CN109992848A - 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 - Google Patents

一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 Download PDF

Info

Publication number
CN109992848A
CN109992848A CN201910195091.1A CN201910195091A CN109992848A CN 109992848 A CN109992848 A CN 109992848A CN 201910195091 A CN201910195091 A CN 201910195091A CN 109992848 A CN109992848 A CN 109992848A
Authority
CN
China
Prior art keywords
individual
vector
function
design
restraint performance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910195091.1A
Other languages
English (en)
Other versions
CN109992848B (zh
Inventor
程锦
陆威
张杨燕
刘振宇
谭建荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201910195091.1A priority Critical patent/CN109992848B/zh
Publication of CN109992848A publication Critical patent/CN109992848A/zh
Application granted granted Critical
Publication of CN109992848B publication Critical patent/CN109992848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法。包括以下步骤：考虑压力机上横梁所受载荷的随机性与其材料属性的区间不确定性，基于6σ稳健性设计原则建立包含随机‑区间混合不确定性变量的上横梁稳健优化设计模型；基于双层嵌套遗传算法对该优化模型进行直接求解；内层对每一设计向量利用Kriging预测模型进行区间稳健性分析，采用蒙特卡洛方法计算目标函数和各约束性能函数的均值和标准差；外层利用内层计算结果，基于约束性能函数总可行稳健性系数和负理想解贴近距离对所有设计向量进行分类、排序与寻优。本发明符合工程实际，且避免了主观干扰，具有很好的工程实用性。

Description

一种基于负理想解贴近距离的压力机上横梁稳健优化设计 方法
技术领域
本发明属于复杂机械装备结构优化设计领域，涉及一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法。
技术背景
上横梁性能优劣直接影响着压力机的冲压精度和配套模具的使用寿命。为保证冲压精度和配套模具的使用寿命，在确定压力机上横梁的拓扑形状后，还需对其尺寸参数进行优化设计，以保证其性能。
压力机设计制造过程中通常存在着大量的不确定性因素，这些不确定性因素会使得压力机性能偏离设计期望值，无法达到预期性能。而这些不确定因素的分布特性往往是多类型的，传统方法往往忽略这些不确定性的多样性，采用单一类型的不确定性变量来进行描述，无法真实反映上横梁设计中的不确定性，其所得最优方案在实际生产中往往并非最优，有时甚至无法满足性能要求。因此，要获得真正符合实际生产需求的最优设计方案，有必要同时考虑概率区间混合不确定性进行压力机上横梁的稳健设计。
目前，国内外已有的大部分结构稳健性优化设计研究只考虑概率型不确定性或区间型不确定性，少数考虑概率区间不确定性的结构稳健性优化研究仅讨论性能函数较简单的结构设计，且需引入权重系数进行模型转换后再求解。而权重系数的选择具有较强的主观性，对稳健性优化结果会产生较大的影响，在实际工程中存在局限性。因此，十分有必要提出一种同时考虑概率区间不确定性、避免设计人员主观推断、适用于性能函数具有强非线性的压力机上横梁的稳健优化设计方法。
发明内容
为了解决概率区间不确定因素共存情况下压力机上横梁的稳健性优化设计问题，本发明提供了一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法。考虑压力机上横梁所受载荷的随机性与其材料属性的区间不确定性，将受随机与区间不确定性共同影响的上横梁最大变形作为优化目标，将给定最大允许值的上横梁性能指标作为约束性能函数，基于6σ稳健性设计原则，建立包含随机-区间混合不确定性变量的上横梁稳健优化设计模型。采用拉丁超立方采样与协同仿真技术构建目标函数与约束性能函数的Kriging预测模型，基于遗传算法和双层嵌套优化直接求解上横梁的稳健优化设计模型。提出的压力机上横梁稳健优化设计方法考虑了概率区间不确定因素的综合影响，且避免了权值的人工设定，更具工程实用性；基于遗传算法的模型求解中，利用总可行稳健性系数和负理想解贴近距离进行设计向量排序与寻优，算法高效且稳定性好。因此提出方法可高效地解决概率-区间混合不确定性因素共存情况下压力机上横梁的稳健优化设计问题。
本发明是通过以下技术方案实现的：一种基于负理想解贴近距离的压力机上横梁结构稳健优化设计方法，该方法包括以下步骤：
1)考虑压力机上横梁所受载荷的随机性与其材料属性的区间不确定性，将受随机与区间不确定性共同影响的上横梁最大变形作为优化目标，将给定最大允许值的上横梁性能指标作为约束性能函数，基于6σ稳健性设计原则，建立包含随机-区间混合不确定性变量的上横梁稳健优化设计模型如下：
其中,fC(d,X,U)＝(fL(d,X,U)+fR(d,X,U))/2；
fW(d,X,U)＝(fL(d,X,U)-fR(d,X,U))/2；
d＝(d1,d2,…,dl)，X＝(X1,X2,…,Xm),U＝(U1,U2,…,Un).
