CN105022871A - 基于神经网络与整机的液力变矩器叶片数优化方法 - Google Patents

Abstract

本发明公开了一种基于神经网络与整机的液力变矩器叶片数优化设计方法，建立叶片数神经网络模型与整机系统的数字模型相结合以对叶片数进行优化，包括以下步骤：以液力变矩器泵轮、涡轮和导轮叶片数作为输入变量，利用正交试验法合理安排试验，以三维流体仿真的泵轮转矩和涡轮转矩作为神经网络训练样本的目标向量，由此确定了神经网络的结构和训练样本；为提高神经网络的设计效率与收敛精度，引入遗传算法对神经网络初始权值和阈值进行优化，训练后的神经网络，对非训练样本集合的液力变矩器性能实现准确预测；将叶片数神经网络模型与整机系统的数字化模型相结合对叶片数进行优化。本发明方法对提升整机作业效率具有重要工程应用价值。

Description

基于神经网络与整机的液力变矩器叶片数优化方法

技术领域

本发明属于流体旋转机械结构设计领域，涉及基于神经网络与整机的液力变矩器叶片数优化方法。

背景技术

液力变矩器广泛应用于车辆和工程机械。由于液力传动的效率较机械传动低，且液力变矩器介质需要散热，使其结构复杂，体积和重量大，成本高。但液力变矩器具有良好的自适应性能和低速稳定性，可以提高车辆的使用寿命和通过性，并且液力变矩器可以实现无级调速，提高驾驶员的舒适性，简化操作。由于液力传动具有其他传动形式所不能比拟的优越性，因此，液力变矩器在车辆中的应用越来越广泛。

液力变矩器叶栅系统直接决定液力变矩器的性能，叶栅系统参数主要包括为叶片的叶片角、叶片厚度和叶片数等。目前液力变矩器的性能计算多采用一维束流理论和三维流场解析。一元束流理论将液力变矩器内部复杂的三维黏性流动简化成一维束流运动，应用欧拉方程进对液力变矩器性能进行求解。由于一维束流理论假设液力变矩器叶片无限薄、叶片数无限多，故难以考虑叶片数这一重要参数对液力变矩器的影响；液力变矩器内流体的实际流动是非定常的、三维的、不可压缩的、黏性流体的流动，所以三维流体解析才能够更为真实地模拟流体在液力变矩器流道的流动情况。随着流体动力学(CFD)软件的大量出现和功能日益完善，使三维黏性流动仿真技术越来越成熟。三维流体仿真避免了一元束流理论中的许多简化和假设，能够较准确地模拟液力变矩器内部流体的真实流动，反映出液力变矩器宏观效果的微观原因，进而求得其性能参数，能够对不同叶片数的液力变矩器性能实现较为准确的预测，但三维流场解析耗时较长，所需计算机内存较大，从而难以全面的考虑叶片数对液力变矩器性能的影响。

传统液力变矩器叶片数优化设计方法的目标是为了提高液力变矩器的静态性能，但整机作业效率不仅与液力变矩器的性能有关，还与整机的外部载荷、整机的档位、发动机与液力变矩器的匹配情况等有关，单纯的提高液力变矩器的性能并不一定会提高整机的效率，因此需将液力变矩器放在整机系统中对其进行优化，而实验周期长，成本高，所以需要建立整机系统的数字化模型以仿真代替实验。然而由于一元束流理论无法建立叶片数与液力变矩器性能的数学模型，无法实现在整机系统的数字化模型中优化液力变矩器的叶片数，故需建立叶片数神经网络模型，可以与整机系统的数字化模型相结合对叶片数进行优化，实现液力变矩器的数字化和定制化设计。

发明内容

本发明的目的是提供一种基于神经网络与整机的液力变矩器叶片数优化设计方法，解决液力变矩器叶片数的优化设计中主配(主机和零部件)分离的问题。采用三层BP神经网络建立叶片数神经网络模型作为液力变矩器性能与叶片数的数学模型，弥补一元束流理论无法对不同叶片数的液力变矩器性能进行量化预测的缺陷，实现与整机系统的数字化模型相结合，从而在整机系统中优化叶片数，达到液力变矩器数字化和定制化设计的目的。

为达到上述目的，本发明采用的技术方案是：

一种基于神经网络与整机的液力变矩器叶片数优化方法，将液力变矩器放在整机系统的数字化模型中，以整机效率的提高作为优化目标进行叶片数的优化，为与整机系统的数字化模型相结合，采用三层BP神经网络建立叶片数神经网络模型，即相当于建立了液力变矩器性能与叶片数和泵轮涡轮转速的如下函数关系：

