采用代理模型的液力变矩器性能优化设计
发布时间：2021-06-05 15:49
为解决液力变矩器性能与叶片形态变量间的复杂映射问题,提高设计效率与精度,提出了采用代理模型取代三维流体计算方法,并结合寻优算法对液力变矩器的性能进行优化设计的方案。首先,在标定基于CFD仿真的液力变矩器性能响应结果前提下,利用正交设计方法,获得液力变矩器性能的大自由度仿真试验数据;然后,分别设计响应面以及神经网络2种代理模型,获取变矩器叶片角变量与其性能的映射关系,比较分析其建模效率和精度;最后,以某型号双涡轮液力变矩器启动变矩比及低速比区最高效率最大化为设计目标,分别通过2种代理模型应用NSGA-Ⅱ算法获取优化方案。仿真结果表明:在同一试验数据下,响应面模型的建模效率较高,神经网络模型的变量设计空间外延性较好;采用神经网络模型优化得到的液力变矩器模型与依照出厂参数设计的液力变矩器模型相比,其启动变矩比及低速比区最高效率分别提高了14.27%和10.24%,与采用响应面模型优化得到的液力变矩器模型相比分别提高了4.36%和1.53%。
【文章来源】：西安交通大学学报. 2020,54(10)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
标定前CFD仿真计算结果与台架试验数据对比
误差原因在于实际工作时，变矩器的泵轮与泵轮壳刚性相连，泵轮壳体与涡轮外壁之间存在间隙，其中充满液压油。当泵轮与涡轮转速不同时，泵轮壳体与涡轮外壁之间通过液压油传递扭矩，造成扭矩损失。低速比区泵轮与涡轮转速差大，扭矩损失更加严重。故以台架试验为基础对输入、输出轴的扭矩进行标定，标定后的仿真误差明显减小，如图2所示。图2中曲线表明，经试验数据标定后的三维流体仿真结果精度较高，可以通过此方式获取数据作为构建模型的样本。本文参考已产业化的某型液力变矩器，为获取有效样本，选取能保证叶片形态且性能较好的叶片角区间作为各叶片角的变化范围。分别选取泵轮进、出口角βB1、βB2，第一涡轮进、出口角βTⅠ1、βTⅠ2，第二涡轮进、出口角βTⅡ1、βTⅡ2，导轮的进、出口角βD1、βD2的取值区间如表1所示。
用于预测优化设计的神经网络大部分为前馈神经网络，而其中按误差反向传播的多层前馈神经网络（BP）理论和性能都比较成熟。BP神经网络由输入层、隐含层与输出层构成。BP神经网络具有很强的非线性映射能力，理论上可以通过3层或以上的网络结构及足够多的隐含层神经元，以任意精度逼近一个非线性函数[18]，而且可自动调节控制参数，提高控制性能和可靠性。故针对液力变矩器内部复杂的三维黏性流动，本文采用经典的3层网络结构建立变矩器性能对叶片角响应的神经网络模型，结构如图3所示。本文将上文所述的8个叶片角，即βB1、βB2、βTI1、βTI2、βTII1、βTII2、βD1、βD2作为输入变量，输出变量为变矩器的启动变矩比K0以及变矩器在低速比区的最高效率ηlm的预测值，目标变量为三维仿真所得的变矩器的启动变矩比K′0以及在低速比区的最高效率η′lm。故设置输入层节点数为8，输出层节点数为2。隐含层节点数对网络收敛的精度以及泛化能力有着较大的影响，然而目前对于隐含层的节点数还没有明确的理论计算方法，多是基于经验公式经过反复验证确定。根据Kolmogorov定理（映射神经网络存在定理）[19]，给定任何连续函数f:[0,1]n→Rm,y=f(x），则f(x）能够被一个3层前向神经网络所实现，其中网络的隐含层神经元数为2n+1，故本文可以取隐含层节点数为17。为保证能建立满足需求的BP网络，本文设置隐含层节点数为10～30，经过多次试验确定了本文神经网络模型的隐含层节点数为15，整个神经网络模型采用8-15-2的结构。
【参考文献】：
期刊论文
[1]基于代理模型的旋翼翼型动态失速优化设计[J]. 喻伯平,李高华,谢亮,王福新. 浙江大学学报(工学版). 2020(04)
[2]基于Kriging代理模型的DBD等离子体控制叶顶泄漏流动研究[J]. 王钊,俞建阳,陈浮. 工程热物理学报. 2020(03)
[3]基于Kriging代理模型的拉杆组合转子强度可靠性研究[J]. 王艾伦,刘乐,刘庆亚. 工程设计学报. 2019(04)
[4]低比转速离心叶轮的POD代理模型优化方法[J]. 郭广强,张人会,陈学炳,李仁年. 华中科技大学学报(自然科学版). 2019(07)
[5]Kriging序贯设计方法在滑动轴承优化中的应用[J]. 张泽斌,张鹏飞,郭红,李永. 哈尔滨工业大学学报. 2019(07)
[6]基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J]. 李明军,王均星,王亚洲. 天津大学学报(自然科学与工程技术版). 2019(11)
[7]基于主效应分析的变矩器叶片角变量空间优化[J]. 王安麟,杨智雄,李文嘉. 华南理工大学学报(自然科学版). 2018(02)
