楊德敏　林三春　李易

摘要：使用無人機碰撞攔截?zé)o人機是一種有效且成本適中的反制手段。 為提高優(yōu)化設(shè)計效率， 本文采用雷諾平均Navier-Stokes方程計算流場， 并使用Kriging代理模型和基于分解的多目標(biāo)進化算法（MOEA/D）針對鴨式布局截?fù)粜蜔o人機開展氣動外形優(yōu)化設(shè)計。 設(shè)計過程中， 以航程和最大可用過載為設(shè)計目標(biāo)， 將鴨翼縱向位置、 主翼扭轉(zhuǎn)角、 展弦比和后掠角作為設(shè)計變量， 以靜穩(wěn)定度和鴨翼最大偏轉(zhuǎn)角為約束， 得到了分布均勻的Pareto前沿， 優(yōu)化后的無人機航程與最大可用過載較基準(zhǔn)外形分別提升了24.6%和6.4%， 證明了該優(yōu)化方法的有效性。

關(guān)鍵詞：反無人機； 鴨式布局； Kriging代理模型； MOEA/D； 多目標(biāo)優(yōu)化

中圖分類號： V221+.3文獻標(biāo)識碼：A文章編號： 1673-5048（2023）03-0074-06

DOI： 10.12132/ISSN.1673-5048.2022.0121

0引言

近年來， 各類小型偵察無人機和察打一體無人機在如敘利亞內(nèi)戰(zhàn)、 納卡戰(zhàn)爭等地區(qū)武裝沖突和局部戰(zhàn)爭中被大量使用［1］，? 其體積小、 難探測， 給陣地防空和后勤運輸造成了巨大威脅。 當(dāng)攔截中距離（約5～50 km）小型無人機時， 自動化高炮與電磁武器的射程不足［2］， 中遠程防空導(dǎo)彈的成本較高， 截?fù)粜蜔o人機便成為當(dāng)前技術(shù)條件下一種成本適中的、 有效的、 能彌補末端近防武器和遠程防空導(dǎo)彈防御漏洞的攔截手段［3］。 該類型無人機發(fā)射后會先飛行至任務(wù)空域， 然后根據(jù)自身導(dǎo)引頭提供的測量信息導(dǎo)引無人機接近目標(biāo)并引爆戰(zhàn)斗部以摧毀目標(biāo)［4］。 該方法相對近防炮和中近程防空導(dǎo)彈， 成本更低且毀傷概率大。 2021年， 美國陸軍將雷神公司“郊狼”無人機作為近程反無人機方案， 該無人機配備有雷達導(dǎo)引頭和戰(zhàn)斗部， 可以有效識別和毀傷目標(biāo)無人機［5］。

高顯忠等［6］分析了無人機蜂群攻擊模式， 提出截?fù)粜蜔o人機應(yīng)當(dāng)成為中近程攔截的重要手段， 以直接碰撞的形式實現(xiàn)有效毀傷。 周洲等［7］建立了自主攔截?zé)o人機的作戰(zhàn)效能模型， 并分析導(dǎo)引頭視場角、 突防距離等影響因素， 給出了任務(wù)指標(biāo)分配建議。 以上研究分析了截?fù)粜蜔o人機的重要性與作戰(zhàn)效能， 但總體方案和氣動外形設(shè)計等更深入的研究方面， 未見報道。

