Parameter optimization of ejection device based on BP neural network

Erming HE; Guanchen ZHAO; Yansheng WANG; Zhaohui HAN

doi:10.1051/jnwpu/20254340631

All issues

Volume 43 / No 4 (August 2025)

JNWPU, 43 4 (2025) 631-639

Full HTML

Open Access

Issue		JNWPU Volume 43, Number 4, August 2025


Page(s)		631 - 639
DOI		https://doi.org/10.1051/jnwpu/20254340631
Published online		07 October 2025

JNWPU 2025, 43(4): 631–639

Parameter optimization of ejection device based on BP neural network

基于BP神经网络的弹射装置参数优化

Erming HE (贺尔铭)¹, Guanchen ZHAO (赵冠臣)¹, Yansheng WANG (王延生)² and Zhaohui HAN (韩召辉)²

¹ School of Aeronautics, Northwestern Polytechnical University, Xi'an 710072, China
² Chengdu Lihang Technology Co., Ltd., Chengdu 610091, China

Received: 4 October 2024

Abstract

In order to reduce the weight and volume occupation of ejection device and improve its buffering performance, the physical and mathematical models for ejection process and buffering process were established with a certain ejection device as the research object, and were solved and simulated by using the Runge Kutta method. The sample points are selected by using the Latin hypercube sampling method, and the solution is run in the simulation program. Then a proxy model between the input and the output is established based on BP neural network. Based on this proxy model, NSGA-Ⅱ multi-objective optimization method is used for optimization. After optimization, comparing with the initial scheme, the weight of the device is reduced by 15.52%, the final buffering speed is reduced by 54.58%, and the maximum buffering acceleration is reduced by 23.15%.

摘要

为降低弹射装置的质量及体积占用并提升其缓冲性能, 以某型弹射装置为研究对象, 建立了弹射过程及缓冲过程的物理模型和数学模型, 利用龙格库塔方法求解并进行仿真分析。利用拉丁超立方采样方法选取样本点, 并在仿真程序中运行求解。随后基于BP神经网络建立输入与输出之间的代理模型, 并以此代理模型为基础, 利用NSGA-Ⅱ多目标优化方法进行优化。经过优化, 与初始方案对比, 装置质量降低15.52%, 缓冲末速度降低54.58%, 最大缓冲加速度降低23.15%, 优化效果显著。

Key words: multi-objective optimization / ejection device / bp neural network / nsga-Ⅱ algorithm / hydraulic drive

关键字 : 多目标优化 / 弹射装置 / BP神经网络 / NSGA-Ⅱ算法 / 液压传动

This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by/4.0), which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

当今最先进的隐身战机多采用了内埋式弹仓设计, 在导弹发射离机后容易受到飞机附近气流的干扰, 增加了发射过程中的不安全性。此外在空战中, 战斗机需要迅速做出反应并在极短时间内发射导弹, 因此必须采用弹射的方式将导弹迅速弹出, 以确保战斗力的发挥[1]。目前的弹射方式主要为抛放弹式弹射、高压气瓶弹射和气液混合弹射[2], 与前两者相比, 气液混合弹射环保无污染、作动过程稳定、后勤维护方便。当前隐身战机已经大批量入列, 对弹射装置的要求也逐渐提高, 因此急需研制一款气液混合弹射装置, 以提升隐身战机的综合战斗力。

然而, 气液混合式弹射装置的质量与体积较大, 有必要对其进行优化设计，可以基于仿真数据和理论模型, 结合遗传算法、粒子群算法等智能优化算法进行优化[3–5]。由于在优化过程中需要大量计算, 往往需要耗费大量时间和计算资源。因此可以选取一定规模的样本数据, 并利用机器学习算法构建代理模型, 随后进行优化[6], 此种方式能够大大提高优化效率, 不仅减少了计算时间, 还能有效降低对计算资源的需求。

前向反馈神经网络(BP神经网络)是一种误差反向传播的多层前馈式神经网络[7], 其结构由输入层、隐藏层和输出层组成。在数据的拟合预测方面, BP神经网络被广泛应用且具有巨大优势。Zhang等[8]在检测风力发电机的故障时, 利用BP神经网络拟合出错误质量与错误类型之间的映射关系, 从而实现故障的快速识别。李文华等[9]提出一种基于遗传算法改进BP神经网络的液压系统故障诊断方法, 结果表明该方法相对于传统的BP神经网络具有更好的诊断性能。

