基于PSO⁃BP神经网络的固冲发动机推力估计器设计

王昭; 田小涛; 黄萌; 张博

doi:10.13224/j.cnki.jasp.20210325

基于PSO⁃BP神经网络的固冲发动机推力估计器设计

doi: 10.13224/j.cnki.jasp.20210325

王昭^{1, 2},
田小涛^{1, 2},
黄萌^{1, 2},
张博^{1, 2}

1.
中国兵器工业集团有限公司西安现代控制技术研究所，西安 710065
2.
中国兵器工业集团有限公司现代控制技术重点实验室，西安710065

详细信息

作者简介:
王昭（1992-），男，工程师，博士，主要从事人工智能在发动机控制中的应用研究。

中图分类号: V435.5
计量
- 文章访问数: 418
- HTML浏览量: 176
- PDF量: 42
- 被引次数: 0
出版历程
- 收稿日期: 2021-06-25

Design of thrust estimator in the solid rocket ramjet based on PSO⁃BP neural network

WANG Zhao^{1, 2},
TIAN Xiaotao^{1, 2},
HUANG Meng^{1, 2},
ZHANG Bo^{1, 2}

1.
Xi'an Modern Control Technology Research Institute，China North Industries Group Corporation Limited，Xi'an 710065，China
2.
Key Laboratory for Modern Control Technology，China North Industries Group Corporation Limited，Xi'an 710065，China

摘要

摘要:
为了对固体火箭冲压发动机的推力进行直接控制，提出了基于PSO（粒子群优化算法）优化BP（back propagation）神经网络的固体火箭冲压发动机推力估计方法。采用SPSO（标准PSO）和三种不同的BBPSO（骨干PSO）寻优神经网络权值，而后以最优权值进行BP网络训练，对其进行精调，如此便可获取推力和燃气流量、飞行马赫数以及飞行高度之间的非线性关系，从而完成推力估计器的设计。利用240组训练集数据对网络进行训练，并用180组测试集数据对网络进行验证。仿真结果表明：在SPSO、BBExp（exploiting BBPSO）、ABPSO^*（modified adaptive BBPSO）和SNPSO（simplified pruning strategy based BBPSO）等四种不同的PSO中，基于SNPSO优化BP神经网络实现推力估计器设计是最为便捷有效的方法，不仅形式简单，而且对于测试集数据而言，其能够将推力相对误差控制在5%以内。
- 固体火箭冲压发动机 /
- 推力估计器 /
- 粒子群优化算法 /
- 神经网络 /
- 非线性关系
Abstract:
A solid rocket ramjet thrust estimation method based on BP（back propagation）neural network optimized by PSO （particle swarm optimization） was proposed for direct control of the thrust of solid rocket ramjet.In detail，SPSO （standard PSO） and three different BBPSO （bare bones PSO） methods were adopted to optimize the network weights.Then，the optimal weights as the initial value were tuned finely by BP neural network training.Therefore，the nonlinear relationship between thrust and gas flow，flight Mach number as well as flight height was obtained such that the design of thrust estimator was completed.240 sets of training data were used to train the network，and 180 sets of testing data were used to verify the network.The simulation results showed that among four different PSO methods such as SPSO，BBExp （exploiting BBPSO），ABPSO^* （modified adaptive BBPSO） and SNPSO （simplified pruning strategy based BBPSO），the design of thrust estimator based on BP neural network optimized by SNPSO is the most convenient and effective method not only due to its simple form but also due to its capacity of controlling the relative thrust error within 5% for test set data.
- solid rocket ramjet /
- thrust estimator /
- particle swarm optimization /
- neural network /
- nonlinear relationship
注释:

1) 陈越

HTML

图 1 直接推力控制结构图

Figure 1. Structure of direct thrust control

下载: 全尺寸图片幻灯片

图 2 神经网络结构图

Figure 2. Structure of neural network

下载: 全尺寸图片幻灯片

图 3 PSO过程

Figure 3. Optimization process of PSO

下载: 全尺寸图片幻灯片

表 1 三种BBPSO的演化方程及其参数值

Table 1. Evolutional equation of three kinds of BBPSO and corresponding parameters

