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技术

本发明专利技术公开了一种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，包括：基于相似性度量选取源任务，并构建低精度模型，基于高精度样本点与低精度模型的预测误差构建误差模型，得到多精度预测模型；搜索多精度预测模型当前最优的高精度样本点，并判断多精度预测模型是否收敛：若是，则将历史最优的高精度样本点作为设计结果并输出；否则，将高精度样本点纳入误差模型，并更新误差模型与多精度预测模型后继续搜索。本发明专利技术应用于发动机设计技术领域，通过从源任务中转移知识，有效优化初期对设计空间的探索，优化速度快、寻优能力强、节约了大量的时间成本，具有更高的效率和性能，能有效满足发动机推力性能优化的需求。能有效满足发动机推力性能优化的需求。能有效满足发动机推力性能优化的需求。

【技术实现步骤摘要】
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


[0001]本专利技术涉及发动机设计
，具体是一种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。

技术介绍

[0002]喉栓式变推力固体发动机由于工作条件特殊、性能要求严格，其推力需要具备大范围连续可调等优越性能。喉栓和喷管是喉栓式变推力固体发动机的重要组件，推力性能优化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，其主要任务是通过对喉栓和喷管的构型参数迭代优化，使得最大推力最大，从而设计出满足性能需求的最优构型。
[0003]目前常用的喉栓式变推力固体发动机喉栓喷管优化方法有：遗传算法：通过模拟自然进化过程中基因的选择、交叉和变异等特点来转化并求解优化问题。在不考虑计算资源的情况下遗传算法虽然可以得到较好的设计结果，但目前常用的遗传算法在解决复杂的喉栓式变推力发动机喉栓喷管构型设计问题时通常需要数千次迭代，使其难以在高耗时的高精度推力仿真模型上进行应用，单次设计造成的计算成本难以让人接受。
[0004]序列近似优化方法：通过实验设计、近似建模、序列采样三个环节对优化问题进行迭代求解。其核心是采用代理模型方法构建近似模型，通过迭代训练使其逼近和替代高耗时的仿真模型，从而大幅提高优化效率。通常构建代理模型的方法包括径向基法、Kriging法、多项式响应面法等。与遗传算法相比，序列近似优化方法虽然可以有效减少迭代次数，避免耗时程序仿真的多次调用，且模型近似精度随着迭代的进行而不断提高，能实现快速性能预测。然而，实际工程问题很少孤立存在，传统的优化求解方法，包括遗传算法和序列近似优化方法，往往忽视了认知和总结经验规律的能力，对于新的优化问题往往重新开始优化，没有考虑先验知识，从而产生大量不必要的计算成本。