弹射装置的质量与体积间接影响到战机的战斗力, 此外, 作动筒内产生的冲击也会产生不利影响, 因此有必要设置缓冲装置, 并对弹射装置和缓冲装置进行优化。本文利用拉丁超立方采样[10]选取样本数据, 并利用BP神经网络构建输入与输出之间的代理模型, 随后利用NSGA-Ⅱ方法分别对弹射作动筒和缓冲装置进行多目标优化。

1 作动装置和缓冲装置工作原理

本文针对该气液混合弹射系统[11]进行研究, 如图 1所示, 其由蓄能器、作动筒和可变节流阀等组成, 其中蓄能器包括液体腔、气体腔和活塞; 而作动筒包含无杆腔、有杆腔、活塞和活塞杆。整个弹射过程如下:

图1

双体气液混合弹射系统

蓄能器气体腔内的高压气体推动活塞运动, 进而推动液体腔的液体排出。此时大量油液经过油管分别进入作动筒的有杆腔和无杆腔。帕斯卡定律中提到, 在密闭空间的液体内施加的压强, 可以大小不变地向液体的各个方向传递, 因而作动筒活塞两侧的压强相等。但由于活塞无杆腔一侧的受力面积大于有杆腔一侧的受力面积, 导致无杆腔一侧受到的力大于有杆腔。在这种差动作用下, 活塞连同活塞杆向下移动, 推动负载运动, 使负载加速到目标速度后, 弹射过程完成。

为了解决弹射装置空间受限的问题, 同时保证负载顺利出仓, 而且弹射行程要满足需求, 弹射加速度也不宜过大, 采用多级作动筒的弹射方案[12]。

由于弹射的速度较快, 当活塞抵达作动筒端盖时会产生显著的刚性冲击, 这种冲击不仅对弹射装置本身, 而且对整个飞机的结构都会造成不利影响, 因而需要设置缓冲装置来减轻这种冲击[13]。

本文采用如图 2所示的锥形缓冲装置[14], 整个装置由弹射活塞、缓冲活塞、复位弹簧、活塞杆以及作动筒筒壁构成。在弹射活塞抵达作动筒末端后停止运动, 由于弹射活塞质量不大, 造成的冲击在可接受范围内。此时缓冲活塞与活塞杆一同继续向前运动, 缓冲腔中的油液从弹射活塞与缓冲活塞之间的缝隙流到中间腔, 进而从缓冲活塞与作动筒壁之间的缝隙流入无杆腔。由于缓冲活塞为锥形, 随着缓冲活塞向前运动, 缓冲活塞与活塞之间的缝隙越来越小, 从而形成节流作用, 进而使缓冲腔中的油液压力上升, 缓冲活塞与活塞杆在油液压力的作用下完成减速。

图2

锥形缓冲装置

2 数学建模

2.1 弹射作动装置数学模型

本文假设：蓄能器气体腔工作介质为理想气体, 满足理想气体的状态方程; 弹射过程中的气体为绝热状态; 所有连接管道都是短而粗的; 管道内的动态、摩擦损失、流体质量忽略不计; 沿程阻力损失引起的压降忽略不计; 整个弹射过程为刚体运动。

在弹射过程中, 蓄能器提供的高压油液经过作动筒的进油阀口流入作动筒无杆腔, 同时作动筒有杆腔内的油液经回油阀口流出, 此过程中阀口的流量由(1)~(2)式建立。

$Q_{\text {in }}=C_{\mathrm{d}} A_{\text {in }} \sqrt{\frac{2\left|\left(p_{\text {ac }}-p_{\text {up }}\right)\right|}{\rho_{\text {oil }}}}$ (1)

$Q_{\text {out }}=C_{\mathrm{d}} A_{\text {out }} \sqrt{\frac{2\left|\left(p_{\text {down }}-p_{\text {ac }}\right)\right|}{\rho_{\text {oil }}}}$ (2)

式中: Q_in为通过阀口进入作动筒无杆腔的流量; Q_out为从作动筒有杆腔流出的流量; Cd为流量系数; A_in为进油阀口面积; A_out为回油阀口面积; ρ_oil为油液密度; p_ac为蓄能器内液体压力; p_up为作动筒无杆腔液体压力; p_down为作动筒有杆腔液体压力。