算法	BBExp	ABPSO^*	SNPSO
演化方程	$x_{i, j}^{(t + 1)} = \{\begin{matrix} (9), r < 0.5 \\ p_{i, j}^{(t)}, r > 0.5 \end{matrix}$	$x_{i, j}^{(t + 1)} = \{\begin{matrix} (9), r < Θ \\ x_{i, j}^{(t)}, r > Θ \end{matrix}$	式（8）
$μ_{i, j}^{(t)}$	$\frac{p_{i, j}^{(t)} + p_{g, j}^{(t)}}{2}$	$\frac{p_{i, j}^{(t)} + p_{g, j}^{(t)}}{2}$	$\frac{ξ_{a} p_{i, j}^{(t)} + ξ_{b} p_{g, j}^{(t)}}{ξ_{a} + ξ_{b}}$
$α$	1	1	0.5
$δ_{i}^{(t)}$	$\|p_{i, j}^{(t)} - p_{g, j}^{(t)}\|$	$\|p_{i, j}^{(t)} - p_{g, j}^{(t)}\| + Δ$	$μ_{i, j}^{(t)} - x_{i, j}^{(t)}$

下载: 导出CSV

表 2 PSO⁃BP算法

Table 2. Method of PSO⁃BP

1 设置粒子群的种群规模

N_{s}

和迭代次数

t_{m a x}

等参数。初始化所有粒子的信息2

F o r t = 1 t o t_{m a x}

F o r i = 1 t o N_{s}

4 计算每个粒子的适应度5 获取个体历史最优值6

E n d

7 确定本次迭代全局最优值8 更新每个粒子的信息9

E n d

10 将粒子群优化的权值作为初始权值进行BP训练11 达到训练次数时，算法结束

下载: 导出CSV

表 3 PSO结果

Table 3. Results of PSO

算法	适应度/10^-3
SPSO	5.53
BBExp	57.60
ABPSO^*	22.50
SNPSO	5.00

下载: 导出CSV

表 4 两种方法在不同测试集下的相对误差绝对值对比

Table 4. Comparison of absolute values of relative error for different test sets under two methods

算法	均值/%			总平均值/%	最大值/%
算法	第一组	第二组	第三组	总平均值/%	最大值/%
SPSO	1.30	1.78	1.15	1.41	3.52
SNPSO	1.32	1.77	1.79	1.63	4.17

下载: 导出CSV

参考文献(22)

[1]	鲍福廷，黄熙君，张振鹏.固体火箭冲压组合发动机[M].北京：中国宇航出版社，2006.
[2]	牛文玉，刘顶新.固体火箭冲压发动机推力调节和进气道喘振保护的切换控制[J].弹箭制导学报，2015，35（4）:93⁃96. NIU Wenyu，LIU Dingxin.Switching control of thrust regulation and inlet buzz protection for ducted ramjet[J].Journal of Projectiles，Rockets，Missiles and Guidance，2015，35（4）:93⁃96.（in Chinese）
[3]	牛文玉.燃气流量可调的固体火箭冲压发动机控制方法研究[D].哈尔滨:哈尔滨工业大学，2009. NIU Wenyu.Study on control methods for variable flow ducted rockets[D].Harbin:Harbin Institute of Technology，2009.（in Chinese）
[4]	李智强.基于神经网络的航空发动机推力估计方法研究[D].南京:南京航空航天大学，2019. LI Zhiqiang.Research on aeroengine thrust estimation methods based on neural networks[D].Nanjing:Nanjing University of Aeronautics and Astronautics，2019.（in Chinese）
[5]	HENRIKSSON M，GRONSTEDT T，BREITHOLTZ C.Model⁃based on⁃board turbofan thrust estimation［J］.Control Engineering Practice，2011，19（6）:602⁃610.
[6]	焦继革，张为华,夏智勋，等.燃气流量可调固体火箭冲压发动机飞行性能分析[J].国防科技大学学报，2011，33（1）：21⁃24. JIAO Jige,ZHANG Weihua,XIA Zhixun,et al.Flight performance analysis of variable flow ducted rocket[J].Journal of National University of Defense Technology，2011，33（1）：21⁃24.（in Chinese）
[7]	王超磊，刘代军，崔颢.固体火箭冲压发动机空空导弹推力控制研究[J].计算机仿真,2015，32（10）：31⁃34. WANG Chaolei，LIU Daijun，CUI Hao.Thrust control for air⁃to⁃air missile with variable flow ducted rockets[J].Computer Simulation,2015，32（10）：31⁃34.（in Chinese）
[8]	姚彦龙，孙健国.自适应遗传神经网络算法在推力估计器设计中的应用[J].航空动力学报，2007，22（10）:1749⁃1755. YAO Yanlong ,SUN Jianguo.Application of adaptive genetic neural network algorithm in design of thrust estimator[J].Journal of Aerospace Power，2007，22（10）:1749⁃1755.（in Chinese）
[9]	姚彦龙，孙健国.基于神经网络逆控制的发动机直接推力控制[J].推进技术，2008，29（2）:249⁃252. YAO Yanlong，SUN Jianguo.Aeroengine direct thrust control based on neural network inverse control[J].Journal of Propulsion Technology，2008，29（2）:249⁃252.（in Chinese）
[10]	周宇宸.燃气流量可调固冲发动机推力控制研究[D].长沙:国防科技大学，2018. ZHOU Yuchen.Research on thrust control of variable flow solid ducted rocket[D].Changsha:National University of Defense Technology，2018.（in Chinese）
[11]	宋汉强，李本威，张赟，等.基于聚类与粒子群极限学习机的航空发动机推力估计器设计[J].推进技术，2017，38（6）：185⁃191. SONG Hanqian,LI Benwei,ZHANG Yun,et al.Aero⁃engine thrust estimator design based on clustering and particle swarm optimization extreme learning machine[J].Journal of Propulsion Technology，2017，38（6）：185⁃191.（in Chinese）
[12]	陈昭明，邹劲松，王伟，等.改进粒子群神经网络融合有限元分析的铸锻双控动态成型多目标优化[EB/OL].[2021⁃04‑29].https:∥doi.org/10.13229/j.cnki.jdxbgxb20210108. doi: 10.13229/j.cnki.jdxbgxb20210108
[13]	张震,潘再平,潘晓弘.基于剪枝策略的骨干粒子群算法[J].控制与决策,2015,30（9）：1591⁃1596. ZHANG Zhen,PAN Zaiping,PAN Xiaohong.Pruning strategy based bare bones particle swarm optimization[J].Control and Decision,2015,30（9）：1591⁃1596.（in Chinese）
[14]	张震,潘再平,潘晓弘.骨干粒子群算法两种不同实现的优化特性[J].浙江大学学报（工学版）,2015,49（7）：1350⁃1357. ZHANG Zhen,PAN Zaiping,PAN Xiaohong.Different implementations of bare bones particle swarm optimization[J].Journal of Zhejiang University （Engineering Science）,2015,49（7）：1350⁃1357.（in Chinese）
[15]	KENNEDY J.Bare bones particle swarms[C]∥Proceedings of the Swarm Intelligence Symposium.Indianapolis,US:IEEE,2003:80⁃87.
[16]	SUN Jun,FANG Wei,WU Xiaojun,et al.Quantum⁃behaved particle swarm optimization:analysis of individual particle behavior and parameter selection[J].Evolutionary Computation,2012,20（3）:349⁃393.
[17]	ZHANG Yong,GONG Dunwei,SUN Xiaoyan,et al.Adaptive bare‑bones particle swarm optimization algorithm and its convergence analysis[J].Soft Computing,2014,18（7）:1337⁃1352.
[18]	王东风,孟丽,赵文杰.基于自适应搜索中心的骨干粒子群算法[J].计算机学报,2016,39（12）：2652⁃2667. WANG Dongfeng,MENG Li,ZHAO Wenjie.Improved bare bones particle swarm optimization with adaptive search center[J].Chinese Journal of Computers,2016,39（12）：2652⁃2667.（in Chinese）
[19]	陈健.改进的骨干粒子群优化算法及应用研究[D].安徽马鞍山：安徽工业大学,2017. CHEN Jian.Improved bare bones particle swarm optimization algorithm and its application[D].Ma'anshan Anhui:Anhui University of Technology,2017.（in Chinese）
[20]	龙远，邓小龙，杨希祥，等.基于PSO⁃BP 神经网络的平流层风场短期快速预测[EB/OL].[2021⁃04⁃29].https:∥doi.org/10.13700/j.bh.1001-5965.2021.0068. doi: 10.13700/j.bh.1001-5965.2021.0068
[21]	徐丽娜.神经网络控制[M].北京:电子工业出版社,2009.
[22]	黄璇，郭立红，李姜，等.改进粒子群优化BP神经网络的目标威胁估计［J］.吉林大学学报（工学版），2017，47（3）：996⁃1002. HUANG Xuan,GUO Lihong,LI Jiang,et al.Target threat assessment based on BP neural network optimized by modified particle swarm optimization［J］.Journal of Jilin University （Engineering and Technology Edition），2017，47（3）：996⁃1002.（in Chinese）