截?fù)粜蜔o人機的作戰(zhàn)模式要求其同時具有大航程和大機動過載， 這兩個設(shè)計目標(biāo)有時是相互約束與沖突的。 對于多目標(biāo)設(shè)計問題， 傳統(tǒng)依靠經(jīng)驗的“試湊法”設(shè)計成本高、 周期長， 且難以得到最優(yōu)的氣動外形。 進化算法雖然具有較好的全局性， 但會大量調(diào)用CFD計算， 導(dǎo)致計算成本過高。 近年來， 代理優(yōu)化算法在氣動外形設(shè)計領(lǐng)域得到了大量的應(yīng)用。 韓忠華等［8］針對大型民機機翼采用Kriging代理模型開展多輪優(yōu)化設(shè)計， 獲得了滿足設(shè)計要求的氣動外形， 驗證了該方法的有效性和工程實用性。 進一步， 當(dāng)采用多目標(biāo)進化算法時， 代理優(yōu)化算法可以很好地解決多目標(biāo)氣動優(yōu)化問題。 曹粟等［9］以飛行器航程、 總熱流量和飛行時間為優(yōu)化目標(biāo)， 采用基于分解的多目標(biāo)進化算法［10］（MOEA/D）得到三錐體臨近空間攔截器的Pareto前沿， 證明了該算法的優(yōu)勢和可行性。 文獻［11-12］也證明了MOEA/D在處理復(fù)雜非線性多目標(biāo)問題的優(yōu)勢與巨大應(yīng)用潛力。

本文將代理模型和MOEA/D算法應(yīng)用于截?fù)粜蜔o人機的多目標(biāo)氣動優(yōu)化設(shè)計， 以航程和最大可用過載為設(shè)計目標(biāo)，? 通過分析Pareto優(yōu)化前沿，? 得到設(shè)計變量對目標(biāo)特性的影響， 給出截?fù)粜蜔o人機外形的設(shè)計建議。

1優(yōu)化問題描述

1.1基準(zhǔn)模型

根據(jù)截?fù)粜蜔o人機的典型作戰(zhàn)模式， 可知其主要追求大航程和末段可用過載， 對應(yīng)的氣動參數(shù)為巡航升阻比和最大升力系數(shù)。 鴨式布局飛行器巡航飛行時， 配平阻力小、 升阻比大。 同時鴨翼位于機翼之前， 操縱效率高， 提高了鴨式布局無人機的操縱性和機動性［13］。 因此， 本文無人機基準(zhǔn)外形選擇鴨式布局， 如圖1所示， 同時采用尾推式電動螺旋槳驅(qū)動， 可忽略其對氣動特性的影響。 鴨翼縱向位置距頭部50 mm， 垂向位置距參考平面20 mm， 展弦比為5。 主機翼縱向位置距頭部450 mm， 展弦比為7， 扭轉(zhuǎn)角為-4°。

1.2優(yōu)化目標(biāo)

4優(yōu)化設(shè)計結(jié)果

4.1優(yōu)化前沿分析

圖5給出了多目標(biāo)優(yōu)化設(shè)計的結(jié)果， 其中空心圓圈代表優(yōu)化后的前沿點， 其均勻分布在曲線上， 不同的位置體現(xiàn)了兩個優(yōu)化目標(biāo)的沖突與妥協(xié)。 紅色“+”標(biāo)記點表示用于構(gòu)建代理模型的樣本點集， 其中包括30個初始樣本點和3次迭代過程中添加的12個樣本點， 其較為均勻地隨機分布在樣本空間中， 側(cè)面證明了該代理模型具有較好的全局性。

在Pareto前沿的兩端， 兩個紅色實心圓分別代表以航程R和最大過載nmax為目標(biāo)的單目標(biāo)優(yōu)化結(jié)果， 分別標(biāo)記為Max R和Max n， 其代表了在滿足約束的前提下， 兩個子目標(biāo)所能達到的最優(yōu)值。 而從Max R和Max n位置引出的虛線交于點Ideal， 表示“最大理想狀態(tài)”。 但是由于優(yōu)化子目標(biāo)之間相互沖突， 該理想狀態(tài)是達不到的。 在Pareto前沿的中心取一折中點CP（Compromise Point）， 表示了對于兩個目標(biāo)的折中。

圖中黑色三角形給出基準(zhǔn)外形BL（BaseLine）對應(yīng)的目標(biāo)性能， 很明顯， 基準(zhǔn)外形離Pareto前沿還有相當(dāng)?shù)木嚯x， 這說明基準(zhǔn)外形有較大的可優(yōu)化空間。 從基準(zhǔn)外形點引出的虛線與Pareto前沿構(gòu)成了多邊形， 在該多邊形區(qū)域內(nèi)的所有點， 均比基準(zhǔn)外形點的性能要優(yōu)異。