油液经进油阀口流入作动筒无杆腔的连续性方程为

$Q_{\mathrm{in}}=A_{\mathrm{up}} \dot{x}_{\mathrm{e}}+\frac{V_{\mathrm{in}}}{E_{\mathrm{oil}}} \dot{p}_{\mathrm{up}}$ (3)

作动筒有杆腔中的油液经回油阀口流出的连续性方程为

$Q_{\text {in }}=A_{\text {down }} \dot{x}_{\mathrm{e}}-\frac{V_{\text {out }}}{E_{\text {oil }}} \dot{p}_{\text {down }}$ (4)

式中: x_e为弹射活塞的位移; A_up为活塞无杆端面积; A_down为活塞有杆端面积; V_in为进油腔容积; V_out为回油腔容积; E_oil为油液弹性模量。

弹射是一个快速的过程, 因此蓄能器内的气体变化可以视为绝热过程, 且满足气体状态方程

$p_1 V_1^\gamma=p_2 V_2^\gamma=常数$ (5)

式中: p₁和V₁分别为变化前的压强和体积；p₂和V₂分别为变化后的压强和体积；γ为绝热指数, 本文取γ=1.4。

结合蓄能器中活塞的运动, 可以得出蓄能器内的气体状态方程为

$p_{\mathrm{ac} 1} V_{\mathrm{gac} 1}^\gamma=p_{\mathrm{ac} 2} V_{\mathrm{gac} 2}^\gamma=p_{\mathrm{ac} 2}\left(V_{\mathrm{gac} 1}+A_{\mathrm{ac}} x_{\mathrm{ac}}\right)^\gamma$ (6)

式中: p_ac1为变化前的气体压强；p_ac2为变化后的气体压强；V_gac1为变化前的气体体积；V_gac2变化后的气体体积；A_ac为蓄能器活塞面积；x_ac为蓄能器活塞位移。

蓄能器内液体的流动微分方程为

$Q_{\text {in }}-Q_{\text {out }}=\frac{V_{\text {fac }}}{E_{\text {oil }}} \dot{p}_{\text {ac }}+A_{\mathrm{ac}} \dot{x}_{\mathrm{ac}}$ (7)

$V_{\mathrm{fac}}=V_{\mathrm{facl}}-x_{\mathrm{ac}} A_{\mathrm{ac}}$ (8)

式中: Q_out为从作动筒有杆腔流回蓄能器液体腔的流量；Q_in为从蓄能器液体腔流到作动筒无杆腔的流量；V_fac为蓄能器液体腔体积；p_ac为蓄能器液体压强；V_fac1为蓄能器液体腔初始体积。

根据牛顿第二定律, 对液压缸活塞进行受力分析, 如图 3所示，负载与活塞杆的运动方向与重力同向, 建立动力学平衡方程如(9)式所示。

$m \ddot{x}_{\mathrm{e}}=p_{\mathrm{up}} A_{\mathrm{up}}-p_{\mathrm{down}} A_{\mathrm{down}}+m g-c \dot{x}_{\mathrm{e}}$ (9)

图3

液压缸模型

式中: m为弹射质量(包括负载、活塞杆等)；g为重力加速度；c为黏滞阻力系数。

三级作动筒如图 4所示, A_up1为一级活塞无杆腔侧面积, A_up2为二级活塞无杆腔侧面积, A_up3为三级活塞无杆腔侧面积, A_down1为一级活塞有杆腔侧面积, A_down2为二级活塞有杆腔侧面积, A_down3为三级活塞有杆腔侧面积, x_e1为一级活塞杆位移, x_e2为二级活塞杆位移, x_e3为三级活塞杆位移。

图4

三级作动筒

2.2 缓冲过程数学模型

本文装置采用如图 2所示的锥形缓冲活塞的方案, 在缓冲过程中, 缓冲腔内的油液经中间腔流入无杆腔, 其节流公式为

$Q_{\mathrm{bu}}=C_{\mathrm{bu}} A_{\mathrm{bu} \_ \text {out }} \sqrt{\frac{2\left|\left(p_{\mathrm{bu}}-p_{\mathrm{up}}\right)\right|}{\rho_{\mathrm{oil}}}}$ (10)

