群R_o中FF最大的青蛙的位置，对青蛙个体进行进化更新以更新所述新种群R(t)；

S3-6、以S3-2同样方法计算所述更新后的新种群的适应度值大小，更新整个种群中FF最小的青蛙个体；

S3-7、令t＝t+1，重复步骤S3-4至S3-7，直到t＝T_max时停止计算，根据FF最小的青蛙个体分别调整发动机的进气口位置和进气口入射角度；

S3-8、当计时达到Time时，返回步骤S3-1继续进行优化，直至发动机停止工作。

进一步地，所述步骤S3-5具体包括以下步骤：

S3-5.1、令a＝1，a∈[1,m]，依次对m个子种群进行迭代更新操作；

S3-5.2、令b＝1，b∈[1,ξ]，对每个子种群进行最大次数为ξ的迭代更新；

S3-5.3、在每个R_o中，Qb表示推力最小的青蛙个体，Qw表示推力最大的青蛙个体。Qg表示整个种群R(t)中推力最小的青蛙个体。采用如下公式替换推力最大的Qw个体位置，以提高个体的品质：

D_j(t+1)＝r₁*(Q_b-Q_w)

Q_w(t+1)＝Q_w(t)+D_j(t+1)

其中，r₁为0到1之间的随机数；

S3-5.4、调整青蛙个体位置后，重新计算青蛙个体的适应度值FF，然后对比青蛙个体适应度值大小，如果能够获得推力更小的青蛙个体，就用该青蛙的位置取代推力最大的青蛙个体Qw；

S3-5.5、如果不能找到，用Qg取代Qb青蛙个体，返回步骤S3-5.3继续迭代计算。如果迭代过程中均不能获得推力更小的青蛙个体，则随机生成一个新青蛙个体取代Qw。令b＝b+1，重复步骤S3-5.3至S3-5.5，直到b＝ξ；

S3-5.6、令a＝a+1，重复步骤S3-5.2至S3-5.6，直到a＝m，以达到对每个子种群均进行进化的目的。通过以上进化操作后，生成新种群。

进一步地，步骤S2、构建RBF神经网络并进行训练得到RBF预测模型，具体包括；

S2-1、采用拉丁超立方设计方法在该空间构建ψ个样本SS＝(ss₁,ss₂,…,ss_k,…,ss_ψ)，每个ss_k包括发动机各进气口的进气口位置以及进气口入射角度；

S2-2、采用CFD方法计算每个样本ss_k的推力大小F_k，并构成样本集合SSS＝(sss₁,sss₂,…,sss_k,…,sss_ψ)，每个sss_k包括发动机各进气口的进气口位置、进气口入射角度以及对应推力F_k；

S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据；

S2-4、计算RBF神经网络的预测输出；

S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差是否不超过限值，如为是，得到RBF预测模型，如为否，进入步骤S2-6；

S2-6、采用梯度下降方法更新RBF神经网络的连接权值和节点中心，然后返回到步骤S2-4。

进一步地，所述CFD方法获得的样本推力和RBF预测输出值之间的误差为y_k为采用RBF方法得到的第k个节点实际输出推力值，所述限值不大于0.0001。

与现有技术相比，本发明所提供的技术方案的优点在于：本发明根据冲压发动机进气口的位置与入射角度调整出口处的推力以达到最佳。采用拉丁超立方设计方法和CFD方法构建一系列样本模型数据，RBF方法能够精确的对冲压发动机这种非线性实时优化问题进行数据拟合，在保证了计算效率的同时，提高了计算精度。采用RBF网络对样本数据学习，并构建合适的近似模型，采用蛙跳算法和RBF近似模型相结合对发动机进气口的位置与入射角度进行实时监控和优化，缩短优化计算时间，能够满足发动机在实际运行过程中，不断对外界复杂工况的变化进行实时调整，有效的得到冲压发动机在不同时刻、不同工况下的最佳推力。

附图说明

图1为冲压发动机结构示意图。

图2为冲压发动机进气口位置与入射角度分布示意图。

图3为冲压发动机推力性能的实时优化方法流程示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围。

请结合图1及图2所示，冲压发动机由环向布置的4个进气口提供燃烧所需要的氧化剂，进气口轴线与冲压发动机轴线交点至冲压发动机的头端距离为L，进气口轴线与冲压发动机轴线的角度为α。

