一種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法
【專利摘要】本發(fā)明公開一種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，包括以下步驟：選擇封嚴結(jié)構(gòu)的待優(yōu)化參數(shù)，并確定待優(yōu)化參數(shù)的優(yōu)化范圍；以最少泄露和最低磨損為優(yōu)化目標，構(gòu)造適應(yīng)度函數(shù)；進行變工況實驗，制成支持向量機的數(shù)據(jù)樣本；基于訓練樣本對支持向量機參數(shù)進行訓練，建立刷式封嚴的支持向量機代理模型；利用遺傳算法對刷式封嚴結(jié)構(gòu)進行優(yōu)化，確定待優(yōu)化參數(shù)的最優(yōu)值。本發(fā)明克服了刷式封嚴現(xiàn)有單目標優(yōu)化方法的不足，提供了一種代理模型精度高，全局優(yōu)化能力強，具有高魯棒性的多目標優(yōu)化方法。
【專利說明】
一種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于刷式封嚴技術(shù)領(lǐng)域，特別涉及一種適合于刷式封嚴結(jié)構(gòu)的多目標優(yōu)化 方法。
【背景技術(shù)】
[0002] 低油耗、高推重比、高可靠性和耐久性是現(xiàn)代航空燃氣渦輪發(fā)動機的發(fā)展趨勢。但 發(fā)動機內(nèi)部溫度和壓比的逐年升高，使得內(nèi)流系統(tǒng)的泄露問題日益嚴重。為了降低泄露損 失，提升發(fā)動機的整體性能，采用高效率的封嚴裝置顯得尤為重要。刷式封嚴技術(shù)從20世紀 80年代初開始逐漸發(fā)展成熟起來，它是一種性能優(yōu)異的新式密封技術(shù)，在相同條件下，刷式 封嚴的泄漏水平只有典型篦齒封嚴結(jié)構(gòu)的50%甚至20~10%，因此僅把發(fā)動機某些關(guān)鍵部 位的篦齒封嚴換成刷式封嚴，就可以使發(fā)動機的推力增加1~3%，耗油率降低3~5%。密封 性能和抗磨損性能是評價刷式封嚴性能的兩個主要指標。然而，密封性能的提升會以降低 抗磨損性能為代價，譬如刷絲直徑的增加會減弱磨損，但造成了密封性能的下降，刷絲層數(shù) 的增多會抑制泄露，但加速了磨損。如何針對刷式封嚴結(jié)構(gòu)進行優(yōu)化以實現(xiàn)密封性能和抗 磨損性能的協(xié)同最優(yōu)具有重要的現(xiàn)實意義。
[0003] 支持向量機方法以統(tǒng)計學習中的VC維理論和結(jié)構(gòu)風險最小原理為基礎(chǔ)，根據(jù)樣本 信息在模型的復雜性和學習能力之間尋求最佳折中，尤其適合于具有小樣本特征的非線性 關(guān)系擬合。遺傳算法是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的 計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是提供一種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，克服刷式封嚴現(xiàn)有單 目標設(shè)計方法的不足，提供一種代理模型精度高，全局優(yōu)化能力強，具有高魯棒性的優(yōu)化方 法。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：
[0006] -種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，包括以下步驟：
[0007] 步驟1，選擇封嚴結(jié)構(gòu)的待優(yōu)化參數(shù)，并確定待優(yōu)化參數(shù)的優(yōu)化范圍；
[0008] 步驟2，以最少泄露和最低磨損為優(yōu)化目標，構(gòu)造適應(yīng)度函數(shù)；
[0009] 步驟3,進行變工況實驗，制成支持向量機的數(shù)據(jù)樣本；
[0010] 步驟4,基于訓練樣本對支持向量機參數(shù)進行訓練，建立刷式封嚴的支持向量機代 理模型；
[0011] 步驟5,利用遺傳算法對刷式封嚴結(jié)構(gòu)進行優(yōu)化，確定待優(yōu)化參數(shù)的最優(yōu)值。
[0012] 進一步的，步驟1中，所述待優(yōu)化參數(shù)選擇包括刷絲直徑，刷絲層數(shù)，后擋板保護高 度，刷束自由高度;刷絲直徑的優(yōu)化范圍為〇 . 09~0.2mm，刷絲層數(shù)的優(yōu)化范圍為6~14層， 后擋板高度的優(yōu)化范圍為〇. 78~2.68_，刷束自由高度的優(yōu)化范圍為2.64~15.14_。
[0013] 進一步的，步驟2中，對于最少泄露和最低磨損兩個優(yōu)化目標，分別賦予0.7和0.3 的權(quán)重。