在此过程中的连续性方程为

$Q_{\mathrm{bu}}=A_{\mathrm{bu} \_\mathrm{e}} \dot{x}_{\mathrm{bu}}-\frac{V_{\mathrm{bu}}}{E_{\mathrm{oil}}} \dot{p}_{\mathrm{bu}}$ (11)

式中: C_bu为缓冲过程中的流量系数, 与节流口的形状特征有关, 可由实验获得; Q_bu为从缓冲腔中流出的油液流量, A_{bu_-out}为节流口流通截面积；A_{bu_-e}为缓冲活塞受力面积；x_bu为缓冲活塞与弹射活塞相对位移；V_bu为缓冲腔体积；p_bu为缓冲腔压力。

由牛顿运动方程可推导缓冲活塞的动力学平衡方程

$m \ddot{x}_{\mathrm{bu}}=p_{\mathrm{up}} A_{\mathrm{up}}-p_{\mathrm{bu}} A_{\mathrm{bu} \_\mathrm{e}}+m g-c \dot{x}_{\mathrm{bu}}$ (12)

式中: c为阻力系数；m为弹射质量, 且该质量会随弹射状态而变化。当缓冲刚开始时, 弹射质量为末级活塞杆与负载之和, 当活塞杆与负载分离时, 弹射质量只为末级活塞质量。由于活塞杆与负载分离后, 负载做自由落体运动, 该过程中弹射质量的变化可以由加速度的变化来确定，即

$m= \begin{cases}m_\mathrm{e\_end} + m_\mathrm{load}, & a \geqslant g \\ m_\mathrm{e\_end}, & a < g\end{cases}$ (13)

最后可推导出缓冲活塞运动的微分方程

$\ddot{x}_{\mathrm{bu}}=\frac{p_{\mathrm{up}} A_{\mathrm{up}}-p_{\mathrm{bu}} A_{\mathrm{bu} \_\mathrm{e}}+m g-c \dot{x}_{\mathrm{bu}}}{m}$ (14)

3 作动装置参数优化

3.1 代理模型建立

为了降低装置的质量以及空间占用, 对作动装置进行优化, 将作动装置的设计参数化。如图 5所示, 整个装置的设计由以下参数确定: 三级杆径R₃, 三级作动筒壁厚D₃, 二级作动筒壁厚D₂, 三级活塞与杆半径差d₃, 二级活塞与杆半径差d₂, 一级活塞与杆半径差d₁, 蓄能器气体腔体积V₁, 蓄能器液体腔体积V₂。其中, 作动筒壁厚D₂和D₃以初步设计为准, 且后续还需在筒壁中挖孔以作为回油通道, 要有一定的冗余设计, 因此D₂和D₃不进行优化。则最终选取的优化参数为R₃, d₁, d₂, d₃, V₁, V₂, 同时在仿真计算时的每一级作动行程都为100 mm。本文中已有的初始设计参数如表 1所示。

表1

作动筒初始设计参数

图5

三级作动筒示意图

本节的研究内容是改善弹射装置过于笨重的问题, 想要解决这一问题就需要通过改变设计参数来降低弹射装置的质量, 同时需要保证弹射装置的性能要求。弹射速度v为末级活塞杆和负载分离时的速度 $\dot{x}_{\mathrm{e}}$ 的值, 需要保证该速度不低于设计要求中的8 m/s。因此想要达到的优化目标为: 在保证弹射速度v满足设计要求的前提下, 尽可能降低弹射装置的质量即弹射系统作动结构的质量m。其中弹射速度v通过求解(1)~(14)式得到; 装置质量m则根据设计参数求得。最终的优化目标函数的一般形式如(15)式所示。

$\left\{\begin{array}{l}v=f_1\left(d_1, d_2, d_3, R_3, V_1, V_2\right) \\ m=f_2\left(d_1, d_2, d_3, R_3, V_1, V_2\right)\end{array}\right.$ (15)

BP神经网络由输入层、输出层和若干个隐藏层组成，其结构如图 6所示。

图6

神经网络结构

通过编程求解(1)~(14)式，根据不同的输入计算出相应的参数并建立数据集, 利用此数据集, 基于BP神经网络和(15)式构建设计参数与优化目标之间映射关系的代理模型。以初始设计参数为基准, 确定各参数范围, 如表 2所示。