本实施例涉及的冲压发动机推力性能的实时优化方法的优化目标为冲压发动机出口处的推力F最大。设计变量一共包括八个参数，分别为：4个进气口位置L₁、L₂、L₃、L₄，进气口位置是进气口轴线与冲压发动机轴线交点至冲压发动机的头端距离。4个进气口入射角度α₁、α₂、α₃、α₄，进气口入射角度为进气口轴线与冲压发动机轴线的角度。这8个设计变量的范围由发动机结构技术参数确定。

请结合图3所示，冲压发动机推力性能的实时优化方法的具体步骤如下：

S1、选择前述八个参数构建多维度优化空间，即优化参数为L₁、L₂、L₃、L₄、α₁、α₂、α₃、α₄。

S2、构建RBF神经网络近似预测模型，具体包括：

S2-1、采用拉丁超立方设计方法在该多维度优化空间构建ψ个样本SS＝(ss₁,ss₂,…,ss_k,…,ss_ψ)，其中ss_k＝(ss_k,1,ss_k,2,ss_k,3，ss_k,4,ss_k,5,ss_k,6,ss_k,7,ss_k,8)，ss_k,1表示第一个进气口位置L₁，ss_k,2表示第二个进气口位置L₂，ss_k,3表示第三个进气口位置L₃，ss_k,4表示第四个进气口位置L₄，ss_k,5表示第一个入射角度α₁，ss_k,6表示第二个入射角度α₂，ss_k,7表示第三个入射角度α₃，ss_k,8表示第四个入射角度α₄。

S2-2、采用CFD方法计算每个样本ss_k的推力大小F_k，并构成样本集合SSS＝(sss₁,sss₂,…,sss_k,…,sss_ψ)，其中sss_k＝(ss_k,1,ss_k,2,ss_k,3，ss_k,4,ss_k,5,ss_k,6,ss_k,7,ss_k,8,F_k)，该计算过程为：

S2-2.1、对冲压发动机进行建模并划分网格；

S2-2.2、使用如下控制方程计算各个网格内的物理量：

控制方程：假设流体计算域内热力学平衡；不考虑热辐射与质量力的作用；连续相扩散使用双组元气体模型。对于每一种组分i，该组分的N-S方程守恒形式如式(1)所示：

式中：

其中下标i＝1,2,…,N表示各个组分，ρ_i为各组分流体的密度，u,v,w为速度在坐标轴X,Y,Z方向的分量，w_i为组分i的质量生成率，S_m,S_u,S_v,S_w,S_h为气相与固相相互作用项与化学反应源项，τ_ij为粘性应力张量，其中D_i为组分i的质量扩散系数，Y_i为组分i的质量分数。

q_x，q_y，q_z分别为X,Y,Z方向上由于流体扩散与导热产生的能量通量：

其中k为导热系数，T为温度，h为焓值。

燃烧模型：使用涡耗散模型，产物生成速率等于式(2)、式(3)中计算出的较小的速率：

其中Y_p为任何产物组分p的质量分数，为该反应中反应物/>的质量分数，A、B分别为经验常数，一般分别取4.0和0.5，k/ε是大涡混合时间标尺度，M_w,i为组分i的摩尔质量。

S2-2.3、使用经典SIMPLE算法对所有网格进行迭代求解，最终得到所有网格处的压力、温度、速度、密度。对出口处网格使用如下公式求得第k个个体出口处推力：

式中：v_k为出口处速度；p_k为出口处压力；p_bk为出口环境压力；入口处单位面积上的总质量流率；A_k为出口处截面积。

S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据。

S2-4、RBF神经网络的预测输出为：

式中，y_k为采用RBF方法得到的第k个节点实际输出推力值，w_ik为隐含层到输出层之间的连接权值，sss_j为第j个输入样本，c_i为第i个隐含层节点的中心，σ为高斯函数的方差。

S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差：y_k为采用RBF方法得到的第k个节点实际输出推力值。如果满足要求，即可得到RBF预测模型，如果不满足要求，进入步骤S2-6。

S2-6、采用梯度下降方法更新连接权值w_ik和节点中心c_i，然后返回到步骤2-4。

S3、采用蛙跳算法进行实时优化，具体过程如下：

S3-0、设定一时间长度Time，令Time＝1min(该时间长短设置决定实时优化的频率)，并进行计时，同时初始化种群参数，设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数T_max及相关参数。

