[发明专利]一种电磁线圈发射系统的预测优化设计方法

权利要求书

1.一种电磁线圈发射系统的预测优化设计方法，其特征在于，包括以下步骤：

步骤1：构建电磁线圈发射器样本，将电磁线圈发射器样本采用电路模型法或有限元场路耦合法计算对应的电磁线圈发射系统的发射性能样本，以发射性能样本为基础构建优化目标样本、约束目标样本，通过电磁线圈发射器样本、优化目标样本、约束目标样本构建预测模型训练集；

步骤2：根据预测模型训练集构造数据对，构建支持向量回归模型，结合发射器样本、优化目标样本、约束目标样本构建损失函数模型，根据预测模型训练集进行训练，得到优化后支持向量回归模型；

步骤3：在电磁线圈各个参数取值范围内随机生成初始的电磁线圈参数，通过优化后支持向量回归模型输出对应的电磁线圈性能预测值，将预测值拆分为优化目标值以及预测的约束目标值，构建电磁线圈参数优化模型，进一步通过智能优化算法得到优化后电磁线圈参数；

步骤1所述构建电磁线圈发射器样本为：

X_k＝[x_k,c,1，x_k,c,2，…，x_k,c,i…，x_k,c,N，x_k,a，x_k,m]^T

1≤i≤N

1≤k≤L

其中，L为电磁线圈发射器样本的数量，X_k为第k个电磁线圈发射器样本，x_k,c,i为第k个电磁线圈发射器样本中第i级线圈的参数数组，x_k,a为第k个电磁线圈发射器样本中第i级线圈的电枢参数，x_k,m为第k个电磁线圈发射器样本中第i级线圈的辅助参数；

x_k,c,i具体定义为：

x_k,c,i＝[r_k,c,i，l_k,c,i，n_k,i，d_k,i，S_k,i，C_k,i，U_k,0,i，tt_k,i]

1≤k≤L

其中，L为电磁线圈发射器样本的数量，N为线圈的级数，r_k,c,i为第k个电磁线圈发射器样本中第i级线圈的线圈内径，l_k,c,i为第k个电磁线圈发射器样本中第i级线圈的线圈长度，n_k,i为第k个电磁线圈发射器样本中第i级线圈的线圈匝数，d_k,i为第k个电磁线圈发射器样本中第i级线圈的线圈间距，S_k,i为第k个电磁线圈发射器样本中第i级线圈的线圈绕制导线的截面，C_k,i为第k个电磁线圈发射器样本中第i级线圈的馈电脉冲功率电源电容值，U_k,0,i为第k个电磁线圈发射器样本中第i级线圈的馈电脉冲功率电源电压值，tt_k,i为第k个电磁线圈发射器样本中第i级线圈的馈电脉冲功率电源线圈触发时间；

x_k,a具体定义为:

x_k,a＝[r_k,aout，r_k,ain，l_k,a，m_k,a，m_k,l]

1≤k≤L

其中，L为电磁线圈发射器样本的数量，r_k,aout为第k个电磁线圈发射器样本中电枢外半径，r_k,ain为第k个电磁线圈发射器样本中电枢内半径，l_k,a为第k个电磁线圈发射器样本中电枢长度，m_k,a为第k个电磁线圈发射器样本中电枢质量，m_k,l为第k个电磁线圈发射器样本中电枢载荷质量，m_k,p＝m_k,a+m_k,l为第k个电磁线圈发射器样本中发射体的总质量；

x_k,m具体定义为:

x_k,m＝[ρ_k,，C_k,，E_k,，ν_k,]

1≤k≤L

其中，L为电磁线圈发射器样本的数量，ρ_k,为第k个电磁线圈发射器样本中电阻率，C_k,为第k个电磁线圈发射器样本中比热容，E_k,为第k个电磁线圈发射器样本中杨氏模量，ν_k,为第k个电磁线圈发射器样本中泊松比；