表2

设计参数范围

在采样区间内利用拉丁超立方采样方法选取样本在仿真程序中计算, 将计算结果与采样数据整合成样本数据集。选取60组样本, 其中40组作为训练集用于模型训练, 20组作为测试集用来检验模型准确度。

利用已有代理模型预测这20组输入值得到输出, 并与真实的输出值进行对比。代理模型预测值与真实值的误差分析如图 7所示, 图中红线代表预测值与真实值完全相等, 蓝色圆点横坐标和纵坐标分别为预测值和真实值, 蓝色圆点越靠近红线代表模型的拟合程度越高, 预测值与真实值之间的误差越小。

图7

代理模型误差分析

测试集中代理模型的预测值和真实值之间的相关误差指标如表 3所示。

表3

最终确定代理模型的误差指标

弹射速度预测值与真实值之间的RRMSE达到0.022 4, 代理模型对弹射速度的预测精度为97.76%;装置质量预测值与真实值之间的RRMSE达到0.012 0, 代理模型对装置质量的预测精度为98.80%, 均满足工程所需要求。

3.2 多目标优化

以在保证弹射速度满足设计要求的前提下，尽可能降低弹射装置的质量为目标函数。约束条件根据表 2中的设计参数范围确定。则最终确定的多目标优化的表达式为

$\left\{\begin{array}{l}\max v=f_1\left(d_1, d_2, d_3, R_3, V_1, V_2\right) \\ \min m=f_2\left(d_1, d_2, d_3, R_3, V_1, V_2\right)\end{array}\right.$ (16)

约束条件为

$\text{s.t.} \quad \left\{ \begin{array}{l} 1.5 \leqslant d_1 \leqslant 5 \\ 1.5 \leqslant d_2 \leqslant 5 \\ 1.5 \leqslant d_3 \leqslant 5 \\ 6 \leqslant R_3 \leqslant 20 \\ 0.3 \leqslant V_1 \leqslant 1 \\ 0.3 \leqslant V_2 \leqslant 1 \\ \Delta V < V_2 \end{array} \right.$ (17)

由于遗传算法只能求解极小值[15], 而对于弹射速度要求解其极大值, 因此将其目标函数值取相反数代入程序中。随后在Matlab中编写NSGA-Ⅱ程序, 并进行多目标优化, 参数设置如表 4所示。

表4

多目标优化的参数设置

根据单次仿真时间计算出优化过程共需约7 400 s。而调用BP神经网络所拟合的模型进行计算则用时256.37 s, 运算时间大大缩短。

计算完成后得到的Pareto前沿最优解集如图 8所示, 在最优解集中选取合适的点, 其对应的参数即为优化结果。

图8

Pareto最优解集

在最优解的选择中, 需要考虑装置质量和弹射速度两方面, 装置质量在满足需求的前提下要尽可能小, 而弹射速度需要达到目标需求。由于需要考虑到后期尺寸圆整以及计算误差等因素, 为避免最终优化结果无法满足目标需求, 弹射速度适当扩大, 确定为8 m/s的105%, 即8.4 m/s。因此在Pareto最优解集中选取最接近8.4 m/s的解, 对应装置质量为4.414 kg, 弹射速度为8.397 m/s, 相应的设计参数圆整后如表 5所示。

表5

优化后的设计参数

由于不考虑负载偏心挂载的情况, 前、后作动筒距负载重心距离设置相同参数。利用表 5中的数据进行仿真, 计算出弹射速度为8.384 m/s, 弹射时间为45.8 ms, 将优化结果与初始方案进行对比, 其结果如表 6所示。

表6

优化方案与初始方案对比结果

由表 6可知, 优化完成后弹射速度提升了0.325 m/s, 满足目标需求; 装置质量降低0.81 kg, 减小幅度达到15.52%;作动筒外径减小7 mm, 弹射装置对空间的占用有所降低。

4 缓冲装置参数优化

4.1 代理模型构建

对缓冲装置进行参数化设计, 如图 9所示，其主要参数有活塞直径、缓冲行程、最小间隙和最大间隙。由于末级弹射作动筒的活塞直径为17 mm, 缓冲活塞的直径应小于此, 故设置为12 mm; 缓冲行程确定为30 mm。最终选取的优化参数为最小间隙g_min和最大间隙g_max。对于缓冲装置的初始设计参数, 最小间隙g_min为0.02 mm, 最大间隙g_max为0.2 mm。