S3-1、随机生成一个由m*n只青蛙组成的种群S(t)＝(s₁,s₂,…,s_k,…,s_m*n)，t≤T_max，第j个青蛙个体s_j＝(s_j,1,s_j,2,s_j,3，s_j,4,s_j,5,s_j,6,s_j,7,s_j,8)。s_j,1表示第j个青蛙个体第一个进气口位置L₁，s_j,2表示第j个青蛙个体第二个进气口位置L₂，s_j,3表示第j个青蛙个体第三个进气口位置L₃，s_j,4表示第j个青蛙个体第四个进气口位置L₄，s_j,5表示第j个青蛙个体第一个入射角度α₁，s_j,6表示第j个青蛙个体第二个入射角度α₂，s_j,7表示第j个青蛙个体第三个入射角度α₃，s_j,8表示第j个青蛙个体第四个入射角度α₄；

S3-2、将S(t)经过归一化后作为待预测集合，采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体s_j在不同进气口位置和入射角度下的推力F_j；

S3-3、将冲压发动机的推力的倒数FF

作为适应度值大小来评价每个青蛙的好坏。

S3-4、根据FF的大小对m*n个青蛙个体进行降序排列，生成降序排列种群Z(t)，然后将种群中的所有青蛙依次分配到m个子种群中，生成新种群R(t)＝(R₁,R₂,…,R_o,…,R_m)，其中每个所述子种群R_o，o∈[1,…,m]包含n个青蛙个体。

S3-5、对每个子种群R_o进行进化更新操作，从而改善子种群中青蛙的位置，具体进化更新操作如下步骤：

S3-5.1、令a＝1，a∈[1,m]，依次对m个子种群进行迭代更新操作；

S3-5.2、令b＝1，b∈[1,ξ]，对每个子种群进行最大次数为ξ的迭代更新；

S3-5.3、在每个R_o中，Qb表示推力最小的青蛙个体，Qw表示推力最大的青蛙个体。Qg表示整个种群R(t)中推力最小的青蛙个体。采用如下公式替换推力最大的Qw个体位置，以提高个体的品质：

D_j(t+1)＝r₁*(Q_b-Q_w)

Q_w(t+1)＝Q_w(t)+D_j(t+1)

其中，r₁为0到1之间的随机数；

S3-5.4、调整青蛙个体位置后，重新计算青蛙个体的适应度值FF，然后对比青蛙个体适应度值大小，如果能够获得推力更小的青蛙个体，就用该青蛙的位置取代推力最大的青蛙个体Qw；

S3-5.5、如果不能找到，用Qg取代Qb青蛙个体，返回步骤S3-5.3继续迭代计算。如果迭代过程中均不能获得推力更小的青蛙个体，则随机生成一个新青蛙个体取代Qw。令b＝b+1，重复步骤S3-5.3至S3-5.5，直到b＝ξ；

S3-5.6、令a＝a+1，重复步骤S3-5.2至S3-5.6，直到a＝m，以达到对每个子种群均进行进化的目的。通过以上进化操作后，生成新种群。

S3-6、对步骤S3-5进化更新后的新种群以S3-2、S3-3同样方法计算适应度值大小，更新整个种群中推力最小的青蛙个体Qg。

S3-7、令t＝t+1，重复步骤S3-4至S3-7，直到t＝T_max时停止计算，输出推力最小的青蛙个体，并根据该个体对应的参数分别调整发动机的进气口位置和入射角度。

S3-8、当计时达到Time时即达到1min时，返回步骤S3-1继续进行优化，直至发动机停止工作。

Claims (5)

1.一种冲压发动机推力性能的实时优化方法，其特征在于，包括以下步骤：

S1、以冲压发动机各进气口的进气口位置以及进气口入射角度构建多维度优化空间；

S2、构建RBF神经网络并进行训练得到RBF预测模型；

S3、采用蛙跳算法实时优化，具备包括：

S3-0、设定一时间长度Time，并开始计时，同时初始化种群参数，设定子种群数目m、每个子种群中的青蛙个数n和最大迭代次数T_max

S3-1、随机生成一个由m*n只青蛙组成的种群S(t)，m为子种群数目，n为每个子种群中的青蛙个数，每个青蛙个体包括冲压发动机各进气口的进气口位置以及进气口入射角度；