确定X_k后，采用电路模型法或有限元场路耦合法计算与之对应的电磁线圈发射系统的发射性能样本；

步骤1所述电磁线圈发射系统的发射性能样本为：

Z_k＝[v_k,max，v_k,out，a_k,max，a_k,flu，η_k，T_k,c，T_k,a，σ_k,c，ε_k,c，σ_k,a，ε_k,a]^T

1≤k≤L

其中，L为电磁线圈发射器样本的数量，Z_k为第k个电磁线圈发射系统的发射性能样本，v_k,max为第k个电磁线圈发射系统的发射性能样本中峰值速度，v_k,out为第k个电磁线圈发射系统的发射性能样本中出口速度，a_k,max为第k个电磁线圈发射系统的发射性能样本中加速度峰值，a_k,flu为第k个电磁线圈发射系统的发射性能样本中加速度波动，η_k为第k个电磁线圈发射系统的发射性能样本中发射器的发射效率，T_k,c为第k个电磁线圈发射系统的发射性能样本中线圈温升，T_k,a为第k个电磁线圈发射系统的发射性能样本中电枢温升，σ_k,c为第k个电磁线圈发射系统的发射性能样本中驱动线圈所受应力，ε_k,c为第k个电磁线圈发射系统的发射性能样本中驱动线圈应变，σ_k,a为第k个电磁线圈发射系统的发射性能样本中电枢所受应力，ε_k,a为第k个电磁线圈发射系统的发射性能样本中电枢应变；

步骤1所述通过电磁线圈发射系统的发射性能样本构建优化目标样本、约束目标样本为：

从Z_k中选取合适的元素分别构建优化目标样本即Y_k，约束目标样本即G_k：

Y_k＝[y_k,1，y_k,2，…，y_k,M]^T

G_k＝[g_k,1，g_k,2，…，g_k,K]^T

1≤k≤L

其中，L为电磁线圈发射器样本的数量，y_k,p为第k个优化目标样本中第p个性能参数，g_k,q为第k个约束目标样本中第q个性能参数，p∈[1,M]，q∈[1,K]，M为优化目标样本的数量，K为约束目标样本的数量；

步骤1所述构建预测模型训练集为：

A＝[A₁，A₂，…，A_k，…，A_L]^T

1≤k≤L

其中，L为预测模型训练集中样本的数量，A_k为预测模型训练集中第k个样本，X_k、Y_k、G_k共同构成列向量；

步骤2所述根据预测模型训练集构造数据对为：

D＝{(x_k,y_k)|x_k＝X_k,y_k＝[Y_k,G_k],k＝1,2,3,...,L}

其中，x_k是维数第k个电磁线圈发射器样本的输入列向量，y_k是由Y_k、G_k共同构成的第k个输出列向量，(x_k,y_k)构成D中的第k组样本数据，y_k的维数u＝M+K，M为优化目标样本的数量，K为约束目标样本的数量，L为样本的数量；将x_k代入支持向量回归模型，得到y_k的预测值即：

其中，ω为待求解的权重参数，b是待求解的偏执参数，Φ(x)为x在高维空间中映射的特征向量，ω为u×v的矩阵，b的维数为u，其中v为向量Φ(x_k)的维数，u为向量y_k的维数，u＝M+K，M为优化目标样本的数量，K为约束目标样本的数量，L为样本的数量，k∈[1,L]

步骤2所述构建损失函数模型为：

其中，y_k为第k组样本数据的实际输出列向量，为第k组样本数据的预测输出列向量，ξ_k为第k组样本数据(x_k,y_k)对应的约束条件的第一松弛因子，为第k组样本数据(x_k,y_k)对应的约束条件的第二松弛因子，ε为软间隔，C为惩罚系数，对于形如上式的优化问题，可根据对偶条件以及拉格朗日乘数法进行求解得到的具体表达式；

步骤3所述电磁线圈参数优化模型中优化目标为：

min Y^*(X)

电磁线圈优化约束条件为：

其中Y^*(X)和G^*(X)为根据预测模型y^*＝f(X)得到的预测值，y^*中第1个元素至第M个元素构成预测的优化目标值Y^*(X)，y^*中第M+1个元素至第M+K个元素构成预测的约束目标值G^*(X)；M为优化目标样本的数量，K为约束目标样本的数量；X_lb为X的取值下限，X_ub为X的取值上限；C为约束目标G^*(X)的限值，即：

G^*(X)＝[g₁，g₂，…，g_K]^T

C＝[C₁，C₂，…，C_K]^T

g_q≤C_q，q∈[1,K]

步骤3所述优化问题可以通过智能优化算法得到优化后电磁线圈参数X_op，所述优化算法采用GA遗传优化算法或POS粒子群优化算法。