[8]基于拉丁超立方仿真试验设计的双涡轮变矩器性能分析[J]. 王安麟,孟庆华,韩继斌. 中国工程机械学报. 2015(04)
[9]液力变矩器的叶片数神经网络模型[J]. 王安麟,孟庆华,曹岩,韩继斌. 西安交通大学学报. 2015(07)
[10]基于遗传算法的液力变矩器与发动机匹配的多目标优化[J]. 陈凯,吴光强. 汽车工程. 2014(05)
硕士论文
[1]代理模型预测研究及其在叶轮机械中的应用[D]. 李飞.大连理工大学 2014
本文编号：3212457
【文章来源】：西安交通大学学报. 2020,54(10)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
标定前CFD仿真计算结果与台架试验数据对比
误差原因在于实际工作时，变矩器的泵轮与泵轮壳刚性相连，泵轮壳体与涡轮外壁之间存在间隙，其中充满液压油。当泵轮与涡轮转速不同时，泵轮壳体与涡轮外壁之间通过液压油传递扭矩，造成扭矩损失。低速比区泵轮与涡轮转速差大，扭矩损失更加严重。故以台架试验为基础对输入、输出轴的扭矩进行标定，标定后的仿真误差明显减小，如图2所示。图2中曲线表明，经试验数据标定后的三维流体仿真结果精度较高，可以通过此方式获取数据作为构建模型的样本。本文参考已产业化的某型液力变矩器，为获取有效样本，选取能保证叶片形态且性能较好的叶片角区间作为各叶片角的变化范围。分别选取泵轮进、出口角βB1、βB2，第一涡轮进、出口角βTⅠ1、βTⅠ2，第二涡轮进、出口角βTⅡ1、βTⅡ2，导轮的进、出口角βD1、βD2的取值区间如表1所示。
用于预测优化设计的神经网络大部分为前馈神经网络，而其中按误差反向传播的多层前馈神经网络（BP）理论和性能都比较成熟。BP神经网络由输入层、隐含层与输出层构成。BP神经网络具有很强的非线性映射能力，理论上可以通过3层或以上的网络结构及足够多的隐含层神经元，以任意精度逼近一个非线性函数[18]，而且可自动调节控制参数，提高控制性能和可靠性。故针对液力变矩器内部复杂的三维黏性流动，本文采用经典的3层网络结构建立变矩器性能对叶片角响应的神经网络模型，结构如图3所示。本文将上文所述的8个叶片角，即βB1、βB2、βTI1、βTI2、βTII1、βTII2、βD1、βD2作为输入变量，输出变量为变矩器的启动变矩比K0以及变矩器在低速比区的最高效率ηlm的预测值，目标变量为三维仿真所得的变矩器的启动变矩比K′0以及在低速比区的最高效率η′lm。故设置输入层节点数为8，输出层节点数为2。隐含层节点数对网络收敛的精度以及泛化能力有着较大的影响，然而目前对于隐含层的节点数还没有明确的理论计算方法，多是基于经验公式经过反复验证确定。根据Kolmogorov定理（映射神经网络存在定理）[19]，给定任何连续函数f:[0,1]n→Rm,y=f(x），则f(x）能够被一个3层前向神经网络所实现，其中网络的隐含层神经元数为2n+1，故本文可以取隐含层节点数为17。为保证能建立满足需求的BP网络，本文设置隐含层节点数为10～30，经过多次试验确定了本文神经网络模型的隐含层节点数为15，整个神经网络模型采用8-15-2的结构。
【参考文献】：
期刊论文
[1]基于代理模型的旋翼翼型动态失速优化设计[J]. 喻伯平,李高华,谢亮,王福新. 浙江大学学报(工学版). 2020(04)
[2]基于Kriging代理模型的DBD等离子体控制叶顶泄漏流动研究[J]. 王钊,俞建阳,陈浮. 工程热物理学报. 2020(03)
[3]基于Kriging代理模型的拉杆组合转子强度可靠性研究[J]. 王艾伦,刘乐,刘庆亚. 工程设计学报. 2019(04)
[4]低比转速离心叶轮的POD代理模型优化方法[J]. 郭广强,张人会,陈学炳,李仁年. 华中科技大学学报(自然科学版). 2019(07)
[5]Kriging序贯设计方法在滑动轴承优化中的应用[J]. 张泽斌,张鹏飞,郭红,李永. 哈尔滨工业大学学报. 2019(07)
[6]基于改进粒子群优化算法和极限学习机的混凝土坝变形预测[J]. 李明军,王均星,王亚洲. 天津大学学报(自然科学与工程技术版). 2019(11)
[7]基于主效应分析的变矩器叶片角变量空间优化[J]. 王安麟,杨智雄,李文嘉. 华南理工大学学报(自然科学版). 2018(02)
[8]基于拉丁超立方仿真试验设计的双涡轮变矩器性能分析[J]. 王安麟,孟庆华,韩继斌. 中国工程机械学报. 2015(04)
[9]液力变矩器的叶片数神经网络模型[J]. 王安麟,孟庆华,曹岩,韩继斌. 西安交通大学学报. 2015(07)
[10]基于遗传算法的液力变矩器与发动机匹配的多目标优化[J]. 陈凯,吴光强. 汽车工程. 2014(05)
硕士论文
[1]代理模型预测研究及其在叶轮机械中的应用[D]. 李飞.大连理工大学 2014
本文编号：3212457
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3212457.html
