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。

摘要：为了对非壅塞固体冲压发动机性能进行充分优化,建立了相应的内外弹道一体化优化设计数学模型。首先构造了新的非壅塞固体冲压发动机性能预示框架。而后在此基础上,采用量子粒子群优化方法(quantum particle swarm optimization,QPSO),以巡航段和无动力下降段的总射程为优化目标,在满足推力约束的前提下,对冲压发动机的喷管喉径、进气道入口和喉部面积以及飞行攻角进行一体化优化。仿真结果表明:采用QPSO方法优化后的弹道射程较仅优化飞行攻角的方案提升18.65%,证明了一体化优化的有效性,为非壅塞固体冲压发动机的设计提供了理论基础。

摘要：为了改善固体火箭冲压发动机燃气流量控制系统的性能,对于整个控制过程中的响应时间、压强超调量、流量负调量等重要的设计参数进行先验的评估和考量,通过改进遗传算法来整定PID控制器的参数,并在此基础上实现燃气发生器内的压强控制和流量调节。首先,为了加速遗传算法的收敛进程,优化了选择算子。此外,改进了适应度函数的表达式,从而降低了燃气负调量和流量在调节过程中的振荡。仿真结果表明:对于阶跃形式的压力指令,相较原始的PID控制器,经过改进的遗传算法寻优所设计的控制系统能够在更短的响应时间内基本消除燃气压强的超调量,并减小燃气流量的负调量。对于方波形式的压力指令,经过改进遗传算法优化的PID控制器能够大幅降低燃气发生器长时间工作后引起的流量负调量,显著提升了燃气流量控制系统的性能。