CN109783918B - 基于切换序贯采样模式的减速器优化设计实现方法 - Google Patents
基于切换序贯采样模式的减速器优化设计实现方法 Download PDFInfo
- Publication number
- CN109783918B CN109783918B CN201910007018.7A CN201910007018A CN109783918B CN 109783918 B CN109783918 B CN 109783918B CN 201910007018 A CN201910007018 A CN 201910007018A CN 109783918 B CN109783918 B CN 109783918B
- Authority
- CN
- China
- Prior art keywords
- global
- oriented
- search
- optimization
- optimal
- 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.)
- Active
Links
Images
Landscapes
- Complex Calculations (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于切换序贯采样模式的减速器优化设计实现方法,采用拉丁超立方采样方法与高精度计算模型构建初始数据库,并依此构建初始代理模型;在迭代更新代理模型样本点的过程中,采用互相独立的面向全局最优搜索和/或面向局部最优搜索,并根据代理模型的迭代过程中获取的搜索参数进行序贯采样模式的切换,当满足终止条件后得到最终优化结果,本方法增强了迭代过程中样本点对整个设计空间的探索能力,同时有效避免了迭代过程中产生冗余样本点,从而改善序贯采样代理模型全局优化算法的优化精度并提高其优化效率。
Description
技术领域
本发明涉及的是一种工程设计领域的技术,具体是一种基于切换序贯采样模式的减速器优化设计实现方法。
背景技术
在结构优化设计过程中应用传统的高精度分析模型,例如有限元分析(Finiteelement analysis,FEA)模型、计算流体力学(Computational fluid dynamic,CFD)模型等计算设计变量的响应值可以有效提高设计结果的精度与可信度,但高精度分析模型在提高分析精度和可信度的同时也带来计算耗时的问题。当今,高性能计算机、并行计算、分布式计算和数据库技术迅猛发展,但在结构优化设计过程中调用高精度分析模型依然十分耗时。
结构优化过程中往往需要计算上百次甚至上千次设计变量的响应值,使用代理模型代替高精度分析模型可以有效缩短设计周期,提高设计质量。在代理模型方法研究方面,目前已发展了多项式响应面(Polynomial Response Surface Model,RSM),径向基函数(Radial Basis Functions,RBF),Kriging模型,支持向量回归(Support VectorRegression,SVR),神经网络(Neural Network,NN)等多种代理模型方法。其中Kriging模型不仅能给出对设计变量响应值的预估值,还能给出预估值的误差估计,这是Kriging模型区别于其他代理模型的显著特点。Kriging模型由于其对非线性函数的良好近似能力和独特的误差估计功能,是目前结构优化设计过程中最常使用的代理模型方法之一。序贯采样是在优化迭代过程中不断更新试验样本点数据库,并从重新构造代理模型直至优化收敛的技术,可以有效提高全局优化设计效率与精度,是当前结构优化设计的研究热点。如何准确采集有效样本点,是最为关键的技术之一。
发明内容
本发明针对现有技术存在的不足,提出一种基于切换序贯采样模式的减速器优化设计实现方法,通过切换序贯采样模式代理模型,应用于减速器结构优化设计。在更新代理模型样本点的过程中,将样本点搜索模式划分为面向全局最优搜索和面向局部最优搜索两种模式,根据代理模型的全局精度与最优值进行样本点搜索模式的切换,从而改善基于序贯采样代理模型的全局优化算法的优化精度并提高其优化效率。
本发明是通过以下技术方案实现的:
本发明涉及一种基于切换序贯采样模式的减速器优化设计实现方法,采用拉丁超立方采样方法与高精度计算模型构建初始数据库,并依此构建初始代理模型;在迭代更新代理模型样本点的过程中,采用互相独立的面向全局最优搜索和/或面向局部最优搜索,并根据代理模型的迭代过程中获取的搜索参数进行序贯采样模式的切换,当满足终止条件后得到最终优化结果。
所述的拉丁超立方采样方法(Latin Hypercube Sampling,LHS)通过约束随机生成相对均匀的布满设计空间的样本点。进行拉丁超立方采样时,每个设计变量的设计空间都被均匀划分,并且每个设计变量水平只使用一次,能以较少样本点反映整个设计空间的特性,计算量少,不受限于设计变量数量与样本点数量,应用较为灵活。
所述的高精度分析模型是指:有限元分析(Finite element analysis,FEA)模型、计算流体力学(Computational fluid dynamic,CFD)模型等计算模型。
