一种基于BP神经网络的螺旋桨多工况优化设计方法技术

本发明专利技术提供一种基于BP神经网络的螺旋桨多工况优化设计方法，包括：确定无人机螺旋桨设计要求；确定设计变量；得到设计方案集合；计算每条设计方案的综合效率；确定BP神经网络的结构；采用遗传算法生成种群；对于每个个体，输入到训练完成的BP神经网络，从而得到其综合效率作为个体的适应度；从本批种群中，根据个体的适应度，利用选择算子挑选父代种群；对父代种群进行复制，交叉和变异，生成下一代种群；如此迭代，直到收敛，得到最优个体。本发明专利技术采用综合效率实现对螺旋桨在整个飞行过程中效率的表征，采用BP神经网络实现对螺旋桨性能的快速评估。具有设计周期短，鲁棒性高，能够满足多工况要求的优点。况要求的优点。况要求的优点。

【技术实现步骤摘要】
一种基于BP神经网络的螺旋桨多工况优化设计方法


[0001]本专利技术属于螺旋桨优化设计
，具体涉及一种基于BP神经网络的螺旋桨多工况优化设计方法。

技术介绍

[0002]现有技术中，无人机普遍采用螺旋桨作为动力，螺旋桨的空气动力性能显著影响无人机性能，设计出高效的螺旋桨能够减轻无人机重量、提高无人机的飞行速度、升限和机动性，因此，发展高效的螺旋桨设计方法非常重要。
[0003]现有技术中，螺旋桨的优化设计需要进行多轮迭代，每轮迭代需要对大量的螺旋桨方案进行评估。目前的CFD方法，计算量大，耗时长；使用代理模型方法时，在面对不同工况、不同设计要求的螺旋桨时，鲁棒性不够。因此，需要发展更加快速、鲁棒性更好的螺旋桨性能评估方法，加快螺旋桨设计过程中的迭代速率，从而缩短设计周期。