式中，fL(d,X,U),fR(d,X,U)，fC(d,X,U),fW(d,X,U)分别为在区间不确定性影响下目标函数f(d,X,U)性能区间的左界、右界、中点和半宽；分别为在概率区间不确定性共同影响下目标函数区间中点fC(d,X,U)的均值和标准差；分别为在概率区间不确定性共同影响下目标函数区间半宽fW(d,X,U)的均值和标准差；分别为第i 个约束性能函数gi(d,X,U)在概率区间不确定性影响下变化区间左界的均值和标准差；分别为为第i个约束性能函数在概率区间不确定性影响下变化区间右界的均值和标准差；Bi为根据工程设计需要给定的区间常数，和分别为Bi的左界和右界，p为约束性能函数的个数，d＝(d1,d2,…,dl)为l维设计向量，X＝(X1,X2,…,Xm)为m维概率型不确定向量，U＝(U1,U2,…,Un)为n维区间型不确定向量；
2)采用拉丁超立方采样方法完成对设计向量d、概率型不确定变量X、区间型不确定变量U的初始采样，通过协同仿真技术分别获得高速压力机上横梁的目标函数与约束性能函数响应值，并构建高速压力机上横梁的目标函数与约束性能函数的Kriging预测模型；
3)基于遗传算法与双层嵌套优化直接求解上横梁的稳健优化设计模型：
3.1)设置遗传算法参数，包括种群规模、最大迭代次数、变异和交叉概率、收敛条件等，设置遗传算法的当前迭代次数为1，并生成遗传算法的初始种群；
3.2)内层对于每一种群所对应设计变量利用Kriging预测模型进行区间稳健性分析并采用蒙特卡洛方法计算目标函数和约束性能函数的均值和标准差，具体为：先将概率型不确定向量X的每一个概率型变量取其均值，记为均值向量μX，利用构建的Kriging预测模型对目标函数和各约束性能函数进行区间稳健性分析，采用区间分析算法计算目标函数和各约束性能函数的上下界以及相应的中点和半宽；将均值向量μX还原成概率型不确定向量X，采用蒙特卡洛方法计算各目标函数和约束性能函数的均值和标准差；
3.3)外层利用内层计算的结果，基于总可行稳健性系数和负理想解贴近距离对种群中的所有个体进行分类并排序，具体为：
3.3.1)分别计算种群中每一个体的总可行稳健性系数S，其计算式如下：
式中，Si为该种群个体第i个约束性能函数的可行稳健性系数；p为约束性能函数的个数；第i个约束性能函数的可行稳健性系数Si按下式计算：
式中，分别为第i个约束性能函数在区间不确定性影响下变化区间的中点和半宽，分别为第i个约束给定的区间常数Bi的中点和半宽；为约束性能向量，与第i个约束性能函数gi一一对应，为约束性能向量的模长；为给定的区间常数向量，与Bi一一对应，为给定区间常数向量的模长；为约束性能向量与给定区间常数向量的夹角，其取值范围为[0°,90°]；
3.3.2)按总可行稳健性系数S将当前种群中的个体分别归类为完全可行个体、部分不可行个体、完全不可行个体，(a)若S＝p，则为完全可行个体；(b)若0＜S＜p，则为部分不可行个体；(c)若S＝0，则为完全不可行个体；
3.3.3)对于各完全可行个体，分别计算其负理想解贴近距离作为稳健性指标，设计向量d所对应个体的负理想解贴近距离D*(d)的计算公式如下：
式中，
式中，为当前种群中完全可行个体对应的所有设计向量，n1为当前种群中完全可行个体的总数；
3.3.4)对完全可行个体与部分不可行个体进行排序，使每一参与排序的个体均获得唯一的排序序号，且目标性能或约束稳健性越差的个体所获得排序序号越大；
