液力变矩器的叶片数神经网络模型.pdfVIP

第 49卷 第 7期 西 安 交 通 大 学 学 报 Vo1．49 NO．7 2015年 7月 JOURNALOFXI’AN JIAOTONG UNIVERSITY Ju1．2015 DOI：10．7652／xjtuxb201507003 液力变矩器的叶片数神经网络模型 王安麟 ，孟庆华 ， 曹岩 ，韩继斌 (1．同济大学机械与能源工程学 院，201804，上海 ；2．山推工程机械股份有限公司，272073，山东济宁) 摘要 ：针对一元束流理论无法量化表达叶片数对液力变矩器性能影响的缺陷和基于三维流体解析 的液力变矩器叶片数设计 中大组合 、大计算量等难题 ，提 出液力变矩器的叶片数神经网络模型。在 结合 台架试验数据确认三维流体解析结果准确的基础上，利用正交试验法合理地安排试验 ，并以三 维流体仿真结果作为反向传播 网络的训练样本 ；为提 高反 向传播 网络的设计效率及收敛精度 ，引入 遗传算法来优化反 向传播 网络的初始权重 ，训练后的反 向传播 网络可 以对非训练样本集合的液力 变矩器性能实现准确预测。研 究结果表 明，叶片数神 经网络模型是基于整机性能 匹配的液力变矩 器定制化设计的桥梁，对提升整机作业效率具有重要的工程应用价值 。 关键词 ：液力变矩器；叶片数 ；反向传播网络；遗传算法 中图分类号 ：TH137 文献标志码 ：A 文章编号 ：0253-987X(2015)07—00l1—06 BladeNumberNeuralNetworksM odelofHydraulicTorqueConverter W ANGAnlin ，MENG Qinghua，CAO Yan ，HAN Jibin。 (1．SchoolofMechanicalEngineering，TongjiUniversity，Shanghai201804，China 2．ShantuiConstructionMachineryCo．，Ltd．，Jining，Shandong272073。China) Abstract：One—dimensionalflow bundletheoryisunabletoquantitativelypredicttheinfluenceof bladenumberonhydraulictorqueconverterperformance．Andthereexistvariouscombinations andhugecalculationsin bladenumberdesign basedon 3D fluidanalysis．Thusabladenumber neuralnetworksmodelofhydraulictorqueconverterwasconstructed．Theaccuracyof3D fluid analysisresultswas confirmed in comparison with thebench testdata，and simulationswere arrangedreasonablybyorthogonalexperimentmethod．3D fluidsimulationresultswereregarded asthetrainingsamplesofbackpropagation (BP)neuralnetworks．Toimprovedesignefficiency andconvergenceaccuracy，geneticalgorithm wasintroduced for optimizing initialweightsand thresholdsofBP neuralnetworks，which achievedaccuratepredictionsfornon—trainingsample sets．The experimentsshow thatbladenumberneuralnetworksmodelservesasa bridgefor hydr