$\left(T_B^N,T_W^N\right)=f\left(N_B,N_W,N_D,n_B,n_W\right)$

式中：神经网络预测的泵轮转矩；为神经网络预测的涡轮转矩；N_B为泵轮叶片数；N_W为涡轮叶片数；N_D为导轮叶片数；n_B为泵轮转速；n_W为涡轮转速。

进一步，包括以下步骤：

步骤1、试验设计，即采用正交试验法科学合理地设计试验，以较少试验次数代替全面试验，从而解决不同叶轮叶片数的大组合问题和CFD仿真的大计算量难题，并保证训练样本的均衡分散，整齐可比特点，确保叶片数神经网络模型的学习效果；

步骤2、确定训练样本，即根据步骤1中设计的试验，运用CAD/CFD软件建模仿真获得泵轮转矩和涡轮转矩作为叶片数神经网络模型训练样本的目标向量，由泵轮叶片数、涡轮叶片数、导轮叶片数、泵轮转速和涡轮转速组成输入向量，从而确定了叶片数神经网络模型所需的训练样本；

步骤3、确定神经网络结构，即根据输入变量和输出变量的个数可以确定叶片数神经网络模型的输入层和输出层神经元个数，根据Kolmogorov定理及仿真经验确定叶片数神经网络模型中间层的神经元个数，从而确定了叶片数神经网络模型的结构参数；

步骤4、遗传算法优化，即为了解决神经网络学习算法存在易于陷入局部极值点且对初始权值和阈值较为敏感的缺点，采用遗传算法对神经网络初始权值和阈值进行优化，提高网络的设计效率和收敛精度。

步骤5、训练神经网络，即将步骤4中优化后的初始权值和阈值作为神经网络的初始权值和阈值进行训练，训练后的神经网络即为叶片数神经网络模型，从而建立了叶片数与液力变矩器性能的定量关系；

步骤6、神经网络预测，即为了确保步骤5中训练后的叶片数神经网络模型具有较高的预测精度和泛化能力，将非训练样本集合的数据作为测试样本，采用叶片数神经网络模型进行预测，验证叶片数神经网络模型的预测精度；

步骤7、基于整机的叶片数优化，即将整机系统的数字化模型与叶片数神经网络模型结合，将叶片数作为优化变量，将整机系统效率作为优化目标，在整机系统中进行优化。

不同叶轮叶片数的组合方案采用正交试验法设计，在每种组合方案下，泵轮转速的确定是其变化范围内均匀的取若干个点，而涡轮转速的确定是泵轮转速乘传动比。其中传动比从0到1变化，间隔0.1，由此确定叶片数神经网络模型的输入向量。

由于采用上述方案，本发明的有益效果是：

1.实现了对不同叶片数的液力变矩器性能进行量化预测，建立了叶片数与液力变矩器性能的数学模型，从而可以作为优化设计的工具。

2.将液力变矩器的叶片数神经网络模型与整机系统的数字化模型相结合，从而可以以整机的效率提升作为优化目标，在整机系统中优化叶片数，实现液力变矩器的数字化和定制化设计。

附图说明

图1为本发明实施例叶片数神经网络模型结构示意图。

图2为遗传算法优化BP网络初始权值和阈值流程图。

图3为训练误差曲线图。

图4为泵轮转矩比较图。

图5为涡轮转矩比较图。

图6为主配结合框图。

具体实施方式

以下结合附图所示实施例对本发明作进一步的说明。

本发明为一种基于神经网络与整机的液力变矩器叶片数优化设计方法。将液力变矩器放在整机系统的数字化模型中，以整机效率的提高作为优化目标进行叶片数的优化。为与整机系统的数字化模型相结合，采用三层BP神经网络建立叶片数神经网络模型，即相当于建立了液力变矩器性能与叶片数和泵轮涡轮转速的函数关系，如下：

$\left(T_B^N,T_W^N\right)=f\left(N_B,N_W,N_D,n_B,n_W\right)$

式中：为神经网络预测的泵轮转矩；为神经网络预测的涡轮转矩；N_B为泵轮叶片数；N_W为涡轮叶片数；N_D为导轮叶片数；n_B为泵轮转速；n_W为涡轮转速。

基于神经网络与整机的液力变矩器叶片数优化设计方法包括如下步骤：

步骤1、试验设计，即采用正交试验法科学合理地设计试验，以较少试验次数代替全面试验，从而解决不同叶轮叶片数的大组合问题和CFD仿真的大计算量难题，并保证训练样本的均衡分散，整齐可比特点，确保叶片数神经网络模型的学习效果；