图9

缓冲装置示意图

对于缓冲效果的评价, 主要有缓冲末速度和最大缓冲加速度(绝对值)2个衡量指标。缓冲末速度为缓冲过程完成时活塞的速度, 如图 10a)所示, 此时缓冲活塞已经抵达行程末端, 将以此速度发生刚性冲击来消耗剩余的动能。最大缓冲加速度则是在缓冲过程中缓冲活塞的最大加速度, 如图 10b)所示, 其值过大会对整个装置的寿命、油液泄漏等产生影响。在初始设计参数下, 缓冲末速度为0.814 4 m/s, 最大缓冲加速度为2 526.58 m/s², 对于缓冲装置来说, 缓冲性能仍有提升空间。

图10

缓冲装置优化参数

本节的研究内容是改善缓冲装置的性能, 需要通过改变缓冲装置的设计参数来降低最大缓冲加速度(绝对值), 同时也应尽可能降低缓冲末速度。因此想要达到的优化目标为: 获得尽可能小的最大缓冲加速度(绝对值)a_max和缓冲末速度v_end。二者均通过本文开发的仿真软件计算, 最终优化的目标函数的一般形式如(18)式所示。

$\left\{\begin{array}{l}a_{\max }=f_3\left(g_{\max }, g_{\min }\right) \\ v_{\mathrm{end}}=f_4\left(g_{\max }, g_{\min }\right)\end{array}\right.$ (18)

确定各参数的范围, 如表 7所示。

表7

设计参数范围

选取训练集样本数量为50, 隐藏层数为7, 且每层神经元数都为10。在此条件下进行测试, 最终选取的代理模型训练结果如图 11所示, 测试集中代理模型的预测值和真实值之间的相关误差指标如表 8所示。

图11

目标模型误差分析

表8

最终确定代理模型的误差指标

缓冲末速度预测值与真实值之间的RRMSE达到0.002 8, 代理模型对缓冲末速度的预测精度为99.72%;最大缓冲加速度预测值与真实值之间的RRMSE达到0.014 6, 代理模型对最大缓冲加速度的预测精度为98.54%, 均满足工程所需要求。

4.2 多目标优化

多目标函数在保证最大缓冲加速度尽可能小的前提下，以降低缓冲末速度的值为目标函数, 约束条件根据表 7中的设计参数范围确定。则最终确定的多目标优化的表达式为

$\left\{\begin{array}{l}\min a_{\max }=f_3\left(g_{\max }, g_{\min }\right) \\ \min v_{\mathrm{end}}=f_4\left(g_{\max }, g_{\min }\right)\end{array}\right.$ (19)

约束条件为

$\text { s.t. }\left\{\begin{array}{l} 0.1 \leqslant g_{\max } \leqslant 0.5 \\ 0.01 \leqslant g_{\min } \leqslant 0.1 \end{array}\right.$ (20)

随后利用NSGA-Ⅱ方法进行多目标优化, 参数设置如表 9所示。

表9

多目标优化的参数设置

对于缓冲性能的指标, 由于缓冲结束后仍会产生刚性冲击, 应尽可能降低缓冲末速度, 故首先考虑缓冲末速度。如图 12所示, 在Pareto最优解集中, 当缓冲末速度为0.37 m/s时, 最大加速度为2 045.03 m/s²。当缓冲末速度进一步降低时, 最大加速度急剧升高, 因此选择(0.37, 2 045.03)为最终优化点, 其对应的最小间隙g_min圆整后为0.01 mm, 最大间隙g_max圆整后为0.17 mm。

图12

Pareto最优解集

利用此参数进行仿真计算, 最大缓冲加速度为-1 941.64 m/s², 缓冲末速度为0.370 7 m/s。优化前后缓冲装置性能的对比如图 13和表 10所示。

图13

缓冲装置设计参数优化前后对比

表10

优化方案与初始方案对比结果

从表 10可以看出, 优化后缓冲末速度降低54.48%;最大缓冲加速度降低23.15%。

5 结论

本文建立了气液混合弹射系统的物理模型和数学模型, 对弹射过程进行仿真分析, 并基于BP神经网络建立代理模型, 对作动装置进行多目标优化, 主要结论如下:

1) 建立了作动系统的物理模型。对作动过程中的部分问题进行了一定的简化, 并基于节流方程、气体状态方程以及牛顿运动方程, 推导了作动筒和蓄能器在作动过程中的数学模型。

