發(fā)布時間：2021-06-05 15:49

　　為解決液力變矩器性能與葉片形態(tài)變量間的復雜映射問題,提高設(shè)計效率與精度,提出了采用代理模型取代三維流體計算方法,并結(jié)合尋優(yōu)算法對液力變矩器的性能進行優(yōu)化設(shè)計的方案。首先,在標定基于CFD仿真的液力變矩器性能響應(yīng)結(jié)果前提下,利用正交設(shè)計方法,獲得液力變矩器性能的大自由度仿真試驗數(shù)據(jù);然后,分別設(shè)計響應(yīng)面以及神經(jīng)網(wǎng)絡(luò)2種代理模型,獲取變矩器葉片角變量與其性能的映射關(guān)系,比較分析其建模效率和精度;最后,以某型號雙渦輪液力變矩器啟動變矩比及低速比區(qū)最高效率最大化為設(shè)計目標,分別通過2種代理模型應(yīng)用NSGA-Ⅱ算法獲取優(yōu)化方案。仿真結(jié)果表明:在同一試驗數(shù)據(jù)下,響應(yīng)面模型的建模效率較高,神經(jīng)網(wǎng)絡(luò)模型的變量設(shè)計空間外延性較好;采用神經(jīng)網(wǎng)絡(luò)模型優(yōu)化得到的液力變矩器模型與依照出廠參數(shù)設(shè)計的液力變矩器模型相比,其啟動變矩比及低速比區(qū)最高效率分別提高了14.27%和10.24%,與采用響應(yīng)面模型優(yōu)化得到的液力變矩器模型相比分別提高了4.36%和1.53%。 

【文章來源】：西安交通大學學報. 2020,54(10)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

標定前CFD仿真計算結(jié)果與臺架試驗數(shù)據(jù)對比

誤差原因在于實際工作時，變矩器的泵輪與泵輪殼剛性相連，泵輪殼體與渦輪外壁之間存在間隙，其中充滿液壓油。當泵輪與渦輪轉(zhuǎn)速不同時，泵輪殼體與渦輪外壁之間通過液壓油傳遞扭矩，造成扭矩損失。低速比區(qū)泵輪與渦輪轉(zhuǎn)速差大，扭矩損失更加嚴重。故以臺架試驗為基礎(chǔ)對輸入、輸出軸的扭矩進行標定，標定后的仿真誤差明顯減小，如圖2所示。圖2中曲線表明，經(jīng)試驗數(shù)據(jù)標定后的三維流體仿真結(jié)果精度較高，可以通過此方式獲取數(shù)據(jù)作為構(gòu)建模型的樣本。本文參考已產(chǎn)業(yè)化的某型液力變矩器，為獲取有效樣本，選取能保證葉片形態(tài)且性能較好的葉片角區(qū)間作為各葉片角的變化范圍。分別選取泵輪進、出口角βB1、βB2，第一渦輪進、出口角βTⅠ1、βTⅠ2，第二渦輪進、出口角βTⅡ1、βTⅡ2，導輪的進、出口角βD1、βD2的取值區(qū)間如表1所示。

