-
北京时间2023年4月20日晚,美国太空探索技术公司(SpaceX) 超重型火箭“星舰”凭借30台猛禽发动机[1]的大约6800 t推力离开地表,同时释放出大量燃料和氧气,这些物质可能会在大气中产生化学反应,形成臭氧等有害气体;此外火箭的排放物中可能还包括如CO、氮氧化物和硫化物[2]等有害物质,给发射场周围环境带来巨大污染和破坏。我国超重型运载火箭“长征九号”虽然目前还在工程研制阶段,但根据“星舰”的首飞情况来看,面向超重型火箭发射场的多气体浓度[3]精准监测技术研究意义重大。
事实上,多类型气体浓度监测技术在超重型运载火箭发射前和发射中、着陆以及回收[4]过程中都有重要的应用价值:发射前,火箭的燃料和氧化剂在储存、装填和加注过程中都需要进行气体浓度监测[5],以确保这些物质不会泄漏或其浓度超出安全范围;发射后,需要对火箭发动机释放的尾气和废气中可能包含的有害气体和颗粒物进行数据监测和浓度控制,在确保不会对环境和人体健康造成影响的同时,为超重型火箭发射对环境污染程度规则的制定提供数据支撑[6];在着陆和回收过程中,也需要对火箭可能产生的废气和尾气进行监测和控制。目前国内极少有针对超重型火箭发射场的气体环境监测技术的研究。基于以上现状,本文开展了面向超重型火箭发射场的多气体浓度监测系统的设计。
-
多气体浓度监测系统主要由火箭发射场后端地面测控大厅数据监测中心的判读终端和发射现场区域气体感知端的多类型气体测试节点两大部分组成(如图1所示)。在发射场气体感知端选用电化学传感器[7]、红外气体传感器、光离子式PID气体传感器对混合掺杂场景下的多类型气体进行全发射流程下各阶段的浓度数据采集;采集后的信息经过基于遗传算法和粒子群算法[8]混合优化后的反向传播神经网络算法(GA-PSO-BP)进行温湿度补偿,然后通过节点路由汇聚再转发至火箭发射场测控大厅的上位机浏览终端供实时判读,同时进行基于DAT格式的数据存储。本文研究主要从传感器选择优化、数据处理与融合、系统响应时间优化等几方面着手,最大程度地提高非常态场景下的气体监测精度。
多气体浓度监测系统采用节点化设计,各个节点又选用分屉式架构。单个节点的设计框图如图2所示,其中用于温湿度补偿的GA-PSO-BP[9]通过硬件逻辑描述语言(VHSIC hardware description language, VHDL)在图2中的AGLN250-VQ100中心控制逻辑模块实现。
-
多气体浓度监测系统在平衡考虑强稳定度、高可靠性、长时工作、低功耗等性能指标要求的基础上,选用可编程逻辑器件AGLN250-VQ100芯片进行节点主控模块电路设计(如图3所示)。其中,32管脚FCLE、33管脚FALE分别表示节点主控模块对存储颗粒介质的多气体浓度数据命令写入使能、地址写入使能,命令使能、地址使能与数据使能的隔离设计能够保障经算法优化后的多气体浓度数据进行混合编帧存储时的强逻辑性,为超重型火箭发射现场环境数据的可靠收集进行了有效底层设计。
-
虽然火箭发射场环境中气体浓度数据通过节点路由汇聚转发至测控大厅后会进行基于DAT格式的文件存储[10],但为防止因数据传输链路故障导致的信息丢失或错误,本系统在各节点端设计有存储电路,用于发射全流程中各环节下的多气体浓度原始数据可靠性记录。节点存储电路如图4所示。
与现有的串行数据处理方式相比,本研究设计的D0~D7八位I/O口用于混合编帧后的多气体浓度数据的并行写入存储,极大程度上优化了系统的响应时间。
-
火箭发射场后端测控大厅的系统上位机软件基于图层嵌套类程序[11]开发环境LabVIEW设计。图5所示为多气体浓度监测系统上位机软件数据存储程序框图,通过该程序可将发射场前端各节点多气体浓度数据以DAT文件格式按照火箭发射流程顺序存储至测控大厅数据中心的指定文件路径中。图5中:“历史数组”表示上个时间单元下的混合编帧浓度数据;“读取新数组”表示当前时间单元下的数据;相邻时间单元间隔为20 ms,对火箭发射场环境下的多气体浓度数据进行及时处理与融合,提升了监测灵敏性与时效性。
传统BP神经网络收敛速度慢且容易陷入局部极值,粒子群算法优化后的神经网络(PSO-BP)极易出现早熟的现象,本文的系统设计所提出的GA-PSO-BP混合优化神经网络算法旨在结合粒子群算法与遗传算法的优点,在粒子群进行迭代时对BP神经网络的权值和阈值[12]进行优化,对粒子进行交叉、变异运算,以达到训练样本输出误差最小化的目的,提高火箭发射场复杂环境下的多气体监测精度。图6所示为系统节点GA-PSO-BP神经网络算法流程。
-
为对多气体浓度监测系统的节点前端GA-PSO-BP算法的优化性进行量化,本文在相同温湿度条件下选择BP、PSO-BP和GA-PSO-BP三种神经网络算法依次对CO、SO2、CH4和VOC共4种气体进行对比测试。本次试验在温度为20 ℃、湿度为48%RH的室温环境下进行,各节点选取9例样本。限于文章篇幅,下文以CH4气体监测结果为例进行说明。图7所示为系统节点前端在相同环境条件下分别采用三种神经网络算法对CH4气体浓度数据采编后,应用MATLAB软件对测控大厅上位机存盘数据线性拟合后的结果。对比试验结果可以看出:基于GA-PSO-BP混合优化神经网络算法的CH4气体浓度监测数据线性拟合度更优;样本9出现浓度最大误差,约为0.8%。
在验证室温环境条件下GA-PSO-BP神经网络算法的优越性的基础上,考虑到火箭发射实际场景下复杂多变的温湿度条件,分别在温度-30 ℃、湿度35%RH,温度0 ℃、湿度25%RH,温度30 ℃、湿度15%RH这3种不同发射环境下对系统的气体浓度监测精度进行测试,结果如图8所示。不难发现:多气体浓度监测系统在不同作业条件下均能进行有效温湿度补偿,满足火箭发射现场室外环境下的气体监测需求;其中最大误差约为1.02%,出现在图8(b)中的测试样本1。
