基于Kriging算法的武器站多工况结构优化方法技术

本发明专利技术提供了一种基于Kriging算法的武器站多工况结构优化方法，包括如下步骤：步骤一、给定支撑架弹性模量，弹箱质量，缓冲器刚度的范围；步骤二、采用拉丁超立方试验设计选取获取N组样本点；步骤三、计算炮口振动综合参数；步骤四、联合N组样本点和N个炮口振动综合参数构成初始训练样本点集；步骤五、使用遗传算法对kriging代理模型进行寻优，找出最优点及最大期望提高点；步骤六、基于双重kriging模型序列迭代优化算法对结构参数优化问题进行寻优直到收敛。步骤七、获取不同射角结构优化参数，并将各射角的最优结构参数代入到其它工况的武器站动力学模型中，寻找平均优化幅度最大的结构参数最为最终结构优化参数。

【技术实现步骤摘要】

本专利技术属于武器站
，特别涉及一种基于Kriging算法的武器站多工况结构优化方法。
技术介绍
火炮发射时，火药燃烧产生的瞬时高温、高压推动弹丸在膛内高速运动，加之火炮的惯性作用，使火炮产生剧烈振动，导致炮口指向发生变化，严重影响射击精度。研究火炮发射的炮口扰动及其变化规律，对于评价和考核火炮性能、鉴定火炮生产质量、提高火炮射击精度具有重要的理论意义。通过对顶置武器站结构参数进行优化使炮口扰动最小。
技术实现思路
本专利技术设计开发了一种基于Kriging算法的武器站多工况结构优化方法，通过对结构参数的优化，获得不同射角下优化幅度最大的参数，得出平均优化幅度最大的结构参数最为最终结构优化参数，解决了炮口扰动量大影响射击精度的问题。本专利技术提供的技术方案为：一种基于Kriging算法的武器站多工况结构优化方法，包括如下步骤：步骤一、给定顶置武器站支撑架弹性模量E的范围E∈[Ea,Eb]，弹箱质量m的范围m∈[ma,mb]，缓冲器刚度K的范围K∈[Ka,Kb]；步骤二、采用拉丁超立方试验设计选取E、m、K的值，获取N组样本点(Ei,mi,Ki)，i＝1,2,...,N；步骤三、将顶置武器站支撑架弹性模量、弹箱质量、缓冲器刚度分别设定为Ei、mi、Ki，对顶置武器站进行炮口扰动试验，获取高低向线速度均方值Di(vz)、水平向线速度均方值Di(vy)、高低向角位移均方值Di(θz)以及水平向角位移均方值Di(θy)，计算炮口振动综合参数FiFi＝w1D(vz)+w2D(θz)+w3D(vy)+w4D(θy)其中，w1、w2、w3、w4为权系数；步骤四、联合N组样本点(Ei,mi,Ki)和N个炮口振动综合参数Fi构成初始训练样本点集，构建kriging代理模型；步骤五、使用遗传算法对kriging代理模型进行寻优，找出最优点及最大期望提高点；步骤六、将步骤五中获取的最优点及最大期望提高点两点方差最小点作为待添加的采样点，重新进行kriging代理模型寻优，直到最优点收敛；此时得到的武器站支撑架弹性模量E0、弹箱质量m0、缓冲器K0即为顶置武器站结构优化参数；步骤七、重复上述步骤三至步骤五，获取射角分别为-5°、0°、15°、30°、45°、60°时顶置武器站结构优化参数，并将各射角的最优结构参数代入到其它工况的武器站动力学模型中，寻找平均优化幅度最大的结构参数最为最终结构优化参数。优选的是，步骤三中，w1＝w3＝1，w2＝w4＝10。优选的是，步骤六中，收敛准则为： y ^ min k + 1 - y ^ min k y ^ min k ≤ 1 % ]]>其中，分别为第k代、第k+1代kriging模型的最优值。优选的是，步骤二中，使用拉丁超立方试验提取35组样本点。优选的是，步骤五中遗传算法种群数量为44，交叉概率为0.7，变异概率为0.05，收敛阀值为0.001。优选的是，支撑架弹性模量E的范围E∈[1.5,2.5]。优选的是，弹箱质量m的范围m∈[50,130]。优选的是，缓冲器刚度K的范围K∈[500,750]。本专利技术的有益效果是：本专利技术提供了一种基于Kriging算法的武器站多工况结构优化方法，通过对支撑架弹性模量、弹箱质量、缓冲器刚度的优化设计，使炮口扰动量最小。附图说明图1为本专利技术所述的基于Kriging算法的武器站多工况结构优化方法流程图。具体实施方式下面结合附图对本专利技术做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。如图1所示，本专利技术提供了一种基于Kriging算法的武器站多工况结构优化方法，包括以下步骤：步骤一：选择支撑架弹性模量E、弹箱质量m、缓冲器刚度K这三个结构参数作为优化问题的设计变量，这三个参数的取值范围图表1所示：表1步骤二：采用拉丁超立方试验设计选取E、m、K的值，获取35组样本点(Ei,mi,Ki)，i＝1,2,...,35。步骤三、将顶置武器站支撑架弹性模量、弹箱质量、缓冲器刚度分别设定为Ei、mi、Ki，对顶置武器站进行炮口扰动试验，获取高低向线速度均方值Di(vz)、水平向线速度均方值Di(vy)、高低向角位移均方值Di(θz)以及水平向角位移均方值Di(θy)，计算炮口振动综合函数minF＝min(w1D(vz)+w2D(θz)+w3D(vy)+w4D(θy))其中，w1、w2、w3、w4为权系数，作用是对振动参量的量纲进行统一，取值为：w1＝w3＝1，w2＝w4＝10。步骤四：生成初始训练样本空间。将35组样本点(Ei,mi,Ki)，i＝1,2,…,35连同炮口振动综合参数生成初始训练样本空间，部分样本空间如表2所示表2步骤五：在初始训练样本空间的基础上，利用Matlab中的“DACE”工具箱构造第一代kriging模型，回归函数选择二元二次多项式，相关函数选择高斯函数，并考虑各向异性作用，对每个设计变量单独赋予θ值，范围取[0.1,20]，初始值统一设置为10。选择遗传算法作为优化算法，设置种群数量为44，交叉概率为0.7，变异概率为0.05，收敛阀值为0.001。kriging代理模型本质上是一种基于统计理论的近似模型[139]，其有效性及精确性受随机误差的影响小。kriging代理模型在对未知点进行预测时，需要借助周围已知采样点的信息，通过对该信息进行加权组合来估计未知点，加权方法则根据最小化估计值误差的方差来确定，因此，可以认为kriging模型是最优的线性无偏估计。kriging作为一种半参数化的近似模型，由线性回归部分和非参数部分组成：式中，F(β,x)为回归部分，由一系列x的多项式及回归系数β来共同决定： F ( β , x ) = β 1 f 1 ( x ) + β 2 f 本文档来自技高网...

