CN114880792A - 一种基于形变预测的全方位多角度优化方法 - Google Patents

一种基于形变预测的全方位多角度优化方法 Download PDF

Info

Publication number
CN114880792A
CN114880792A CN202210414615.3A CN202210414615A CN114880792A CN 114880792 A CN114880792 A CN 114880792A CN 202210414615 A CN202210414615 A CN 202210414615A CN 114880792 A CN114880792 A CN 114880792A
Authority
CN
China
Prior art keywords
deformation
auxiliary support
elastic deformation
blade
optimization
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.)
Pending
Application number
CN202210414615.3A
Other languages
English (en)
Inventor
戴佳伟
王海军
毛东立
张超凡
孙振鸣
王金玉
王舒祥
王月丽
吴汉钦
范颖
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.)
Hubei University of Education
Original Assignee
Hubei University of Education
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 Hubei University of Education filed Critical Hubei University of Education
Priority to CN202210414615.3A priority Critical patent/CN114880792A/zh
Publication of CN114880792A publication Critical patent/CN114880792A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于形变预测的全方位多角度优化方法，面向曲面薄壁工况时，建立叶片铣削有限元仿真模型，以预测曲面形变，为了减少曲面形变，基于GA‑SVR的薄壁叶片，以辅助支撑布局和铣削切削参数作为设计变量，最大加工弹性变形和整体弹性变形均方差作为辅助支撑布局的优劣评价指标；计算辅助支撑布局的优劣评价指标并生成样本集，对样本集进行训练，获得评价指标的代理模型，通过所述代理模型预测实际薄壁叶片在辅助支撑布局下的最大加工弹性变形和整体弹性变形均方差，对工艺参数进行优化，通过迭代补偿的方式来减小的弹性形变。本发明的有益效果是：本发明优化了算法，缩短了加工时间，提高了加工效率及叶片的加工精度。

