發(fā)布時間：2024-07-01 20:16

　　針對多目標優(yōu)化中計算量大、以及難以提取分析高維數據中的復雜非線性關系的問題,借助自組織映射方法,將隱藏的高維多屬性數據特征展現在低維可視空間中。利用NSGA-Ⅱ得到多目標優(yōu)化問題中的Pareto最優(yōu)解集,并通過對數據進行聚類分析,從而得到高維最優(yōu)解集內目標與參數的特征分布、映射關系等特性。以動靜壓階梯腔滑動軸承為應用對象,以單位承載力下的摩擦功耗、溫升和失穩(wěn)轉速為優(yōu)化目標,考慮幾何結構等約束條件,結合DoE構建相應的低成本、高精度的多目標Kriging代理模型。利用自組織映射方法提取和分析最優(yōu)特征區(qū)域中各目標與參數之間的相關性特征以及映射關系。結果表明,在設計范圍內目標與軸向封油邊寬度、供油壓力之間相關性較強,而與深腔深度、淺腔包角相關性較弱。此方法可更直觀地服務于設計人員對于多目標高維優(yōu)化設計結果參變量的擇優(yōu)。

【文章頁數】：8 頁

【部分圖文】：

圖1動靜壓滑動軸承結構

以動靜壓階梯腔滑動軸承(如圖1所示)為優(yōu)化設計對象,而影響滑動軸承性能的參數很多,例如:轉速、潤滑油黏度、軸承寬度、淺腔包角等;在不改變軸承工況條件和整體結構尺寸的前提下為便于參數和目標之間的映射關系的研究,建立包含4個設計變量(軸向兩側封油邊寬度、淺腔包角、深腔深度、供油壓力)....

圖2OLH樣本點(紅色六角星)在“深腔深度”、“封油邊

采用OLH設計在設計空間中選取60組樣本點,并計算出對應響應值,構建Kriging代理模型。圖2為設計空間離散點云圖在軸向封油邊寬度、深腔深度和供油壓力構成的三維空間中的投影,藍色的點為對設計空間進行全因子FFD(fullfactorialdesign)采點,共計154個點,....

圖3設計空間離散點映射到“單位承載力下功耗”、“溫升”

圖2OLH樣本點(紅色六角星)在“深腔深度”、“封油邊

圖4軸承優(yōu)化模型的Pareto最優(yōu)解(綠色點)在

利用改進的非支配排序的遺傳算法(NSGA-Ⅱ)提取多目標優(yōu)化問題的最優(yōu)特征區(qū)域,該算法的優(yōu)勢在于增加精英策略并采用快速非支配排序分層的方法,能很好的指引下一步搜索方向提高尋優(yōu)算法速度,是目前針對多目標優(yōu)化問題最普遍的尋優(yōu)算法之一。算例通過該算法對Kriging模型最優(yōu)特征區(qū)域進行....

本文編號：3999127