S3-2、将S(t)经过归一化后作为待预测集合，采用步骤S2得到的RBF预测模型预测S(t)中每个青蛙个体s_j在不同进气口位置和入射角度下的推力F_j；

S3-3、将冲压发动机的推力的倒数作为适应度值大小来评价每个青蛙的好坏；

S3-4、根据FF的大小对m*n个青蛙个体进行降序排列，生成降序排列种群Z(t)，然后将所述降序排列种群Z(t)中的所有青蛙依次分配到m个子种群中，生成新种群R(t)＝(R₁,R₂,…,R_o,…,R_m)，其中每个所述子种群R_o，o∈[1,…,m]包含n个青蛙个体；

S3-5、采用随机权重策略调整每个所述子种群R_o中FF最大的青蛙的位置，对青蛙个体进行进化更新以更新所述新种群R(t)；

S3-6、以S3-2同样方法计算所述更新后的新种群的适应度值大小，更新整个种群中FF最小的青蛙个体；

S3-7、令t＝t+1，重复步骤S3-4至S3-7，直到t＝T_max时停止计算，根据FF最小的青蛙个体分别调整发动机的进气口位置和进气口入射角度；

S3-8、当计时达到Time时，返回步骤S3-1继续进行优化，直至发动机停止工作。

2.根据权利要求1所述的冲压发动机推力性能的实时优化方法，其特征在于，所述步骤S3-5具体包括以下步骤：

S3-5.1、令a＝1，a∈[1,m]，依次对m个子种群进行迭代更新操作；

S3-5.2、令b＝1，b∈[1,ξ]，对每个子种群进行最大次数为ξ的迭代更新；

S3-5.3、在每个R_o中，Qb表示推力最小的青蛙个体，Qw表示推力最大的青蛙个体，Qg表示整个种群R(t)中推力最小的青蛙个体，采用如下公式替换推力最大的Qw个体位置：

D_j(t+1)＝r₁*(Q_b-Q_w)

Q_w(t+1)＝Q_w(t)+D_j(t+1)

其中，r₁为0到1之间的随机数；

S3-5.4、调整青蛙个体位置后，重新计算青蛙个体的适应度值FF，然后对比青蛙个体适应度值大小，如果能够获得推力更小的青蛙个体，就用该青蛙的位置取代推力最大的青蛙个体Qw；

S3-5.5、如果不能找到，用Qg取代Qb青蛙个体，返回步骤S3-5.3继续迭代计算，如果迭代过程中均不能获得推力更小的青蛙个体，则随机生成一个新青蛙个体取代Qw，令b＝b+1，重复步骤S3-5.3至S3-5.5，直到b＝ξ；

S3-5.6、令a＝a+1，重复步骤S3-5.2至S3-5.6，直到a＝m，生成新种群。

3.根据权利要求1所述的冲压发动机推力性能的实时优化方法，其特征在于，所述步骤S2、构建RBF神经网络并进行训练得到RBF预测模型，具体包括，

S2-1、采用拉丁超立方设计方法在该空间构建ψ个样本SS＝(ss₁,ss₂,…,ss_k,…,ss_ψ)，每个ss_k包括发动机各进气口的进气口位置以及进气口入射角度；

S2-2、采用CFD方法计算每个样本ss_k的推力大小F_k，并构成样本集合SSS＝(sss₁,sss₂,…,sss_k,…,sss_ψ)，每个sss_k包括发动机各进气口的进气口位置、进气口入射角度以及对应推力F_k；

S2-3、将样本集合SSS归一化后作为RBF神经网络的输入数据；

S2-4、计算RBF神经网络的预测输出；

S2-5、计算采用CFD方法获得的样本推力和RBF预测输出值之间的误差是否不超过限值，如为是，得到RBF预测模型，如为否，进入步骤S2-6；

S2-6、采用梯度下降方法更新RBF神经网络的连接权值和节点中心，然后返回到步骤S2-4。

4.根据权利要求3所述的冲压发动机推力性能的实时优化方法，其特征在于，所述CFD方法获得的样本推力和RBF预测输出值之间的误差为y_k为采用RBF方法得到的第k个节点实际输出推力值。

5.根据权利要求4所述的冲压发动机推力性能的实时优化方法，其特征在于，所述限值不大于0.0001。