技术实现思路

[0004]针对现有技术存在的缺陷，本专利技术提供一种基于BP神经网络的螺旋桨多工况优化设计方法，可有效解决上述问题。
[0005]本专利技术采用的技术方案如下：
[0006]本专利技术提供一种基于BP神经网络的螺旋桨多工况优化设计方法，包括以下步骤：
[0007]步骤1，确定无人机螺旋桨设计要求，包括：螺旋桨类型、螺旋桨几何参数以及螺旋桨分别在巡航状态、爬升状态和起飞状态的设计要求；
[0008]其中，螺旋桨类型为定距桨；螺旋桨几何参数包括：螺旋桨直径、桨叶数和桨毂厚度；
[0009]螺旋桨在巡航状态的设计要求包括：巡航状态时的飞行速度、发动机工作转速、螺旋桨减速比、推力需求和桨设计效率；
[0010]螺旋桨在爬升状态的设计要求包括：爬升状态时的飞行速度、发动机工作转速、螺旋桨减速比和推力需求；
[0011]螺旋桨在起飞状态的设计要求包括：起飞状态时的螺旋桨减速比和推力需求；
[0012]步骤2，确定10个设计变量，分别为：0.3倍相对半径处弦长、0.3倍相对半径处安装角、0.5倍相对半径处弦长、0.5倍相对半径处安装角、0.7倍相对半径处弦长、0.7倍相对半径处安装角、0.9倍相对半径处弦长、0.9倍相对半径处安装角、1.0倍相对半径处弦长和1.0倍相对半径处安装角；
[0013]基于Betz条件的设计原则进行初步设计，得到初始设计方案，所述初始设计方案是指：对10个设计变量赋初值，从而得到初始设计方案；
[0014]步骤3，以初始设计方案中每个设计变量的初始值为基准，确定各个设计变量的取值范围；
[0015]在各个设计变量的取值范围内进行抽样，从而得到多条设计方案，与初始设计方
案合并，得到设计方案集合；
[0016]步骤4，对设计方案集合中的各条设计方案进行筛选，得到筛选后的设计方案集合；
[0017]其中，筛选方法为：利用代理模型方法对每条设计方案进行仿真模拟，得到每条设计方案在每种工况下的螺旋桨推力、螺旋桨功率和螺旋桨效率；
[0018]判断是否同时满足以下两个条件：
[0019]条件1：模拟得到的每种工况下的螺旋桨推力，大于对应工况的推力需求；
[0020]条件2：模拟得到的每种工况下的螺旋桨功率，小于对应工况的发动机最大功率；
[0021]其中，对应工况的发动机最大功率通过以下方法确定：查找发动机转速和发动机功率的特性曲线，根据步骤1确定的巡航状态或爬升状态的发动机工作转速，得到巡航状态或爬升状态的发动机最大功率；
[0022]如果同时满足，则保留该条设计方案，否则筛除该条设计方案；
[0023]步骤5，对于筛选后的设计方案集合中的每条设计方案，表示为：设计方案C
i
，进行性能评估，采用下式，得到设计方案C
i
的综合效率η
c
：
[0024]η
c
＝P1η1+P2η2+P3η3+P4η4+P5η5[0025]其中：
[0026]P1，P2，P3，P4，P5，分别为起飞状态、爬升状态、巡航状态、下滑状态和降落状态的时长，在工况总时长的占比；其中，P1+P2+P3+P4+P5＝1；
[0027]η1,η2,η3,η4,η5，分别为模拟得到的起飞状态、爬升状态、巡航状态、下滑状态和降落状态的螺旋桨效率；
[0028]步骤6，确定BP神经网络的结构：
[0029]BP神经网络包括1个输入层，4个隐藏层和1个输出层；其中，输入层包括10个神经元，用于输入每条设计方案的10个设计变量；每个隐藏层包括20个神经元；训练函数采用Levenberg
‑
Marquardt算法；
[0030]以筛选后的设计方案集合中的每条设计方案为训练样本，以设计方案的综合效率作为损失函数的计算基准，对BP神经网络进行训练，从而确定BP神经网络中各层的连接权值，由此不断进行训练，得到训练完成的BP神经网络；
[0031]步骤7，采用遗传算法生成种群；种群中每个个体为对10个设计变量赋值后编码得到；
[0032]对于每个个体，输入到训练完成的BP神经网络，从而得到其综合效率作为个体的适应度；
[0033]从本批种群中，根据个体的适应度大小，利用选择算子挑选一部分个体作为父代种群；
[0034]对父代种群进行复制，交叉和变异操作，从而生成下一代种群；
[0035]如此不断迭代，直到收敛，得到的最优个体，即为最佳设计方案；
[0036]步骤8，输出优化得到的最佳设计方案。
[0037]优选的，步骤3中，各个设计变量的取值范围为：各个位置弦长的变化范围为：[
‑
5％*对应初始值，5％*对应初始值]；各个位置安装角的变化范围为：[对应初始值
‑2°
，对应初始值+2
°
]。
[0038]优选的，每个隐藏层的神经元数量，通过以下方式确定：
[0039]1)采用下式，确定隐藏层神经元初始数量n1：
[0040][0041]式中：
[0042]n为输入层神经元数目，m为输出层神经元数目，a为1～10之间的常数；
[0043]2)以隐藏层神经元初始数量n1为基准，确定隐藏层神经元取值范围；在隐藏层神经元取值范围中，按采样间隔采样得到多个采样点；对于每个采样点，均建立对应的BP神经网络模型，并输入训练样本，得到当前BP神经网络模型对应的预测误差；
[0044]由此生成横坐标为隐藏层神经元数量，纵坐标为预测误差的拟合曲线；对拟合曲线进行分析，得到以下结论：从隐藏层神经元数量为1开始，随着隐藏层神经元数量增加，预测误差逐渐减小，当隐藏层神经元数量超过num时，预测误差基本不再变化，由此确定隐藏层神经元最佳数量为num,即为最终确定的隐藏层的神经元数量。
[0045]本专利技术提供的一种基于BP神经网络的螺旋桨多工况优化设计方法具有以下优点：
[0046]本专利技术提出一种针对定距螺旋桨的多工况快速优化设计方法，采用综合效率实现对螺旋桨在整个飞本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的螺旋桨多工况优化设计方法，其特征在于，包括以下步骤：步骤1，确定无人机螺旋桨设计要求，包括：螺旋桨类型、螺旋桨几何参数以及螺旋桨分别在巡航状态、爬升状态和起飞状态的设计要求；其中，螺旋桨类型为定距桨；螺旋桨几何参数包括：螺旋桨直径、桨叶数和桨毂厚度；螺旋桨在巡航状态的设计要求包括：巡航状态时的飞行速度、发动机工作转速、螺旋桨减速比、推力需求和桨设计效率；螺旋桨在爬升状态的设计要求包括：爬升状态时的飞行速度、发动机工作转速、螺旋桨减速比和推力需求；螺旋桨在起飞状态的设计要求包括：起飞状态时的螺旋桨减速比和推力需求；步骤2，确定10个设计变量，分别为：0.3倍相对半径处弦长、0.3倍相对半径处安装角、0.5倍相对半径处弦长、0.5倍相对半径处安装角、0.7倍相对半径处弦长、0.7倍相对半径处安装角、0.9倍相对半径处弦长、0.9倍相对半径处安装角、1.0倍相对半径处弦长和1.0倍相对半径处安装角；基于Betz条件的设计原则进行初步设计，得到初始设计方案，所述初始设计方案是指：对10个设计变量赋初值，从而得到初始设计方案；步骤3，以初始设计方案中每个设计变量的初始值为基准，确定各个设计变量的取值范围；在各个设计变量的取值范围内进行抽样，从而得到多条设计方案，与初始设计方案合并，得到设计方案集合；步骤4，对设计方案集合中的各条设计方案进行筛选，得到筛选后的设计方案集合；其中，筛选方法为：利用代理模型方法对每条设计方案进行仿真模拟，得到每条设计方案在每种工况下的螺旋桨推力、螺旋桨功率和螺旋桨效率；判断是否同时满足以下两个条件：条件1：模拟得到的每种工况下的螺旋桨推力，大于对应工况的推力需求；条件2：模拟得到的每种工况下的螺旋桨功率，小于对应工况的发动机最大功率；其中，对应工况的发动机最大功率通过以下方法确定：查找发动机转速和发动机功率的特性曲线，根据步骤1确定的巡航状态或爬升状态的发动机工作转速，得到巡航状态或爬升状态的发动机最大功率；如果同时满足，则保留该条设计方案，否则筛除该条设计方案；步骤5，对于筛选后的设计方案集合中的每条设计方案，表示为：设计方案C
i
，进行性能评估，采用下式，得到设计方案C
i
的综合效率η
c
：η
c
＝P1η1+P2η2+P3η3+P4η4+P5η5其中：P1，P2，P3，P4，P5，分别为起飞状态、爬升状态、巡航状态、下滑状态和降落状态的时长，在工况总...

【专利技术属性】
技术研发人员：胡豹，沈延航，高永卫，闫子卉，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：