协同粒子群算法下的火工品参数辨识

毕雪芹 李蓓蕾 徐文文

【摘 要】为解决火工品起爆过程中线性函数不能解决的不确定性、非线性强和火工品参数难获得的问题，文章采用Volterra模型与协同粒子群算法相结合的思想对火工品参数进行获取，从而对火工品进行合理分析，确保火工品的安全性和可靠性。通过对协同粒子群算法、递推最小二乘法的实验仿真结果进行对比可以看出，文章基于协同粒子群算法（CPSO）的Volterra模型参数辨识算法，对标准粒子群算法的过早收敛问题、遗传算法搜索速度慢的问题进行了有效的改善，对算法的辨识速度和辨识精度有很大的提升。

【关键词】火工品;Volterra级数;协同粒子群算法

【中图分类号】TJ45 【文献标识码】A 【文章编号】1674-0688（2020）09-0097-03

0 引言

火工品作为一次性使用的装置，其内部装有火药或炸药。当火工品受到外界刺激与干扰的情况下，其内部的火药或炸药会燃烧或爆炸，从而火工品输出能量完成工作。作为先进军事武器系统的第一能源产品，火工品的安全性和可靠性是人们关注的重点。火工品参数可以表征火工品性能，但火工品对环境参数非常敏感，这使得火工品参数的获取变得更加困难，测量准确性变差。我国对火工品参数研究的公开文献也较少，张莉莉为了测试火工品参数，研究了一种火工品测试系统，通过实验，对火工品的火回路电流、桥路阻值、桥丝熔断时间进行实验，验证系统的有效性和可行性[1]。严楠等人根据火工品的输出压力、速度、加速度、位移、推力、温度等信号特征及量程，提出一套可供选择的动态多参数测试系统[2]。强涛等人提出把无损检测技术和BP神经网络模型相结合，对火工品的安全电流进行预测，实验结果证实了方法的可行性[3]。现存的火工品测试方法在一定程度上促进了火工品的研究，但随着人们要求的提高，提出新的研究方法是不可避免的。协同粒子群算法是在标准粒子群优化算法基础上的改进，它克服了智能算法的弊端，此算法收敛快、辨识精度高、辨识容易，因而在研究中被广泛应用，在实际问题的解决中也凸显优势。于雷将协同算法应用于航空发动机多管道布局中，并利用MATLAB进行仿真，用结果验证算法的可行性，为多管道布局提供了新思路[4]。吕微微等人将协同粒子群算法应用到系统辨识中，通过仿真验证了此方法在系统辨识方面的有效性，为后续系统辨识提供基础[5]。

本文将Volterra级数模型和协同粒子群算法结合起来，推出一种新的火工品参数辨识研究方法，为后期的火工品研究和分析等提供理论支持。

1 火工品起爆模型

火工品起爆过程中存在严重的非线性，使得火工品起爆参数的理论结果与实际结果存在严重的误差。Volterra级数模型通过系统的输入和输出确定，而与输入和输出的状态无关，采用Volterra级数描述火工品起爆过程，可以完全通过Volterra级数的时域核和频域核确定火工品起爆的内在特性，从而得到火工品参数。

电火工品的充电式点火电路模型如图1所示，图1中包括充电电路和对火工品的放电电路。其中，Us为电源，即充电电路中的给定电压;Rs为充电电阻，充电电路中的二极管防止电流倒流;R1为放电电路中限流电阻，防止电路中电流过大;Rf为电起爆器电阻;C为电容，为火工品放电实现火工品的起爆;S1、S2分别为充电电路与放电电路的控制开关。

由KVL、KCL得到下列表达式：

电容充电时：

上式中，Uc为电容端电压，ts为充电时间，Wc为电容充电储存的能量。

电容放电时：

进行Z变换并离散化后整理得：

输出为电流，输入为电压，待辨识参数为a1，a2，a3;根据式（2），得到R1，Rf，C。

2 算法仿真验证

2.1 协同粒子群算法

协同进化算法所具有的特点即为多个种群并行搜索。在每次迭代过程中，采用不同的进化机制，既有利于扩展对全局的搜索，也有助于在搜索后期对最优值的快速收敛[6]。

协同粒子群算法的基本思路如图2所示。

2.2 算例验证

作为辨识目标的Volterra模型如式（7）所示：

从表达式中可以看出，模型的核向量为H=[2.71，-0.55，0.81，1.06，0，0，1.61，-1.75，0]T。利用本文提出的协同粒子群算法对上述Volterra模型进行辨识，设置系统的输入信号为[0，1]之间的均匀白噪声信号，种群大小为80，空间维数设定为20，最大迭代次数为600，然后进行多次辨识测试实验，然后取平均值。

表1和表2分别为协同粒子群算法、递推最小二乘法（RLS）无噪声条件下和噪声比为20 dB情况下所得到的Volterra模型参数的估计值。

图3和图4分别是无噪声条件和噪声比在20 dB下Volterra级数核函数h2（1，2）的收敛曲线。

在无噪声情况下，协同粒子群算法和最小递推二乘法都能较好地与真实值吻合，但协同粒子群算法的辨识结果的平均值更接近于真实值，可以证明协同粒子群算法辨识精度较高。在有噪声条件下，协同粒子群算法和递推最小二乘法都受到了一定的影响，但是CPSO算法能在一定的迭代步数能很快收敛于真值，RLS算法在收敛的过程中也能收敛于真值，但收敛过程中并不稳定。

3 实验验证

通过上述算法仿真协同粒子群算法的有效性得到验证，我们把协同粒子群算法应用到火工品起爆模型中，对模型中的参数进行辨识，设置迭代步数为1 000，得到模型参数，然后利用模型参数与火工品参数的关系得到相关火工品参数。图5和图6是火工品参数的辨识曲线。

4 结论

本文针对火工品参数的辨识，提出基于协同策略的粒子群优化算法，利用Volterra级数模型建立火工品起爆模型，克服了火工品起爆过程中的非线性。研究发现，与其他算法相比，协同粒子群优化算法可以获得较好的参数识别精度。本文提出的算法为非线性系统Volterra模型辨识提供了一种新的有效方法，对后续的非线性系统研究奠定理论基础。

参 考 文 献

[1]张莉莉，吴永红，张月魁，等.火工品电参数测试技术研究[J].宇航计测技术，2018，38（6）：87-90，95.

[2]严楠，付永杰.火工品输出动态多参数测试系统的构建与考虑[J].宇航计测技术，2008，28（2）：28-32.

[3]强涛，周彬，秦志春，等.桥丝式电火工品安全电流的预测[J].南京理工大学学报（自然科学版），2006，30（1）：110-112.

[4]于雷.基于协同进化粒子群算法的航空发动机多管路布局优化[J].电子工程，2020，28（2）：17-21.

[5]吕微微，張宏立.基于协同进化粒子群算法的系统辨识[J].计算机仿真，2016，33（1）：336-339.

[6]俞欢军，张丽平，陈德钊，等.基于反馈策略的自适应粒子群优化算法[J].浙江大学学报（自然科学版），2005，

39（9）：1286-1291.

[7]程善美，张益.基于协同粒子群算法的PMSM在线参数辨识[J].电气传动，2012，42（11）：3-6.

[8]周頔，孙俊，须文波.具有量子行为的协同粒子群优化算法[J].控制与决策，2011，26（4）：582-585.

[9]赵静芳.火工品多参数测试系统设计[D].太原：中北大学，2011.

[10]叶迎新.火工品技术[M].北京：国防工业出版社，2014.

[11]程善美，张益.基于协同粒子群算法的PMSM在线参数辨识[J].电气传动，2012，42（11）：3-6.

[12]蒋静，李志农.基于量子粒子群优化的Volterra核辨识及故障诊断方法研究[D].河南：郑州大学，2010.

[13]周立启.基于Volterra级数的非线性模拟电路故障诊断方法的研究[D].西安：西安电子科技大学，2012.

[14]王春暖，李文卿，吴庆朝.基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究[J].机床与液压，2016，44（3）：192-197.