發(fā)布時(shí)間：2024-07-01 20:16

　　針對(duì)多目標(biāo)優(yōu)化中計(jì)算量大、以及難以提取分析高維數(shù)據(jù)中的復(fù)雜非線性關(guān)系的問(wèn)題,借助自組織映射方法,將隱藏的高維多屬性數(shù)據(jù)特征展現(xiàn)在低維可視空間中。利用NSGA-Ⅱ得到多目標(biāo)優(yōu)化問(wèn)題中的Pareto最優(yōu)解集,并通過(guò)對(duì)數(shù)據(jù)進(jìn)行聚類分析,從而得到高維最優(yōu)解集內(nèi)目標(biāo)與參數(shù)的特征分布、映射關(guān)系等特性。以動(dòng)靜壓階梯腔滑動(dòng)軸承為應(yīng)用對(duì)象,以單位承載力下的摩擦功耗、溫升和失穩(wěn)轉(zhuǎn)速為優(yōu)化目標(biāo),考慮幾何結(jié)構(gòu)等約束條件,結(jié)合DoE構(gòu)建相應(yīng)的低成本、高精度的多目標(biāo)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(biāo)與參數(shù)之間的相關(guān)性特征以及映射關(guān)系。結(jié)果表明,在設(shè)計(jì)范圍內(nèi)目標(biāo)與軸向封油邊寬度、供油壓力之間相關(guān)性較強(qiáng),而與深腔深度、淺腔包角相關(guān)性較弱。此方法可更直觀地服務(wù)于設(shè)計(jì)人員對(duì)于多目標(biāo)高維優(yōu)化設(shè)計(jì)結(jié)果參變量的擇優(yōu)。

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

圖1動(dòng)靜壓滑動(dòng)軸承結(jié)構(gòu)

以動(dòng)靜壓階梯腔滑動(dòng)軸承(如圖1所示)為優(yōu)化設(shè)計(jì)對(duì)象,而影響滑動(dòng)軸承性能的參數(shù)很多,例如:轉(zhuǎn)速、潤(rùn)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(jié)構(gòu)尺寸的前提下為便于參數(shù)和目標(biāo)之間的映射關(guān)系的研究,建立包含4個(gè)設(shè)計(jì)變量(軸向兩側(cè)封油邊寬度、淺腔包角、深腔深度、供油壓力)....

圖2OLH樣本點(diǎn)(紅色六角星)在“深腔深度”、“封油邊

采用OLH設(shè)計(jì)在設(shè)計(jì)空間中選取60組樣本點(diǎn),并計(jì)算出對(duì)應(yīng)響應(yīng)值,構(gòu)建Kriging代理模型。圖2為設(shè)計(jì)空間離散點(diǎn)云圖在軸向封油邊寬度、深腔深度和供油壓力構(gòu)成的三維空間中的投影,藍(lán)色的點(diǎn)為對(duì)設(shè)計(jì)空間進(jìn)行全因子FFD(fullfactorialdesign)采點(diǎn),共計(jì)154個(gè)點(diǎn),....

圖3設(shè)計(jì)空間離散點(diǎn)映射到“單位承載力下功耗”、“溫升”

圖2OLH樣本點(diǎn)(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(diǎn))在

利用改進(jìn)的非支配排序的遺傳算法(NSGA-Ⅱ)提取多目標(biāo)優(yōu)化問(wèn)題的最優(yōu)特征區(qū)域,該算法的優(yōu)勢(shì)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(duì)多目標(biāo)優(yōu)化問(wèn)題最普遍的尋優(yōu)算法之一。算例通過(guò)該算法對(duì)Kriging模型最優(yōu)特征區(qū)域進(jìn)行....

本文編號(hào)：3999127