2) 以锥形缓冲装置为基础, 推导了缓冲过程中活塞运动以及油液压力的微分方程, 并进行仿真分析, 仿真结果显示, 在初始设计参数下, 弹射速度为8.059 m/s, 装置质量为5.22 kg, 缓冲末速度为0.814 4 m/s, 最大缓冲加速度为-2 526.58 m/s²。

3) 分别对作动筒和缓冲装置的设计参数进行了优化。利用拉丁超立方采样方法在样本区间选取样本并进行仿真计算, 利用BP神经网络构建代理模型, 随后基于此代理模型利用NSGA-Ⅱ方法进行多目标优化, 最终得到Pareto最优解集, 并根据实际需求选择最优解。经过优化, 与初始方案对比, 装置质量降低15.52%, 缓冲末速度降低54.58%, 最大缓冲加速度降低23.15%。

References

LU Yongxiang. Research status and development trend of airborne missile launcher[J]. China Military-to-Civilian Conversion, 2013(11): 62–64 (in Chinese) [Google Scholar]
WANG Le, LIU Zhiyang. Airborne weapon suspension projection device[J]. Journal of Machinery Management Development, 2009, 24(2): 40–42 (in Chinese) [Google Scholar]
SHI Jianhua. Research on optimization of construction parameters for asphalt concrete paving of high-speed pavement[J]. Urban Construction Theory Research, 2024(34): 162–164 (in Chinese) [Google Scholar]
FANG Kuangnan, WU Jianbin, ZHU Jianping, et al. Review of random forest method research[J]. Statistics and Information Forum, 2011, 26(3): 32–38 (in Chinese) [Google Scholar]
CHEN Lanyu. Research on risk assessment model of engineering cost based on machine learning[J]. Network Security and Informatization, 2024(12): 46–48 (in Chinese) [Google Scholar]
HE X, LI T, LI Q, et al. Optimization of production process parameters for polishing machine tools in crankshaft abrasive belt based on BP neural network and NSGA-Ⅱ[J]. The International Journal of Advanced Manufacturing Technology, 2024, 134(7/8): 3971–3983 [Google Scholar]
FENG Zike, YANG Lu, LIU Meiyu, et al. Research on damage identification of truss structures based on BP neural network[J]. Journal of Building Science and Engineering, 2024, 41(6): 41–48 (in Chinese) [Google Scholar]
ZHANG J, LIU L, WANG L, et al. Fault detection of key parts of wind turbine based on BP neural network combination prediction model[J]. Energy Informatics, 2024, 7(1): 124 [Article] [Google Scholar]
LI Wenhua, NIU Guobo, LIU Yujia. Fault diagnosis of hydraulic system based on BP neural network optimized by genetic algorithm[J]. Machine Tool & Hydraulics, 2023, 51(8): 159–164 [Article] (in Chinese) [Google Scholar]
XIN Xin. Research on the design of pumping test scheme based on latin hypercube sampling method[J]. Science and Technology Communication, 2014, 6(6): 131–132 (in Chinese) [Google Scholar]
JIA Wen'ang, ZHAO Wei. Research on separated gas-liquid mixed ejection power system[J]. Journal of Vibration and Shock, 2017, 36(4): 93–98 (in Chinese) [Google Scholar]
XIE Jian, LUO Zhijun, TIAN GUI, et al. Modeling and simulation of multi-stage hydraulic cylinder based on AMESim[J]. Machine Tool & Hydraulics, 2010, 38(7): 126–129 (in Chinese) [Google Scholar]
WANG Jun, RUAN Jian. Research on the buffering process of gas-liquid hybrid hydraulic cylinder[J]. Journal of Zhejiang University of Technology, 2013, 41(5): 519xyh523 (in Chinese) [Google Scholar]
ZHANG Zhen, WANG Tong, LYU Feng. Research on dynamic characteristics of airborne missile hydraulic ejection mechanism based on AMESim[J]. Machine Tool & Hydraulics, 2021, 49(11): 168–171 (in Chinese) [Google Scholar]
XUE Dong. Optimization design of aviation oil pump impeller structure based on NSGA-Ⅱ[D]. Harbin: Harbin University of Science and Technology, 2023 (in Chinese) [Google Scholar]