所述的搜索参数包括:面向局部最优搜索模式收敛精度th1oc、最大连续面向局部最优搜索模式次数numloc、添加面向全局最优样本点临界系数thglo、最大连续面向全局最优搜索模式次数numglo、面向全局最优搜索模式和面向局部最优搜索模式。
所述的序贯采样模式的切换是指:依据添加样本点最优化准则,寻找对求解结构优化问题帮助最大的样本点,并对应采用面向全局最优搜索与面向局部最优搜索,其中:面向局部最优搜索的优化目标为搜索代理模型预测值的最小值,从而提高代理模型局部精度,收敛速度快,但采样过程中仅使用面向局部最优搜索准则容易陷入局部最优解;面向全局最优搜索的优化目标为搜索设计空间内预测精度较差的区域,从而提高代理模型整体精度,但采样过程中仅使用面向全局最优搜索不能保证最终结果精确性,样本点数据量偏大。
技术效果
与现有技术相比,本发明集成面向局部最优搜索与面向全局最优搜索两种序贯采样模式,在预测方差较大区域与当前迭代代理模型最优解领域各搜索一个样本点,兼顾代理模型全局精度与局部开发,保证了全局优化精度。本发明通过试验样本点数据库面向局部最优样本点Xlock以及面向全局最优样本点Xglok控制下次迭代面向局部最优搜索模式与面向全局最优搜索模式是否开启,有效减少冗余样本点,提高全局优化效率。
附图说明
图1为基于切换序贯采样模式Kriging代理模型的全局优化算法计算流程;
图2为实施例中汽车减速器示意图;
图3为实施例中优化迭代过程中的序贯采样模式状态示意图。
具体实施方式
如图2所示,为本实施例涉及的优化目标为减轻汽车减速器(如图2所示)的质量。
本实施例包括如下步骤:
步骤1、根据汽车减速器的任务要求建立全局优化问题,确定设计变量、设计空间A,设定初始样本点数NPini和最大迭代次数kmax,并令迭代计数参数k=1。
所述的全局优化问题为:
subject to:
其中:g1~g11为汽车减速器设计约束,包括齿轮轮齿弯曲应力,齿轮轴表面应力、轴向应力等;x1~x7为汽车减速器设计变量,包括大齿轮齿宽、大齿轮模数、小齿轮齿数、高速轴轴承间长度、低速轴轴承间长度、高速轴直径、低速轴直径;f(X)为汽车减速器质量。
设计变量上下界如表1所示:
表1设计变量上下界
设定初始样本点数NPini=35和最大迭代次数kmax=200,并令迭代计数参数k=1。
步骤2、当k=1,进行初始样本点设计,采用拉丁超立方试验设计方法在设计空间A内获得NPini个初始试验样本点输入值,通过高精度分析模型获得初始样本点响应值。将初始试验样本点的输入值与响应值存入试验样本点数据库,并设第k次迭代后数据库样本点数量为NPk。
步骤3、初始化序贯采样系数,确定面向局部最优搜索模式收敛精度thloc、最大连续面向局部最优搜索模式次数numloc、添加面向全局最优样本点临界系数thglo以及最大连续面向全局最优搜索模式次数numglo,并将面向全局最优搜索和面向局部最优搜索两种序贯采样模式均设置开启状态。
优选地,设定面向局部最优搜索模式收敛精度thloc=0.05、最大连续面向局部最优搜索模式次数numloc=2、添加面向全局最优样本点临界系数thglo=0.3以及最大连续面向全局最优搜索模式次数numglo=2。
步骤4、搜索面向全局最优及局部最优的样本点,具体方法如下:
步骤4.1、据试验样本点数据库已有信息,建立第k次迭代Kriging代理模型SMk;基于粒子群优化(PSO)的全局优化算法对代理模型SMk进行全局寻优并得到全局最优值mink,并记录该点的设计变量输入值Xlock,作为面向局部最优样本点。
步骤4.2、构建面向全局最优搜索模式寻优问题,并采用基于粒子群优化(PSO)的全局优化算法求解该寻优问题,并记录最优值对应的设计变量输入值Xglok,具体为:
find:x
其中:Kriging代理模型βj为未知常数,fj(x)为调用高精度分析模型所得响应值,Z(x)的表达式为:cov[Z(xi),Z(xj)]=σ2R(xi,xj),R(xi,xj)为只与空间距离有关的相关函数:当距离为零时等于1,距离无穷大时等于0,相关性随着距离的增大而减小。
基于PSO全局优化算法求解该寻优问题,并记录最优值对应的设计变量输入值Xglok。
步骤5、根据样本点数据库、面向局部最优样本点Xlock以及面向全局最优样本点Xglok,计算第k+1次迭代面向局部最优搜索模式flagloc与面向全局最优搜索模式flagglo是否开启,具体步骤包括:
步骤5.1、当连续numloc次迭代满足:时关闭面向局部最优搜索模式,即flagloc=0;当面向局部最优搜索模式处于关闭状态时,当满足:mink<minn n=1,2,3,4…k-1时,重新开启面向局部最优搜索模式,即flagloc=1。
步骤5.2、调用样本点数据库信息,分别计算:
新样本点与已有样本点间最小距离disminnew=minn=1,2…NPk‖Xglok-xdatan‖2,并计算已有样本点间最小距离均值disminmean及新样本点与已有样本点间最小距离disminnew的比值,当满足时,开启面向全局最优搜索模式,即flagglo=1;当不满足条件,则关闭面向全局最优搜索模式,即flagglo=0。
步骤6、迭代终止判定,具体步骤包括:
A)当flagloc和flagglo不均为0,根据面向局部与面向全局最优搜索模式状态更新试验样本点数据库;
B)当flagloc=1时,将Xlock作为设计变量输入值代入精确计算模型,获得响应值Ylock,并将(Xlock,Ylock)存入试验样本点数据库;
