基于BP神经网络和遗传算法的补燃室优化设计
基于遗传算法优化的煤粉着火温度BP神经网络预测模型
２ ０ ０ ６年第 ３ １卷
４ ］ 最相关煤质指标．一些研究人员通过人为组合来分析神经网络的输入和结构 ［ ，但也有可能由于神经网
络初始权值、阈值的随机性而带来分析结果的偶然性． 笔者采用遗传神经网络算法，在神经网络算法的基础上，通过遗传算法优化神经网络的输入和网络结 构，对神经网络的初始权值、阈值进行全局寻优，从而建立优化的煤粉着火温度 Ｂ Ｐ神经网络预测模型．
１ 遗传算法与 Ｂ Ｐ神经网络算法
１ １ 遗传算法 （ Ｇ Ａ ） 遗传算法 （ Ｇ ｅ ｎ ｅ ｔ ｉ ｃＡ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ，简称 Ｇ Ａ ） 基于 Ｄ ａ ｒ ｗ ｉ ｎ 进化论和 Ｍ ｅ ｎ ｄ ｅ ｌ 遗传学说，是一种用于全局优 化搜索的迭代算法，它将生物进化过程抽象地描述为复制、交叉、变异 ３个算子．遗传算法一般由 ４部分 组成：编码方案、控制参数、适应度函数、遗传算子．在编码过程中，将问题的一个解向量编码成一个字 符串 （ 染色体） ，解向量中的各因子 （ 基因） 既可以是二进制码，也可以是实数或字符，多个染色体构成 种群．利用适应度函数来求解种群中各个体的适应程度，基于优胜劣汰的原则，通过控制参数和遗传算子 进行遗传进化，产生新的子代．经过若干代遗传进化后，可以获得最适宜的个体，即问题的最优解． １ ２ Ｂ Ｐ神经网络 人工神经网络 （ Ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ，简称 Ａ Ｎ Ｎ ） 是模拟生物神经网络的人工智能系统，由大量 功能简单而具有自适应能力的信息处理单元— — —人工神经元— — —按照大规模并行的方式，通过一定的拓扑 结构连接而成．由于人工神经元网络具有复杂的动力学特性、并行处理机制、很强的自学习性、联想记忆 和推理意识等功能，以及它的高度自组织自适应能力、容错性和鲁棒性被广泛应用在各个领域．目前在神 经网络的实际应用中，绝大部分的神经网络模型使用的是 Ｂ Ｐ神经网络或其变化形式，它也是前馈神经网 络的核心部分． 与其他模型相比， Ｂ Ｐ网络有很好的持久性和适 Ｐ网络的核心是通过一边向后传播误差，一边修正 时预报性．Ｂ 误差的方法来不断调节网络参数 （ 权值和阈值） ，以实现或逼近 所希望的输入输出映射关系．这种非线性映射能力使其可以以任 意精度逼近一个非线性函数． 神经网络由输入层、隐含层、输出层构成，其中隐含层可以 图１ ） ． 为 １层，也可以为多层 （ １ ３ 基于遗传算法优化的 Ｂ Ｐ算法 （ Ｂ Ｐ－ Ｇ Ａ ）
贝叶斯神经网络和遗传算法结合在锅炉燃烧优化上的应用
贝叶斯神经网络和遗传算法结合在锅炉燃烧优化上的应用徐荣田
【期刊名称】《发电设备》
【年(卷),期】2016(030)002
【摘要】为了实现既提高锅炉热效率又降低污染物排放的目的,应用贝叶斯神经网络对锅炉燃烧系统进行建模,再用遗传算法进行多目标优化.通过锅炉热态实验数据进行仿真,结果表明该方法可以很好地预测锅炉的热效率和氮氧化物质量浓度,并实现有效的多目标寻优,为电站的经济环保运行提供理论指导.
【总页数】3页(P85-87)
【作者】徐荣田
【作者单位】神华国能宁夏煤电有限公司,银川750409
【正文语种】中文
【中图分类】TK16;TP183
【相关文献】
1.遗传算法-贝叶斯正则化BP神经网络拟合滴定糖蜜中有机酸 [J], 曹家兴;陆建平
2.遗传算法和神经网络在电站锅炉燃烧优化中的应用研究 [J], 傅维琪;吴治清;王天堃
3.贝叶斯融合在SAR图像分类中的应用 [J], 苏芳;洪文;毛士艺
4.基于HMC算法的贝叶斯神经网络方法在套损预测中的应用研究 [J], 王璐;孟凡顺;张旭;伊天宇
5.基于贝叶斯优化的线性自分段神经网络在阀门流量辨识中的应用 [J], 路宽;王文宽;孟祥荣;李军;杨子江;张森烨
因版权原因，仅展示原文概要，查看原文内容请购买。
基于遗传算法优化BP神经网络的烧结能耗预测
ENERGY FOR METALLURGICAL INDUSTRY Jan.2021 56基于遗传算法优化BP神经网络的烧结能耗预测》李海英李富鹏李闯尹贻民(华北理工大学冶金与能源学院)摘要对钢铁行业的烧结工序以及工序中影响能耗的因素进行分析，确立了主要影响因素,并通过灰色关联分析法验证了其合理性。
基于madab.r2019a中的代码编辑器进行编码，建立了基于遗传算法的BP神经网络(GA-BP)烧结能耗预测仿真模型，以遗传算法对BP神经网络的权值和阀值进行优化，使其具有较强的全局寻优能力。
仿真模型分析结果表明，GA-BP对烧结能耗进行预测是有效可行的，为烧结工艺的能源合理利用及节能潜力开发提供了新的思路。
关键词烧结能耗预测遗传算法神经网络文献标识码：A文章编号：1001-1617(2021)01-0056-05Prediction of sintering energy consumption basedon genetic BP neural networkLi Haiying Li Fupeng Li Chuang Yin Yimin(North China University of Technology)Abstract After the analysis of steel industry sintering process and the influencing factors of energyconsumption in the process of iron and steel,the main influencing factors are established,and its rationality is verified by the grey correlation analysis method.Based on the code editor of matlab.r2019a,a BP neural network(GA-BP)simulation model for prediction of sintering energy consumption of iron and steel process is established.The weight and threshold of BP neural network are optimized by genetic algorithm,so that it has strong global optimization ability.The results of simulationmodel analysis show that GA-BP is effective and feasible to predict sintering energy consumption,which provides a new idea for the rational utilization of energy and the development o£energy savingpotential of sintering process.Keywords sintering energy consumption prediction genetic-algorithm neural network钢铁行业属于能源密集型行业，其中烧结工序能源消耗量约占钢铁工业总能耗的18%⑴。
基于遗传算法的BP神经网络优化算法
案例3：基于遗传算法的BP神经网络优化算法******************************************************************************* ****论坛申明：1 案例为原创案例，论坛拥有帖子的版权，转载请注明出处（MATLABSKY论坛，《MATLAB智能算法30个案例分析》2 案例内容为书籍原创内容，内容为案例的提纲和主要内容。
3 作者长期驻扎在板块，对读者和会员问题有问必答。
4 案例配套有教学视频和完整的MATLAB程序，MATLAB程序在购买书籍后可以自由下载，教学视频需要另外购买。
MATLAB书籍预定方法和优惠服务：/thread-9258-1-1.html点击这里，预览该案例程序：/znsf/view/s3/GABPMain.html 已经预定的朋友点此下载程序源代码：/thread-11921-1-1.html ******************************************************************************** **1、案例背景BP网络是一类多层的前馈神经网络。
它的名字源于在网络训练的过程中，调整网络的权值的算法是误差的反向传播的学习算法，即为BP学习算法。
BP算法是Rumelhart等人在1986年提出来的。
由于它的结构简单，可调整的参数多，训练算法也多，而且可操作性好，BP 神经网络获得了非常广泛的应用。
据统计，有80%～90%的神经网络模型都是采用了BP网络或者是它的变形。
BP网络是前向网络的核心部分，是神经网络中最精华、最完美的部分。
BP神经网络虽然是人工神经网络中应用最广泛的算法，但是也存在着一些缺陷，例如：①、学习收敛速度太慢；②、不能保证收敛到全局最小点；③、网络结构不易确定。
另外，网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但是又无法准确获得，针对这些特点可以采用遗传算法对神经网络进行优化。
改进遗传算法优化的BP神经网络高炉煤气预测
机械工程与自动化MECHANICAL ENGINEERING & AUTOMATION 第2期(总第225期)2021年4月No2Apr文章编号：1672-6413 (2021)02-0077-03改进遗传算法优化的BP 神经网络高炉煤气预测白鹏，王浩(山西省信息产业技术研究院有限公司，山西太原030012)摘要：以高炉煤气为主要研究对象，针对钢铁企业高炉煤气发生量波动大、无规律等特点，提出基于改进遗传算法优化的BP 神经网络模型，通过改进遗传算法中交叉概率和变异概率的自适应选取，达到在全局与局部同时具有较强的寻优能力。
由仿真结果可知：改进遗传算法优化的BP 模型比普通的BP 神经网络模型能更精确地预测煤气发生量，并解决了遗传算法(GA )优化BP 神经网络容易陷入早熟、收敛慢的问题。
关键词：高炉煤气；预测；遗传算法；BP 神经网络中图分类号： TP183 文献标识码： A0引言钢铁企业高炉在生产过程中会产生可燃性的气 体，这些气体是高炉生产过程的副产品，统称为高炉煤 气［1］ (Blast Furnace Gas, BFG )。
高炉煤气的主要成 分是CH 』、CO 、CO 2等气体。
高炉煤气可以作为热风 炉、轧钢加热炉等其他冶金设备的燃气,从而降低冶炼 的额外燃料消耗，减少对环境的污染⑵。
高炉煤气发 生量的准确预报预测是实现高炉煤气合理调度使用的 前提，针对高炉煤气的特点建立准确的预测预报模型 意义重大。
综合国内外研究现状，对于高炉煤气生成量的预 测主要有时间序列模型、灰色时序模型、人工神经网络 模型等［］。
因其发生量的不确定性以及生成量受多变 量影响的特点，目前人工神经网络模型是高炉煤气预 测的主流方法。
但是人工神经网络是通过权值调整实 现不断学习，自身的结构复杂、鲁棒性差，容易陷入局 部最优。
基于此本文提出一种改进遗传算法优化的反 向传播网络模型，用来预测高炉煤气的生成量。
1反向传播网络人工神经网络预测模型是根据仿生学的经验，模 拟神经元网络形成的一种模型方法。
基于遗传算法改进的BP神经网络加热炉控制系统参数优化
基于遗传算法改进的BP神经网络加热炉控制系统参数优化本文采用遗传算法改进BP神经网络实现了加热炉控制参数的优化，进一步提高了加热炉的热控制精度和稳定性。
论文的第一部分介绍了加热炉控制系统的基本原理和目标：实现对炉内温度的控制，以达到最佳的生产效果。
同时，本文介绍了BP神经网络的基本原理和遗传算法的基本思路，以此作为后续实验的理论基础。
在第二部分中，本文详细介绍了实现算法的过程。
首先，我们建立了一个基础的BP神经网络模型，并对其进行了训练和优化。
通过数据的反复测试和实验，我们发现这个模型的预测精度和稳定性存在一定的问题，因此需要进一步优化。
接下来，本文采用遗传算法来对BP神经网络的参数进行调节。
我们将网络的参数抽象成“染色体”的形式，通过不断地迭代、进化和选择，找到最优的参数组合。
在实验中，我们设定了适应度函数、交叉概率、变异概率等参数，以获得最佳的实验结果。
最终，通过遗传算法的改进，BP神经网络的预测精度和稳定性得到了大幅提升。
论文的第三部分展示了实验的结果和分析。
我们将实验数据以图表的形式展示，并结合。
图表分析，对实验结果进行了详细的解释和说明。
通过统计分析和对比，我们发现：经过遗传算法的改进，BP神经网络的热控制精度和稳定性得到了显著的提升，其中最高的精度提升达到了50%以上。
这表明，该方法可以在实际应用中发挥出良好的效果，并对提高加热炉的生产效率和控制质量有着积极的推动作用。
最后，在结论部分，本文对实验结果做了总结和讨论，并对未来工作的方向提出了展望。
我们相信，该方法在未来的应用中仍有很大的潜力和挑战，期待更多的研究者投入到这个领域来，一起推动控制技术的发展和进步。
神经网络与遗传算法结合的球团竖炉燃烧优化
Ｊ ｏｈｎ Ｚ ａ ｇＺ ｉ Ｆ ｎ ｈ ｎｊ ｉ Ｂａｓｅｇ ｎ ｈｎ ｈ ｅｇＳ ａｇｉ ｎ
（ ｃ ｏ ｌ ｆＥ ｅ ｙａｄＥ ｖｒｎ ｎ，ｏ ｔｅｓ Ｕ ｉｅｓｔ， ｎｊｎ １０ ６， ｉａ Ｓ ｈ ｏ ｎｒ ｎ ｎ ｉ ｍｅ ｔＳ ｕｈ ａｔ ｎｖ ｒ ｙ Ｎａ ｉｇ２ ０９ Ｃｈｎ ） ｏ ｇ ｏ ｉ
当 网络输 出与 期 望 不 等 时 ， 在 输 出误 差 ， 存
定义 如下 ：
１
ｌ
Ｅ＝ ÷∑（ Ｏ 以一 ｋ ）
将式 （ ） 展至 隐层 与输 入层 ， ３扩 有
（ ３ ）
Ｅ 寺
ｓ ｍｏｄ函数 ， ｉ ｉ ｇ 即
１
Ｉ
ｍ
～ ，ｗ（ ｉ （ Ｅ ｊ ￣１） ４ ２ ） ｑ Ｘ
ｆ ｎ ｔｏ ｎ ｐ ｒ ｔｎ ａ ａ ｅｅ ｓｆ ｃ ｉ ｎ ｄ ｆｅ ｅ ｔｃ ｎ ｉｉ ｎ ａ ｅ ｄ ｓ ｏ ｅ ｅ ｎ ｅ ｉｆ ｒ ｎ ｕ ｃ ｉｎｓ ａ ｄ ｏ ｅ ａｉ ｇ ｐ ｒ ｍ ｔｒ ｏ ｕｓｎｇ ｏ ｉｆ ｒ ｎ ｏ ｄ ｔｏ ｓｃ ｎ ｂ ｉｃ ｖ ｒ ｄ ｕ ｄ ｒｄ ｆｅ ｅ ｔ ｗｉ ｈ ａ ｉ ． Ａｃ ｏ ｄ ｎ ｔ ｔ ｅ ｐ ｍ ｚ ｔｏ ｇ ｔｒｔ ｏｓ ｃ ｒ ｉ ｇ ｏ ｈ ｏ ｔ ｉ ｉ ａｉ ｎ， ｔ ｅ ｅ ｕｌ ｈｏ ｔ ａ ＮＯ ｅ ｓｉ ｎ ｅ ｒ ａ ｅ ｂｙ ｈ ｒ ｓ ｔ ｓ ｗｓ ｈ ｔ ｍｉｓｏ ｄ ｃ ｅ ｓ ｓ
２ ３ ０． ７％ ｗｈ ｌ ａ ｏ ｕｍ ｐ ｉｎ ｉｃ ｅ ｓ ｓ ｂ ７％ ． ｉｅ ｇ ｓ ｃ ｎｓ ｔ ｎ ｒ ａ ｅ ｖ １． ｏ
Ｋ ｅ ｙ ｗｏｒ ｄｓ：ｓ ａ ｔｆ ｒ ａ ｅ；ｎｅ ｒ ｌｎ ｔ ｒ ｈ ｆ ｕｎｃ ｕ ａ ｅ ｗｏ ｋ；ｇ ｓｃ ｎｓ ｍｐｔ ｎ；ＮＯ ｅ ｓｉ ｎ；ｇ ｎ ｔｃ ａｇ ｒｔ ａ ｏ ｕ ｉ ｏ ｍｉｓｏ ｅ ｅ ｌ ｏ ｈｍ ｉ ｉ
基于BP神经网络和遗传算法优化S Zorb装置汽油辛烷值损失
再生吸附剂碳含量
０．６３７８
１１
产品硫含量
０．８２４５
９０
石 油 炼 制 与 化 工 ２０２１年 第５２卷
表５ 与产品 犚犗犖 相关性在０７以上的操作变量
序号
变量名称
狉
１
氢油体积比
０．７０１３
２
还原器流化氢气流量
０．７２１７
３
反应器上部温度
０．７１７９
４
反应过滤器压差
０．８２４８
人 工 神 经 网 络 （Ａｒｔｉｆｉｃｉａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ， ＡＮＮ）是一 个 非 线 性 动 态 系 统，具 有 良 好 的 自 学 习、自组织、自 适 应 和 非 线 性 映 射 能 力，不 用 依 赖 模型来实 现 多 项 控 制。 因 此，人 工 神 经 网 络 在 工 业中 有 广 泛 的 应 用，尤 其 是 在 化 工 领 域 。 ［８１０］ 其
表４ 物性变量与产品 犚犗犖 相关性分析结果
序号
变量名称
狉
１
原料硫含量
０．８３８５
２
原料饱和烃含量
０．５０９４
３
原料烯烃含量
０．５６９８
４
原料芳烃含量
０．７７９３
５
原料溴值
０．５２０７
６
原料密度
基于改进神经网络与遗传算法的燃煤锅炉优化方法
基于改进神经网络与遗传算法的燃煤锅炉优化方法燃煤锅炉是许多工业和居民用途中常见的供热设备之一。
然而，燃煤锅炉使用不当或者设计不合理可能导致低效率、高排放、能源浪费等问题。
为了提高燃煤锅炉的性能和效率，许多研究者利用改进神经网络与遗传算法的优化方法来优化燃煤锅炉的操作参数。
本文将介绍基于改进神经网络与遗传算法的燃煤锅炉优化方法。
一、燃煤锅炉的优化需求燃煤锅炉的优化旨在提高锅炉的能源利用率和环境性能。
燃煤锅炉在运行过程中需要调整的参数包括燃烧温度、煤粉粒度、过量空气系数等。
正确调整这些参数可以实现燃烧充分、热效率高以及低排放的目标。
但由于燃煤锅炉的复杂性，传统的试错法和经验法往往不够高效和准确。
因此，通过改进神经网络和遗传算法的优化方法来实现燃煤锅炉的优化成为一个重要的研究方向。
二、改进神经网络与遗传算法相结合的方法改进神经网络与遗传算法相结合的方法是一种基于人工智能的燃煤锅炉优化方法。
首先，我们需要建立一个适应性较强的神经网络模型，该模型可以准确地预测锅炉在不同运行参数下的能效和排放情况。
然后，我们使用遗传算法来搜索最佳的燃煤锅炉操作参数组合。
遗传算法是一种模拟自然选择和遗传机制的优化算法，可以通过自然选择和交叉变异的操作快速找到最优解。
三、改进神经网络的构建改进神经网络的构建是优化燃煤锅炉方法的重要一环。
传统的神经网络模型往往存在拟合能力不强、泛化能力差等问题。
为了克服这些问题，改进神经网络的构建考虑了以下几个因素：1. 神经网络的深度和宽度：通过增加神经网络的深度和宽度，可以增加模型的表达能力和学习能力，提高模型的预测准确度。
但是，过深或者过宽的神经网络可能导致过拟合问题，因此需要根据实际问题进行合理的选择。
2. 激活函数的选择：激活函数对神经网络的学习和拟合能力有着重要影响。
在构建改进神经网络时，可以尝试不同的激活函数，如ReLU、Sigmoid、Tanh等，选择最适合问题的激活函数。
3. 正则化和批量归一化：为了降低神经网络模型的过拟合风险，可以使用正则化方法（如L1、L2正则化）来限制模型的复杂度。
基于神经网络与遗传算法的配煤优化模型的研究的开题报告
基于神经网络与遗传算法的配煤优化模型的研究的开题报告1. 研究背景与选题意义在煤燃烧过程中，煤的成分对燃烧过程中的温度、耗煤量、燃烧稳定性等指标均有影响。
因此，在不同场合下，需要选择不同配比的煤来满足要求的燃烧效果。
此外，由于煤的成本存在差异，合理地选择煤炭配比还可带来一定的经济效益。
传统的配煤优化方法主要基于经验式和试验数据，因为这些方法缺乏数据和信息的统计推理，因此，它们很难处理包括各种变量和不确定因素的问题，并且准确性也不够高。
与此相比，机器学习方法具有更高的准确性和能够处理大量的变量和不确定因素。
因此，本研究将结合神经网络与遗传算法，以提高配煤优化模型的精度和效率。
2. 研究内容与目标本研究将使用神经网络和遗传算法结合的方法来建立一个配煤优化模型。
具体来说，将使用神经网络来预测煤炭配合物的性质，重点考虑与热值、灰分含量等相关的参数。
遗传算法将用于实施优化过程，并从众多的煤炭组合中选择最优组合来达到最优的配煤目标。
本研究的目标是在保持燃烧质量的同时最小化煤炭成本。
在煤炭成本受限的情况下，综合考虑各项参数，找到一个最优配煤方案。
3. 研究方法本研究将采用以下方法：（1）神经网络：用于预测不同煤炭组合的性质，例如热值、灰分含量及其他相关属性。
将使用适当的数据来训练网络，并使用测试数据来评估神经网络的准确性。
（2）遗传算法：用于确定最佳煤炭组合。
这将包括最小化成本、最大化能量度、满足燃烧要求等因素的综合考虑。
遗传算法将搜索大量可能的煤炭组合，通过适应值函数选择具有最优性能的解。
（3）模型评估：最终模型将评估其性能和准确性，以验证模型的有效性和可行性。
4. 预期成果本研究预计能够建立一个高效准确性的配煤优化模型，该模型能够考虑到燃烧过程中的多种因素，以及煤炭成本的限制。
预计该模型能够实现以下目标：（1）最小化煤炭成本；（2）满足燃烧效果要求（例如热值、灰分等）；（3）提高配煤决策的精度和效率。
5. 研究难点与创新之处在本研究中，将会面临以下难点：（1）如何选择和获取合适的训练和测试数据，以保证神经网络能够准确地预测煤炭组合的性质；（2）如何通过遗传算法在众多的煤炭组合中选择最优组合；（3）如何建立一个能够满足实际需求的配煤优化模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
保证 。
１ 引 言
合 理组 织补 燃 室 的二 次燃 烧 ， 高 燃烧 效 率 提 是研 究 固体 火 箭 冲 压 发 动 机 的 ～ 项 关 键 技 术 。 影响 补燃 室 燃 烧 效 率 的 因 素 很 多 ， 括 空燃 比， 包 富燃 燃 气喷 射 方式 及 速度 ， 气 道 参数 等 。由于 进
ｗｈ ｃ ｈ ｗｓ ｔ ｅ ｅ ｆ ｃ ｉｅ ｅ ｓ ｏ ｈ ｓ ｎ ｗ ｔ ｏ ． ｉｈ ｓ ｏ ｈ ｆ ｅ ｔ ｎ ｓ ｆ ｔ ｉ ｅ ｍｅ ｈ ｄ ｖ Ｋｅ ｗｏ ｄ ： ｕ ｔ ｄ ｒ ｃ ｅ ｎ ｉ ｅ ｙ ｒ ｓ ｄ ｃ ｅ ｏ ｋ ｔｅ ｇｎ ；ＢＰ ｎ ｕ ａ ｅ ｗｏ ｋ；ｇ ｎ ｔ ｌ ｏ ｉｈ ；ｏ ｔ ｚ ｔ ｎ；ｓ ｎ ｉｉ ｉ ｅ ｒ ｌｎ ｔ ｒ ｅ ｅ ｉ ａ ｇ ｒ ｍｓ ｐ ｉ ａ ｉ ｃ ｔ ｍｉ ｏ ｅ ｓｔ ｔ ｖ ｙ
（） ２
其 中： Ｓ Ｓ Ｔ—
Ｋ
一
（ 一 ｚ ） 为总偏 差平 方 和 ， Ｓ ＳＲ
道 中通 过三 个斜 激 波 和一个 正 激 波 进入 补 燃 室 ，
则 可得 出进 气 道 出 口处 的边界 条 件 为 ： 空气 流 量 ４ ２ ｇ ｓ（ 进 气 道 ） 总 温 ５ ３ ．ｋ／ 双 ， ７ Ｋ。燃 气 入 口的
法对 影 响补 燃 室 燃 烧 效 率 的 各 影 响 因素 的重 要
程度 进行 了分 析 ， 取得 了较 好 的效 果 。
数 ， 补 燃室 压 强 和 空 燃 比等 ， 体 火 箭 冲 压 发 如 固
动机 补 燃室 优 化 设 计 的 主 要 目标 集 中在 燃 气 发
２ 补 燃 室优 化 设 计
维普资讯
第 ２ ８卷
第 ４ 期
弹
箭
与
制
导
学
报
Ｖ０ ． ８ ＮＯ ４ １２ ．
Ａｕ ０ ｇ ２ ０８
２０ ０ ８年 Ｏ ８月
Ｊ ｕ ｎ ｌｏ ｏｅ ｔ ｅ ，Ｒｏ ｋ ｔ ，Ｍ ｉｓｌｓａ ｄ Ｇｕｄ ｎ ｅ ｏ ｒ ａ ｆＰｒｊｃｉ ｓ ｌ ｃ ｅｓ ｓ ｉ ｎ ｉａ ｃ ｅ
０ １４ ． ８ 。其 中燃烧 效 率 的计算 公 式为 ：
ｒ ｒ
一
Ｂ Ｐ神 经 网络对 原 始数 据 的拟合 程度 更好 。
１ ｌ “ ｆ ｒＯ１ｆ 一 Ｊ ｙｕ ｄ／１ ｄ ７ｕ
Ｊ Ｊ
（） １
２ ２ ２ 遗 传算 法 寻优 ．． 遗 传算 法在 开 始之 前 ， 必须 在 目标 问题 实际 表示 和遗传 算 法 的 染 色 体 位 串结 构 之 间建 立 联
Ａｂｓｒ ｃ Ｔｈｅ ｐｒ ｃ ｓ ｉ ｉ ｇ ａ ｈｅ ｉａ ｅ ｃ ｉ ｎ ｔ ｅ ｏ ｔ ａ ｔ： ｏ ｅ ｓｏｆｍ ｘ ｎ ｎｄ ｃ ｍ ｃ ｌｒ ａ ｔｏｎ ｉ ｈｅ ｓ ｃ ｎｄａ ｙ ｃ ａ ｂ ｒ ｉ ｖ ｒ ｏ ｐｌｃ ｔ ｄ， ａ ａ ｙ ｆ ｃ ｏ ｓ ｒ ｈ ｍ ｅ ｓ ｅ ｙ ｃ ｍ ｉａ ｅ ｎｄ ｍ ｎ ａ ｔ ｒ
网络的学习误差为：－ ∑ （ ）， ｅ ｌ ｒ一 一 Ｋ
ｉ 。 ＝ １
燃 室 内的气 体 为理 想 气 体 ， 符合 气 体 状 态 方 程 Ｐ
＝ ：＝
为样本 个 数 ， 为样 本 ｉ 应 的 目标 真 实值 ， 为 对
该 样本 对应 的 网络输 出值 。 用 归 一化 的数据 进 利 行 网络 训 练 ， 当误 差 函数 减 小 到 ０ ０ １以下 时 ， ．０
元 进气 道 进入 补燃 室 ， 而 空气 中的 氧气 与 富燃 从
燃气 发生 反应 ， 图 １所示 。 如
基 金 项 目 ： 家 自然 科 学 基 金 （０ ７０ ２ 资 助 国 ５３６７ ） 作者 简介 ： 张龙 （ ９ ３ ） 男 ， １８ 一 ， 山西 永 济 人 ， 理 工 程 师 ， 士 ， 究 方 向 ： 助 硕 研 固体 火 箭 冲 压 发 动 机 设 计 。
ａｆｃ ｈ ｏ ｕ ｔｏ ｆｉｉｎ ｙ ｔｉ ｖ ｒ ａ ｄｔ ｉｄｔ ｅｐ ｅｉｅｅ ｐ ｅｓｏ ｅｗｅ ｎｃ ｍｂ ｓｉｎｅｆｃｅ ｃ ｎ ｈ ａ — ｆｅ ｔｔ ｅ ｃ ｍｂ ｓｉｎ ｅｆｃｅ ｃ ．Ｉ ｅ ｙｈ ｒ Ｏｆ ｈ ｒ ｃｓ ｘ ｒ ｓｉｎｂ ｔ ｅ ｏ ｕ ｔｏ ｆｉｉｎ ｙａ ｄｔ ｅｆｃ ｓ ｎ
基于 Ｂ Ｐ神经 网络和 遗传 算法的 补 燃 室 优 化 设 计
张 龙 ， 智 勋 ， 建 新 夏 胡
（ 防科学技术大学航 天与材料工程学院 ， 沙 国 长 摘 ４０ ７ ） １０ ３ 要 ： 响 火 箭 冲压 发 动 机 补 燃 室 燃 烧 效 率 的 因 素 很 多 ， 很 难 找 到 各 因 素 与 燃 烧 效 率 之 间 的精 确 表 达 式 。 影 且
Ｔ；４ ）燃 气 流 中 只 有 Ｃ ， Ｈ Ｈ。 几 种 Ｏ。 Ｃ ， Ｏ
组分， 而其 它 组 分 由于 含 量 比较 少 ， 以忽 略 不 可
计。
停 止训 练 ， Ｐ网络 模 型建 立 完毕 。 常 采用 全相 Ｂ 通 关 系数 Ｒ。来 度 量 拟 合 函数 对 原 函数 的 逼 近 程
名 ｆ
０
０ ｌ
，
巷
及燃 气 射流 马赫 数 Ｍａ 目标 函数 为二 次燃 烧 效 。
， ‘ 一’
率 ｒ 二 次燃 烧组 织数 值模 拟 表见 文献 Ｅ ｉ ／ 。 ｌ。
在训 练 开始 之前 ， 对输 入 和输 出变 量进 行 了
归 一化 。
１０ ５ ＿ Ｄｃ — —
２ １ 物 理 模 型 ．
生器 参数 和 进 气 道 参 数 上 。 由于 很 难 建 立 各 参 数 与燃烧 效 率之 间 的精 确 表达 式 ， 统 的优 化 方 传 法都 是 找到合 理 的近似 表 达式 ， 而 对 各设 计 参 进
在 非壅 塞 固体 火箭 冲 压发 动机 中 ， 气发 生 燃 器 所 用 贫 氧 推 进 剂 的 氧 化 剂 含 量 仅 ２ ％ ～ ５
ｒｔ ｓ ｗａｓ ａ ｌｅ ｔ ｉｈｍ ｐｐ ｉｄ Ｏ ｏｐｔｍ ｉｅ ｈｅ ｆ ｅ ｔ ｆ ｓｅ ｏｎ ｒ ｃ ｍ ｂｕ ｔｏ ｃ ａ ｂｅ ｓ Ｓｏｍ ｅ ｅ ｎｉ ｆ ｒ ｓ ｔ ａ ｅ ｄｅ ｉ ｄ， ｉ ｚ ｔ ｅ ｆ ｃｓ ｏ ｃ ｄａ ｙ ｏ ｓｉｎ ｈ ｍ ｒ． ｍ ａ ｎｇ ｕｌ ｅ ｕｌｓ ｒ ｒｖｅ
重要程度 。
关 键 词 ： 箭 冲 压 发 动 机 ； Ｐ神 经 网络 ； 火 Ｂ 遗传 算 法 ； 化 ； 感 度 优 敏
中 图分 类 号 ： ３ ． １ Ｖ２ ５ ２ 文 献 标 志码 ： Ａ
Ｏｐｔｍ ａ ｓ ｇ ｆ Ｓ ｃ ｎｄ ｒ ｍ ｂ ｓ ｉ ｎ Ｃｈａ ｂｅ ｓ ｄ ｏ ｉ ｌＤｅ ｉ ｎ ｏ ｅ ｏ ａ ｙ Ｃｏ ｕ ｔｏ ｍ ｒ Ｂａ ｅ ｎ
导 弹的 飞行 范 围 已经 决 定 了 推 进 系 统 的主 要 参
文 中在 数 值模 拟 的基 础 上 ， 分 利 用 Ｂ 充 Ｐ神 经 网络学 习能 力强 ， 合精 度 高 的优 势 和遗 传算 拟 法强 大 的全局 搜索 能力 ， 二者 相 结 合用 于 冲压 将 发 动机 补燃 室 优化 设计 ， 同时利 用 敏 感度 分 析方
度 ， 。 义为 ： Ｒ 定
Ｒ。一
０ ０ 』
Ｋ
流 体 力学 中 的质 量 、 量 、 动 能量 、 分 、 流 组 湍
的 忌一￡方 程 ， 维 燃 烧 室 的 控 制 方 程 见 文 献 三
Ｅ３ ２ 。燃 气 成分 中只有 甲烷 和 氧发 生化 学反 应 。
计 算 中 的边 界 条 件 是根 据发 动 机 的 实 际 工 作 状态 确 定 的 。所 模 拟 的 发 动 机 工 作 状 态 为 ： 飞行 高 度 １ ｋ ， 行 马 赫 数 ２ １ 空气 在 进气 ０ｉ 飞 ｎ ． ８，
文 中 在 数 值 模 拟 的基 础 上 。 用 Ｂ 采 Ｐ神 经 网 络 对 补 燃 室 各 因 素 和 燃 烧 效 率 的 关 系 进 行 了 拟 合 ， 利 用 遗 传 算 再 法 对 补 燃 室 进 行 了 优 化 ， 到 最 佳 的 因素 配置 。利 用 敏 感 度 分 析 方 法 分析 Ｔ￣ Ｎ补 燃 室 燃 烧 效 率 的各 因 素 的 得 Ｃ，
神 经 网络 结构 形式 为 ７ ５ ， 中 ： 入层 为 ７ —２ —１ 其 输
个 变量 ， 隐含层 含有 ２ ５个神 经元 ， 出层 为 １ 输 个 目标值 。
Ｋ
反应 中燃 料 和 氧完 全 消耗 ， 在空 间任 意点 上 不 即
能 同 时存在 燃料 和 氧 ， 也不 存 在 中间产 物 ；３ ）补
通过 Ｂ Ｐ神 经 网络 建立 的模 型 的全 相关 系数
Ｒ 为 ０９９， 。 ． ９ ３ 与通 过 正 交 响 应 面 所 构 造 的 函 数 的全 相关 系 数 为 ０ ８ ８ ． ６ ４相 Ｉ 更 接 近 １ 表 明 ：Ｅ Ｌ引， ，
种 组 分 的 质 量 分 数 分 别 为 ０ １ ０ 、 ． ６ ９ ．５ １ ０ ６５ 、
ｔ ｒ ． Ｉ ｈ ｓ ｐ ｐ ｒ ａ ｅ ｎ ｔ ｅ ｄ ｔ ｂ ｓ ｒ ｍ Ｆ ，ａ ｎ ｗ ｔ ｏ ｏ ｉ ｉ ｇ Ｂ ｅ ｒ ｌｎ ｔ ｒ ｓ ａ ｄ ｇ ｎ ｔｃ ａｇ — ｏ ｓ ｎ ｔ ｉ ａ ｅ ，ｂ ｓ ｄ ｏ ｈ ａ ａ ａ ｅ ｆ ｏ Ｃ Ｄ ｅ ｍｅ ｈ ｄ ｃ ｍｂ ｎ ｎ Ｐ ｎ ｕ ａ ｅ ｗｏ ｋ ｎ ｅ ｅ ｉ ｌ ｏ
维普资讯
·
１Ｏ ５ ·
弹 箭 与 制 导 学 报
第 ２ ８卷
Ｍａ 、 进气 道进 气角 、 进 气 道进 气 角 ｚ 前 。前 后 、
八 Ｈ Ｉ １ ＼ １ ， Ｉ Ａ２ ＼ ／ — ＿ ＼ ／ — － 。 —