[0014] 進一步的，步驟3中，支持向量機的輸入向量為刷絲直徑，刷絲層數(shù)，后擋板保護高 度，刷束自由高度;輸出量分別為泄露量和磨損量；
[0015] 制作支持向量機數(shù)據(jù)樣本的步驟為：
[0016] 步驟3.1，針對刷絲直徑，刷絲層數(shù)，后擋板高度及刷束自由高度進行隨機組合，進 行100組變工況實驗；
[0017]步驟3.2,從100組實驗數(shù)據(jù)中選取80組作為支持向量機的訓練樣本，剩余20組數(shù) 據(jù)作為支持向量機的檢測樣本；
[0018] 步驟3.3，針對實驗數(shù)據(jù)進行歸一化處理，歸一化方法如下：
[0019]
[0020] 式中，Xmax為輸入數(shù)據(jù)的最大值，1_為輸入數(shù)據(jù)的最小值，X為輸入數(shù)據(jù)，i為歸一 化后的數(shù)據(jù)。
[0021 ]進一步的，步驟4中，所述的支持向量機代理模型表述為：
[0022]
[0023] 其中，X為訓練樣本中的輸入矢量，y為訓練樣本中的輸出量，下標i和j表示訓練樣 本的編號，ker( ·)為核函數(shù)，N=80;系數(shù)ai*通過求解下列最優(yōu)化問題確定：
[0026]式中，c為懲罰因子，b*與a*的數(shù)值關(guān)系為：
[0024]
[0025]
[0027]
[0028]進一步的，步驟4中，所述的支持向量機代理模型，選擇徑向基函數(shù)為核函數(shù)：
[0029]
[0030]其中，S為徑向基系數(shù)。
[0031]進一步的，步驟4中，所述的支持向量機代理模型，懲罰因子和徑向基系數(shù)通過試 錯法確定。
[0032]進一步的，步驟5的具體步驟是：
[0033]步驟5.1，初始化待優(yōu)化參數(shù)，設(shè)置最大進化代數(shù)，生成初始群體；
[0034]步驟5.2,計算群體中個體的適應(yīng)度；
[0035]步驟5.3，針對群體進行選擇，交叉和變異運算，生成新的群體；
[0036] 步驟5.4，計算新群體中個體的適應(yīng)度；
[0037] 步驟5.5，判斷是否滿足優(yōu)化結(jié)束條件，若不滿足，則返回步驟5.2。
[0038] 進一步的，步驟5.3中，交叉概率和變異概率隨著進化代數(shù)的變化而變化，初始交 叉概率P J和變異概率Pm1為：
[0039]
[0040]
[0041] 式中，f'為交叉兩個體較大的適應(yīng)度函數(shù)值，f為個體對應(yīng)的適應(yīng)度函數(shù)值，favg為 樣本的平均適應(yīng)度，f max為樣本個體的最大適應(yīng)度；
[0042] 交叉概率和變異概率隨進化代數(shù)的變化規(guī)律分別為：
[0043]
[0044]
[0045] 式中，t為進化代數(shù)，Uax為最大進化代數(shù)，λ=1〇。
[0046] 進一步的，步驟5.5中，當進化代數(shù)大于2000時，結(jié)束優(yōu)化過程。
[0047]本發(fā)明的有益效果是：
[0048] 本發(fā)明采用的技術(shù)方案與現(xiàn)有技術(shù)方案相比，具有以下效果：
[0049] 1)本發(fā)明全局優(yōu)化能力強:遺傳算法是一種通過模擬自然進化過程搜索最優(yōu)解的 方法，具有很強的全局搜索性能，收斂速度快，能夠有效避免陷入局部極值點。
[0050] 2)本發(fā)明代理模型精度高:支持向量機以統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最 小原理為基礎(chǔ)，能夠針對系統(tǒng)的非線性關(guān)系進行深度的數(shù)據(jù)挖掘，具有計算負荷小，計算精 度高的優(yōu)點。
[0051] 3)本發(fā)明魯棒性高:本發(fā)明不強調(diào)算法參數(shù)的設(shè)置和初始解的質(zhì)量，即使起步于 劣質(zhì)解，最終也可以搜索到問題的全局最優(yōu)值，具有較高的適應(yīng)性和魯棒性。
【附圖說明】
[0052]圖1為遺傳算法流程圖；
[0053]圖2為優(yōu)化過程中適應(yīng)度變化圖。
【具體實施方式】
[0054]下面結(jié)合圖和具體實施例對本發(fā)明提供的刷式封嚴多目標優(yōu)化方法進行詳細說 明。
[0055]步驟1，選擇刷絲直徑，刷絲層數(shù)，后擋板保護高度，刷束自由高度為封嚴結(jié)構(gòu)的待 優(yōu)化參數(shù);確定待優(yōu)化參數(shù)的優(yōu)化范圍：刷絲直徑的優(yōu)化范圍為〇. 09~0.2mm，刷絲層數(shù)的 優(yōu)化范圍為6~14層，后擋板高度的優(yōu)化范圍為0.78~2.68mm，刷束自由高度的優(yōu)化范圍為 2·64~15·14mm〇
[0056] 步驟2，以最少泄露和最低磨損為優(yōu)化目標，分別賦予0.7和0.3的權(quán)重，構(gòu)造適應(yīng) 度函數(shù)。
[0057]步驟3，依據(jù)表1中的實驗方案針對刷絲直徑，刷絲層數(shù)，后擋板高度及刷束自由高 度進行組合，進行刷式封嚴的變工況數(shù)值實驗，獲取100組實驗數(shù)據(jù)，前80組作為支持向量 機的訓練樣本，后20組為支持向量機的檢測樣本。支持向量機輸入向量為刷絲直徑，刷絲層 數(shù)，后擋板保護高度，刷束自由高度;輸出量分別為泄露量和磨損量。
[0058] 表1實駘方案設(shè)計表



[0063] 對訓練樣本和檢測樣本進行歸一化處理，歸一化方法如下：
[0064]
[0065]式中，Xmax為輸入數(shù)據(jù)的最大值，Xmin為輸入數(shù)據(jù)的最小值，X為輸入數(shù)據(jù)，f為歸一 化后的數(shù)據(jù)。
[0066] 步驟4，調(diào)用Matlab支持向量機工具箱中的SVR函數(shù)對支持向量機進行訓練，調(diào)用 Matlab支持向量機工具箱中的SVR0UTPUT函數(shù)對支持向量機的泛化能力進行測試，懲罰因 子和徑向基系數(shù)通過試錯法確定。
[0067] 其中，支持向量機代理模型表述為：
[0068]
[0069 ]其中，X為訓練樣本中的輸入矢量，y為訓練樣本中的輸出量，下標i和j為訓練樣本 的編號，ker( ·)為核函數(shù)，N=80;系數(shù)ai*通過求解下列最優(yōu)化問題確定： λΤ λ ? ^
[0070]
[0071]
[0072]
[0073]
[0074]
[0075]
[0076] 其中，δ為徑向基系數(shù)。
[0077] 步驟5,基于遺傳算法對刷式封嚴結(jié)構(gòu)進行優(yōu)化，遺傳算法的流程圖見圖1，具體步 驟如下：
[0078] 步驟，5.1調(diào)用Mal tab遺傳算法GADS工具箱中的crtbp函數(shù)進行編碼和種群的生成 操作，利用Totalcost函數(shù)計算初始種群個體的適應(yīng)度；
[0079] 步驟5.2調(diào)用Maltab遺傳算法GADS工具箱中的ranking函數(shù)進行適應(yīng)度的分配，調(diào) 用select函數(shù)進行選擇操作；
[0080] 步驟5.3調(diào)用Matlab遺傳算法GADS工具箱中的recombin函數(shù)進行交叉操作，初始 交叉概率選擇為：
[0081]
[0082 ]式中，f '為交叉兩個體較大的適應(yīng)度函數(shù)值，f為個體對應(yīng)的適應(yīng)度函數(shù)值，f avg為 樣本的平均適應(yīng)度，fmax為樣本個體的最大適應(yīng)度。交叉概率隨進化代數(shù)的變化規(guī)律為：
[0083]
[0084] 式中，t為進化代數(shù)，Uax為最大進化代數(shù)。
[0085] 步驟5.4調(diào)用Matlab遺傳算法GADS工具箱中的mut函數(shù)進行變異操作，初始變異概 率選擇為：
[0086]
[0087] '
[0088]
[0089]其中，λ=1〇。
[0090] 步驟5.5調(diào)用Mat Iab遺傳算法GADS工具箱中的Total cost函數(shù)計算子代適應(yīng)度;并 利用reins函數(shù)進行重插入；
[0091 ]步驟5.6當進化代數(shù)大于等于2000時，停止進化過程，若不滿足該條件，則返回至 步驟5.1。
[0092] 圖2為優(yōu)化過程中適應(yīng)度變化圖，通過優(yōu)化，泄露量較參考值下降了56%，磨損量 下降了 32%。最優(yōu)的刷絲直徑為0.18mm，刷絲層數(shù)為12層，后擋板高度的設(shè)計范圍為2.3mm， 刷束自由高度的設(shè)計范圍為8.93mm。
[0093] 以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當指出：對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應(yīng) 視為本發(fā)明的保護范圍。
【主權(quán)項】
1. 一種刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:包括W下步驟： 步驟1，選擇封嚴結(jié)構(gòu)的待優(yōu)化參數(shù)，并確定待優(yōu)化參數(shù)的優(yōu)化范圍； 步驟2，W最少泄露和最低磨損為優(yōu)化目標，構(gòu)造適應(yīng)度函數(shù)； 步驟3，進行變工況實驗，制成支持向量機的數(shù)據(jù)樣本； 步驟4,基于訓練樣本對支持向量機參數(shù)進行訓練，建立刷式封嚴的支持向量機代理模 型； 步驟5，利用遺傳算法對刷式封嚴結(jié)構(gòu)進行優(yōu)化，確定待優(yōu)化參數(shù)的最優(yōu)值。2. 根據(jù)權(quán)利要求1所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟1中，所述 待優(yōu)化參數(shù)選擇包括刷絲直徑，刷絲層數(shù)，后擋板保護高度，刷束自由高度;刷絲直徑的優(yōu) 化范圍為0.09~0.2mm，刷絲層數(shù)的優(yōu)化范圍為6~14層，后擋板高度的優(yōu)化范圍為0.78~ 2.68mm，刷束自由高度的優(yōu)化范圍為2.64~15.14mm。3. 根據(jù)權(quán)利要求1所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟2中，對于 最少泄露和最低磨損兩個優(yōu)化目標，分別賦予0.7和0.3的權(quán)重。4. 根據(jù)權(quán)利要求1所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟3中，支持 向量機的輸入向量為刷絲直徑，刷絲層數(shù)，后擋板保護高度，刷束自由高度;輸出量分別為 泄露量和磨損量； 制作支持向量機數(shù)據(jù)樣本的步驟為： 步驟3.1，針對刷絲直徑，刷絲層數(shù)，后擋板高度及刷束自由高度進行隨機組合，進行 100組變工況實驗； 步驟3.2,從100組實驗數(shù)據(jù)中選取80組作為支持向量機的訓練樣本，剩余20組數(shù)據(jù)作 為支持向量機的檢測樣本； 步驟3.3，針對實驗數(shù)據(jù)進行歸一化處理，歸一化方法如下：式中，Xmax為輸入數(shù)據(jù)的最大值，Xmin為輸入數(shù)據(jù)的最小值，X為輸入數(shù)據(jù)，文為歸一化后 的數(shù)據(jù)。5. 根據(jù)權(quán)利要求1所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟4中，所述 的支持向量機代理模型表述為：其中，X為訓練樣本中的輸入矢量，y為訓練樣本中的輸出量，下標i和j表示訓練樣本的 編號，ke;r( ·)為核函數(shù)，N=80;系數(shù)ai*通過求解下列最優(yōu)化問題確定：式中，C為懲罰因子，b*與a*的數(shù)值關(guān)系為：.白6. 根據(jù)權(quán)利要求5所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟4中，所述 的支持向量機代理模型，選擇徑向基函數(shù)為核函數(shù)：其中，δ為徑向基系數(shù)。7. 根據(jù)權(quán)利要求6所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟4中，所述 的支持向量機代理模型，懲罰因子和徑向基系數(shù)通過試錯法確定。8. 根據(jù)權(quán)利要求1所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于：步驟5的具體 步驟是： 步驟5.1，初始化待優(yōu)化參數(shù)，設(shè)置最大進化代數(shù)，生成初始群體； 步驟5.2,計算群體中個體的適應(yīng)度； 步驟5.3，針對群體進行選擇，交叉和變異運算，生成新的群體； 步驟5.4，計算新群體中個體的適應(yīng)度； 步驟5.5，判斷是否滿足優(yōu)化結(jié)束條件，若不滿足，則返回步驟5.2。9. 根據(jù)權(quán)利要求8所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于:步驟5.3中，交 叉概率和變異概率隨著進化代數(shù)的變化而變化，初始交叉概率?。1和變異概率Pmi為：式中，f'為交叉兩個體較大的適應(yīng)度函數(shù)值，f為個體對應(yīng)的適應(yīng)度函數(shù)值，favg為樣本 的平均適應(yīng)度，fmax為樣本個體的最大適應(yīng)度； 交叉概率和變異概率隨進化代數(shù)的變化規(guī)律分別為：式中，t為進化代數(shù)，tmax為最大進化代數(shù)，λ= 10。10. 根據(jù)權(quán)利要求8所述的刷式封嚴結(jié)構(gòu)的多目標優(yōu)化方法，其特征在于：步驟5.5中， 當進化代數(shù)大于2000時，結(jié)束優(yōu)化過程。
【文檔編號】G06F17/50GK105844054SQ201610232244
【公開日】2016年8月10日
【申請日】2016年4月14日
【發(fā)明人】王春華, 張靖周, 周君輝
【申請人】南京航空航天大學