技术实现思路

[0005]针对上述现有技术中喉栓式变推力发动机推力性能优化效率低、设计所得推力性能差、不同内弹道参数需要重新进行迭代优化构型导致计算资源浪费的问题，本专利技术提供一种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，通过利用过往设计知识，实现了喉栓式发动机推力性能的快速优化设计。
[0006]为实现上述目的，本专利技术提供一种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，包括如下步骤：步骤1，基于相似性度量准则，在知识库中选取多个喉栓式变推力发动机喉栓喷管构型设计的源任务；步骤2，基于选取的源任务构建目标域的低精度模型，并基于高精度样本点与低精度模型的预测误差构建误差模型；步骤3，基于所述低精度模型与所述误差模型构建目标域的多精度预测模型；
步骤4，搜索所述多精度预测模型当前最优的高精度样本点，并判断所述多精度预测模型是否收敛：若是，则将所述多精度预测模型历史最优的高精度样本点作为喉栓式变推力发动机喉栓喷管构型的设计结果并输出；否则，将所述多精度预测模型当前最优的高精度样本点纳入所述误差模型，并更新所述误差模型与所述多精度预测模型后，再次进行步骤4，直至所述多精度预测模型收敛。
[0007]在其中一个实施例，步骤1中，选取所述源任务的过程具体为：计算当前喉栓式变推力发动机喉栓喷管构型设计的目标任务与所述知识库中每一任务的相似度为：；其中，表示目标任务与所述知识库第个任务的相似度，表示所述知识库第个任务的元特征，表示目标任务的元特征，表示目标任务与所述知识库第个任务的范数，表示计算目标任务与所述知识库第个任务的范数，表示所述知识库任务的数量；在所述知识库中选取个与目标任务相似度最大的任务作为所述源任务。
[0008]在其中一个实施例，步骤2中，所述基于选取的源任务构建目标域的低精度模型，为：；其中，表示低精度模型，表示样本点，表示源任务的数量，表示第个源任务的权重，表示第个源任务的全局模型，、超参数；在构建所述低精度模型的过程中，采用样本径向基函数方法构造源任务的全局模型，为：；其中，表示第个源任务所包含的样本点数量，表示基函数系数，表示高斯基函数。
[0009]在其中一个实施例，所述权重的计算过程为：；其中，表示目标任务与所述知识库第个源任务的相似度。
[0010]在其中一个实施例，所述超参数、的计算过程为：；其中，表示第个源任务的均方根误差，表示第个源任务的均方根误差为与超参数、相关的函数；第个源任务的均方根误差具体为：；其中，表示第个源任务中第个样本点的预测误差，即低精度模型对第个源任务中第个样本点的预测输出与第个样本点的真实输出间的误差。
[0011]在其中一个实施例，步骤3中，所述多精度预测模型为：
[0012]其中，表示多精度预测模型，表示低精度模型，表示误差模型。
[0013]在其中一个实施例，步骤4中，判断所述多精度预测模型是否收敛的过程具体为：当所述多精度预测模型连续M次未搜索到更优的高精度样本点，则判定所述多精度预测模型已收敛，否则判定所述多精度预测模型未收敛。
[0014]在其中一个实施例，步骤4中，将所述多精度预测模型当前最优的高精度样本点纳入所述误差模型，并更新所述误差模型与所述多精度预测模型，具体为：将所述多精度预测模型当前最优的高精度样本点代入所述多精度预测模型，得到多精度预测模型预测输出；仿真得到所述多精度预测模型当前最优的高精度样本点的真实输出，将该真实输出与所述多精度预测模型预测输出间的误差纳入所述误差模型训练集中，完成所述误差模型的更新，进而完成所述多精度预测模型的更新。
[0015]在其中一个实施例，步骤4中，采用粒子群算法搜索所述多精度预测模型当前最优的高精度样本点。
[0016]与现有技术相比，本专利技术具有如下有益技术效果：1.本专利技术通过相似性度量选择相似的喉栓式变推力发动机喉栓喷管设计源任务并从中转移知识，有效避免了优化初期对设计空间的探索，优化速度快、寻优能力强、节约了大量的时间成本，具有更高的效率和性能，能有效满足喉栓式变推力发动机推力性能优化的需求；2.本专利技术通过从喉栓喷管设计源任务中提取的低精度模型和表示源任务和目标任务之间区别的误差模型构建多精度近似模型来替代常规近似模型，由于先验知识的存在，后续采样过程能够更倾向于潜在最优区域的开发，进一步提高了算法效率。
附图说明
[0017]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现
有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
[0018]图1为本专利技术实施例中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的流程图；图2为本专利技术实施例中喉栓式喷管构型的示意图；图3为本专利技术实施例中喉栓式喷管最大推力优化收敛曲线示意图，其中，SAO为序列近似优化方法得到的喉栓式喷管最大推力优化收敛曲线示意图，MFM
‑
KTO为本专利技术方法得到的喉栓式喷管最大推力优化收敛曲线示意图；图4为本专利技术实施例中本专利技术方法得到的喉栓式喷管最优构型示意图；图5本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种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，其特征在于，包括如下步骤：步骤1，基于相似性度量准则，在知识库中选取多个喉栓式变推力发动机喉栓喷管构型设计的源任务；步骤2，基于选取的源任务构建目标域的低精度模型，并基于高精度样本点与低精度模型的预测误差构建误差模型；步骤3，基于所述低精度模型与所述误差模型构建目标域的多精度预测模型；步骤4，搜索所述多精度预测模型当前最优的高精度样本点，并判断所述多精度预测模型是否收敛：若是，则将所述多精度预测模型历史最优的高精度样本点作为喉栓式变推力发动机喉栓喷管构型的设计结果并输出；否则，将所述多精度预测模型当前最优的高精度样本点纳入所述误差模型，并更新所述误差模型与所述多精度预测模型后，再次进行步骤4，直至所述多精度预测模型收敛。2.根据权利要求1所述的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，其特征在于，步骤1中，选取所述源任务的过程具体为：计算当前喉栓式变推力发动机喉栓喷管构型设计的目标任务与所述知识库中每一任务的相似度为：；其中，表示目标任务与所述知识库第个任务的相似度，表示所述知识库第个任务的元特征，表示目标任务的元特征，表示目标任务与所述知识库第个任务的范数，表示计算目标任务与所述知识库第个任务的范数，表示所述知识库任务的数量；在所述知识库中选取个与目标任务相似度最大的任务作为所述源任务。3.根据权利要求1所述的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，其特征在于，步骤2中，所述基于选取的源任务构建目标域的低精度模型，为：；其中，表示低精度模型，表示样本点，表示源任务的数量，表示第个源任务的权重，表示第个源任务的全局模型，、超参数；在构建所述低精度模型的过程中，采用样本径向基函数方法构造源任务的全局模型，为：
；其中，表示第个源任务所包含的样本点数量，表示基函数系数，表示高斯基函数。4.根据权利要求3所述的喉栓式变推力发...

【专利技术属性】
技术研发人员：张为华，李佳欣，杨家伟，武泽平，王东辉，张德权，高经纬，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：