a)首先对完全可行个体进行排序，按其负理想解贴近距离D*(d)数值从大到小依次降序排序， D*(d)数值越小，表明其对应的完全可行个体的目标性能越差，该个体获得的排序序号越大，即：对满足的完全可行个体其获得的序号分别为 1,2,…,n1，其中n1为种群中完全可行个体的数目，a表示该个体完全可行；
b)接着对部分不可行个体按其总可行稳健性系数S从大到小依次降序排序，S数值越小，表明其对应的部分不可行个体的约束性能函数稳健性越差，该个体获得的排序序号越大；同时，对完全可行个体与部分不可行个体两类个体排序时，需使第一个部分不可行个体的序号紧跟最后一个完全可行个体的序号，保证部分不可行个体的序号均大于完全可行个体的序号，即：对满足的部分不可行个体其获得的序号分别为 (n1+1),(n1+2),…,(n1+n2)，其中n2为种群中部分不可行个体数目，b表示该个体部分不可行；
3.3.5)计算当前种群中所有个体的适应度，a)对完全可行个体与部分不可行个体，根据步骤3.3.4) 中排序所得序号计算其适应度，设置序号为i的设计向量的适应度为1/i；b)对完全不可行个体，设置其适应度为0；
3.4)判断是否满足最大迭代次数或收敛条件，若是，则输出适应度最大的个体所对应的设计向量作为最优解；否则，执行交叉变异操作生成新一代种群个体，返回步骤3.2)。
进一步地，所述步骤2)具体为，采用拉丁超立方采样获得取值范围为[0,1]的具有空间均布性的样本点，并将其反归一化到输入向量空间中去，完成对设计向量、概率变量和区间变量的初始采样；使用三维建模软件构建压力机上横梁的参数化模型，通过接口技术实现三维建模软件和有限元分析软件间参数的双向动态传递，并调用压力机上横梁的参数化模型进行有限元分析计算，得到样本点所对应的压力机上横梁的目标函数和约束性能函数的响应值；选用高斯函数和一阶回归函数拟合压力机上横梁目标函数和约束性能函数的Kriging模型，利用复相关系数、相对最大绝对误差检验模型精度，在精度不满足要求时补充样本点更新Kriging模型，直到复相关系数值、相对最大绝对误差值满足精度要求为止，以保证拟合精度和泛化能力满足实际需求。
本发明具有的有益效果是：
1)以概率变量、区间变量描述压力机上横梁的随机载荷与材料属性的区间不确定性，基于6σ稳健性设计原则，建立包含随机-区间混合不确定性变量的上横梁稳健优化设计模型，克服了以往设计方法仅考虑概率变量或区间变量的不足，更符合工程实际。
2)基于遗传算法与双层嵌套优化对上横梁的稳健优化设计模型进行直接求解，内层对每一设计向量利用Kriging预测模型进行区间稳健性分析，采用蒙特卡洛方法计算目标函数和约束性能函数的均值和标准差；外层则利用内层的计算结果对设计向量分类，基于总可行稳健性系数和负理想解贴近距离对设计向量进行直接排序，寻找最优解，克服了以往概率区间优化模型求解过程中因人为指定权值而导致优化结果不确定的缺点，具有更好的工程实用性。
附图说明
图1是基于负理想解贴近距离的压力机上横梁稳健优化设计流程图。
图2是压力机上横梁三维模型图。
图3是压力机上横梁横截面图；
图4是压力机上横梁设计参数示意图；
图5是压力机上横梁受力情况。
具体实施方式
以下结合附图和实例对本发明作进一步说明。
图中涉及信息为本发明在某型号压力机上横梁稳健设计中的实际应用数据，图1是基于负理想解贴近距离的压力机上横梁稳健优化设计流程图。
1、基于概率-区间混合不确定性的压力机上横梁稳健优化设计建模：