C)当flagloc=0时,则本次迭代不更新面向局部最优的样本点;
D)当flagglo=1时,将Xglok作为设计变量输入值代入精确计算模型,获得响应值Yglok,并将(Xglok,Yglok)存入试验样本点数据库;
E)当flagglo=0时,则本次迭代不更新面向全局最优的样本点;
针对上述任一情况,令迭代计数参数k=k+1,转入步骤4重新搜索面向全局最优及局部最优的样本点。
F)当flagloc和flagglo均为0,即面向局部与面向全局最优搜索模式同为关闭状态,且已连续numglo次迭代面向全局最优搜索模式为关闭状态;或k≥kmax,即迭代次数超过预设最大迭代次数,则迭代终止,该全局优化问题最优解为(Xlock,Ylock)。
步骤7、整理优化结果(NPk,Xlock,Ylock)=(87,(3.53,0.71,17.00,7.40,7.88,3.49,5.37),3153.114),即优化过程中共调用分析模型87次,优化后x1=3.53,x2=0.71,x3=17.00,x4=7.40,x5=7.88,x6=3.49,x7=5.37,减速器总重3153.11kg。
本方法所得结果与EGO算法比较如表2所示。
表2优化结果比较
根据表2可见,本方法基本实现了预期的发明目的,相比传统的EGO方法减速器减重效果提升6.65%,提高优化设计结果与设计质量;另一方面,本方法相比传统的EGO方法调用高精度分析模型次数减少22.3%,提高了优化效率,降低优化设计成本,缩短优化设计周期。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (5)
1.一种基于切换序贯采样模式的减速器优化设计实现方法,其特征在于,采用拉丁超立方采样方法与高精度计算模型构建初始数据库,并依此构建初始代理模型;在迭代更新代理模型样本点的过程中,采用互相独立的面向全局最优搜索和/或面向局部最优搜索,并根据代理模型的迭代过程中获取的搜索参数进行序贯采样模式的切换,当满足终止条件后得到最终优化结果;
所述的搜索参数包括:面向局部最优搜索模式收敛精度thloc、最大连续面向局部最优搜索模式次数numloc、添加面向全局最优样本点临界系数thglo、最大连续面向全局最优搜索模式次数numglo、面向全局最优搜索模式和面向局部最优搜索模式;
所述方法具体包括以下步骤:
步骤1、根据任务要求,分析结构优化对象建立全局优化问题,确定设计变量、设计空间A,设定初始样本点数NPini和最大迭代次数kmax,并令迭代计数参数k=1;
步骤2、当k=1,进行初始样本点设计,采用拉丁超立方试验设计方法在设计空间A内获得NPini个初始试验样本点输入值,通过高精度分析模型获得初始样本点响应值,将初始试验样本点的输入值与响应值存入样本点数据库,并设第k次迭代后数据库样本点数量为NPk;
步骤3、初始化序贯采样系数;
步骤4、搜索面向全局最优及局部最优的样本点;
步骤5、根据样本点数据库、面向局部最优样本点Xlock以及面向全局最优样本点Xglok,计算第k+1次迭代面向局部最优搜索模式flagloc与面向全局最优搜索模式flagglo是否开启;
步骤6、迭代终止判定;
步骤7、根据得到的全局优化问题最优解为(Xlock,Ylock)。
2.根据权利要求1所述的方法,其特征是,所述的序贯采样模式的切换是指:依据添加样本点最优化准则,寻找对求解结构优化问题帮助最大的样本点,并对应采用面向全局最优搜索与面向局部最优搜索,其中:面向局部最优搜索的优化目标为搜索代理模型预测值的最小值,面向全局最优搜索的优化目标为搜索设计空间内预测精度较差的区域。
3.根据权利要求1所述的方法,其特征是,所述的步骤4,具体包括:
步骤4.1、据试验样本点数据库已有信息,建立第k次迭代Kriging代理模型SMk;基于粒子群优化(PSO)的全局优化算法对代理模型SMk进行全局寻优并得到全局最优值mink,并记录该点的设计变量输入值Xlock,作为面向局部最优样本点;
步骤4.2、构建面向全局最优搜索模式寻优问题,并采用基于粒子群优化(PSO)的全局优化算法求解该寻优问题,并记录最优值对应的设计变量输入值Xglok,具体为:
find:x
5.根据权利要求1所述的方法,其特征是,所述的迭代终止判定,具体包括:
A)当flagloc和flagglo不均为0,根据面向局部与面向全局最优搜索模式状态更新试验样本点数据库;
B)当flagloc=1时,将Xlock作为设计变量输入值代入精确计算模型,获得响应值Ylock,并将(Xlock,Ylock)存入试验样本点数据库;
C)当flagloc=0时,则本次迭代不更新面向局部最优的样本点;
D)当flagglo=1时,将Xglok作为设计变量输入值代入精确计算模型,获得响应值Ygok,并将(Xglok,Yglok)存入试验样本点数据库;
E)当flagglo=0时,则本次迭代不更新面向全局最优的样本点;
针对上述任意一种情况,令迭代计数参数k=k+1,转入步骤4重新搜索面向全局最优及局部最优的样本点;
F)当flagloc和flagglo均为0,即面向局部与面向全局最优搜索模式同为关闭状态,且已连续numglo次迭代面向全局最优搜索模式为关闭状态;或k≥kmax,即迭代次数超过预设最大迭代次数,则迭代终止,该全局优化问题最优解为(Xlock,Ylock)=(3.53,0.71,17.00,7.40,7.88,3.49,5.37),3153.114),即优化后x1=3.53,x2=0.71,x3=17.00,x4=7.40,x5=7.88,x6=3.49,x7=5.37,减速器总重3153.11kg,其中:g1~g11为汽车减速器设计约束;x1~x7为汽车减速器设计变量;f(X)为汽车减速器质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007018.7A CN109783918B (zh) | 2019-01-04 | 2019-01-04 | 基于切换序贯采样模式的减速器优化设计实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007018.7A CN109783918B (zh) | 2019-01-04 | 2019-01-04 | 基于切换序贯采样模式的减速器优化设计实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109783918A CN109783918A (zh) | 2019-05-21 |
CN109783918B true CN109783918B (zh) | 2023-01-20 |
Family
ID=66500008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007018.7A Active CN109783918B (zh) | 2019-01-04 | 2019-01-04 | 基于切换序贯采样模式的减速器优化设计实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109783918B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112943905B (zh) * | 2021-03-12 | 2024-02-23 | 佛山职业技术学院 | 一种电动汽车变速箱的降噪方法和降噪系统 |
CN113987806B (zh) * | 2021-10-29 | 2024-04-26 | 吉林大学 | 一种基于代理模型的大气模式优化方法 |
CN114781085B (zh) * | 2022-04-20 | 2023-07-04 | 江苏大学镇江流体工程装备技术研究院 | 一种实时动态迭代优化的叶轮设计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104880992A (zh) * | 2014-12-23 | 2015-09-02 | 湘潭大学 | 基于Kriging代理模型的磁控电弧传感器参数优化方法 |
CN105653768A (zh) * | 2015-12-25 | 2016-06-08 | 上海交通大学 | 基于粒子群优化算法的轿车车身轻量化结构的实现方法 |
CN105701297A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于多点自适应代理模型的反射面天线机电耦合设计方法 |
CN108459993A (zh) * | 2018-02-02 | 2018-08-28 | 北京理工大学 | 基于快速追峰采样的复杂高维系统优化方法 |
CN108515962A (zh) * | 2018-05-07 | 2018-09-11 | 吉林大学 | 一种混合动力汽车整车控制器快速标定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008112921A1 (en) * | 2007-03-14 | 2008-09-18 | Halliburton Energy Services, Inc. | Neural-network based surrogate model construction methods and applications thereof |
-
2019
- 2019-01-04 CN CN201910007018.7A patent/CN109783918B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104880992A (zh) * | 2014-12-23 | 2015-09-02 | 湘潭大学 | 基于Kriging代理模型的磁控电弧传感器参数优化方法 |
CN105653768A (zh) * | 2015-12-25 | 2016-06-08 | 上海交通大学 | 基于粒子群优化算法的轿车车身轻量化结构的实现方法 |
CN105701297A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于多点自适应代理模型的反射面天线机电耦合设计方法 |
CN108459993A (zh) * | 2018-02-02 | 2018-08-28 | 北京理工大学 | 基于快速追峰采样的复杂高维系统优化方法 |
CN108515962A (zh) * | 2018-05-07 | 2018-09-11 | 吉林大学 | 一种混合动力汽车整车控制器快速标定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109783918A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109783918B (zh) | 基于切换序贯采样模式的减速器优化设计实现方法 | |
CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
Hao et al. | Adaptive infill sampling criterion for multi-fidelity gradient-enhanced kriging model | |
CN110134714B (zh) | 适用于大数据迭代计算的分布式计算框架缓存索引方法 | |
Zhu et al. | Optimization of load-carrying hierarchical stiffened shells: comparative survey and applications of six hybrid heuristic models | |
CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
Cai et al. | A multi-point sampling method based on kriging for global optimization | |
Zhang et al. | Adaptive infinite impulse response system identification using an enhanced golden jackal optimization | |
CN114564787A (zh) | 用于目标相关翼型设计的贝叶斯优化方法、装置及存储介质 | |
Sun et al. | Toward axial accuracy prediction and optimization of metal tube bending forming: A novel GRU-integrated Pb-NSGA-III optimization framework | |
Hao et al. | Design optimization by integrating limited simulation data and shape engineering knowledge with Bayesian optimization (BO-DK4DO) | |
CN114429090A (zh) | 一种基于数据驱动的压气机叶片鲁棒性设计方法 | |
Pang et al. | A Kriging-assisted global reliability-based design optimization algorithm with a reliability-constrained expected improvement | |
CN116738583B (zh) | 固体火箭发动机装药构型约束设计方法 | |
Zhao et al. | LLM-PQ: Serving LLM on Heterogeneous Clusters with Phase-Aware Partition and Adaptive Quantization | |
CN113380337A (zh) | 一种基于深度神经网络的有机荧光小分子光学性质预测方法 | |
CN112926147B (zh) | 含缺陷加筋柱壳的后验优化设计方法 | |
Yang et al. | An Adaptive Metamodel‐Based Optimization Approach for Vehicle Suspension System Design | |
CN113052388A (zh) | 一种时间序列预测方法及装置 | |
CN110649912B (zh) | 空间滤波器的建模方法 | |
CN112182739A (zh) | 一种飞行器结构非概率可信可靠性拓扑优化设计方法 | |
Li et al. | Clamping force prediction based on deep spatio-temporal network for machining process of deformable parts | |
CN115185805B (zh) | 一种存储系统的性能预测方法、系统、设备及存储介质 | |
Solodskikh et al. | Towards Accurate Network Quantization with Equivalent Smooth Regularizer | |
Li et al. | An improved resampling particle filter algorithm based on digital twin |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |