基于计算智能的指尖密封性能优化研究.doc

基于计算智能的指尖密封性能优化研究 常亚萍 林铃 邹宽城 长春工业大学， 长春 （130012） E-mail:chan163.com 摘要：本文的研究获得了良好的指尖密封结构，为指尖密封性能的提高提供了更多的选择。本文所提出的优化技术，也为工程领域中，复杂，多变量，尤其是优化设计目标无法或难以表示成设计变量的显函数的多目标优化问题的求解提供了新的思路和技术手段。 关键词：指尖密封 计算智能 多目标优化 本文借助于有限元分析软件建立指尖密封性能有限元分析的参数化模型[1]，提出了指尖密封封严性能和使用寿命的数学指标。借助于神经网络建立起指尖密封的性能优化指标和结构设计变量之间函数关系，并把训练好的网络集成的遗传算法中去，作为遗传算法适应度值的求解模块。 1 引言 将指尖密封的结构设计变量作为BP神经网络的输入，将指尖密封的优化指标作为BP神经网络的输出，借助于ANSYS软件进行有限元分析获得一定数目的训练样本，利用训练样本对BP神经网络进行训练[2]，就可以建立指尖密封优化指标与结构设计变量之间的非线性映射关系。因此，可以将之集成到遗传算法中，代替通常的有限元分析程序，作为个体适应度值的求解模块。在优化计算过程中，遗传算法将个体的解码值(指尖密封结构设计变量)作为BP神经网络的输入，经神经网络计算，即可近似的输出对应的优化目标函数值，遗传算法根据BP神经网络的输出计算个体的适应度值[3]，进而对个体进行评估，在此基础上，执行遗传、进化操作，实现寻优过程。与通过有限元分析来获得个体适应度相比，利用BP神经网络进行个体适应度评估，大大减少了计算量，优化速度要快几个数量级。其具体实现步骤如下: (1)确定优化目标、设计变量和约束条件; (2)建立BP神经网络的训练样本集与测试样本集; (3)利用训练样本集对BP神经网络进行训练，建立指尖密封优化指标与结构设计变量之间的函数映射关系，利用测试样本对BP神经网络的性能进行测试; (4)利用遗传算法的世代繁衍、优胜劣汰进行全局寻优，并将训练好的BP神经网络集成到遗传算法中去，利用其所建立的指尖密封优化指标与结构设计变量之间的函数映射关系，提供遗传算法在寻优过程中对个体进行适应度值评估时所需要的目标函数值信息。 2．算例分析 在训练神经网络的阶段主要的工作有两个，一个是样本准备，另一个是神经网络的训练。 （1）样本的准备：利用有限元优化的结果，盲孔处的最大应力和对应的盲孔深度和盲孔直径去训练神经网络。 （2）隐含层采用S(Sigmold)型激活,而输出层采用线性激活函数。利用Levenberg-Marquardt算法训练神经网络。 3．把训练好的神经网络用作近似分析工具，与遗传算法相结合，进行盲孔优化。 （1）编码：编码是连接问题与算法的桥梁。由于二进制编码存在精度低、收敛速度慢和不能直接反映真实的设计空间等问题，本文采用实数编码。这种编码方式可以改善算法的计算复杂性，提高运算效率。 （2）初始群体的选取 为了保证进化过程能够达到所有状态的遍历，使最优解在遗传算法的进化中最终得以生存，本文采用随机选取生成初始群体的方法。另外，为了兼顾提高计算效率和避免不成熟收敛现象，群体的规模设定为l0。 （3）适应度函数 训练好的BP神经网络集成到遗传算法中去，利用其所建立的指尖密封性能优化指标与结构设计变量之间的函数映射关系，提供遗传算法在寻优过程中对个体进行适应度值评估时所需要的目标函数值信息。 （4）选择算子 为提高遗传算法的运行效率及保证其收敛性，本文采取适应度比例方法与最佳个体保留方法相结合的策略，即最优个体不进行交叉和变异操作，直接保留至下一代。 （5）交叉算子 用实数编码方法所表示的个体，在进行交叉操作时一般是进行算术交叉。 （6）变异算子 为了提高遗传算法局部搜索能力和收敛速度，用实数编码方法所表示的个体在进行变异操作时，本文采用了自适应变异与非均匀变异相结合的方法，即算法运行的初期阶段变异概率较大，有利于产生新的个体;算法运行的后期阶段变异概率较小，有利于进行局部搜索;控制变异的程度，使变异步长随着进化代数增加而减小。 优化所得的指尖密封结构参数为指尖曲梁型线控制点纵坐标 y=28.2378mm、指尖 片轴向尺寸:z=0.1789mm。 [1] 龚曙光.ANSYS基础应用及范例解析.北京：机械工运恩出版社。2003.1 [2] 闻新，周露.Matlab神经网络仿真与应用.科学出版社，2003 [3]周明，孙树栋.遗传算法原理及应用.北京：国防科技工业出版社,1999 Optimization Research On Performance Of Finger