Description

一种基于形变预测的全方位多角度优化方法
技术领域
本发明涉及曲面薄壁工况时的叶片形变优化领域，尤其涉及一种基于形变预测的全方位多角度优化方法。
背景技术
叶片作为各种机械设备叶轮中的重要部件，其加工质量和加工精度直接影响设备的工作整体性能与使用寿命，电子数字化信号控制铣削作为一种高精度、高效率的加工方式，广泛应用于各种叶片的精密成形。然而，叶片作为一种典型的复杂曲面薄壁器件，在铣削加工过程中叶片很容易受切削力的影响从而发生“让刀”，即弹性形变。这使得铣削过程中刀具的实际切削位置相对理论切削位置出现偏离，导致叶片的加工精度不达标，从而影响设备的服役性能。因此，研究如何使得此过程的加工更加稳定、抑制弹性形变的发生，对于保证其加工精度，提高设备的整体性能具有重要意义。
控制薄壁件加工弹性变形的前提是实现对变形的预测，这也一直是众多学者的研究热点。曹玉杰基于加工变形柔性迭代算法建立了复杂曲面薄壁件的五轴铣削加工变形预测方法。黄泽华等在考虑铣削力与弹性变形耦合效应的基础上，忽略铣削过程中材料去除对叶片加工刚度的影响，建立了薄壁叶片点铣加工弹性变形的迭代计算格式。然而，这些方法计算时间冗长、过程复杂，且没有考虑材料对加工过程的影响。且针对薄壁叶片的叶身型面铣削加工辅助支撑，目前还缺少相应的研究。
发明内容
为了解决上述问题，本发明提供了一种基于形变预测的全方位多角度优化方法，面向曲面薄壁工况，主要包括以下步骤：
S1：考虑材料去除以及铣削力与弹性变形耦合效应，建立叶片铣削有限元仿真模型，以预测曲面形变；
S2：为了减少步骤S1中预测的曲面形变，基于线性回归算法模型(GA-SVR)的薄壁叶片，以辅助支撑布局和铣削切削参数作为设计变量，最大加工弹性变形和整体弹性变形均方差作为辅助支撑布局的优劣评价指标；采用“单元生死”技术、拉丁超立方试验设计和叶片铣削有限元仿真模型计算辅助支撑布局的优劣评价指标并生成样本集，以支持向量机回归对样本集进行训练，获得评价指标的代理模型。
S3：以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，通过所述代理模型预测实际薄壁叶片在辅助支撑布局下的最大加工弹性变形和整体弹性变形均方差；
S4：结合步骤S3中得到的优化目标，采用精英策略遗传算法优化薄壁叶片的辅助支撑布局、并以残余应力变形为约束、最大加工效率为目标对工艺参数进行优化，在此基础上，通过迭代补偿的方式来减小步骤S1中的弹性形变。
进一步地，预测曲面形变的方法包括：
S11：建立叶片铣削有限元仿真模型，按照切削顺序求解出每个节点的初始法向切削力；
S12：根据初始法向切削力，使用MATLAB调用ANSYS，求解初始薄壁叶片弹性形变初值；
S13：更新法向切削力；
S14：利用叶片铣削有限元仿真模型修正待去除单元的刚度矩阵；
S15：采用如同步骤S12-S14的方法，将铣削力与弹性形变循环耦合迭代，当达到预设精度或预设的最大迭代次数后，此时输出所有节点的弹性形变量。
进一步地，所述辅助支撑布局包括：基于欧拉恒等式(OLHD)的辅助支撑布局设计、基于支持向量机回归(SVR)的代理模型构建方法、基于网格搜索(GS-CV)的支持向量机回归(SVR)超参数优化、辅助支撑布局优化建模和基于遗传算法(E-GA)的辅助支撑布局优化。
进一步地，所述基于欧拉恒等式(OLHD)的辅助支撑布局设计是基于最优拉丁超立方设计，针对叶盆型面生成不同的辅助支撑布局方案作为初始样本输入，采用叶片铣削有限元仿真模型，计算相应布局方案下叶片的目标变形特征，也即最大加工弹性变形与整体变形均方差，作为样本输出。
进一步地，将设计变量映射到高维空间，将低维非线性的问题转化为高维空间中的线性回归，建立基于SVR的代理模型。
进一步地，所述代理模型构建方法包括：获取样本集、构建回归模型、解析模型参数和获得核函数。
进一步地，经GS-CV优化，分别获得了叶片最大加工弹性变形与整体变形均方差训练模型，优化流程包括：确定超参数范围、超参数网格化处理、K折交叉验证和超参数网格组合。
进一步地，所述辅助支撑布局优化建模是以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，建立两点辅助支撑布局优化模型。
进一步地，所述基于E-GA的辅助支撑布局优化是采用E-GA对叶盆的两点辅助支撑布局进行优化，设置种群大小为40，进化代数为100，交叉概率为0.9，变异概率为0.1，精英选择算子为0.02，不断迭代筛选，最终确定最优支撑布局。