以图2、3所示冲压机上横梁作为研究对象，以图4所示上横梁的横截面尺寸h1,h2,l1,l2,l3为设计变量，将图5所示外力P1,P2,P3不确定性因素描述为概率变量，同时，考虑其材料HT300的密度ρ和泊松比ν的不确定性，并描述为区间变量。所有设计变量的范围和不确定性因素的参数信息如表1所示。
表1设计变量和不确定变量的参数信息
根据上横梁的高刚度轻量化稳健性设计要求，以受随机与区间不确定性共同影响的上横梁最大变形量作为优化目标函数，将给定最大允许值的重量和最大等效应力作为约束性能函数，建立基于概率-区间混合变量的上横梁稳健优化设计模型：
其中，fC(d,X,U)＝(fL(d,X,U)+fR(d,X,U))/2
fW(d,X,U)＝(fR(d,X,U)-fL(d,X,U))/2
d＝(h1,h2,l1,l2,l3)，X＝(P1,P2,P3)，U＝(ρ,υ)
式中，d＝(h1,h2,l1,l2,l3)为设计向量；X＝(P1,P2,P3)为概率型不确定向量；U＝(ρ,υ)为区间型不确定向量；f(d,X,U)为上横梁的最大变形量；fC(d,X,U),fW(d,X,U)分别为f(d,X,U)在区间型不确定性影响下变化区间的中点和半宽；w(d,X,U),δ(d,X,U)分别为上横梁的重量和最大等效应力；fL(d,X,U),fR(d,X,U),wL(d,X,U),wR(d,X,U),δL(d,X,U),δR(d,X,U)分别为 f(d,X,U),w(d,X,U),δ(d,X,U)在区间型不确定性影响下变化区间的左界和右界； 分别为在概率区间不确定性影响下目标函数区间中点fC(d,X,U)的均值和标准差；分别为在概率区间不确定性影响下目标函数区间半宽fW(d,X,U)的均值和标准差；分别为在概率区间不确定性影响下约束性能函数w(d,X,U)左界的均值和标准差；分别为在概率区间不确定性影响下约束性能函数w(d,X,U)右界的均值和标准差；分别为在概率区间不确定性影响下约束性能函数δ(d,X,U)左界的均值和标准差；分别为在概率区间不确定性影响下约束性能函数δ(d,X,U)右界的均值和标准差。
2、采用拉丁超立方采样完成对设计向量和不确定向量的初始采样，通过协同仿真技术获得压力机上横梁目标函数和约束性能函数的响应值，构建压力机上横梁对应的目标函数和约束性能函数的 Kriging模型：
(a)设计向量和不确定向量组成输入向量空间，在取值范围已确定的情况下，采用拉丁超立方采样获得取值范围为[0,1]的具有空间均布性的样本点，并将其反归一化到输入向量空间中去，完成对设计向量和不确定向量的初始采样。
(b)以设计向量为独立控制参数，利用三维CAD建模软件建立高速压力机上横梁的参数化模型，通过接口技术实现三维模型软件和有限元分析软件间参数的双向动态传递。对1/4上横梁模型采用Solid 187单元进行网格划分，网格大小为50mm，获得16690个单元，30626个节点。在有限元分析软件中添加不确定因素向量为二次输入参数，并调用三维参数化模型进行有限元分析计算，得到压力机上横梁样本点所对应的目标函数和约束性能函数的响应值。
(c)根据包含输入输出信息的样本点数据，构建预测上横梁最大变形量、重量和最大等效应力的 Kriging模型。选用高斯函数和一阶回归函数进行拟合，并利用复相关系数、相对最大绝对误差不断进行检验和更新，直到复相关系数值都大于0.95、相对最大绝对误差值都小于0.05为止，从而保证拟合精度和泛化能力满足实际需求。
3、基于遗传算法与双层嵌套优化直接求解上横梁的概率区间稳健优化设计模型：