步骤2、确定训练样本，即根据步骤1中设计的试验，运用CAD/CFD软件建模仿真获得泵轮转矩和涡轮转矩作为叶片数神经网络模型训练样本的目标向量，由泵轮叶片数、涡轮叶片数、导轮叶片数、泵轮转速和涡轮转速组成输入向量，从而确定了叶片数神经网络模型所需的训练样本；

步骤3、确定神经网络结构，即根据输入变量和输出变量的个数可以确定叶片数神经网络模型的输入层和输出层神经元个数，根据Kolmogorov定理及仿真经验确定叶片数神经网络模型中间层的神经元个数，从而确定了叶片数神经网络模型的结构参数；

步骤4、遗传算法优化，即为了解决神经网络学习算法存在易于陷入局部极值点且对初始权值和阈值较为敏感的缺点，采用遗传算法对神经网络初始权值和阈值进行优化，提高网络的设计效率和收敛精度。

步骤5、训练神经网络，即将步骤4中优化后的初始权值和阈值作为神经网络的初始权值和阈值进行训练，训练后的神经网络即为叶片数神经网络模型，从而建立了叶片数与液力变矩器性能的定量关系；

步骤6、神经网络预测，即为了确保步骤5中训练后的叶片数神经网络模型具有较高的预测精度和泛化能力，将非训练样本集合的数据作为测试样本，采用叶片数神经网络模型进行预测，验证叶片数神经网络模型的预测精度；

步骤7、基于整机的叶片数优化，即将整机系统的数字化模型与叶片数神经网络模型结合，将叶片数作为优化变量，将整机系统效率作为优化目标，在整机系统中进行优化。

下面结合实施例作进一步详细的描述：

(1)正交试验法设计试验方案

取泵轮叶片数、涡轮叶片数、导轮叶片数为变量，如果进行全面试验设计，CFD仿真试验次数过多，由于CFD三维流体解析对计算机内存要求高、耗时长，进行全面试验是不可行的。试验设计是科学合理地安排试验，以较少试验次数代替全面试验，从而进行优化的技术。正交试验法是应用一种由数码组成的排列均衡的表(称为“正交表”)来安排试验进行优化的科学方法。试验设计中，对试验指标有影响的参数称为因子，把因子变化的各种状态和条件称为因子的水平。正交试验设计是研究多因子多水平试验的一种设计方法，根据正交性从全面试验中挑选出部分具备“均匀分散，齐整可比”特点的试验代替全面试验，是一种高效率、快速、经济的试验设计方法，以便减少试验次数。液力变矩器轮系叶片数的试验设计有泵轮叶片数N_B、涡轮叶片数N_W、导轮叶片数N_D三个变量，每个变量分别取三个水平，如表1所示，因此选用的正交表为L₉(3⁴)正交表，以9组试验代替全面试验。根据正交表在CAD软件中建出9个液力变矩器三维模型作为训练样本模型。

表1

(2)训练样本的确定

CFD三维仿真是把泵轮和涡轮转速作为输入，仿真得到泵轮和涡轮的转矩，从而可算得效率、变矩比等性能参数。本实施例的泵轮叶片数、涡轮叶片数和导轮叶片数取值范围分别为18～22，16～20，10～14；泵轮转速n_B变化范围取为1600～2200r·min^-1，涡轮转速n_W的变化范围取为0～2200r·min^-1，使叶片数神经网络模型对此范围内的各变量任意取值均可进行准确预测。由于叶片数和转速的变化范围相差较大，不能将叶片数和转速同时作为变量采用正交试验法安排试验。叶片数神经网路模型的5个输入变量中，3个叶片数变量如(1)所述采用正交试验法安排9次试验，每次试验对应的训练样本模型的泵轮转速从1600～2200r·min^-1变化，在此转速变化范围内均匀地取43个点，涡轮转速为泵轮转速乘传动比i，i取0，0.1，0.2，…，0.9，1，如表2所示为叶片数神经网络模型的输入向量。