本发明提供的技术方案带来的有益效果是：叶片设置于叶轮上，对叶片表面不同部位存在轮廓误差的叶轮和表面轮廓误差大小不同的叶轮进行了数值分析。结果表明，加工误差影响叶轮性能，改变叶轮内部流量，导致叶轮效率和压比下降。对于叶片的前、中、后，位于叶片中部的加工误差对叶轮性能的影响最大，考虑到前、中、后的误差，规则的误差S型是最大的。加入不同尺寸的规则S型表面轮廓误差后，效率和压力比损失最大出现在表面轮廓为0.15mm的情况下，而不是在最大表面轮廓为0.2mm的情况下。叶片形状的好坏与叶轮效率的高低密切相关。本发明优化了算法，缩短了加工时间，提高了加工效率及叶片的加工精度，保证了良好的叶片表面，具有重要的实用意义。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中形变预测的流程图。
图2是本发明实施例中计算初始法向切削力的示意图。
图3是本发明实施例中薄壁叶片在切削力的作用下发生的弹性变形使得实际切削深度小于名义切削深度的示意图。
图4是本发明实施例中通过“不完全”杀死待去除单元来模拟材料的不充分去除(即单元生死技术)的示意图。
图5是本发明实施例中以叶盆型面上某一个节点为例，对其加工弹性变形进行耦合迭代运算过程的示意图。
图6是本发明实施例中叶片整体的弹性变形分布的示意图。
图7是本发明实施例中辅助支撑布局的组成示意图。
图8是本发明实施例中基于SVR的代理模型构建方法的框架图。
图9是本发明实施例中解析模型参数图。
图10是本发明实施例中超参数组合网格搜索后的优化结果图。
图11是本发明实施例中得到最佳辅助支撑布局方案的流程图。
图12是本发明实施例中得到最佳辅助支撑布局方案进化代数示意图。
图13是本发明实施例中最佳辅助支撑布局下叶盆型面弹性变形的优化结果图。
图14是本发明实施例中最佳辅助支撑布局下叶盆加工弹性变形值与弦向关系图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明提供了一种基于形变预测的全方位多角度优化方法，面向曲面薄壁工况，主要包括以下步骤：
S1：考虑材料去除以及铣削力与弹性变形耦合效应，建立叶片铣削有限元仿真模型，以预测曲面形变；
S2：为了减少步骤S1中预测的曲面形变，基于GA-SVR的薄壁叶片，以辅助支撑布局和铣削切削参数作为设计变量，最大加工弹性变形和整体弹性变形均方差作为辅助支撑布局的优劣评价指标；采用“单元生死”技术、拉丁超立方试验设计和叶片铣削有限元仿真模型计算辅助支撑布局的优劣评价指标并生成样本集，以支持向量机回归对样本集进行训练，获得评价指标的代理模型。
S3：以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，通过所述代理模型预测实际薄壁叶片在辅助支撑布局下的最大加工弹性变形和整体弹性变形均方差；
S4：结合步骤S3中得到的优化目标，采用精英策略遗传算法优化薄壁叶片的辅助支撑布局、并以残余应力变形为约束、最大加工效率为目标对工艺参数进行优化，在此基础上，通过迭代补偿的方式来减小步骤S1中的弹性形变。
请参考图1，图1是本发明实施例中形变预测的流程图，具体包括如下步骤：
S11：建立叶片铣削有限元仿真模型，按照切削顺序求解出每个节点的初始法向切削力；
S12：根据初始法向切削力，使用MATLAB调用ANSYS，求解初始薄壁叶片弹性形变初值；
S13：更新法向切削力；
S14：利用叶片铣削有限元仿真模型修正待去除单元的刚度矩阵；
S15：采用如同步骤S12-S14的方法，将铣削力与弹性形变循环耦合迭代，当达到预设精度或预设的最大迭代次数后，此时输出所有节点的弹性形变量。
本实施例中，切削力即为图中的切削载荷，具体步骤如下：
(1)计算初始法向切削力
按照切削顺序求解出每个节点的初始法向切削力，然后在ANSYS软件的APDL脚本程序中增加相应布局下的辅助支撑位置约束。
1)切削力方向
为了方便求解过程中切削载荷的施加，以及后处理阶段中节点法向弹性变形的获取，如图2所示。
在前处理阶段通过命令流依次将所有叶身型面节点坐标系的z轴旋转至各自法矢方向，利用旋转矩阵变换可得节点坐标系的旋转角分别为：
Figure BDA0003605080890000051
式中：ns＝(is,js,ks)为第s个节点处的曲面法矢，θs为绕x轴的旋转角，βs为绕y'轴的旋转角。
节点的法矢(i,j,k)通过UG二次开发获取，为便于后续叶身变形规律的分析，同时提取了节点在叶身型面上的等参数化坐标(u,v)。其中，第一条离散切削刀轨的节点信息如下表所示。
