CN105389450A - 不确定因素相关的四辊轧机多学科可靠性设计优化方法 - Google Patents
不确定因素相关的四辊轧机多学科可靠性设计优化方法 Download PDFInfo
- Publication number
- CN105389450A CN105389450A CN201510990427.5A CN201510990427A CN105389450A CN 105389450 A CN105389450 A CN 105389450A CN 201510990427 A CN201510990427 A CN 201510990427A CN 105389450 A CN105389450 A CN 105389450A
- Authority
- CN
- China
- Prior art keywords
- high mill
- uncertain factor
- multidisciplinary
- reliability
- design
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种不确定因素相关的四辊轧机多学科可靠性设计优化方法;其包括构建四辊轧机多学科设计优化模型,构建四辊轧机中不确定因素相关的量化模型,构建不确定因素相关条件下的四辊轧机多学科设计优化模型,将相关不确定因素转换成独立的不确定因素并计算可靠性,构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化。本发明通过将超椭球理论、可靠性理论以及多学科设计优化理论相结合,解决了传统设计方法中人为忽略不确定因素之间的相关性从而导致设计结果不准确,从而满足复杂机械产品高可靠性的要求。
Description
技术领域
本发明属于机械产品的多学科设计优化技术领域,尤其涉及一种不确定因素相关的四辊轧机多学科可靠性设计优化方法。
背景技术
多学科设计优化(MultidisciplinaryDesignOptimization,简称MDO)是当前国际上飞行器设计方法的一个最新、最活跃的领域。多学科设计优化是一种充分探索和利用工程系统中的相互作用的协同机制来设计复杂系统和子系统的方法,其基本指导思想是利用合适的优化策略组织和管理优化设计过程,通过分解、协调等手段将复杂系统分解为与现有工程设计组织形式相一致的若干子系统,对复杂系统进行综合设计,以达到缩短设计周期、降低开发成本、提高产品竞争力的目的。
传统的MDO是“确定的”MDO,即载荷、设计变量和参数、目标函数、约束条件和仿真模型等均为确定性的。然而在实际工程中,不确定性因素广泛存在于复杂耦合系统的整个生命周期中,如载荷、材料属性、零件的几何尺寸和操作条件的变化,以及建立数学模型时所作假设带来的不确定性等等。目前对不确定性的研究主要集中在随机不确定性和认知不确定性两大类。随机不确定性是由于系统和环境中的各种随机因素而产生的,例如一批零件的几何尺寸、一批材料的特性(如弹性模量、许用应力等)通常都不是一个定值,而是在一定范围内变化。认知不确定性则是由于人们的知识不足或信息不完全而产生的,例如在复杂产品的设计过程中(尤其是在设计的早期阶段),设计者对用户需求、载荷环境、结构及机理等不可能完全掌握,导致在设计时复杂产品的设计参数、载荷(外力)、仿真模型等都具有一定的不确定性。
当上述不确定性因素存在相关性或者某种制约关系时,则必须考虑到不确定因素的相关性对优化结果产生的影响。在传统的机械设计中,往往假设各不确定因素之间是独立的,例如轴系零件设计变量的载荷、强度等存在程度不同的相关性;对于复杂机械系统的设计一般为了减少计算量都进行简化等效,对于外形复杂的机架进行简化等效后,其在设计尺寸上以及几何空间上等产生的不确定的因素必然存在一定的相关性。所以忽略不确定因素之间的相关性,将会导致设计结果的不准确,无法满足现代复杂机械产品高可靠性的要求。
发明内容
本发明的发明目的是:为了解决传统设计方法中人为忽略不确定因素之间的相关性而导致的设计结果不准确等问题,本发明提出了一种不确定因素相关的四辊轧机多学科可靠性设计优化方法。
本发明的技术方案是:一种不确定因素相关的四辊轧机多学科可靠性设计优化方法,包括以下步骤:
S1、以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型;
S2、根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型;
S3、将步骤S2中构建的四辊轧机中不确定因素相关的量化模型作为约束条件添加到步骤S1中构建的四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型;
S4、将相关不确定因素转换为独立的不确定因素,计算变量独立的性能函数可靠性;
S5、根据步骤S3中构建的不确定因素相关条件下的四辊轧机多学科设计优化模型及步骤S4中计算得到的变量独立的性能函数可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化。