表2

(3)叶片数神经网络模型的结构

如图1所示为叶片数神经网络模型的结构示意图。叶片数神经网络模型的输入变量为5个：泵轮叶片数N_B、涡轮叶片数N_W、导轮叶片数N_D、泵轮转速n_B、涡轮转速n_W，输出变量为2个：神经网络预测的泵轮转矩神经网络预测的涡轮转矩目标变量为2个：CFD三维仿真所得泵轮转矩涡轮转矩由此可知BP网络的输入层节点数目为5个，输出层节点数目为2个。隐含层节点数对网络的性能具有较大的影响，节点数过多或过少都会影响网络的收敛精度和泛化能力。目前，仍缺乏理论指导来确定隐含层节点数，节点数往往根据前人设计经验和自己反复进行试验来确定。根据Kolmogorov定理(映射神经网络存在定理)：给定任何连续函数f:[0,1]ⁿ→R^m,y＝f(x)，则f能够被一个三层前向神经网络所实现，其中网络的隐含层节点数为2n+1。由于输入变量为5个，故隐含层节点数为11个。分别设置隐含层节点数为5～25，经过多次仿真试验确定叶片数神经网络模型的隐含层节点数目为15个，因此网络的结构为5-15-2。

(4)基于遗传算法的BP网络初始权重优化与训练

BP网络学习算法存在易于陷入局部极值点等缺陷，而且对初始权重较为敏感。为了防止网络陷入局部极值点迭代提前终止，通常需随机初始网络的权重进行训练，经过大量的仿真对比才可确定性能较好的网络。由于初始权重的确定没有理论依据且随机性大，从而影响了网络的设计效率和收敛精度。

遗传算法(GA)作为一种高效的全局优化算法可以实现并行地对网络初始权重进行优化，引入遗传算法优化BP网络初始权重流程如图2所示。初始一定数量的权重种群，并行地对BP网络进行训练，训练完毕后判断是否满足迭代终止条件，如果不满足，则对种群进行遗传操作，得到进化的权重种群；如果满足，则确定了最优初始权重。

由叶片数神经网络模型的结构可知，输入层到隐含层的权值个数为75个，隐含层阈值个数为15个，隐含层到输出层权值个数为30个，输出层阈值为2个，权重总个数为122，遗传算法采用实数编码方式，因此染色体长度为122，适应度函数为网络预测误差，选择操作采用轮盘赌法，遗传算法的种群规模100，进化代数为50，交叉概率为0.8，变异概率为0.1，设置神经网络的训练次数为1000次，优化得到网络的最优初始权重。在该初始权重下，设置网络的训练误差目标值为0.0001，对网络进行训练，训练误差曲线图3所示。由图可知，网络迭代不到25步网络即已收敛，且具有较高的收敛精度。

随机初始权重需经过大量的仿真对比才可确定具有较高收敛精度的网络，且大多随机初始权重的网络在训练过程中收敛精度低，迭代时间长，影响了网络的设计效率和性能，从而说明引入遗传算法对BP网络初始权重进行优化可以提高网络的设计效率和收敛精度，减少网络的迭代步数。

(4)叶片数神经网络模型的预测

为检验叶片数神经网络模型的泛化能力，取泵轮叶片数、涡轮叶片数、导轮叶片数分别为表3所示，建2组模型作为测试样本模型，泵轮转速从1600～2200r·min^-1变化，在此转速变化范围内均匀地取40个点，涡轮转速为泵轮转速乘传动比i，此处取i为0.7以说明网络的预测精度。

表3

运用叶片数神经网络模型对测试样本进行预测，得到泵轮转矩和涡轮转矩，并与CFD三维仿真结果进行比较，如图4,5所示。由图可知，叶片数神经网络模型预测转矩与CFD三维仿真转矩之间的误差较小，说明了建立的叶片数神经网络模型具有较高的预测精度和泛化能力。

(5)基于整机系统数字化模型的叶片数优化

传统液力变矩器优化设计方法的目标是为了提高液力变矩器的性能，但整机作业效率不仅与液力变矩器的性能有关，还与整机的外部载荷、液力变矩器与发动机的匹配情况、整机的档位等有关，单纯的提高液力变矩器的性能并不一定会提高整机的效率。

目前整机与液力变矩器的配合普遍存在主配(主机与配件)分离问题，即液力变矩器的设计并不是针对某种特定的机型，而每种机型的常用工况和所受载荷差别很大，故迫切需要设计针对某种特定机型的液力变矩器，从而实现基于整机性能匹配的液力变矩器定制化设计，以提高整机的作业效率。故液力变矩器的优化应以提高整机作业效率为目标，而不是单纯地提高液力变矩器的性能，需将液力变矩器与整机进行匹配来评价其性能的好坏。如果进行实验对液力变矩器进行优化势必会带来开发周期长，成本高等缺点，故需建立整机的数字化模型，为保证整机数字化模型的准确性，通过整机试验对整机数字化模型进行标定。为实现液力变矩器与整机数字化模型相结合，需要建立液力变矩器的数学模型。一元束流理论可以建立液力变矩器性能与叶片角的数学关系，但无法建立液力变矩器性能与叶片数的数学模型，因此无法在整机中优化液力变矩器的叶片数。该优化方法建立的叶片数神经网络模型可以实现与整机数字化模型相结合，从而达到在整机中优化叶片数的目的。叶片数神经网络模型与整机的结合框图如图6所示。在整机的数字化平台上实现了整机系统的数字化模型与叶片数神经网络模型相结合，且结合后的整机数字化模型仿真结果与整机试验结果相吻合，从而表明了叶片数神经网络模型的准确性，进而在整机中优化了液力变矩器的叶片数。