Figure BDA0003605080890000052
Figure BDA0003605080890000061
2)切削力大小
叶片通常采用五轴点铣进行加工，在铣削过程中时变的刀轴倾角势必引起刀具和工件之间切削条件的变化。因此，在传统经验公式模型的基础上，针对薄壁叶片的点铣加工刀位特点，引入刀轴倾角这一影响因素，建立了五因素经验公式，并通过正交试验设计以及多元线性回归，标定了球头刀的五轴切削力经验公式为
Figure BDA0003605080890000062
式中：Fx、Fy、Fz分别为切削力在x、y、z方向上的切削分力；ap为切削深度；ae为切削宽度；vc为切削速度；fz为每齿进给；Ψ为刀轴倾角。
如图2所示，通过获取的节点法矢信息可以确定每个切削位置的刀轴倾角，将切削参数与刀轴倾角代入式(2)可计算得到每个节点位置的理论切削力。进一步地，将每个节点的理论切削力沿节点处曲面法矢方向投影，可获得当前位置的法向切削力，并以此作为有限元仿真的切削载荷。法向切削力的计算公式为
Fnor,s＝Fs·ns＝(Fx,s,Fy,s,Fz，s)·(is，js，ks) (3)
(2)求解叶片弹性形变初值
APDL程序读取上次迭代求解得到的节点法向切削力，再由MATLAB调用ANSYS后台执行该APDL脚本程序，求解所有离散刀轨节点的弹性变形值并且输出。
(3)更新法向切削力
将获得的所有节点弹性变形值代入式(5)，更新各个节点处的切削深度，再通过式(6)更新计算每个节点的法向切削力。
1)原理如下：
薄壁叶片在切削力的作用下发生的弹性变形使得实际切削深度小于名义切削深度，如图3所示。
这导致实际的切削力小于按照名义切削深度计算得到的初始理论切削力。这也意味着铣削力与弹性变形之间是互相耦合的关系。传统的薄壁件铣削加工弹性变形预测方法直接使用名义切削深度计算理论铣削力，并且仅通过一次有限元仿真计算叶片的加工弹性变形，完全忽略切削力与弹性变形之间的耦合效应，导致预测精度不高。
为了更准确的预测叶片的加工弹性变形，建立铣削力与弹性变形的耦合迭代格式，如式(5)所示，以每次仿真计算得到的加工弹性变形修正理论切削深度，重新进行切削力的计算，这样多次反复耦合迭代直至收敛，获得最终的加工弹性变形预测值。
Figure BDA0003605080890000071
式中：
Figure BDA0003605080890000072
和
Figure BDA0003605080890000073
分别为第S个节点的理论切削深度和经过h次迭代后的切削深度；
Figure BDA0003605080890000074
为第S个节点在h-1次迭代后经有限元计算得到的法向弹性变形；
Figure BDA0003605080890000075
为第S个节点在h-1次迭代时的切削力：
Figure BDA0003605080890000076
(4)修正待去除单元的刚度矩阵
按照式(7)根据当前节点变形值计算刚度修正因子，然后通过APDL程序修正叶身待去除单元的刚度矩阵。
弹性变形导致的材料去除不充分使得预先划分好的余量单元在真实切削过程中只有部分体积被去除。因此，为了避免繁琐的网格重绘工作，提高计算效率，如图4所示，通过“不完全”杀死待去除单元来模拟材料的不充分去除，即采用“单元生死”技术进行材料的不充分去除。
(5)将铣削力与弹性形变循环耦合迭代
开始铣削力与弹性变形的耦合迭代循环运算，将更新的法向切削力导入APDL程序中，计算下一代每个节点的弹性变形量。
如式(7)所示，这种单元的“不完全”杀死是通过在仿真过程中修正当前被切除网格单元的刚度矩阵实现的，修正系数为迭代过程中该单元上次计算所得变形值与其初始厚度的比值。
Figure BDA0003605080890000081
式中：
Figure BDA0003605080890000082
和
Figure BDA0003605080890000083
分别为第t个单元的初始刚度矩阵和经过h次迭代后的刚度矩阵；
Figure BDA0003605080890000084
为第t个单元在第h次迭代时的刚度修正因子；
Figure BDA0003605080890000085
为h次迭代后第t个单元的弹性变形值，此处取该单元最近节点的变形值；
Figure BDA0003605080890000086
为第t个单元的理论切削深度。
以叶盆型面上某一个节点为例，对其加工弹性变形进行耦合迭代运算，直至前后两次迭代所得变形的变化率小于设置的收敛精度，该节点在迭代七次以后收敛，迭代过程如图5所示。
(6)输出弹性形变量
对比各个节点前后两次弹性变形量的变化率是否小于设定的精度e，若收敛则输出当前所有节点的弹性变形量，得到如图6所示的叶片整体的弹性变形分布。
基于GA-SVR的薄壁叶片辅助支撑布局的抑制形变
叶片的加工弹性变形量随不同的辅助支撑布局而改变，而辅助支撑的数目和位置是布局方案的两个关键参数。现有的研究成果表明，同一叶片截面上施加的辅助支撑超过两点，对于加工弹性变形的抑制效果提升非常微弱，而多截面支撑则会显著降低加工效率。
辅助支撑布局方法共分为如图7所示的五个步骤：基于OLHD的辅助支撑布局设计、基于SVR的代理模型构建方法、基于GS-CV的SVR超参数优化、辅助支撑布局优化建模、基于E-GA的辅助支撑布局优化。
(1)基于OLHD的辅助支撑布局优化设计
基于最优拉丁超立方设计，针对叶盆型面生成不同的辅助支撑布局方案作为初始样本输入。采用有限元仿真计算相应布局方案下叶片的目标变形特征，也即最大加工弹性变形与整体变形均方差作为样本输出。
1)原理
叶片的加工弹性变形量随不同的辅助支撑布局而改变，而辅助支撑的数目和位置是布局方案的两个关键参数。为了保证通过抽样生成的支撑位置能够定位在叶身型面上，通过等参数化坐标确定辅助支撑在叶身曲面上的位置。辅助支撑布局优化的设计变量可表示为：
Figure BDA0003605080890000091
式中：xi为第i种辅助支撑布局方案；m为支撑点数目；xij＝(uij，vij)为第i种布局方案的第j个支撑点的等参数化坐标，其中，uij、vij∈[0，1]。
为了提高加工效率并且避免多点杆状辅助支撑对加工过程产生过多干涉，仅对加工过程中的薄壁叶片设置单截面两点辅助支撑，布局设计变量可写为
xi＝[xi1，xi2]＝[(ui1，vi1)，(ui2，vi2)]＝(ui1，ui2，vi) (9)
式中：由于两个支撑点位于同一叶片截面上，则有vi＝vi1＝vi2。
为增加样本点在设计空间分布的均匀性，基于最优拉丁超立方设计，针对叶盆型面生成不同的辅助支撑布局方案作为初始样本输入。采用有限元仿真计算相应布局方案下叶片的目标变形特征，也即最大加工弹性变形与整体变形均方差作为样本输出。
最终，获得100组样本数据如表所示。为了提高后续叶片加工弹性变形预测模型训练的识别精度，表中的样本输出数据在训练前进行归一化处理：
Figure BDA0003605080890000093
式中：Δmax和Δmin分别为样本输出数据中的最大值和最小值；Δi为辅助支撑布局xi下叶身型面的最大加工弹性变形Δmax(xi)或整体变形均方差Δsd(xi)，yi表示归一化后辅助支撑布局xi下的样本响应值。
Figure BDA0003605080890000094
(2)基于SVR的代理模型构建方法
将设计变量映射到高维空间，将低维非线性的问题转化为高维空间中的线性回归并建模及获取解，模型构建方法分为如图8所示的四个步骤：获取训练集合样本、构建回归模型、解析模型参数、获得核函数。
a.获取训练样本集合
X＝{(x1,y1),…,(xi，yi),…，(xn,yn)}式中：xi和yi分别为第i种支撑布局及其变形响应，n为训练样本数目。
b.构建回归模型
Figure BDA0003605080890000101
式中：f(X)为支持向量的回归估计函数；
Figure BDA0003605080890000102
是将样本映射到高维特征空间的非线性函数；ω和b为待定参数，也是SVR模型训练的关键。
c.解析模型参数
如图9所示，以f(X)为中心，构建一个宽度为2ε的间隔带，并引入ε不敏感损失函数lε:
Figure BDA0003605080890000103
当训练样本点落入此间隔带时，也即回归函数的返回值f(xi)与样本输出值yi的差小于等于时，则认为损失为0，也即训练样本可以被正确预测，而落在间隔带之外的样本点也就称之为支持向量。于是SVR问题可形式化为：
Figure BDA0003605080890000104
引入松弛变量ξi和ξi可将式(14)改写为
Figure BDA0003605080890000105
式中：L为目标函数；C为正则化常数，也称之为惩罚系数，C越大表示对误差超过ξ的样本惩罚越大；ξ规定了SVR函数的误差限制。
根据结构风险最小化准则求解式(15)可得w和b，为了进一步使得建模精准，引入拉格朗日函数并将L转化为对偶形式：
Figure BDA0003605080890000106
式中：K(xi,xj)＝Ψ(xi)TΨ(xj)为核函数；ai，αi为拉格朗日乘子。
求解式(16)可得最优解为
Figure BDA0003605080890000111
因此，可进一步得出参数ω和b为
Figure BDA0003605080890000112
式中：nsv为支持向量的个数。将式(18)代入式(12)可得支持向量机的回归函数为：
Figure BDA0003605080890000113
d.获取核函数
选取RBF构建SVR的核函数：
Figure BDA0003605080890000114
式中：γ＝1/2σ2，也即RBF的幅宽。
(3)基于GS-CV的SVR超参数优化
经GS-CV优化，分别获得了叶片最大加工弹性变形与整体变形均方差训练模型。优化流程共分为四个步骤：确定超参数范围、超参数网格化处理、K折交叉验证、超参数网格组合。
1)原理
a.确定超参数(C，γ)的取值范围
取值范围为[2-10，210]。
b.超参数网格化处理
对超参数取值范围以2为底取对数可得(log2C，log2γ)∈[-10，10]，以0.25为间隔进行交叉取值，总计可得种81×81＝6561种超参数组合。
c.K折交叉验证
从100组样本数据中取80份作为训练数据集，20份作为测试数据集。令K＝5，再将训练数据集均分为5份，每份数据轮流作为验证集，评价通过剩余4份数据训练得到的模型优劣，最后以均方预测误差最小的超参数作为交叉验证中的最优超参数。
d.超参数组合网格搜索
选取下一组超参数组合重复步骤c，直至找到均方误差最小的超参数组合，作为当前样本集合下的最优SVR模型超参数。当模型训练过程中出现不同的参数y组合(C，γ)对应相同的交叉验证精度时，选择C更小的一组参数，以便于提高模型的泛化能力。优化结果如图10所示。
优化后的参数如图所示：
超参数 最大加工弹性变形训练模型 整体变形均方差训练模型
惩罚系数C 5.6569 22.6274
核函数幅宽γ 2.8284 1.6817
(4)辅助支撑布局优化
以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，建立两点辅助支撑布局优化模型：
Figure BDA0003605080890000121
式中：Δj(xi)为叶身型面上第j个节点的变形值；Δ(xi)为叶身型面上所有节点变形的平均值；
Figure BDA0003605080890000122
分别为支撑杆与型面的切向与法向接触力；X为装夹设计可行域；μ为摩擦系数。
根据两点辅助支撑布局优化模型，最大弹性变形与整体变形均方差2个目标变形特征采用SVR代理模型取代有限元法进行优化时目标函数的计算：
Figure BDA0003605080890000123
式中：fmax(xi)和fsd(xi)分别为通过SVR代理模型预测的叶片在辅助支撑布局xi下的最大加工弹性变形和整体弹性变形均方差。
Figure BDA0003605080890000131
(4)E-GA的辅助支撑布局优化
采用E-GA对叶盆的两点辅助支撑布局进行优化，设置种群大小为40，进化代数为100，交叉概率为0.9，变异概率为0.1，精英选择算子为0.02，不断筛选最终确定最优支撑布局。优化流程及优化跟踪图如图11-12所示，通过将父代中的精英保留并替代子代种群中的适应度最低的个体，有效保证了在进化过程中出现的最优个体不会被选择、交叉和变异操作所丢失和破坏，提升标准遗传算法的全局收敛能力。
如图13-14所示，优化得到的叶盆最佳加工辅助支撑布局为xopimal＝[(0.32,0.42)，(0.90,0.42)]，对应的整体变形分布如图14所示，相比于无辅助支撑状态，其最大加工弹性变形由178.2μm降到64.4μm，下降63.9％；整体变形均方差由42.4μm降到12.9μm，下降69.6％，对加工弹性变形的抑制效果显著。同时，对比随机两点辅助支撑布局Xrandom＝[(0.26,0.59)，(0.84,0.59)]，可以发现最佳辅助支撑布局下叶盆型面的最大加工弹性变形更小，而且整体变形趋势更加均匀。
本发明的有益效果是：对叶片表面不同部位存在轮廓误差的叶轮和表面轮廓误差大小不同的叶轮进行了数值分析。结果表明，加工误差影响叶轮性能，改变叶轮内部流量，导致叶轮效率和压比下降。对于叶片的前、中、后，位于叶片中部的加工误差对叶轮性能的影响最大，考虑到前、中、后的误差，规则的误差S型是最大的。加入不同尺寸的规则S型表面轮廓误差后，效率和压力比损失最大出现在表面轮廓为0.15mm的情况下，而不是在最大表面轮廓为0.2mm的情况下。叶片形状的好坏与叶轮效率的高低密切相关。本发明优化了算法，缩短了加工时间，提高了加工效率及叶片的加工精度，保证了良好的叶片表面，具有重要的实用意义。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于形变预测的全方位多角度优化方法，其特征在于：包括以下步骤：
S1：面向曲面薄壁工况时，考虑材料去除以及铣削力与弹性变形耦合效应，建立叶片铣削有限元仿真模型，以预测曲面形变；
S2：为了减少步骤S1中预测的曲面形变，基于GA-SVR的薄壁叶片，以辅助支撑布局和铣削切削参数作为设计变量，最大加工弹性变形和整体弹性变形均方差作为辅助支撑布局的优劣评价指标；采用“单元生死”技术和叶片铣削有限元仿真模型计算辅助支撑布局的优劣评价指标并生成样本集，以支持向量机回归对样本集进行训练，获得评价指标的代理模型。
S3：以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，通过所述代理模型预测实际薄壁叶片在辅助支撑布局下的最大加工弹性变形和整体弹性变形均方差；
S4：结合步骤S3中得到的优化目标，采用精英策略遗传算法优化薄壁叶片的辅助支撑布局、并以残余应力变形为约束、最大加工效率为目标对工艺参数进行优化，在此基础上，通过迭代补偿的方式来减小步骤S1中的弹性形变。
2.如权利要求1所述的一种基于形变预测的全方位多角度优化方法，其特征在于：步骤S1中，预测曲面形变的方法包括：
S11：建立叶片铣削有限元仿真模型，按照切削顺序求解出每个节点的初始法向切削力；
S12：根据初始法向切削力，使用MATLAB调用ANSYS，求解初始薄壁叶片弹性形变初值；
S13：更新法向切削力；
S14：利用叶片铣削有限元仿真模型修正待去除单元的刚度矩阵；
S15：采用如同步骤S12-S14的方法，将铣削力与弹性形变循环耦合迭代，当达到预设精度或预设的最大迭代次数后，此时输出所有节点的弹性形变量。
3.如权利要求1所述的一种基于形变预测的全方位多角度优化方法，其特征在于：步骤S2中，所述辅助支撑布局包括：基于OLHD的辅助支撑布局设计、基于SVR的代理模型构建方法、基于GS-CV的SVR超参数优化、辅助支撑布局优化建模和基于E-GA的辅助支撑布局优化。
4.如权利要求3所述的一种基于形变预测的全方位多角度优化方法，其特征在于：所述基于OLHD的辅助支撑布局设计是基于最优拉丁超立方设计，针对叶盆型面生成不同的辅助支撑布局方案作为初始样本输入，采用叶片铣削有限元仿真模型，计算相应布局方案下叶片的目标变形特征，也即最大加工弹性变形与整体变形均方差，作为样本输出。
5.如权利要求3所述的一种基于形变预测的全方位多角度优化方法，其特征在于：将设计变量映射到高维空间，将低维非线性的问题转化为高维空间中的线性回归，建立基于SVR的代理模型。
6.如权利要求5所述的一种基于形变预测的全方位多角度优化方法，其特征在于：所述代理模型构建方法包括：获取样本集、构建回归模型、解析模型参数和获得核函数。
7.如权利要求1所述的一种基于形变预测的全方位多角度优化方法，其特征在于：经GS-CV优化，分别获得了叶片最大加工弹性变形与整体变形均方差训练模型，优化流程包括：确定超参数范围、超参数网格化处理、K折交叉验证和超参数网格组合。
8.如权利要求3所述的一种基于形变预测的全方位多角度优化方法，其特征在于：所述辅助支撑布局优化建模是以薄壁叶片的最大加工弹性变形与整体变形均方差两个特征最小为优化目标，建立两点辅助支撑布局优化模型。
9.如权利要求3所述的一种基于形变预测的全方位多角度优化方法，其特征在于：所述基于E-GA的辅助支撑布局优化是采用E-GA对叶盆的两点辅助支撑布局进行优化，设置种群大小为40，进化代数为100，交叉概率为0.9，变异概率为0.1，精英选择算子为0.02，不断迭代筛选，最终确定最优支撑布局。
CN202210414615.3A 2022-04-20 2022-04-20 一种基于形变预测的全方位多角度优化方法 Pending CN114880792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210414615.3A CN114880792A (zh) 2022-04-20 2022-04-20 一种基于形变预测的全方位多角度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210414615.3A CN114880792A (zh) 2022-04-20 2022-04-20 一种基于形变预测的全方位多角度优化方法