Pareto前沿比較短， 是因為兩個優(yōu)化目標(biāo)并非絕對的沖突。 從式（2）～（4）可以發(fā)現(xiàn)， 優(yōu)化目標(biāo)取決于巡航升阻比、 最大升力系數(shù)和無人機質(zhì)量。 巡航升阻比和最大升力系數(shù)存在一致性， 即當(dāng)展弦比增大、 后掠角減小時， 巡航升阻比和最大升力系數(shù)同時增大， 但與此同時， 無人機重量W也會跟著增大。 因而， 由于沖突因素， 即變量W的加入， 使得兩個優(yōu)化目標(biāo)存在一定的沖突性。 目標(biāo)的一致性使得優(yōu)化前沿集中在圖片的右上角， 而目標(biāo)的沖突性使得優(yōu)化前沿彎曲成圖中的形狀。

為了驗證代理模型的精度和優(yōu)化過程的有效性， 從Pareto前沿選取3個典型外形進行CFD分析， 在表2中給出了驗證結(jié)果。 結(jié)果表明代理模型計算結(jié)果與CFD計算結(jié)果一致性較好， 最大誤差不超過2.5%。 此處只說明代理模型對CFD數(shù)據(jù)集的擬合效果較好， 并不討論CFD結(jié)果本身的精度。

圖6給出了設(shè)計變量在Pareto前沿的取值， X軸代表設(shè)計變量的維度。 圖中顯示鴨翼縱向位置xc取值范圍在7～12 mm之間， 表明鴨翼位置為了實現(xiàn)縱向配平而做出的調(diào)整； 機翼扭轉(zhuǎn)角θ取值范圍在-3°～ 0°之間， 說明機翼扭轉(zhuǎn)角并非越大越好； 機翼展弦比AW取值范圍在5～8之間， 說明展弦比過大會對機翼質(zhì)量造成較大的負(fù)擔(dān)， 導(dǎo)致整機性能下降； 機翼后掠角Λ在4°～ 6°之間取值， 既保證了穩(wěn)定性又不致于機翼質(zhì)量太大。

4.2典型外形分析

為了深入研究優(yōu)化前沿上設(shè)計外形性能優(yōu)良的原因， 選取前沿上基準(zhǔn)點BL、 最大航程點Max R、 最大過載點Max n和折中點CP四個典型外形， 對比研究其幾何外形特點和飛行性能。 表3給出了折中點CP與基準(zhǔn)點BL的外形及性能參數(shù)。 與基準(zhǔn)點BL相比， 折中點CP的展弦比和后掠角均有所減小， 這可以減輕無人機質(zhì)量。 同時， 減小扭轉(zhuǎn)和后掠角可以分別提高巡航升阻比和最大升力系數(shù)， 有利于全機性能的提升。 最終， 折中點無人機的航程增加24.6%， 最大過載增加6.4%。 為了表現(xiàn)子目標(biāo)之間的沖突與協(xié)調(diào)對設(shè)計變量的影響， 圖7給出四個典型外形的二維平面圖和設(shè)計變量的折線圖。

從圖8中的Max n曲線可以看出， 其展弦比和后掠角明顯小于其他外形， 這有助于降低機翼質(zhì)量。 雖然降低展弦比會減小升力線斜率， 但同時大幅減小后掠角可以彌補一部分降低展弦比帶來的升力損失。 對于Max R外形來講， 巡航升阻比是其主要追求的目標(biāo)， 因而其展弦比要比其他外形更大。 但考慮到增大展弦比帶來的質(zhì)量負(fù)擔(dān)， 其展弦比僅比基準(zhǔn)外形略大。

從BL曲線與CP曲線的相對關(guān)系可以看出， 折中點外形的展弦比略小于基準(zhǔn)點， 同時后掠角明顯減小。 這會在增大無人機升力的同時減輕其質(zhì)量， 因此折中點CP外形的兩項優(yōu)化指標(biāo)均高于基準(zhǔn)點CP。 同時， 從圖9可知基準(zhǔn)點CP的各項性能指標(biāo)均在Max n和Max R兩點之間， 這進一步證明了優(yōu)化前沿的有效性。