遗传算法参数设置如下：最大进化代数150，种群规模200，交叉系数0.99，变异系数0.05，算法收敛条件为0.00001。下面以第1次迭代过程为例说明基于遗传算法的双层嵌套直接解法流程。
本次迭代循环种群个体为d1＝(205.17,237.08,83.96,34.46,317.76)、
d2＝(254.09,289.30,84.14,32.57,369.49)……d200＝(186.92,229.30,76.43,38.92,296.41)，内层使用Kriging预测模型对每一个体进行区间稳健性分析，并接着对每一个体通过蒙特卡洛方法计算目标函数与约束性能函数的各均值与标准差。在内层计算结果的基础上，外层计算每一个体的总可行稳健性系数S如下：S1＝2，S2＝2，S3＝1.383，S4＝0，S5＝2，S6＝1.016……S199＝2，S200＝1.370。则根据分类标准，完全可行个体包含d1、d2、d5、d199等(共107个)，部分不可行个体包含d3、d6、 d200等(共62个)，完全不可行个体包含d4等(共31个)。
接着对完全可行个体与部分不可行个体进行排序。首先对于完全可行个体，分别计算其负理想解贴近距离，其过程如下：1)在107个完全可行个体中比较并定义参数 2)计算每一完全可行个体的负理想解贴近距离，D*(d1)＝0.1292、D*(d2)＝0.1311、 D*(d5)＝0.1276……D*(d199)＝0.1467；3)根据每一完全可行个体的负理想解贴近距离进行降序排序，使每一个体获得唯一排序编号。对部分不可行个体，直接根据其总可行稳健性系数进行降序排序，同样使每一个体获得唯一排序编号。
对所有个体赋适应度值，其中完全可行个体与部分不可行个体的适应度为其排序获得的序号之倒数，完全不可行个体的适应度直接赋值为0。
判断未达到最大迭代次数150且收敛条件0.00001不满足，因此对该轮迭代使用的种群个体进行交叉变异操作，重新进行第2次迭代。
优化结果如下：在第26次迭代时标性能指标达到收敛，其对应的最优设计向量为d＝(226.32,265.11,81.11,30.32,378.19)mm；优化后的目标性能——最大变形量优化后约束性能函数——重量(μw,σw)＝(5062.98,，16.73)kg、最大等效应力(μδ,σδ)＝(27.56,，2.76)MPa，均满足稳健性要求，从而验证了所提方法的有效性。
需要声明的是，本发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用，不应解释为对本发明保护范围的限定。在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (2)

1.一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法，其特征在于，该方法包括以下步骤：
1)考虑压力机上横梁所受载荷的随机性与其材料属性的区间不确定性，将受随机与区间不确定性共同影响的上横梁最大变形作为优化目标，将给定最大允许值的上横梁性能指标作为约束性能函数，基于6σ稳健性设计原则，建立包含随机-区间混合不确定性变量的上横梁稳健优化设计模型如下：
其中,fC(d,X,U)＝(fL(d,X,U)+fR(d,X,U))/2；
fW(d,X,U)＝(fL(d,X,U)-fR(d,X,U))/2；
i＝1,2,…,p；
d＝(d1,d2,…,dl)，X＝(X1,X2,…,Xm),U＝(U1,U2,…,Un).