All Tables

作动筒初始设计参数

设计参数范围

最终确定代理模型的误差指标

多目标优化的参数设置

优化后的设计参数

优化方案与初始方案对比结果

设计参数范围

最终确定代理模型的误差指标

多目标优化的参数设置

优化方案与初始方案对比结果

All Figures

	图1 双体气液混合弹射系统
In the text

	图2 锥形缓冲装置
In the text

	图3 液压缸模型
In the text

	图4 三级作动筒
In the text

	图5 三级作动筒示意图
In the text

	图6 神经网络结构
In the text

	图7 代理模型误差分析
In the text

	图8 Pareto最优解集
In the text

	图9 缓冲装置示意图
In the text

	图10 缓冲装置优化参数
In the text

	图11 目标模型误差分析
In the text

	图12 Pareto最优解集
In the text

	图13 缓冲装置设计参数优化前后对比
In the text

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.

[1] LU Yongxiang. Research status and development trend of airborne missile launcher[J]. China Military-to-Civilian Conversion, 2013(11): 62–64 (in Chinese) [Google Scholar]

[2] WANG Le, LIU Zhiyang. Airborne weapon suspension projection device[J]. Journal of Machinery Management Development, 2009, 24(2): 40–42 (in Chinese) [Google Scholar]

[3] SHI Jianhua. Research on optimization of construction parameters for asphalt concrete paving of high-speed pavement[J]. Urban Construction Theory Research, 2024(34): 162–164 (in Chinese) [Google Scholar]

[4] FANG Kuangnan, WU Jianbin, ZHU Jianping, et al. Review of random forest method research[J]. Statistics and Information Forum, 2011, 26(3): 32–38 (in Chinese) [Google Scholar]

[5] CHEN Lanyu. Research on risk assessment model of engineering cost based on machine learning[J]. Network Security and Informatization, 2024(12): 46–48 (in Chinese) [Google Scholar]

[6] HE X, LI T, LI Q, et al. Optimization of production process parameters for polishing machine tools in crankshaft abrasive belt based on BP neural network and NSGA-Ⅱ[J]. The International Journal of Advanced Manufacturing Technology, 2024, 134(7/8): 3971–3983 [Google Scholar]

[7] FENG Zike, YANG Lu, LIU Meiyu, et al. Research on damage identification of truss structures based on BP neural network[J]. Journal of Building Science and Engineering, 2024, 41(6): 41–48 (in Chinese) [Google Scholar]

[8] ZHANG J, LIU L, WANG L, et al. Fault detection of key parts of wind turbine based on BP neural network combination prediction model[J]. Energy Informatics, 2024, 7(1): 124 [Article] [Google Scholar]

[9] LI Wenhua, NIU Guobo, LIU Yujia. Fault diagnosis of hydraulic system based on BP neural network optimized by genetic algorithm[J]. Machine Tool & Hydraulics, 2023, 51(8): 159–164 [Article] (in Chinese) [Google Scholar]

[10] XIN Xin. Research on the design of pumping test scheme based on latin hypercube sampling method[J]. Science and Technology Communication, 2014, 6(6): 131–132 (in Chinese) [Google Scholar]

[11] JIA Wen'ang, ZHAO Wei. Research on separated gas-liquid mixed ejection power system[J]. Journal of Vibration and Shock, 2017, 36(4): 93–98 (in Chinese) [Google Scholar]

[12] XIE Jian, LUO Zhijun, TIAN GUI, et al. Modeling and simulation of multi-stage hydraulic cylinder based on AMESim[J]. Machine Tool & Hydraulics, 2010, 38(7): 126–129 (in Chinese) [Google Scholar]

[13] WANG Jun, RUAN Jian. Research on the buffering process of gas-liquid hybrid hydraulic cylinder[J]. Journal of Zhejiang University of Technology, 2013, 41(5): 519xyh523 (in Chinese) [Google Scholar]

[14] ZHANG Zhen, WANG Tong, LYU Feng. Research on dynamic characteristics of airborne missile hydraulic ejection mechanism based on AMESim[J]. Machine Tool & Hydraulics, 2021, 49(11): 168–171 (in Chinese) [Google Scholar]

[15] XUE Dong. Optimization design of aviation oil pump impeller structure based on NSGA-Ⅱ[D]. Harbin: Harbin University of Science and Technology, 2023 (in Chinese) [Google Scholar]