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

基于神经网络与整机的液力变矩器叶片数优化方法 Download PDF

Info

Publication number
CN105022871A
CN105022871A CN201510393894.XA CN201510393894A CN105022871A CN 105022871 A CN105022871 A CN 105022871A CN 201510393894 A CN201510393894 A CN 201510393894A CN 105022871 A CN105022871 A CN 105022871A
Authority
CN
China
Prior art keywords
neural network
blade
complete machine
torque
network model
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
CN201510393894.XA
Other languages
English (en)
Inventor
李晓田
孟庆华
李文嘉
王安麟
程伟
曹岩
章明犬
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN201510393894.XA priority Critical patent/CN105022871A/zh
Publication of CN105022871A publication Critical patent/CN105022871A/zh
Pending legal-status Critical Current

Links

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
[0001] 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
[0002] 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。
[0003] 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。
[0004] 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
[0005] 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。
[0006] 为达到上述目的,本发明采用的技术方案是:
[0007] -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栗轮涡轮转速的如下函数关系:
[0008] (TtX-) =f\NBHnB,nn-、
[0009] 式中:哎神经网络预测的栗轮转矩;瑞为神经网络预测的涡轮转矩;队为栗轮叶 片数;&为涡轮叶片数;ND为导轮叶片数;nB为栗轮转速;nw为涡轮转速。
[0010] 进一步,包括以下步骤:
[0011] 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;
[0012] 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 得栗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,由栗轮叶片数、涡 轮叶片数、导轮叶片数、栗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;
[0013] 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;
[0014] 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。
[0015] 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;
[0016] 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;
[0017] 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。
[0018] 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,栗轮转速 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栗轮转速乘传动比。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。
[0019] 由于采用上述方案,本发明的有益效果是:
[0020] 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。
[0021] 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
[0022] 图1为本发明实施例叶片数神经网络模型结构示意图。
[0023] 图2为遗传算法优化BP网络初始权值和阈值流程图。
[0024] 图3为训练误差曲线图。
[0025] 图4为栗轮转矩比较图。
[0026] 图5为涡轮转矩比较图。
[0027] 图6为主配结合框图。
具体实施方式
[0028] 以下结合附图所示实施例对本发明作进一步的说明。
[0029] 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栗轮涡轮转速的函数关系,如下:
[0030] (rBv,# %
[0031] 式中:聲为神经网络预测的栗轮转矩;苽为神经网络预测的涡轮转矩;NB为栗轮 叶片数;NW为涡轮叶片数;ND为导轮叶片数;nB为栗轮转速;nw为涡轮转速。
[0032] 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:
[0033] 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;
[0034] 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 得栗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,由栗轮叶片数、涡 轮叶片数、导轮叶片数、栗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;
[0035] 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;
[0036] 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。
[0037] 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;
[0038] 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;
[0039] 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。
[0040] 下面结合实施例作进一步详细的描述:
[0041] (1)正交试验法设计试验方案
[0042] 取栗轮叶片数、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 设计有栗轮叶片数NB、涡轮叶片数Nw、导轮叶片数ND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。
[0043]表1
[0044]
Figure CN105022871AD00071
[0045] ⑵训练样本的确定
[0046]CFD三维仿真是把栗轮和涡轮转速作为输入,仿真得到栗轮和涡轮的转矩,从而可 算得效率、变矩比等性能参数。本实施例的栗轮叶片数、涡轮叶片数和导轮叶片数取值范围 分别为18~22,16~20,10~14 ;栗轮转速nB变化范围取为1600~2200r•min\涡轮 转速叫的变化范围取为0~2200r•min\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栗轮转 速从1600~2200r1变化,在此转速变化范围内均匀地取43个点,涡轮转速为栗轮转 速乘传动比i,i取〇,〇. 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。
[0047]表2
[0048]
Figure CN105022871AD00081
[0050] (3)叶片数神经网络模型的结构
[0051] 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:栗轮叶片数NB、涡轮叶片数Nw、导轮叶片数ND、栗轮转速nB、涡轮转速nw,输出变 量为2个:神经网络预测的栗轮转矩咬、神经网络预测的涡轮转矩7;厂目标变量为2个:CFD 三维仿真所得栗轮转矩砹、涡轮转矩垃。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,l]n-Rm,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+l。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。
[0052] (4)基于遗传算法的BP网络初始权重优化与训练
[0053] 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。
[0054] 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。
[0055] 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 为〇. 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。
[0056] 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。
[0057] (4)叶片数神经网络模型的预测
[0058] 为检验叶片数神经网络模型的泛化能力,取栗轮叶片数、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,栗轮转速从1600~2200r1变化,在 此转速变化范围内均匀地取40个点,涡轮转速为栗轮转速乘传动比i,此处取i为0. 7以说 明网络的预测精度。
[0059]表 3
[0060]
Figure CN105022871AD00091
[0062] 运用叶片数神经网络模型对测试样本进行预测,得到栗轮转矩和涡轮转矩,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。
[0063] (5)基于整机系统数字化模型的叶片数优化
[0064] 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。
[0065]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。
[0066] 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。
[0067] 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栗轮涡轮转速的如下函数关系:
Figure CN105022871AC00021
式中神经网络预测的栗轮转矩;#为神经网络预测的涡轮转矩;NB为栗轮叶片 数;&为涡轮叶片数;ND为导轮叶片数;nB为栗轮转速;nw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软件建模仿真获得栗 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,由栗轮叶片数、涡轮叶 片数、导轮叶片数、栗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,栗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 的确定是栗轮转速乘传动比。
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:所述传动比从〇到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
CN201510393894.XA 2015-07-07 2015-07-07 基于神经网络与整机的液力变矩器叶片数优化方法 Pending CN105022871A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510393894.XA CN105022871A (zh) 2015-07-07 2015-07-07 基于神经网络与整机的液力变矩器叶片数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510393894.XA CN105022871A (zh) 2015-07-07 2015-07-07 基于神经网络与整机的液力变矩器叶片数优化方法

Publications (1)

Publication Number Publication Date
CN105022871A true CN105022871A (zh) 2015-11-04

Family

ID=54412839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510393894.XA Pending CN105022871A (zh) 2015-07-07 2015-07-07 基于神经网络与整机的液力变矩器叶片数优化方法

Country Status (1)

Country Link
CN (1) CN105022871A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260572A (zh) * 2015-11-10 2016-01-20 四川东方电气自动控制工程有限公司 一种风机叶片建模软件调用系统及其调用方法
CN106050687A (zh) * 2016-08-09 2016-10-26 万毅 一种叶轮式水泵磨耗特性分析和优化方法
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
CN106503297A (zh) * 2016-09-26 2017-03-15 佛山市中山大学研究院 一种mocvd反应腔石墨盘均匀加热工艺参数的优化方法
CN106521459A (zh) * 2016-08-17 2017-03-22 中山大学 一种mocvd设备生长均匀性工艺参数的优化方法
CN106763634A (zh) * 2017-03-06 2017-05-31 同济大学 一种汽车液力变矩器泵轮优化设计方法
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN109325264A (zh) * 2018-08-28 2019-02-12 江苏大学 一种高效高空化性能双吸泵水力设计方法
CN112380631A (zh) * 2020-12-02 2021-02-19 黑龙江科技大学 一种基于神经网络的新型迭代混合试验方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102769A (zh) * 2014-06-27 2014-10-15 南京航空航天大学 基于人工智能的涡轴发动机实时部件级模型建立方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102769A (zh) * 2014-06-27 2014-10-15 南京航空航天大学 基于人工智能的涡轴发动机实时部件级模型建立方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WU GUANGQIANGDENG: "《System for torque converter design and analysis based on CAD/CFD integrated platform》", 《CHINESE JOURNAL OF MECHANICAL ENGINEERING》 *
王安麟等: "《液力变矩器的叶片数神经网络模型》", 《西安交通大学学报》 *
魏巍: "《液力变矩器泵轮叶片优化设计研究》", 《系统仿真学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105260572A (zh) * 2015-11-10 2016-01-20 四川东方电气自动控制工程有限公司 一种风机叶片建模软件调用系统及其调用方法
CN106050687A (zh) * 2016-08-09 2016-10-26 万毅 一种叶轮式水泵磨耗特性分析和优化方法
CN106050687B (zh) * 2016-08-09 2020-06-26 温州大学 一种叶轮式水泵磨耗特性分析和优化方法
CN106521459B (zh) * 2016-08-17 2018-04-17 中山大学 一种mocvd设备生长均匀性工艺参数的优化方法
CN106521459A (zh) * 2016-08-17 2017-03-22 中山大学 一种mocvd设备生长均匀性工艺参数的优化方法
CN106373022A (zh) * 2016-09-13 2017-02-01 重庆科技学院 基于bp‑ga的温室农作物种植效率条件优化方法及系统
CN106503297A (zh) * 2016-09-26 2017-03-15 佛山市中山大学研究院 一种mocvd反应腔石墨盘均匀加热工艺参数的优化方法