进一步地,所述步骤S1以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型,具体为:将四辊轧机按照物理部件进行学科划分,分解为n个子学科,将四辊轧机的系统级优化目标函数的数学模型表示为:
s.t.gk(X)≤0;
hm(X)=0;
其中,F(X)为系统级优化目标函数,gk(X)为系统级优化目标函数的第k个不等式约束条件,hm(X)为系统级优化目标函数的第m个等式约束条件,X为设计变量向量组;
将第n个子学科的学科级优化目标函数的数学模型表示为:
minfn(Xsubn)
s.t.gni(Xsubn)≤0
hnj(Xsubn)=0
其中,Xsubn为第n个子学科设计变量,fn(Xsubn)为子学科n的设计目标函数,gni(Xsubn)为子学科n的第i个不等式约束条件,hnj(Xsubn)为子学科n的第j个等式约束条件。
进一步地,所述步骤S2根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型,具体包括以下分步骤:
S21、设定四辊轧机中具有n个不确定因素的随机变量x1,x2,…xn,采用向量表示为U=(x1,x2,…xn)T,U的上下界分别为则随机变量的均值表示为:
S22、根据随机变量在上下界的区间内服从均匀分布,得到随机变量的方差,表示为:
S23、根据随机变量的不确定因素之间的相关系数,得到随机变量两两之间的不确定因素的协方差,表示为:
其中,Cov(xi,xj)为随机变量xi和xj之间的协方差,为变量xi和xj的相关系数,D(xi)为xi的方差,D(xj)为xj的方差。
S24、考虑不确定因素的相关性,将不确定因素的协方差代入超椭球模型,构建四辊轧机中不确定因素相关的量化模型,表示为:
其中,ε为实常数。
进一步地,所述步骤S3将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型,具体为:将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,利用多学科可行法进行求解,得到不确定因素相关条件下的四辊轧机多学科设计优化模型,表示为:
s.t.gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,n为子学科数,gk(X)为第k个不等式约束,hm(X)为第m个等式约束,G(U)为不确定因素相关的量化模型。
进一步地,所述步骤S4将相关不确定因素转换为独立的不确定因素,计算变量独立的性能函数可靠性,具体包括以下分步骤:
S41、设定向量X=(x1,x2,…,xn)T为相关正态分布的随机变量,协方差矩阵C的规则化特征向量组成矩阵A,对向量X作正交变换X=AY,将向量X变成线性无关的向量Y,表示为Y=ATX;
S42、设定X的均值为EX,将向量Y的均值和方差分别表示为uY=ATEX、DY=ATCA,根据正态随机变量不相关与独立等价关系,即向量Y为独立正态随机变量;从而将变量相关的性能函数Z=g(X)转换为变量独立的性能函数,表示为Z=g(X)=gX(AY)=gY(Y);
S43、根据步骤S42中得到的变量独立的性能函数,利用一阶可靠度法求解变量独立的性能函数可靠度。
进一步地,所述步骤S5根据不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的变量独立的性能函数可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化,具体为:设定预设要求的可靠度为[R],从不确定因素相关条件下的四辊轧机多学科设计优化模型的约束条件中选取p个性能约束作为可靠性约束,结合不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,表示为:
s.t.Pr[gp(X)≤0]≥[R];
gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,Pr[gp(X)≤0]表示可靠性约束;从而实现对四辊轧机进行多学科可靠性设计优化。
本发明的有益效果是:本发明通过将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型;同时考虑四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型;再通过将相关不确定因素转换成独立的不确定因素,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型;本发明通过将超椭球理论、可靠性理论以及多学科设计优化理论相结合,解决了传统设计方法中人为忽略不确定因素之间的相关性从而导致设计结果不准确,从而满足复杂机械产品高可靠性的要求。
附图说明
图1是本发明的不确定因素相关的四辊轧机多学科可靠性设计优化方法流程示意图。
图2是本发明实施例中四辊轧机的学科划分结构示意图。
图3是本发明实施例中四辊轧机机座等效简化结构正视图。
图4是本发明实施例中四辊轧机机座等效简化结构剖面图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,为本发明的不确定因素相关的四辊轧机多学科可靠性设计优化方法流程示意图。一种不确定因素相关的四辊轧机多学科可靠性设计优化方法,包括以下步骤:
S1、以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型;
S2、根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型;
S3、将步骤S2中构建的四辊轧机中不确定因素相关的量化模型作为约束条件添加到步骤S1中构建的四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型;
S4、将相关不确定因素转换成独立的不确定因素,计算变量独立的性能函数可靠性;
S5、根据步骤S3中构建的不确定因素相关条件下的四辊轧机多学科设计优化模型及步骤S4中计算得到的变量独立的性能函数可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化。
在步骤S1中,以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型,具体为:将四辊轧机按照物理部件进行学科划分,分解为n个子学科,将四辊轧机的系统级优化目标函数的数学模型表示为:
s.t.gk(X)≤0;
hm(X)=0;
其中,F(X)为系统级优化目标函数,gk(X)为系统级优化目标函数的第k个不等式约束条件,hm(X)为系统级优化目标函数的第m个等式约束条件,X为设计变量向量组;
将第n个子学科的学科级优化目标函数的数学模型表示为:
minfn(Xsubn)
s.t.gni(Xsubn)≤0
hnj(Xsubn)=0
其中,Xsubn为第n个子学科设计变量,fn(Xsubn)为子学科n的设计目标函数,gni(Xsubn)为子学科n的第i个不等式约束条件,hnj(Xsubn)为子学科n的第j个等式约束条件。
为了使得本领域技术人员能够更清楚的理解上述构建四辊轧机中不确定因素相关的量化模型的方法,下面本发明将结合具体实施例作进一步详细说明。
如图2所示,为本发明实施例中四辊轧机的学科划分结构示意图。本发明以四辊轧机作为优化对象,将四辊轧机根据物理部件进行学科划分为三个子学科,分别为横梁、立柱及支承辊。四辊轧机的系统级优化目标函数的数学模型表示为:
minF(x)
s.t.g14(x)≤0
横梁的学科级优化目标函数的数学模型表示为:
minf1(x)+f2(x)
s.t.g6(x)≤0;g7(x)≤0;
g9(x)≤0;g10(x)≤0;
g12(x)≤0;g13(x)≤0;
立柱的学科级优化目标函数的数学模型表示为:
minf3(x)
s.t.g5(x)≤0;
g8(x)≤0;
g11(x)≤0;
支承辊的学科级优化目标函数的数学模型表示为:
minf4(x)+f5(x)+f6(x)
s.t.g1(x)≤0;g2(x)≤0;
g3(x)≤0;g4(x)≤0;
本发明中四辊轧机的设计,以获得最小机座弹跳值为设计目标,以符合要求的结构、强度、刚度等为约束条件,最终得到较合理的结构参数和性能。在不改变原产品规格并保持原有轧辊轴承等零部件不变的前提下,选择立柱横截面高度x1(h1)、立柱横截面宽度b1、上横梁横截面均值高度x2(h2)、上横截面宽度b2、下横梁截面高度x3(h3)、下横梁截面宽度b3和支撑辊辊身直径D1为设计变量,表示为:
x=(x1,x2,x3,x4,x5,x6,x7)T=(h1,b1,h2,b2,h3,b3,D1)T
目标函数在重量不超过现有同类机座重量的前提下要求机座的弹跳值F(x)最小,机座的弹跳值分别由六部分组成:
(1)上横梁由弯矩产生的弯曲变形之和,表示为:
(2)下横梁由剪力产生的弯曲变形之和,表示为:
(3)立柱的拉伸变形,表示为:
(4)支撑辊由弯矩产生的弯曲变形之和,表示为:
(5)支撑辊剪切力产生的弯曲变形之和,表示为:
(6)工作辊和支撑辊辊身间弹性压扁之和,表示为:
f6(x)=0.263×10-4ln[0.5904×105×(x7+0.28)]
约束条件包括:
(1)支撑辊棍身直径和工作辊棍身直径的约束,表示为:
g1(x)=x6-0.42≤0;g2(x)=0.336-x7≤0
(2)轧辊接触强度条件,表示为:
(3)支撑辊辊身与辊颈危险断面的弯曲强度条件,表示为:
g4(x)=0.1678×106×(x2+0.256)-0.125×106≤0
(4)机架立柱拉伸、弯曲复合强度条件,表示为:
[σP]=0.055×106KN/m2
(5)机架上、下横梁弯曲强度条件,表示为:
(6)立柱和上、下横截面高度及宽度尺寸约束,表示为:
h1>b1,h2>b2,h3>b3,b1≥B'
g8(x)=x2-x1≤0;g9(x)=x4-x3≤0;g10(x)=x6-x5≤0;
g11(x)=0.26-x2≤0;g12(x)=x3-2.5x4≤0;g13(x)=x5-2.5x6≤0;
其中,g8为立柱横截面高度与宽度的尺寸约束,g9为上横梁横截面高度与宽度的尺寸约束,g10为下横梁横截面高度与宽度的尺寸约束,g11为立柱断面宽度方向上为安装轴承所需最小宽度的约束,g12为上横梁横截面高度与宽度的尺寸约束,g13为下横梁横截面高度与宽度的尺寸约束,B'为在立柱断面宽度方向上为安装轴承所需最小宽度,B'=0.26m。
(7)机架质量不得大于已有同类机架质量,表示为:
g14(x)=15.6×[2.15x1x2+(x1+0.295)(x3x4+x5x6)]-7.484≤0;
在步骤S2中,根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型,具体包括以下分步骤:
S21、设定四辊轧机中具有n个不确定因素的随机变量x1,x2,…xn,采用向量表示为U=(x1,x2,…xn)T,U的上下界分别为则随机变量的均值表示为:
S22、根据随机变量在上下界的区间内服从均匀分布,得到随机变量,表示为:
S23、根据随机变量的不确定因素之间的相关系数,得到随机变量两两之间的不确定因素的协方差,表示为:
S24、考虑不确定因素的相关性,将不确定因素的协方差代入超椭球模型,构建四辊轧机中不确定因素相关的量化模型,表示为:
其中,ε为实常数。
为了使得本领域技术人员能够更清楚的理解上述构建四辊轧机中不确定因素相关的量化模型的方法,下面本发明将结合具体实施例作进一步详细说明。
如图3所示,为本发明实施例中四辊轧机机座等效简化结构正视图,如图4所示,为本发明实施例中四辊轧机机座等效简化结构剖面图,其中1为上横梁,2为立柱,3为下横梁,4为支承辊,5为工作辊。为了减少计算量,本发明对四辊轧机机座进行等效简化,其立柱和横梁的横截面积保持不变,上下横梁和立柱相互连接安装配合,在设计尺寸上以及几何空间上必然存在一定的相关性。设定立柱横截面高度x1(h1)、上横梁横截面均值高度x2(h2)、下横梁截面高度x3(h3)有存在不确定因素的相关性,采用向量表示为U=(x1,x3,x5),随机变量的不确定因素之间的相关系数矩阵表示为:
从而根据得到随机变量两两之间的不确定因素的协方差,表示为:
将不确定因素的协方差代入超椭球模型,构建四辊轧机中不确定因素相关的量化模型,表示为:
其中,ε为实常数,表示超椭球的半径,其通过最小体积法求得,用于限制超椭球体的大小。
在步骤S3中,将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型,具体为:将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,利用多学科可行法进行求解,得到不确定因素相关条件下的四辊轧机多学科设计优化模型,表示为:
s.t.gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,n为子学科数,gk(X)为第k个不等式约束,hm(X)为第m个等式约束,G(U)为不确定因素相关的量化模型。
根据上述实施例中构建的四辊轧机多学科设计优化模型及四辊轧机中不确定因素相关的量化模型,可以得到不确定因素相关条件下的四辊轧机多学科设计优化模型的具体数学模块,表示为:
s.t.gk(xi)≤0;k=1,2,…,14;
G(U)≤ε2;
n=1,2,…6;i=1,2,…7
在步骤S4中,对于相关正态随机变量的可靠度分析可用正交变换法,对于相关非正态随机变量的可靠度分析可用Rosenblatt变换法和Nataf变换。由于求解可靠度的方法如一阶可靠度、二阶可靠度(FORM,SORM)都是基于变量独立的情况下进行求解,因此对于相关的不确定因素需要转换成独立的不确定因素来求解。将相关不确定因素转换成独立的不确定因素,计算变量独立的性能函数可靠性,具体包括以下分步骤:
S41、设定向量X=(x1,x2,…,xn)T为相关正态分布的随机变量,协方差矩阵C的规则化特征向量组成矩阵A,对向量X作正交变换X=AY,将向量X变成线性无关的向量Y,表示为Y=ATX;
S42、将向量Y的均值和方差分别表示为uY=ATEX、DY=ATCA,根据正态随机变量不相关与独立等价关系,即向量Y为独立正态随机变量;从而将变量相关的性能函数Z=g(X)转换为变量独立的性能函数,表示为Z=g(X)=gX(AY)=gY(Y);
S43、根据步骤S42中得到的独立正态随机变量Y的功能函数,利用一阶可靠度法求解变量独立的性能函数可靠度。
在步骤S41中,设定向量X=(x1,x2,x3)T服从相关正态分布,协方差矩阵C的规则化特征向量组成矩阵A,对向量X作正交变换X=AY,将向量X变成线性无关的向量Y,根据A-1=AT将向量Y表示为Y=ATX,向量Y的协方差矩阵为DY=diag[σ2 Yi]n×n。
在步骤S42中,变换ATCA可将C化成对角矩阵,对角元素为C的特征值;由于正态随机变量的线性组合仍为正态随机变量,正态随机变量不相关与独立等价,因此向量Y为独立正态随机变量;从而将变量相关的性能函数Z=g(X)转换为变量独立的性能函数,表示为Z=g(X)=gX(AY)=gY(Y)。
在步骤S5中,根据不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化,具体为:设定预设要求的可靠度为[R],从不确定因素相关条件下的四辊轧机多学科设计优化模型的约束条件中选取p个性能约束作为可靠性约束,结合不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,表示为:
s.t.Pr[gp(X)≤0]≥[R];
gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,Pr[gp(X)≤0]表示可靠性约束;从而实现对四辊轧机进行多学科可靠性设计优化。
本发明设定预设要求的可靠度为[R],将机架立柱拉伸、弯曲复合强度约束g5,机架上、下横梁弯曲强度约束g6,g7,机架质量不得大于已有同类机架质量约束g14等性能函数作为可靠性约束,结合不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,表示为:
s.t.gk(xi)≤0;k=1,2,…4,8,9,…,13
Pr[gp(xi)≤0]≥[R];p=5,6,7,14
G(U)≤ε2;
n=1,2,…6;i=1,2,…7
本发明通过将超椭球理论、可靠性理论以及多学科设计优化理论相结合,考虑不确定因素之间的相关性,从而解决了传统设计方法中人为忽略不确定因素之间的相关性从而导致设计结果不准确,从而满足复杂机械产品高可靠性的要求。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,包括以下步骤:
S1、以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型;
S2、根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型;
S3、将步骤S2中构建的四辊轧机中不确定因素相关的量化模型作为约束条件添加到步骤S1中构建的四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型;
S4、将相关不确定因素转换为独立的不确定因素,计算变量独立的性能函数可靠性;
S5、根据步骤S3中构建的不确定因素相关条件下的四辊轧机多学科设计优化模型及步骤S4中计算得到的变量独立的性能函数可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化。
2.如权利要求1所述的不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,所述步骤S1以四辊轧机作为优化对象,将四辊轧机进行学科划分,构建四辊轧机多学科设计优化模型,具体为:将四辊轧机按照物理部件进行学科划分,分解为n个子学科,将四辊轧机的系统级优化目标函数的数学模型表示为:
s.t.gk(X)≤0;
hm(X)=0;
其中,F(X)为系统级优化目标函数,gk(X)为系统级优化目标函数的第k个不等式约束条件,hm(X)为系统级优化目标函数的第m个等式约束条件,X为设计变量向量组;
将第n个子学科的学科级优化目标函数的数学模型表示为:
minfn(Xsubn)
s.t.gni(Xsubn)≤0
hnj(Xsubn)=0
其中,Xsubn为第n个子学科设计变量,fn(Xsubn)为子学科n的设计目标函数,gni(Xsubn)为子学科n的第i个不等式约束条件,hnj(Xsubn)为子学科n的第j个等式约束条件。
3.如权利要求2所述的不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,所述步骤S2根据四辊轧机中不确定因素的相关性,构建四辊轧机中不确定因素相关的量化模型,具体包括以下分步骤:
S21、设定四辊轧机中具有n个不确定因素的随机变量x1,x2,…xn,采用向量表示为U=(x1,x2,…xn)T,U的上下界分别为 则随机变量的均值表示为:
S22、根据随机变量在上下界的区间内服从均匀分布,得到随机变量的方差,表示为:
S23、根据随机变量的不确定因素之间的相关系数,得到随机变量两两之间的不确定因素的协方差,表示为:
其中,Cov(xi,xj)为随机变量xi和xj之间的协方差,为变量xi和xj的相关系数,D(xi)为xi的方差,D(xj)为xj的方差。
S24、考虑不确定因素的相关性,将不确定因素的协方差代入超椭球模型,构建四辊轧机中不确定因素相关的量化模型,表示为:
其中,ε为实常数。
4.如权利要求3所述的不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,所述步骤S3将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,构建不确定因素相关条件下的四辊轧机多学科设计优化模型,具体为:将四辊轧机中不确定因素相关的量化模型作为约束条件添加到四辊轧机多学科设计优化模型中,利用多学科可行法进行求解,得到不确定因素相关条件下的四辊轧机多学科设计优化模型,表示为:
s.t.gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,n为子学科数,gk(X)为第k个不等式约束,hm(X)为第m个等式约束,G(U)为不确定因素相关的量化模型。
5.如权利要求4所述的不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,所述步骤S4将相关不确定因素转换为独立的不确定因素,计算变量独立的性能函数可靠性,具体包括以下分步骤:
S41、设定向量X=(x1,x2,…,xn)T为相关正态分布的随机变量,协方差矩阵C的规则化特征向量组成矩阵A,对向量X作正交变换X=AY,将向量X变成线性无关的向量Y,表示为Y=ATX;
S42、设定X的均值为EX,将向量Y的均值和方差分别表示为uY=ATEX、DY=ATCA,根据正态随机变量不相关与独立等价关系,即向量Y为独立正态随机变量;从而将变量相关的性能函数Z=g(X)转换为变量独立的性能函数,表示为Z=g(X)=gX(AY)=gY(Y);
S43、根据步骤S42中得到的变量独立的性能函数,利用一阶可靠度法求解变量独立的性能函数可靠度。
6.如权利要求5所述的不确定因素相关的四辊轧机多学科可靠性设计优化方法,其特征在于,所述步骤S5根据不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的变量独立的性能函数可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,实现对四辊轧机进行多学科可靠性设计优化,具体为:设定预设要求的可靠度为[R],从不确定因素相关条件下的四辊轧机多学科设计优化模型的约束条件中选取p个性能约束作为可靠性约束,结合不确定因素相关条件下的四辊轧机多学科设计优化模型及计算得到的可靠性,利用可靠性优化设计方法构建不确定因素相关条件下的四辊轧机多学科可靠性设计优化模型,表示为:
s.t.Pr[gp(X)≤0]≥[R];
gk(X)≤0;
hm(X)=0;
G(U)≤ε2;
其中,Pr[gp(X)≤0]表示可靠性约束;从而实现对四辊轧机进行多学科可靠性设计优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510990427.5A CN105389450B (zh) | 2015-12-24 | 2015-12-24 | 不确定因素相关的四辊轧机多学科可靠性设计优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510990427.5A CN105389450B (zh) | 2015-12-24 | 2015-12-24 | 不确定因素相关的四辊轧机多学科可靠性设计优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105389450A true CN105389450A (zh) | 2016-03-09 |
CN105389450B CN105389450B (zh) | 2018-10-16 |
Family
ID=55421734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510990427.5A Expired - Fee Related CN105389450B (zh) | 2015-12-24 | 2015-12-24 | 不确定因素相关的四辊轧机多学科可靠性设计优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105389450B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503408A (zh) * | 2016-12-07 | 2017-03-15 | 电子科技大学 | 基于数据相关条件下的汽车转向机构稳健设计优化方法 |
CN107045558A (zh) * | 2016-12-07 | 2017-08-15 | 电子科技大学 | 基于时变灵敏度分析的风力发电机组多学科稳健设计方法 |
CN107330131A (zh) * | 2016-04-29 | 2017-11-07 | 南京理工大学 | 机械零部件结构尺寸参数及其尺寸公差的区间优化方法 |
CN113011044A (zh) * | 2021-04-13 | 2021-06-22 | 电子科技大学 | 一种基于序列协同优化的风电齿轮箱多学科可靠性设计优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102446239A (zh) * | 2011-09-19 | 2012-05-09 | 北京航空航天大学 | 考虑认知和随机不确定性的齿轮传动多学科可靠性分析方法 |
US20120330869A1 (en) * | 2011-06-25 | 2012-12-27 | Jayson Theordore Durham | Mental Model Elicitation Device (MMED) Methods and Apparatus |
CN103136428A (zh) * | 2013-03-12 | 2013-06-05 | 上海交通大学 | 基于两种不确定的轿车车身结构稳健设计方法 |
-
2015
- 2015-12-24 CN CN201510990427.5A patent/CN105389450B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120330869A1 (en) * | 2011-06-25 | 2012-12-27 | Jayson Theordore Durham | Mental Model Elicitation Device (MMED) Methods and Apparatus |
CN102446239A (zh) * | 2011-09-19 | 2012-05-09 | 北京航空航天大学 | 考虑认知和随机不确定性的齿轮传动多学科可靠性分析方法 |
CN103136428A (zh) * | 2013-03-12 | 2013-06-05 | 上海交通大学 | 基于两种不确定的轿车车身结构稳健设计方法 |
Non-Patent Citations (3)
Title |
---|
LEI LI等: "Speed reducer multidisciplinary design optimization based on uncertainty analysis", 《QUALITY, RELIABILITY, RISK, MAINTENANCE, AND SAFETY ENGINEERING 2012》 * |
孟德彪等: "一种多学科系统不确定性分析方协同不确定性分析法的改进法—", 《机械工程学报》 * |
袁亚辉等: "一种新的多学科系统不确定性分析方法——协同不确定性分析法", 《机械工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107330131A (zh) * | 2016-04-29 | 2017-11-07 | 南京理工大学 | 机械零部件结构尺寸参数及其尺寸公差的区间优化方法 |
CN107330131B (zh) * | 2016-04-29 | 2020-10-20 | 南京理工大学 | 机械零部件结构尺寸参数及其尺寸公差的区间优化方法 |
CN106503408A (zh) * | 2016-12-07 | 2017-03-15 | 电子科技大学 | 基于数据相关条件下的汽车转向机构稳健设计优化方法 |
CN107045558A (zh) * | 2016-12-07 | 2017-08-15 | 电子科技大学 | 基于时变灵敏度分析的风力发电机组多学科稳健设计方法 |
CN106503408B (zh) * | 2016-12-07 | 2019-09-13 | 电子科技大学 | 基于数据相关条件下的汽车转向机构稳健设计优化方法 |
CN107045558B (zh) * | 2016-12-07 | 2020-07-17 | 电子科技大学 | 基于时变灵敏度分析的风力发电机组多学科稳健设计优化方法 |
CN113011044A (zh) * | 2021-04-13 | 2021-06-22 | 电子科技大学 | 一种基于序列协同优化的风电齿轮箱多学科可靠性设计优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105389450B (zh) | 2018-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Crushing analysis and multi-objective optimization design for bionic thin-walled structure | |
Yu et al. | Application of tailor rolled blanks in optimum design of pure electric vehicle crashworthiness and lightweight | |
CN105389450A (zh) | 不确定因素相关的四辊轧机多学科可靠性设计优化方法 | |
Yin et al. | Multiobjective optimization for foam-filled multi-cell thin-walled structures under lateral impact | |
Qi et al. | Crushing analysis and multiobjective crashworthiness optimization of tapered square tubes under oblique impact loading | |
Bi et al. | Modeling and optimization of foam-filled thin-walled columns for crashworthiness designs | |
Zhang et al. | Crashworthiness performance of conical tubes with nonlinear thickness distribution | |
Sun et al. | An experimental and numerical study on quasi-static and dynamic crashing behaviors for tailor rolled blank (TRB) structures | |
Sun et al. | Discrete robust optimization algorithm based on Taguchi method for structural crashworthiness design | |
Natário et al. | Web crippling failure using quasi-static FE models | |
CN101241521B (zh) | 基于支持向量机的轿车车身综合性能指标建模方法 | |
Marzbanrad et al. | Multi-objective optimization of aluminum hollow tubes for vehicle crash energy absorption using a genetic algorithm and neural networks | |
Abdullahi et al. | A novel multi-cell square tubal structure based on Voronoi tessellation for enhanced crashworthiness | |
Duan et al. | Theoretical prediction and crashworthiness optimization of top-hat thin-walled structures under transverse loading | |
Ding et al. | Dynamic axial crush analysis and design optimization of a square multi-cell thin-walled tube with lateral variable thickness | |
Kazi et al. | Design of composite rectangular tubes for optimum crashworthiness performance via experimental and ANN techniques | |
Zhang et al. | An efficient computational method for mechanical analysis of bimodular structures based on parametric variational principle | |
Wang et al. | Multi-objective optimization of hexahedral pyramid crash box using MOEA/D-DAE algorithm | |
Wang et al. | Multi-objective optimisation on crashworthiness of front longitudinal beam (FLB) coupled with sheet metal stamping process | |
Zhang et al. | Energy absorption behaviors and optimization design of thin-walled double-hat beam under bending | |
Hilmann et al. | Automatic concept model generation for optimisation and robust design of passenger cars | |
Pyrz et al. | Crashworthiness optimization of thin-walled tubes using Macro Element Method and Evolutionary Algorithm | |
CN107045558A (zh) | 基于时变灵敏度分析的风力发电机组多学科稳健设计方法 | |
Choi et al. | Sheet metal forming simulation considering die deformation | |
Zhou et al. | An enhanced hybrid and adaptive meta-model based global optimization algorithm for engineering optimization problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181016 Termination date: 20201224 |
|
CF01 | Termination of patent right due to non-payment of annual fee |