式中，fL(d,X,U),fR(d,X,U)，fC(d,X,U),fW(d,X,U)分别为在区间不确定性影响下目标函数f(d,X,U)性能区间的左界、右界、中点和半宽；分别为在概率区间不确定性共同影响下目标函数区间中点fC(d,X,U)的均值和标准差；分别为在概率区间不确定性共同影响下目标函数区间半宽fW(d,X,U)的均值和标准差；分别为第i个约束性能函数gi(d,X,U)在概率区间不确定性影响下变化区间左界的均值和标准差；分别为第i个约束性能函数gi(d,X,U)在概率区间不确定性影响下变化区间右界的均值和标准差；Bi为根据工程设计需求给定的区间常数，和分别为Bi的左界和右界，p为约束性能函数的个数，d＝(d1,d2,…,dl)为l维设计向量，X＝(X1,X2,…,Xm)为m维概率型不确定向量，U＝(U1,U2,…,Un)为n维区间型不确定向量；
2)采用拉丁超立方采样方法完成对设计向量d、概率型不确定变量X、区间型不确定变量U的初始采样，通过协同仿真技术分别获得压力机上横梁的目标函数与约束性能函数响应值，并构建压力机上横梁的目标函数与约束性能函数的Kriging预测模型；
3)基于遗传算法与双层嵌套优化直接求解上横梁的稳健优化设计模型：
3.1)设置遗传算法参数，包括种群规模、最大迭代次数、变异和交叉概率、收敛条件等，设置遗传算法的当前迭代次数为1，并生成遗传算法的初始种群；
3.2)内层对于每一种群所对应设计变量利用Kriging预测模型进行区间稳健性分析并采用蒙特卡洛方法计算目标函数和各约束性能函数的均值和标准差，具体为：先将概率型不确定向量X的每一个概率型变量取其均值，记为均值向量μX，利用构建的Kriging预测模型对目标函数和各约束性能函数进行区间稳健性分析，采用区间分析算法计算目标函数和各约束性能函数的上下界以及相应的中点和半宽；再将均值向量μX还原成概率型不确定向量X，采用蒙特卡洛方法计算目标函数和各约束性能函数的均值和标准差；
3.3)外层利用内层计算的结果，基于总可行稳健性系数和负理想解贴近距离对种群中的所有个体进行分类并排序，具体为：
3.3.1)分别计算种群中每一个体的总可行稳健性系数S，其计算式如下：
式中，Si为该种群个体第i个约束性能函数的可行稳健性系数；p为约束性能函数的个数；第i个约束性能函数的可行稳健性系数Si按下式计算：
式中，分别为第i个约束性能函数gi(d,X,U)在区间不确定性影响下变化区间的中点和半宽，分别为第i个约束给定的区间常数Bi的中点和半宽；为约束性能向量，与第i个约束性能函数gi(d,X,U)一一对应，为约束性能向量的模长；为给定的区间常数向量，与Bi一一对应，为给定区间常数向量的模长；为约束性能向量与给定区间常数向量的夹角，其取值范围为[0°,90°]；
3.3.2)按总可行稳健性系数S将当前种群中的个体进行分类，(a)若S＝p，则为完全可行个体；(b)若0＜S＜p，则为部分不可行个体；(c)若S＝0，则为完全不可行个体；
3.3.3)对于各完全可行个体，分别计算其负理想解贴近距离作为稳健性指标，设计向量d所对应个体的负理想解贴近距离D*(d)的计算公式如下：
式中，
式中，为当前种群中完全可行个体对应的所有设计向量，n1为当前种群中完全可行个体的总数；
3.3.4)对完全可行个体与部分不可行个体进行排序，使每一参与排序的个体均获得唯一的排序序号，且目标性能或约束稳健性越差的个体所获得排序序号越大；
a)首先对完全可行个体进行排序，按其负理想解贴近距离D*(d)数值从大到小依次降序排序，D*(d)数值越小，表明其对应的完全可行个体的目标性能越差，该个体获得的排序序号越大，即：对满足的完全可行个体其获得的序号分别为1,2,…,n1，其中n1为种群中完全可行个体的数目，a表示该个体完全可行；
b)接着对部分不可行个体按其总可行稳健性系数S从大到小依次降序排序，S数值越小，表明其对应的部分不可行个体的约束性能函数稳健性越差，该个体获得的排序序号越大；同时，对完全可行个体与部分不可行个体两类个体排序时，需使第一个部分不可行个体的序号紧跟最后一个完全可行个体的序号，保证部分不可行个体的序号均大于完全可行个体的序号，即：对满足的部分不可行个体其获得的序号分别为(n1+1),(n1+2),…,(n1+n2)，其中n2为种群中部分不可行个体数目，b表示该个体部分不可行；
3.3.5)计算当前种群中所有个体的适应度，a)对完全可行个体与部分不可行个体，根据步骤3.3.4)中排序所得序号计算其适应度，设置序号为i的设计向量的适应度为1/i；b)对完全不可行个体，设置其适应度为0；
3.4)判断是否满足最大迭代次数或收敛条件，若是，则输出适应度最大的个体所对应的设计向量作为最优解；否则，执行交叉变异操作生成新一代种群个体，返回步骤3.2)。
2.根据权利要求1所述的一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法，其特征在于：所述步骤2)具体为，采用拉丁超立方采样获得取值范围为[0,1]的具有空间均布性的样本点，并将其反归一化到输入向量空间中去，完成对设计向量、概率变量和区间变量的初始采样；使用三维建模软件构建压力机上横梁的参数化模型，通过接口技术实现三维建模软件和有限元分析软件间参数的双向动态传递，并调用压力机上横梁的参数化模型进行有限元分析计算，得到样本点所对应的压力机上横梁的目标函数和约束性能函数的响应值；选用高斯函数和一阶回归函数拟合压力机上横梁目标函数和约束性能函数的Kriging模型，利用复相关系数、相对最大绝对误差检验模型精度，在精度不满足要求时补充样本点更新Kriging模型，直到复相关系数值、相对最大绝对误差值满足精度要求为止，以保证拟合精度和泛化能力满足实际需求。