CN106874542A (zh) * 2017-01-04 2017-06-20 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN106874542B (zh) * 2017-01-04 2020-11-13 滨州东瑞机械有限公司 一种液力透平叶轮多工况多目标优化设计方法
CN106763634B (zh) * 2017-03-06 2019-03-29 同济大学 一种汽车液力变矩器泵轮优化设计方法
CN106763634A (zh) * 2017-03-06 2017-05-31 同济大学 一种汽车液力变矩器泵轮优化设计方法
CN109325264A (zh) * 2018-08-28 2019-02-12 江苏大学 一种高效高空化性能双吸泵水力设计方法
CN109325264B (zh) * 2018-08-28 2022-04-19 江苏大学 一种高效高空化性能双吸泵水力设计方法
CN112380631A (zh) * 2020-12-02 2021-02-19 黑龙江科技大学 一种基于神经网络的新型迭代混合试验方法

Similar Documents

Publication Publication Date Title
CN105022871A (zh) 基于神经网络与整机的液力变矩器叶片数优化方法
CN104376214A (zh) 基于数据驱动的脉动风速模拟方法
CN104765916A (zh) 一种高速列车动力学性能参数优化方法
CN104317997A (zh) 一种高负荷风扇/压气机端壁造型优化设计方法
Zhang et al. Computational fluid dynamics-based hull form optimization using approximation method
CN105243259A (zh) 基于极限学习机的脉动风速快速预测方法
CN104834774A (zh) 一种平流层复合材料螺旋桨综合优化设计方法及设计平台
CN105260786B (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN105138717A (zh) 一种动态变异粒子群优化神经网络的变压器状态评估方法
CN103761138B (zh) 一种交通仿真软件的参数校正方法
CN104102769A (zh) 基于人工智能的涡轴发动机实时部件级模型建立方法
CN108520325A (zh) 一种基于多变环境下加速退化数据的集成寿命预测方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN108615360B (zh) 基于神经网络的交通需求逐日演变预测方法
CN109754122A (zh) 一种基于随机森林特征提取的bp神经网络的数值预测方法
CN106909719A (zh) 集成多元线性回归算法
Dariane et al. Comparative analysis of evolving artificial neural network and reinforcement learning in stochastic optimization of multireservoir systems
CN104678988A (zh) 发动机电控单元ecu电路故障诊断方法
CN112182709A (zh) 大型水库叠梁门分层取水设施的下泄水温快速预测方法
Sóbester et al. Genetic programming approaches for solving elliptic partial differential equations
CN106529713A (zh) 一种基于灰色gmdh网络组合模型的风速预测方法及系统
Wang et al. Water quality prediction of water sources based on meteorological factors using the CA-NARX approach
Derakhshan et al. Optimal design of axial hydro turbine for micro hydropower plants
Zhu et al. Structural safety monitoring of high arch dam using improved ABC-BP model
CN112862063A (zh) 一种基于深度信念网络的复杂管网泄漏定位方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20151104

WD01 Invention patent application deemed withdrawn after publication