Publications (1)

Publication Number Publication Date
CN114880792A true CN114880792A (zh) 2022-08-09

Family

ID=82671930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210414615.3A Pending CN114880792A (zh) 2022-04-20 2022-04-20 一种基于形变预测的全方位多角度优化方法

Country Status (1)

Country Link
CN (1) CN114880792A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420761A (zh) * 2023-12-19 2024-01-19 合肥工业大学 镜像铣削中随动支撑头的点位布局优化方法及随动支撑头

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420761A (zh) * 2023-12-19 2024-01-19 合肥工业大学 镜像铣削中随动支撑头的点位布局优化方法及随动支撑头
CN117420761B (zh) * 2023-12-19 2024-02-13 合肥工业大学 镜像铣削中随动支撑头的点位布局优化方法及随动支撑头

Similar Documents

Publication Publication Date Title
Jiang et al. Surrogate-model-based design and optimization
Li et al. Review of design optimization methods for turbomachinery aerodynamics
CN104866692B (zh) 一种基于自适应代理模型的飞行器多目标优化方法
CN111723440B (zh) 一种薄壁件加工精度预测混合建模方法
CN108647370B (zh) 基于双环迭代的无人直升机气动外形优化设计方法
CN112749495A (zh) 基于多点加点的代理模型优化方法、装置和计算机设备
CN112597610B (zh) 机械臂结构轻量化设计的优化方法、装置及设备
CN114880792A (zh) 一种基于形变预测的全方位多角度优化方法
CN114676522A (zh) 融合gan和迁移学习的气动形状优化设计方法及***及设备
Amrit et al. Design strategies for multi-objective optimization of aerodynamic surfaces
CN114564787A (zh) 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质
CN114429090A (zh) 一种基于数据驱动的压气机叶片鲁棒性设计方法
CN113868765A (zh) 基于近似模型的船舶主尺度参数优化方法
CN116822038B (zh) 基于数据驱动的异型封闭加筋拓扑优化方法
Jiang et al. A new uncertain optimization method based on intervals and an approximation management model
Selvan On the effect of shape parameterization on aerofoil shape optimization
Glänzel et al. Parameterization of environmental influences by automated characteristic diagrams for the decoupled fluid and structural-mechanical simulations
Amrit et al. Efficient multi-objective aerodynamic optimization by design space dimension reduction and co-kriging
CN110110396B (zh) 有限元模型修正过程中克服模态交换的方法
US8271518B2 (en) Nearest neighbor search method
CN111783236A (zh) 基于自适应模型和子集模拟的涡轮机匣灵敏度分析方法
Zhou et al. An active learning variable-fidelity metamodeling approach for engineering design
CN118094250B (zh) 注意力信息增强的径向基函数优化设计方法
CN118052167B (zh) 一种多维相关响应的流场模型构建方法
Tang et al. Forming Parameter Optimization based on Kriging Model and Genetic Algorithm

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