用于預測優(yōu)化設(shè)計的神經(jīng)網(wǎng)絡(luò)大部分為前饋神經(jīng)網(wǎng)絡(luò)，而其中按誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)（BP）理論和性能都比較成熟。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層與輸出層構(gòu)成。BP神經(jīng)網(wǎng)絡(luò)具有很強的非線性映射能力，理論上可以通過3層或以上的網(wǎng)絡(luò)結(jié)構(gòu)及足夠多的隱含層神經(jīng)元，以任意精度逼近一個非線性函數(shù)[18]，而且可自動調(diào)節(jié)控制參數(shù)，提高控制性能和可靠性。故針對液力變矩器內(nèi)部復雜的三維黏性流動，本文采用經(jīng)典的3層網(wǎng)絡(luò)結(jié)構(gòu)建立變矩器性能對葉片角響應(yīng)的神經(jīng)網(wǎng)絡(luò)模型，結(jié)構(gòu)如圖3所示。本文將上文所述的8個葉片角，即βB1、βB2、βTI1、βTI2、βTII1、βTII2、βD1、βD2作為輸入變量，輸出變量為變矩器的啟動變矩比K0以及變矩器在低速比區(qū)的最高效率ηlm的預測值，目標變量為三維仿真所得的變矩器的啟動變矩比K′0以及在低速比區(qū)的最高效率η′lm。故設(shè)置輸入層節(jié)點數(shù)為8，輸出層節(jié)點數(shù)為2。隱含層節(jié)點數(shù)對網(wǎng)絡(luò)收斂的精度以及泛化能力有著較大的影響，然而目前對于隱含層的節(jié)點數(shù)還沒有明確的理論計算方法，多是基于經(jīng)驗公式經(jīng)過反復驗證確定。根據(jù)Kolmogorov定理（映射神經(jīng)網(wǎng)絡(luò)存在定理）[19]，給定任何連續(xù)函數(shù)f:[0,1]n→Rm,y=f(x），則f(x）能夠被一個3層前向神經(jīng)網(wǎng)絡(luò)所實現(xiàn)，其中網(wǎng)絡(luò)的隱含層神經(jīng)元數(shù)為2n+1，故本文可以取隱含層節(jié)點數(shù)為17。為保證能建立滿足需求的BP網(wǎng)絡(luò)，本文設(shè)置隱含層節(jié)點數(shù)為10～30，經(jīng)過多次試驗確定了本文神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點數(shù)為15，整個神經(jīng)網(wǎng)絡(luò)模型采用8-15-2的結(jié)構(gòu)。

【參考文獻】：
期刊論文
[1]基于代理模型的旋翼翼型動態(tài)失速優(yōu)化設(shè)計[J]. 喻伯平,李高華,謝亮,王福新.  浙江大學學報(工學版). 2020(04)
[2]基于Kriging代理模型的DBD等離子體控制葉頂泄漏流動研究[J]. 王釗,俞建陽,陳浮.  工程熱物理學報. 2020(03)
[3]基于Kriging代理模型的拉桿組合轉(zhuǎn)子強度可靠性研究[J]. 王艾倫,劉樂,劉慶亞.  工程設(shè)計學報. 2019(04)
[4]低比轉(zhuǎn)速離心葉輪的POD代理模型優(yōu)化方法[J]. 郭廣強,張人會,陳學炳,李仁年.  華中科技大學學報(自然科學版). 2019(07)
[5]Kriging序貫設(shè)計方法在滑動軸承優(yōu)化中的應(yīng)用[J]. 張澤斌,張鵬飛,郭紅,李永.  哈爾濱工業(yè)大學學報. 2019(07)
[6]基于改進粒子群優(yōu)化算法和極限學習機的混凝土壩變形預測[J]. 李明軍,王均星,王亞洲.  天津大學學報(自然科學與工程技術(shù)版). 2019(11)
[7]基于主效應(yīng)分析的變矩器葉片角變量空間優(yōu)化[J]. 王安麟,楊智雄,李文嘉.  華南理工大學學報(自然科學版). 2018(02)
[8]基于拉丁超立方仿真試驗設(shè)計的雙渦輪變矩器性能分析[J]. 王安麟,孟慶華,韓繼斌.  中國工程機械學報. 2015(04)
[9]液力變矩器的葉片數(shù)神經(jīng)網(wǎng)絡(luò)模型[J]. 王安麟,孟慶華,曹巖,韓繼斌.  西安交通大學學報. 2015(07)
[10]基于遺傳算法的液力變矩器與發(fā)動機匹配的多目標優(yōu)化[J]. 陳凱,吳光強.  汽車工程. 2014(05)

碩士論文
[1]代理模型預測研究及其在葉輪機械中的應(yīng)用[D]. 李飛.大連理工大學 2014



本文編號：3212457