【技术保护点】
一种基于Kriging算法的武器站多工况结构优化方法，其特征在于，包括如下步骤：步骤一、给定顶置武器站支撑架弹性模量E的范围E∈[Ea,Eb]，弹箱质量m的范围m∈[ma,mb]，缓冲器刚度K的范围K∈[Ka,Kb]；步骤二、采用拉丁超立方试验设计选取E、m、K的值，获取N组样本点(Ei,mi,Ki)，i＝1,2,...,N；步骤三、将顶置武器站支撑架弹性模量、弹箱质量、缓冲器刚度分别设定为Ei、mi、Ki，对顶置武器站进行炮口扰动试验，获取高低向线速度均方值Di(vz)、水平向线速度均方值Di(vy)、高低向角位移均方值Di(θz)以及水平向角位移均方值Di(θy)，计算炮口振动综合参数FiFi＝w1D(vz)+w2D(θz)+w3D(vy)+w4D(θy)其中，w1、w2、w3、w4为权系数；步骤四、联合N组样本点(Ei,mi,Ki)和N个炮口振动综合参数Fi构成初始训练样本点集，构建kriging代理模型；步骤五、使用遗传算法对kriging代理模型进行寻优，找出最优点及最大期望提高点；步骤六、将步骤五中获取的最优点及最大期望提高点两点方差最小点作为待添加的采样点，重新进行kriging代理模型寻优，直到最优点收敛；此时得到的武器站支撑架弹性模量E0、弹箱质量m0、缓冲器K0即为顶置武器站结构优化参数；步骤七、重复上述步骤三至步骤五，获取射角分别为‑5°、0°、15°、30°、45°、60°时顶置武器站结构优化参数，并将各射角的最优结构参数应用到武器站中，得出平均优化幅度最大的结构参数最为最终结构优化参数。...

【技术特征摘要】
1.一种基于Kriging算法的武器站多工况结构优化方法，其特征在于，包括如下步骤：步骤一、给定顶置武器站支撑架弹性模量E的范围E∈[Ea,Eb]，弹箱质量m的范围m∈[ma,mb]，缓冲器刚度K的范围K∈[Ka,Kb]；步骤二、采用拉丁超立方试验设计选取E、m、K的值，获取N组样本点(Ei,mi,Ki)，i＝1,2,...,N；步骤三、将顶置武器站支撑架弹性模量、弹箱质量、缓冲器刚度分别设定为Ei、mi、Ki，对顶置武器站进行炮口扰动试验，获取高低向线速度均方值Di(vz)、水平向线速度均方值Di(vy)、高低向角位移均方值Di(θz)以及水平向角位移均方值Di(θy)，计算炮口振动综合参数FiFi＝w1D(vz)+w2D(θz)+w3D(vy)+w4D(θy)其中，w1、w2、w3、w4为权系数；步骤四、联合N组样本点(Ei,mi,Ki)和N个炮口振动综合参数Fi构成初始训练样本点集，构建kriging代理模型；步骤五、使用遗传算法对kriging代理模型进行寻优，找出最优点及最大期望提高点；步骤六、将步骤五中获取的最优点及最大期望提高点两点方差最小点作为待添加的采样点，重新进行kriging代理模型寻优，直到最优点收敛；此时得到的武器站支撑架弹性模量E0、弹箱质量m0、缓冲器K0即为顶置武器站结构优化参数；步骤七、重复上述步骤三至步骤五，获取射角分别为-5°、0°、15°、30°、45°、60°时顶置武器站结构优化参数，并将各射角的最优结构参数应用到武器站中，得出平均优化幅度最大的结构参数最为最终结构优化参数。2.根据权利要求1所述的基于Kriging算法的武器站多工况结构优化方法，其特征在于，步骤三中，w1＝w3＝1，w2＝w4＝10。3.根据权利要求2所述的基于Krigi...

【专利技术属性】
技术研发人员：毛保全，邓威，冯帅，李程，王之千，
申请(专利权)人：中国人民解放军装甲兵工程学院，
类型：发明
国别省市：北京;11