本实施例建立了液力变矩器的叶片数神经网络模型，即利用正交试验法合理安排试验，以三维流体仿真结果作为BP网络的训练样本；为提高BP网络的设计效率与收敛精度，引入遗传算法优化BP网络初始权重，训练后的BP网络，对非训练样本集合的液力变矩器性能实现准确预测。将叶片数神经网络模型与整机系统的数字化模型相结合，实现了在整机系统中对叶片数优化。研究表明该发明为基于整机性能匹配的液力变矩器定制化设计提供了方法，对提升整机作业效率具有重要工程应用价值。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于上述的实施例，本领域技术人员根据本发明的揭示，不脱离本发明范畴所做出的改进和修改都应该在本发明的保护范围之内。

Claims (6)

1.一种基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：将液力变矩器放在整机系统的数字化模型中，以整机效率的提高作为优化目标进行叶片数的优化，为与整机系统的数字化模型相结合，采用三层BP神经网络建立叶片数神经网络模型，即相当于建立了液力变矩器性能与叶片数和泵轮涡轮转速的如下函数关系：

$(T_B^N,T_W^N)=f(N_B,N_W,N_D,n_B,n_W)$

式中：神经网络预测的泵轮转矩；为神经网络预测的涡轮转矩；N_B为泵轮叶片数；N_W为涡轮叶片数；N_D为导轮叶片数；n_B为泵轮转速；n_W为涡轮转速。

2.根据权利要求1所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：包括以下步骤：

步骤1、试验设计；采用正交试验法设计试验，以较少试验次数代替全面试验，从而解决不同叶轮叶片数的大组合问题和CFD仿真的大计算量难题，并保证训练样本的均衡分散，整齐可比特点，确保叶片数神经网络模型的学习效果；

步骤2、确定训练样本；根据步骤1中设计的试验，运用CAD/CFD软件建模仿真获得泵轮转矩和涡轮转矩作为叶片数神经网络模型训练样本的目标向量，由泵轮叶片数、涡轮叶片数、导轮叶片数、泵轮转速和涡轮转速组成输入向量，从而确定了叶片数神经网络模型所需的训练样本；

步骤3、确定神经网络结构；根据输入变量和输出变量的个数可以确定叶片数神经网络模型的输入层和输出层神经元个数，根据Kolmogorov定理及仿真经验确定叶片数神经网络模型中间层的神经元个数，从而确定了叶片数神经网络模型的结构参数；

步骤4、遗传算法优化；为了解决神经网络学习算法存在易于陷入局部极值点且对初始权值和阈值较为敏感的缺点，采用遗传算法对神经网络初始权值和阈值进行优化，提高网络的设计效率和收敛精度；

步骤5、训练神经网络；将步骤4中优化后的初始权值和阈值作为神经网络的初始权值和阈值进行训练，训练后的神经网络即为叶片数神经网络模型，从而建立了叶片数与液力变矩器性能的定量关系；

步骤6、神经网络预测；为了确保步骤5中训练后的叶片数神经网络模型具有较高的预测精度和泛化能力，将非训练样本集合的数据作为测试样本，采用叶片数神经网络模型进行预测，验证叶片数神经网络模型的预测精度；

步骤7、基于整机的叶片数优化；将整机系统的数字化模型与叶片数神经网络模型结合，将叶片数作为优化变量，将整机系统效率作为优化目标，在整机系统中进行优化。

3.根据权利要求1所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：不同叶轮叶片数的组合方案采用正交试验法设计。

4.根据权利要求3所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：在每种组合方案下，泵轮转速的确定是其变化范围内均匀的取若干个点，而涡轮转速的确定是泵轮转速乘传动比。

5.根据权利要求4所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：所述传动比从0到1变化，由此确定叶片数神经网络模型的输入向量。

6.根据权利要求4所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：所述传动比从0到1变化的间隔为0.1。