本发明属于武器站
技术领域：
，特别涉及一种基于Kriging算法的武器站多工况结构优化方法。
背景技术：
：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。技术实现要素：本发明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。本发明提供的技术方案为：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^mink+1-y^minky^mink≤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]。本发明的有益效果是：本发明提供了一种基于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为本发明所述的基于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发明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，本发明提供了一种基于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)=β1f1(x)+β2f2(x)+...+βpfp(x)==β1β2...βnf1(x)f2(x)...fn(x)==f(x)Tβ]]>在插值过程中F(β,x)提供全局近似，且x的多项式形式可以选择为0阶、1阶或2阶。z(x)为非参数部分，在插值过程中提供局部偏差的近似，具有以下统计特性：E(zi(x))=0Var(zi(x))=δi2Cov[z(xi),z(xj)]=δ2R[xi,xj,θ]]]>式中，E为期望，Var为方差，Cov为协方差，R为相关函数，θ为相关向量。假设一组已知的包含n个设计变量个数的样本点集为X＝[x1,x2,…,xn]T,其相应的函数值为为Y＝[y1,y2,…,yn]T，则采用kriging进行插值后，对任意一个未知点响应值的估计为：式中，c为插值系数。代理模型的估计误差为：式中，F＝[f1,f2,…,fn]T，，Z＝[z1,z2,…,zn]T。为了保证估计结果的无偏性，需要使上述估计误差的期望为0：即有：FTc-f(x)＝0此时，估计值的均方差为：式中，R=R(θ,xi,xj),(i,j=1,2,...,n)r(x)=[R(θ,s,x1),R(θ,s,x2),...,R(θ,s,xn)]T]]>kriging模型要求最小，因此系数c可通过建立最小化均方差优化模型来求解得出：引入拉格朗日乘子得：L(c,λ)＝σ2(1+cTRc-2cTr)-λT(FTc-f(x))上式关于c的梯度为：∂(L(c,λ))∂c=2σ2(Rc-r)-Fλ]]>结合约束条件可得系统方程为：RFFT0cλ~=rf]]>可以进一步推导出：c=R-1(r-Fλ~)λ~=-λ2σ2=(FTR-1F)-1(FTR-1r-f)]]>将上式代入得：对数形式的参数估计极大似然函数为：Ln(β,σ2,θ)=-12[nln(2π)+nlnσ2+ln|R|+1σ2(y-Fβ)TR-1(y-Fβ)]]]>当θ初始值给定后，将极大似然函数分别对β和σ2求导数，并令其等于0，则可以得到两个参数的极大似然估计为：此时，kriging对未知点的估计即为最优线性无偏估计：步骤六：依据上述初始条件，基于双重kriging模型序列迭代优化算法对武器站结构参数优化问题进行寻优，收敛准则为：y^mink+1-y^minky^mink≤1%]]>式中，分别为第k代、第k+1代kriging模型的最优值。结果如表3、表4所示，其中x1、x2、x3分别对应支撑架弹性模量、弹箱质量以及缓冲器刚度。表3表4由特征点历史可知，在武器站炮口振动优化问题的寻优过程中，最优值并不是一味地变小，而是在-40至40间来回波动，导致该现象的原因在于拟合出的kriging代理模型具有若干个相近的极小值点，当本轮kriging模型搜索到的最优点经加点提高准确度后，另一个相近的极小值点凸显出来，成为下一轮kriging模型的最优点，如此反复寻优、加点，一直到该若干个极小值点被“填平”、全局最优点留存下来为止。从表3、表4可知，整个优化过程经历了26轮kriging模型的更新，总共加点26个，最终收敛的全局最优值为1.965，相比起初始值，目标函数优化幅度为24.7％，对应的结构参数最优解为：支撑架弹性模量为1.913GPa、弹箱质量为122.506kg、缓冲器刚度615.69N/mm。步骤七、采用-5°、0°、15°、30°、45°、60°这六种射角进行试验，并采用双重kriging模型序列迭代优化算法分别对其进行求解，优化结果如表5所示。表5由表5可知，不同射角下顶置武器站结构参数优化模型对应的最优解不同，原因在于射角的变化使载荷传递方向发生变化，身管、耳轴、摇架、托架等部件所受的力及力矩有所改变，从而使武器站整体动力学特性发生变化，最终导致最优解的不一致。以上表明，由单一工况寻优得到的最优解，并不说明对于其它工况的最优性。因此，针对武器站不同射击工况对应不同结构参数最优解的特点，为得出一组适用范围最广的结构参数，在各射击工况优化模型寻优结果的基础上，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；对比各结构参数对所有工况炮口振动的优化效果，选择其中平均优化幅度最大的一组结构参数作为多工况最优解。优化前后炮口振动综合量的对比如表6所示，不同最优解对不同射角动力学模型的优化幅度如表7所示。表6表7由以上结果可知，相比起初始解的炮口振动综合量，不同射角最优解对各自射角武器站动力学模型的炮口振动优化程度不相同，其中，由射角为60°的武器站动力学模型寻优得到的最优解，对其自身动力学模型的优化程度最高、炮口振动抑制效果最好，优化幅度为36.7％，其余优化程度由高至低依次为-5°射角、30°射角、0°射角、45°射角以及15°射角动力学模型对应的最优解；对于整体射角工况，不同射角最优解对所有工况武器站动力学模型的炮口振动优化幅度不相同，甚至个别最优解对于其它射角动力学模型的炮口振动还会起恶化作用(对应于变化幅度为负数的情况)，其中，由射角为60°的武器站动力学模型寻优得到的结构参数最优解，对不同工况武器站动力学模型炮口振动的整体优化效果最好，平均优化幅度为16.2％，其余优化幅度由高至低依次为-5°射角、30°射角、45°射角、0°射角以及15°射角动力学模型对应的最优解。不难发现，越边缘、越极限的射角寻优得到的结构参数最优解，其适用性要比中间缓和射角的要好，这在一定程度上说明了由极限工况寻优得到的最优结构参数具有向缓和工况的兼容性。综上，由射角为60°的武器站动力学模型寻优得到的结构参数最优解对所有工况的整体优化效果最为理想、适用性最好，在一定程度上也说明顶置武器站结构参数调整为该优化方案后对不同工况的适应性最强。尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。当前第1页1 2 3