-
为了更好地表现多气体浓度监测系统节点感知端气体传感器测试软件的实际测试结果,在部分温湿度条件下对不同气体的浓度补偿数据及前端节点补偿前、后的曲线进行对比,结果如图9所示。可以发现:基于GA-PSO-BP混合优化算法下的多气体浓度监测系统在宽量程温湿度条件下有很好的补偿效果,按照现有样本计算补偿后的气体浓度监测精度可达98.88%。与图8中1.02%的单次测量误差相比,该监测精度虽略有下降,但基于大容量数据样本的结果更具说服力,进一步表明应用本研究的多气体浓度监测系统可有效提高多类型气体浓度的监测精度。
-
本文提出一种基于GA-PSO-BP混合优化算法的面向超重型火箭发射情景下的多气体浓度监测系统的设计,有效提高了多类型气体浓度的监测精度。该系统采用节点化设计,前端节点配备存储模块,在将火箭发射全流程中不同时序段下多气体浓度数据返送至地面后端测控大厅上位机软件的同时,对发射前、中、后环境的实时气体浓度数据进行不可擦除性记录,从而可全面搜集发射场环境的气体浓度变化情况,能够为超重型火箭发射作业对当地环境破坏程度准则的制定提供有效的量化数据支撑。本文中所设计系统的中前端节点在基于粒子群算法和遗传算法混合优化后,在宽量程温湿度作业环境下可以对多气体浓度进行可靠动态补偿,补偿后的最大浓度误差不超过1.12%,这对于超重型火箭发射对环境影响的高精度监测有较大意义。
Design of multi-gas concentration monitoring system for super heavy rocket launch site
-
摘要: 为了解决超重型运载火箭发射场环境中气体种类冗杂、气体浓度监测精度受室外温湿度环境干扰严重以及对火箭发射环境污染度评定规则缺乏精准数据支撑等问题,文章提出一种多气体浓度监测系统的设计:在完成系统硬件设计的基础上,基于混合遗传算法和粒子群算法的优化反向传播神经网络算法(GA-PSO-BP)进行了软件设计,对发射场环境中CO、SO2、CH4等挥发性有机化合物(VOC)类型气体浓度的监测精度进行了温湿度补偿研究。实验结果表明:系统前端感知层返回到发射场后端测控大厅的节点数据中最大浓度误差不超过1.12%,补偿能力优越。该系统设计对发射场环境多气体浓度精准监测有较大意义。
-
关键词:
- 多气体浓度监测 /
- 超重型火箭 /
- 发射场 /
- 混合优化神经网络算法
Abstract: In order to solve the problems of miscellaneous gas types in the environment of the launch site of super heavy rockets, serious interference of outdoor temperature and humidity in gas concentration monitoring precision, and lack of accurate data support for the assessment of environmental pollution for rocket launching, this paper proposed a design of multi-gas concentration monitoring system. On the basis of completing the hardware design of the system, an optimized BP neural network algorithm based on hybrid genetic algorithms and particle swarm optimization (GA-PSO-BP) was proposed. The concentration monitoring accuracy of volatile organic compounds (VOC) such as CO, SO2 and CH4 in the launch site with temperature and humidity compensation was studied. The experimental results show that the maximum concentration error in the node data from the sensing layer at the front end of the system to the measurement and control hall at the back end of the launch site is no more than 1.12%, indicating that the compensation ability is superior. The design of the proposed system is of great significance for the accurate monitoring of multi-gas concentration in the environment of launch site. -
-
参考文献
[1] 齐环环, 韩虹. SpaceX“超重-星舰”运输系统研制进展[J]. 国际太空, 2022(6): 36-39 [2] 马增兵. 浅析美国联邦航空管理局适航指令的等效符合性措施管理[J]. 航空维修与工程, 2019(3): 67-69 MA Z B. Brief introduction of the management on alternative method of compliance to FAA AD[J]. Aviation Maintenance & Engineering, 2019(3): 67-69 [3] 钟文安. 某大型运载火箭测试发射流程优化策略[J]. 导弹与航天运载技术, 2021(5): 85-88 ZHONG W A. Optimization strategy for test launching process of a large launch vehicle[J]. Missiles and Space Vehicles, 2021(5): 85-88 [4] 黄浪尘, 许诺, 张诚. 基于改进GA-PSO算法的三维WSN气体源定位研究[J]. 实验室研究与探索, 2022, 41(12): 138-143 HUANG L C, XU N, ZHANG C. Research on 3D WSN gas source location based on improved GA-PSO algorithm[J]. Research and Exploration in Laboratory, 2022, 41(12): 138-143 [5] 王杰, 刘睿, 廖文龙, 等. 基于电光双光梳光谱的气体浓度测量方法研究[J]. 激光与光电子学进展, 2023, 60(17) WANG J, LIU R, LIAO W L, et al. Study on electro-optic dual-comb spectroscopy for gas concentration measurement method[J]. Laser Optoelectronics Progress, 2023, 60(17) [6] 牛麒斌, 王竞, 龚德明. 谐波检测在激光气体分析仪中的应用[J]. 自动化与仪器仪表, 2022(10): 267-269 NIU Q B, WANG J, GONG D M. Application of harmonic detection in laser gas analyzer[J]. Automation & Instrumentation, 2022(10): 267-269 [7] 单文举. 基于GA-PSO融合算法的舰船轮廓CAD模型参数优化[J]. 舰船科学技术, 2022, 44(13): 45-48 SHAN W J. Parameter optimization of ship contour CAD model based on GA-PSO fusion algorithm[J]. Ship Science and Technology, 2022, 44(13): 45-48 [8] 谷小军. 重型运载火箭发动机机架与舱段传力结构一体化拓扑优化设计[J]. 火箭推进, 2022, 48(2): 27-35 GU X J. Integrated topology optimization design of heavy rocket engine frame and segment force transmission structure[J]. Journal of Rocket Propulsion, 2022, 48(2): 27-35 [9] 许诺. 基于改进PSO算法的UAV三维路径规划研究[J]. 电子测量技术, 2022, 45(2): 78-83 XU N. Research on UAV 3D path planning based on improved PSO algorithm[J]. Electronic Measurement Technology, 2022, 45(2): 78-83 [10] 石晓荣, 倪亮, 王健. 基于最小熵约束的可解释卷积神经网络[J]. 航天控制, 2021, 39(5): 39-43 SHI X R, NI L, WANG J. Interpretable CNN based on minimum entropy constraint[J]. Aerospace Control, 2021, 39(5): 39-43 [11] 邓佳欣, 孟立飞, 肖琦, 等. 基于LabVIEW的航天器磁试验测控系统设计及应用[J]. 航天器环境工程, 2017, 34(5): 522-527 DENG J X, MENG L F, XIAO Q, et al. Design and application of measurement and control system used in spacecraft magnetic test based on LabVIEW[J]. Spacecraft Environment Engineering, 2017, 34(5): 522-527 [12] 朱金坛, 张瑜. 融合神经网络及麻雀算法的机器人避障研究[J]. 计算机测量与控制, 2023, 31(4): 258-263 ZHU J T, ZHANG Y. Research on robot obstacle avoidance based on neural network and Sparrow algorithm[J]. Computer Measurement & Control, 2023, 31(4): 258-263 -