CN201910195091.1A 2019-03-14 2019-03-14 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 Active CN109992848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910195091.1A CN109992848B (zh) 2019-03-14 2019-03-14 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910195091.1A CN109992848B (zh) 2019-03-14 2019-03-14 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法

Publications (2)

Publication Number Publication Date
CN109992848A true CN109992848A (zh) 2019-07-09
CN109992848B CN109992848B (zh) 2020-11-13

Family

ID=67129643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910195091.1A Active CN109992848B (zh) 2019-03-14 2019-03-14 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法

Country Status (1)

Country Link
CN (1) CN109992848B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795836A (zh) * 2019-10-17 2020-02-14 浙江大学 一种基于区间与有界概率混合不确定性的机械臂稳健优化设计方法
CN111475892A (zh) * 2020-03-30 2020-07-31 浙江大学 一种复杂装备关键部件结构动态特性的稳健均衡设计方法
CN111475888A (zh) * 2020-03-30 2020-07-31 浙江大学 自平衡电动车车架动态特性的可靠性稳健均衡设计方法
CN111581901A (zh) * 2020-05-12 2020-08-25 湖南城市学院 一种随机载荷下压接式igbt器件性能稳健性优化设计方法
CN113656984A (zh) * 2021-08-31 2021-11-16 北京建筑大学 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法
CN113779819A (zh) * 2021-07-19 2021-12-10 沈阳工业大学 考虑混合不确定因素的电工装备的智能鲁棒性优化方法
WO2022188002A1 (zh) * 2021-03-08 2022-09-15 浙江大学 一种复合材料支撑结构拓扑与材料协同稳健优化设计方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636563A (zh) * 2015-02-14 2015-05-20 浙江大学 高速压力机上横梁可靠性设计方法
CN105335902A (zh) * 2015-11-27 2016-02-17 国家电网公司 电力通信网的可靠性确定方法及装置
CN106096127A (zh) * 2016-06-07 2016-11-09 浙江大学 含区间参数不确定性结构的稳健性优化设计方法
CN108388726A (zh) * 2018-02-11 2018-08-10 浙江大学 一种考虑多目标多约束性能均衡的机械结构稳健优化设计方法
CN109063234A (zh) * 2018-06-15 2018-12-21 浙江大学 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636563A (zh) * 2015-02-14 2015-05-20 浙江大学 高速压力机上横梁可靠性设计方法
CN105335902A (zh) * 2015-11-27 2016-02-17 国家电网公司 电力通信网的可靠性确定方法及装置
CN106096127A (zh) * 2016-06-07 2016-11-09 浙江大学 含区间参数不确定性结构的稳健性优化设计方法
CN108388726A (zh) * 2018-02-11 2018-08-10 浙江大学 一种考虑多目标多约束性能均衡的机械结构稳健优化设计方法
CN109063234A (zh) * 2018-06-15 2018-12-21 浙江大学 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIN CHENG等: "Hybrid Reliability-Based Design Optimization of", 《IEEE ACCESS》 *
JIN CHENG等: "Optimization of Uncertain Structures", 《CHINESE JOURNAL OF MECHANICAL》 *
JIN CHENG等: "Structural Optimization of a High-Speed Press Considering Multi-Source Uncertainties Based on a New Heterogeneous TOPSIS", 《APPLIED SCIENCES-BASEL》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795836A (zh) * 2019-10-17 2020-02-14 浙江大学 一种基于区间与有界概率混合不确定性的机械臂稳健优化设计方法
CN111475892A (zh) * 2020-03-30 2020-07-31 浙江大学 一种复杂装备关键部件结构动态特性的稳健均衡设计方法
CN111475888A (zh) * 2020-03-30 2020-07-31 浙江大学 自平衡电动车车架动态特性的可靠性稳健均衡设计方法
CN111475892B (zh) * 2020-03-30 2022-04-12 浙江大学 一种复杂装备关键部件结构动态特性的稳健均衡设计方法
CN111581901A (zh) * 2020-05-12 2020-08-25 湖南城市学院 一种随机载荷下压接式igbt器件性能稳健性优化设计方法
CN111581901B (zh) * 2020-05-12 2023-04-11 湖南城市学院 一种随机载荷下压接式igbt器件性能稳健性优化设计方法
WO2022188002A1 (zh) * 2021-03-08 2022-09-15 浙江大学 一种复合材料支撑结构拓扑与材料协同稳健优化设计方法
CN113779819A (zh) * 2021-07-19 2021-12-10 沈阳工业大学 考虑混合不确定因素的电工装备的智能鲁棒性优化方法
CN113779819B (zh) * 2021-07-19 2024-03-22 沈阳工业大学 考虑混合不确定因素的电工装备的智能鲁棒性优化方法
CN113656984A (zh) * 2021-08-31 2021-11-16 北京建筑大学 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法
CN113656984B (zh) * 2021-08-31 2023-05-02 北京建筑大学 一种基于蒙特卡洛法的梁结构固有频率和振型计算方法

Also Published As

Publication number Publication date
CN109992848B (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN109992848A (zh) 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法
CN109063234A (zh) 一种考虑多类型不确定性的高速压力机施力部件可靠性设计方法
CN102867083B (zh) 考虑不确定性的压力机滑块机构高刚度轻量化设计方法
CN104679956B (zh) 考虑动态特性的高速压力机底座可靠性稳健设计方法
CN104636563B (zh) 高速压力机上横梁可靠性设计方法
CN105260532B (zh) 基于序列近似优化的薄板拉伸变压边力不确定性设计方法
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN102682221B (zh) 一种复杂电子信息***电磁兼容性综合评估方法
CN107784380A (zh) 一种巡检最短路径的优化方法及优化***
JP7486659B2 (ja) 基地局の省エネルギー処理方法及び処理装置
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN103049651A (zh) 一种用于电力负荷聚类的方法及装置
CN114501530B (zh) 基于深度强化学习的天线参数的确定方法和装置
CN108446712B (zh) Odn网智能规划方法、装置及***
CN108388726A (zh) 一种考虑多目标多约束性能均衡的机械结构稳健优化设计方法
CN112101785A (zh) 一种用于电力与通信共享铁塔的综合效益分析的方法
CN116388174A (zh) 一种适应层次化调度的分布式光伏集群短期出力预测方法
CN109491709B (zh) 一种基于ahp与神经网络的软件代码可控度综合评价方法
CN103345552A (zh) 电力ict通信网可靠性的评估方法及***
CN103065015B (zh) 一种基于内力路径几何形态的承载结构低碳节材设计方法
CN116885703B (zh) 一种高维多元气象数据融合的短期风光功率预测方法
CN109840348A (zh) 一种三重加速的拓扑优化方法
CN107330131A (zh) 机械零部件结构尺寸参数及其尺寸公差的区间优化方法
CN109116300A (zh) 一种基于非充分指纹信息的极限学习定位方法
CN112766687A (zh) 一种基于深度cnn的飞机总装物料配送优先级分配方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant