趙排航，李永建，賈云非，宮鵬涵，王瑞林

（陸軍工程大學石家莊校區(qū)，石家莊 050003）

0 引言

某型狙擊榴彈發(fā)射器是一種集面殺傷和破甲效能于一身，遂行狙擊和精確打擊任務的單兵武器，可有效應對工事或建筑物之后的有生目標及敵輕型裝甲車輛等目標。該武器具有多級多重緩沖機構，大幅降低了其后坐力，使其可抵肩發(fā)射，但較其他抵肩發(fā)射武器后坐力仍較大，仍需進一步減小其后坐力。隨著武器系統(tǒng)的打擊能力需求不斷提高，有效射程及射擊精度也亟需提升，因此，有必要進一步研究該武器的減后坐技術，提升其人機工效，為其能夠發(fā)射更遠程彈種奠定基礎。

Isight 是功能強大的計算機輔助優(yōu)化平臺，廣泛應用于航空、航天、汽車、船舶、電子領域的零部件、子系統(tǒng)優(yōu)化以及復雜產(chǎn)品多學科設計優(yōu)化，具備廣泛的CAD/CAE 程序接口，用戶可以快速建立復雜的仿真分析，設定和修改設計變量，自動進行多次分析循環(huán)并尋找最優(yōu)結果［1］。朱志剛［2］采用多島遺傳算法，應用Isight 集成Adams 的方式對某型自動榴彈發(fā)射器的自動機、供彈機構等組件進行了參數(shù)優(yōu)化。劉明峰［3］以Isight 軟件為基礎，集成結構模型、動力學模型和控制模型，利用多島遺傳算法為尋優(yōu)手段，實現(xiàn)了導引頭伺服控制系統(tǒng)參數(shù)優(yōu)化。于存貴［4］以基于虛擬樣機技術的某型多管火箭炮發(fā)射動力學仿真模型為核心，以isight 優(yōu)化軟件為總控框架，以MIGA 算法為控制策略做了減少用彈量的優(yōu)化研究。

本文以該型狙擊榴彈發(fā)射器為研究對象，建立優(yōu)化模型，采用多島遺傳算法，基于isight 平臺構建優(yōu)化模型，以后坐力峰值最小為目標，對影響其后坐力的主要參數(shù)進行優(yōu)化研究，得到了最優(yōu)解，有效提高了其人機工效。

1 后坐力極值優(yōu)化模型

火藥氣體直接或間接對槍身的作用產(chǎn)生后坐力，大口徑單兵武器往往采用緩沖裝置減小自動機運動后坐到位碰撞，提高射擊過程中的穩(wěn)定性及減少射手的心理負擔。但緩沖器不能改變武器承受的后坐總沖量，只能減小沖擊力的峰值及延長作用時間［12］。故以武器后坐力極值最小化為目標對該狙擊榴彈發(fā)射器進行參數(shù)優(yōu)化。

1.1 目標函數(shù)

在武器系統(tǒng)中，自動機在復進簧力的作用下后坐與復進對降低武器后坐力起了很大的作用，對于該型狙擊榴彈發(fā)射器，采用身管短后坐原理又進一步降低了其后坐力。因此，自動機與身管組件后坐與復進相互協(xié)調(diào)配合達到后坐力極值最小為本文的優(yōu)化目標。故取復進簧剛度k1、復位簧剛度k2、復進簧預壓力F1、復位簧預壓力F2、自動機后坐行程d1、身管機匣組件后坐行程d2、機體質(zhì)量m1、機匣質(zhì)量m2為設計變量。目標函數(shù)為

1.2 靈敏度分析

發(fā)生微小改變Δxi而其他參數(shù)保持不變時的變化量Δfmax，可得結構參數(shù)在xi點的靈敏度為

在Δxi較小時，有如下近似關系

而中心差分公式可以得到更精確的結果，其表達式為

在本文中，由于各參數(shù)的量綱不同，有剛度、力、質(zhì)量等，故采用相對靈敏度計算的方法確定各參數(shù)對目標的影響程度，目標變量與參數(shù)變量的相對改變量的比值即為相對敏感度，公式如下

取相對較小的參數(shù)變化量，本文取0.2%的變化量，經(jīng)過計算即可求得各參數(shù)在該設計點的相對靈敏度，結果如表1 所示。相對靈敏度絕對值的大小表示參數(shù)對目標變量的影響程度，正負表示正相關和負相關。

表1 參數(shù)靈敏度

1.3 優(yōu)化模型

一般來說，設計變量越少，優(yōu)化越簡單，要選擇對設計變量有顯著影響且能直接控制的獨立參數(shù)作為設計變量。根據(jù)靈敏度計算結果，變量選取及其取值優(yōu)化取值范圍如下頁表2 所示。

后坐行程及部件質(zhì)量的變化將直接導致武器總質(zhì)量的變化，對于單兵武器來說，質(zhì)量對便攜性和機動性有很大影響，也是人機工效一大指標，故這里限定武器系統(tǒng)總質(zhì)量約束條件為變化量小于等于零。表達式為

式中，Δm1、Δm2、Δmd分別為自動機、機匣、導軌的質(zhì)量變化量。導軌的質(zhì)量變化主要由機匣后坐行程變化導致，故有

綜上，建立優(yōu)化模型如下：

表2 設計變量及取值范圍

2 優(yōu)化方案

2.1 多島遺傳算法

近些年來出現(xiàn)了一些智能優(yōu)化算法，如遺傳算法、神經(jīng)網(wǎng)絡等，因為引入了逃脫局部極值的機制，可以成功地解決一些工程優(yōu)化問題［11］。遺傳算法是模擬生物在自然界中遺傳和進化過程而形成的一種自適應全局優(yōu)化概率搜索算法，其對決策變量的編碼，即“染色體”進行選擇、交叉、變異等操作，搜索具有最佳目標值的遺傳“個體”。由于遺傳算法魯棒性強和方便使用的優(yōu)點，其被廣泛應用于自動控制、機械工程等領域。傳統(tǒng)遺傳算法流程如圖1所示。

圖1 遺傳算法進化過程

多島遺傳算法是建立在傳統(tǒng)遺傳算法基礎上建立的一種基于群體分組的并行性遺傳算法，其特點是每個種群的個體被分成幾個子群，這些子群稱為“島”，算法的所有操作分別在每個島上進行，每個島上選定的個體定期地遷移到另外的島上，然后繼續(xù)進行傳統(tǒng)遺傳操作。多島遺傳算法的進化過程如圖2 所示。

圖2 多島遺傳算法的進化過程

圖2 中mi為遷移間隔，k 為整數(shù)。多島遺傳算法在優(yōu)化過程中，首先利用初始值進行優(yōu)化操作，初步達到收斂后，由于變異和遷移作用，在一個新的初始值開始重新進行遺傳操作，如此重復操作，盡可能避免局部最優(yōu)解，從而抑制早熟現(xiàn)象的發(fā)生。

2.2 尋優(yōu)求解過程

應用多學科優(yōu)化平臺Isight，采用批處理的方式調(diào)用動力學仿真軟件Adams，采用多島遺傳算法進行尋優(yōu)計算，優(yōu)化計算流程如圖3 所示。

圖3 優(yōu)化計算流程圖

3 優(yōu)化結果分析

圖4 目標變量的尋優(yōu)歷程

多島遺傳算法是對解空間進行全局動態(tài)尋優(yōu)的，設置子群規(guī)模為10、子群（島）的個數(shù)為10、進化代數(shù)為10，經(jīng)過1 000 次迭代計算，目標變量的尋優(yōu)歷程如圖4 所示，目標變量是漸進收斂的，在迭代575 步時收斂到較優(yōu)區(qū)域，在966 步時出現(xiàn)最優(yōu)解。優(yōu)化前后設計變量和目標函數(shù)值如表3 所示。

表3 優(yōu)化前后參數(shù)和目標函數(shù)值對比

對各參數(shù)的優(yōu)化結果進行動力學仿真計算，得到機匣、導軌和機體的速度曲線如圖5 所示。武器擊發(fā)后，自動機在閉鎖狀態(tài)下帶動機匣共同后坐，在標識1 處機匣后坐到位，機匣與導軌接觸后導軌在緩沖墊作用力下開始加速后坐，機匣與導軌第1次相互作用完成后導軌在抵肩力的作用下繼續(xù)減速后坐，此時閉鎖片已經(jīng)完成開鎖，機體將帶動機頭繼續(xù)后坐；機匣則在復位簧力作用下后坐速度降為零而后加速向前復位，在標識2 處，自動機后坐到位與加速向前復進的機匣碰撞，機匣的復進速度迅速減小而后在零的上下波動，自動機則開始向前復進，直至標識3 處復進到位，機頭撞擊身管尾端，機體繼續(xù)復進關閉閉鎖片。

優(yōu)化前后自動機的運動共有兩點不同：1）開鎖過程影響不同。優(yōu)化前開鎖過程的開鎖力會導致自動機運動速度有所下降，而優(yōu)化后由于自動機的質(zhì)量有所減小，故自動機慣性力減小，導致自動機在機匣與導軌碰撞之前即完成了開鎖，開鎖力并未對自動機運動造成影響。2）自動機后坐到位時機不同。優(yōu)化前，在機匣復進到位后自動機后坐到位，與機匣尾部發(fā)生碰撞，優(yōu)化后自動機后坐到位時機匣尚未復進到位，碰撞后機匣的復進速度降至接近零線，自動機則以4 m/s 的速度開始向前復進，兩者的沖量抵消后避免了機匣向前復進到位與導軌的高速碰撞。

后坐力曲線和導軌速度曲線優(yōu)化前后對比分別如圖6 和圖7 所示。經(jīng)過優(yōu)化，后坐力極值降低了18.6 %，發(fā)射器總質(zhì)量減小了51.3 g，一個射擊循環(huán)的時間也由優(yōu)化前的113 ms 減少到優(yōu)化后的74 ms。由圖7 可知，優(yōu)化前后導軌的運動變化較大，若曲線過兩次零點算1 次振動，則在0.074 s 時刻之前，優(yōu)化前導軌共振動4 次，優(yōu)化后則振動2.5 次，且其速度極值減小了8.7%。而發(fā)射器的兩腳架、彈鼓、發(fā)射機、瞄準鏡等部件均固定于導軌，人體抵肩也直接作用于導軌。這表明，優(yōu)化結果可有效減小碰撞對武器系統(tǒng)的影響，減少構件振動，提高系統(tǒng)的平穩(wěn)性。

圖5 優(yōu)化后機匣、導軌和機體速度曲線

圖7 優(yōu)化前后導軌速度曲線

4 結論

本文基于虛擬樣機技術對某型狙擊榴彈發(fā)射器進行了參數(shù)優(yōu)化研究。根據(jù)各參數(shù)的靈敏度分析確定了優(yōu)化參數(shù)，以后坐力極值最小為目標，建立了優(yōu)化模型。依托Isight 優(yōu)化平臺，采用多島遺傳算法對該武器系統(tǒng)各參數(shù)作了優(yōu)化計算并得到最優(yōu)解。結果表明：優(yōu)化后其后坐力極值降低了18.6%，武器總質(zhì)量減小了51.3 g，導軌的振動次數(shù)減少，有效地提高了人機工效和系統(tǒng)平穩(wěn)性。