5總結(jié)

本文采用Kriging代理模型和MOEA/D算法完成了對鴨式布局截?fù)粜蜔o人機的多目標(biāo)氣動外形優(yōu)化設(shè)計。 優(yōu)化后的外形相較于基準(zhǔn)外形， 性能顯著提高， 其中航程增大24.6%， 最大過載增大6.4%。 研究表明， 對截?fù)粜蜔o人機， 增大展弦比有利于增大其航程， 但最大過載會有所損失； 后掠角不宜大于7°， 扭轉(zhuǎn)角不宜小于-3°， 否則會導(dǎo)致機翼質(zhì)量的顯著增加， 從而影響全機性能； 鴨翼縱向位置可在6～10 cm范圍內(nèi)進行調(diào)整， 用于全機配平。

參考文獻：

［1］ 吳靜，? 蔡海鋒，? 劉俊良. 納卡地區(qū)沖突無人機攻防運用分析及地空反無人對策建議［J］. 現(xiàn)代防御技術(shù)，? 2021，? 49（3）： 13-20.

Wu Jing，? Cai Haifeng，? Liu Junliang. Analysis on the Operation of Attack and Defense of UAVs in Naka Conflict and Suggestions for Ground－to－Air Anti－UAVs［J］. Modern Defense Technology，? 2021，? 49（3）： 13-20.（in Chinese）

［2］ 張廣申. 自行高炮光電系統(tǒng)作用距離與脫靶量仿真計算［D］. 北京： 北京工業(yè)大學(xué)， 2018.

Zhang Guangshen. Simulation Calculation of Action Distance and Miss Distance of Photoelectric System of Self－Propelled Anti Aircraft Gun［D］. Beijing： Beijing University of Technology， 2018. （in Chinese）

［3］ Lefebvre T ，? Dubot T， Joulia A. Conceptual Design Study of an Anti－Drone Drone through the Coupling of Design Process and Interception Strategy Simulations［C］∥16th AIAA Aviation Technology，? Integration，? and Operations Conference， 2016.

［4］ Hao Q，? Li W Z，? Qiu Z K，? et al. Research on Anti UAV Swarm System in Prevention of the Important Place［J］. Journal of Phy－sics： Conference Series，? 2020，? 1507（5）： 052020.

［5］ Coyote UAS［EB/OL］.（2022-03-22）［2022-06-05］.https：∥www.raytheonmissilesanddefense.com/what－we－do/counter－uas/effectors/coyote.

［6］ 高顯忠，? 王克亮，? 彭新，? 等. 無人機粉碎機： 硬殺傷式反無人機蜂群關(guān)鍵技術(shù)解析［J］. 國防科技，? 2020，? 41（2）： 33-38.

Gao Xianzhong，? Wang Keliang，? Peng Xin，? et al. Drone－Smasher： The Key Technology Analysis on the Manner of Hard Kill to Counter UAV Swarm［J］. National Defense Science & Technology，? 2020，? 41（2）： 33-38.（in Chinese）

［7］ 袁沖，? 周洲. 自主攔截?zé)o人機作戰(zhàn)效能建模與影響因素分析［J］. 火力與指揮控制，? 2010，? 35（6）： 114-117.

Yuan Chong，? Zhou Zhou. Operational Effectiveness Modeling and Influence Factor Analyzsis of Unmanned Independently Intercepting Air Vehicle［J］. Fire Control & Command Control，? 2010，? 35（6）： 114-117.（in Chinese）

［8］ 韓忠華，? 張瑜，? 許晨舟，? 等. 基于代理模型的大型民機機翼氣動優(yōu)化設(shè)計［J］. 航空學(xué)報，? 2019，? 40（1）： 150-165.

Han Zhonghua，? Zhang Yu，? Xu Chenzhou，? et al. Aerodynamic Optimization Design of Large Civil Aircraft Wings Using Surrogate－Based Model［J］. Acta Aeronautica et Astronautica Sinica，? 2019，? 40（1）： 150-165.（in Chinese）

［9］ 曹粟，? 蔣鋒，? 李易. 基于MOEA/D的三錐體攔截器氣動外形優(yōu)化設(shè)計［J］. 上海航天，? 2019，? 36（1）： 59-65.

Cao Su，? Jiang Feng，? Li Yi. Aerodynamic Optimization of Triple－Cone Interceptor Based on Decomposition－Based Multi－Objective Evolutionary Algorithm［J］. Aerospace Shanghai，? 2019，? 36（1）： 59-65.（in Chinese）

［10］ Zhang Q F，? Li H. MOEA/D： A Multiobjective Evolutionary Algorithm Based on Decomposition［J］. IEEE Transactions on Evolutionary Computation，? 2007，? 11（6）： 712-731.

［11］ Zhang Ying，? Yang Rennong，? Zuo Jialiang， et al.Improved MOEA/D for Dynamic Weapon－Target Assignment Problem［J］.哈爾濱工業(yè)大學(xué)學(xué)報： 英文版， 2015， 22（6）：121-128.

［12］ 張青斌，? 豐志偉，? 劉澤明，? 等. 基于MOEA/D的柔性結(jié)構(gòu)燃料—時間多目標(biāo)優(yōu)化控制研究［J］. 國防科技大學(xué)學(xué)報，? 2009，? 31（6）： 73-76.

Zhang Qingbin，? Feng Zhiwei，? Liu Zeming，? et al. Fuel－Time Multiobjective Optimal Control of Flexible Structures Based on MOEA/D［J］. Journal of National University of Defense Technology，? 2009，? 31（6）： 73-76.（in Chinese）

［13］ 方寶瑞. 飛機氣動布局設(shè)計［M］. 北京： 航空工業(yè)出版社，? 1997.

Fang Baorui. Aerodynamic Layout Design of Aircraft［M］. Beijing： Aviation Industry Press，? 1997.（in Chinese）

［14］ 李為吉. 飛機總體設(shè)計［M］. 西安： 西北工業(yè)大學(xué)出版社，? 2005.

Li Weiji. Overall Design of Aircraft［M］. Xian： Northwestern Polytechnical University Press，? 2005.（in Chinese）

［15］ 楊德敏. 基于代理模型的截?fù)粜蜔o人機氣動優(yōu)化設(shè)計［D］. 西安： 西北工業(yè)大學(xué)，? 2022.

Yang Demin. Aerodynamic Shape Optimization of an Interception UAV Based on Surrogate Model［D］. Xian： Northwestern Polytechnical University，? 2022.（in Chinese）

［16］ 李玉龍，? 楊韡，? 楊志剛. 鴨式布局地效飛行器縱向靜穩(wěn)定性數(shù)值研究［J］. 飛行力學(xué)，? 2010，? 28（1）： 9-12.

Li Yulong，? Yang Wei，? Yang Zhigang. Numerical Study on Longitudinal Static Stability of a Canard WIG Craft［J］. Flight Dyna－mics，? 2010，? 28（1）： 9-12.（in Chinese）

［17］ 袁先旭，? 陳堅強，? 杜雁霞，? 等. 國家數(shù)值風(fēng)洞（NNW）工程中的CFD基礎(chǔ)科學(xué)問題研究進展［J］. 航空學(xué)報，? 2021，? 42（9）： 23-40.

Yuan Xianxu，? Chen Jianqiang，? Du Yanxia，? et al. Research Progress on Fundamental CFD Issues in National Numerical Windtunnel Project［J］. Acta Aeronautica et Astronautica Sinica，? 2021，? 42（9）： 23-40.（in Chinese）

［18］ 高歌，? 閆文輝，? 吳俊宏，? 等. 計算流體力學(xué)——典型算法與算例［M］. 北京： 機械工業(yè)出版社，? 2015.

Gao Ge，? Yan Wenhui，? Wu Junhong，? el al. Comuptational Fluid Dynamics－Typical Algorithms and Examples［M］. Beijing： China Machine Press，? 2015.（in Chinese）

［19］ Mei Y，? Tang K，? Yao X. Decomposition－Based Memetic Algorithm for Multiobjective Capacitated Arc Routing Problem［J］. IEEE Transactions on Evolutionary Computation，? 2011，? 15（2）： 151-165.

［20］ Lophaven S N，? Nielsen H B，? Sondergaard J. DACE： A MATLAB Kriging Toolbox［R］.Technical University of Denmark，? 2002.

［21］ 韓忠華. Kriging模型及代理優(yōu)化算法研究進展［J］. 航空學(xué)報，? 2016，? 37（11）： 3197-3225.

Han Zhonghua. Kriging Surrogate Model and Its Application to Design Optimization： A Review of Recent Progress［J］. Acta Aeronautica et Astronautica Sinica，? 2016，? 37（11）： 3197-3225.（in Chinese）

［22］ 趙璇，? 常思江，? 張哲瑋，? 等. 滑翔制導(dǎo)炮彈氣動-彈道綜合優(yōu)化方法［J］. 航空兵器，? 2022，? 29（4）： 48-57.

Zhao Xuan，? Chang Sijiang，? Zhang Zhewei，? et al. Comprehensive Optimization Method of Aerodynamic and Trajectory for Gliding Guided Projectile［J］. Aero Weaponry，? 2022，? 29（4）： 48-57.（in Chinese）

［23］ 趙璇，? 常思江，? 倪旖. 滑翔制導(dǎo)炮彈鴨舵的氣動外形快速優(yōu)化研究［J］. 航空兵器，? 2021，? 28（5）： 99-105.

Zhao Xuan，? Chang Sijiang，? Ni Yi. Research on the Rapid Aerodynamic Shape Optimization of Canards of Gliding Guided Projectile［J］. Aero Weaponry，? 2021，? 28（5）： 99-105.（in Chinese）

［24］ 胡勁，? 劉濤，? 張鵬，? 等. 巡飛武器氣動/結(jié)構(gòu)/隱身一體化設(shè)計及多學(xué)科優(yōu)化設(shè)計［J］. 航空兵器，? 2016（3）： 9-13.

Hu Jin，? Liu Tao，? Zhang Peng，? et al. Aerodynamics/Structure/Invisibility Integrative Design and Multidisciplinary Design Optimization of Loitering Weapon［J］. Aero Weaponry，? 2016（3）： 9-13.（in Chinese）

Optimization Design of Multi－Objective Aerodynamic Shape of a Intercepting UAV

Yang Demin1，? Lin Sanchun2，? Li Yi1， 3

（1. Shanxi Aerospace Flight Vehicle Design Key Laboratory，? Northwestern Polytechnical University， Xian 710072，? China;

2. Beijing Institute of Space System Engineering，? Beijing 100076，? China;

3. Yangtze River Delta Research Institute， Northwestern Polytechnical University， Taicang 215411，? China）

Abstract： Using drones to intercepting drones is an effective and affordable means of countering UAVs. In this paper，? for a canard interceptor UAV，? the Reynolds－averaged N－S equation （RANS） is used to calculate the flow field，? and the Kriging surrogate model and the decomposition－based multi－objective evolutionary algorithm （MOEA/D） are used to carry out the aerodynamic shape optimization design. In the optimization work，? the range and the maximum available overload are taken as the design goals，? the longitudinal position of the canard，? the twist angle of the main wing，? the aspect ratio and the sweep angle are taken as the design variables，? and the static stability and the maximum deflection angle of the canard are constrained，? and the cost is relatively high. Less computing resources get a uniformly distributed Pareto front，? and the optimized range and maximum available overload of the unmanned aerial vehicle have increased by 24.6% and 6.4% respectively compared to the benchmark shape，? proving the effectiveness of this optimization method.

Key words： counter－UAVs; canard layout; Kriging surrogate model; decomposition based multi－objective genetic algorithm （MOEA/D） ; multi－objective? optimization

收稿日期： 2022-06-05

基金項目： 航天科技聯(lián)合基金項目

作者簡介： 楊德敏（1998-）， 男， 山東鄆城人， 碩士研究生。

*通信作者： 李易（1984-）， 男， 河南鄭州人， 副教授。