CN110348575A - 一种基于遗传算法的叶轮逆向工程方法 - Google Patents

一种基于遗传算法的叶轮逆向工程方法 Download PDF

Info

Publication number
CN110348575A
CN110348575A CN201910547172.3A CN201910547172A CN110348575A CN 110348575 A CN110348575 A CN 110348575A CN 201910547172 A CN201910547172 A CN 201910547172A CN 110348575 A CN110348575 A CN 110348575A
Authority
CN
China
Prior art keywords
impeller
genetic algorithm
approach based
reverse engineering
engineering approach
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
CN201910547172.3A
Other languages
English (en)
Inventor
崔树鑫
张明
张儒
张良
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.)
Nanjing Tianshu Software Co Ltd
Original Assignee
Nanjing Tianshu Software Co Ltd
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 Nanjing Tianshu Software Co Ltd filed Critical Nanjing Tianshu Software Co Ltd
Priority to CN201910547172.3A priority Critical patent/CN110348575A/zh
Publication of CN110348575A publication Critical patent/CN110348575A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Genetics & Genomics (AREA)
  • Computer Hardware Design (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明公开了一种基于遗传算法的叶轮逆向工程方法，该方法主要步骤为：第一，建立叶轮的参数体系；第二，引入知识指导策略，建立约束关系；第三，建立适应度评价方法；第四，进入遗传算法，对参数体系进行求解。本发明利用人工智能技术中的遗传算法对叶轮模型进行逆向工程，将参数体系看做优化变量，从而把逆向工程这一几何建模问题，转化为多维空间中的寻优问题；通过本方法仅需要少量的手动操作，即可以快速、自动化地完成叶轮的逆向工程，并且得到全参数化的几何模型；故大大减少了人工操作耗时，降低了对三维建模工程师的经验依赖性。

Description

一种基于遗传算法的叶轮逆向工程方法
技术领域
本发明涉及叶轮机械的逆向工程，具体是指一种基于遗传算法的叶轮逆向工程方法。。
背景技术
叶轮机械，如汽轮机、燃气透平、水轮机、叶片泵、压气机、风机等，是工业中广泛应用的动力设备。叶轮是叶轮机械中最重要的部件之一，对机械的性能指标、能量转换效率、运行安全和稳定等起到决定性作用。
在实际的设计、研发和生产过程中，逆向工程是常用的技术手段。通过对实物或模型进行三维几何扫描，以建立数字化的三维几何模型，从而方便对其进行几何参数研究，或是进行CAE分析。
在这一过程中，将扫描数据转换至具有拓扑信息的数字化三维模型，需要经历几个步骤。第一，提取点云数据，转换数据格式，去除噪声数据；第二，提取截面线；第三，将截面线数据导入三维造型软件中创建曲面；第四，结合其他信息，完成叶轮的三维建模。
这一过程往往是由工程师手动完成的x并且需要耗费大量的时间。同时，得到的几何体难以进一步解析出行业内关心的特征几何参数。这样的几何体可以作为CAE分析的基础，但不利于发现特征几何参数对叶轮机械性能、效率等的影响机理，不利于进一步对其进行改善型研究和优化。
此外，在工程实践中，三维扫描结果有可能会出现数据缺失的现象，例如几何尺寸较小或者比转速较低、叶片流道狭长的叶轮。在这种情况中，往往只能依靠工程师凭经验填补数据缺失，这一过程，往往会人为地引入误差甚至错误。
发明内容
本发明的目的在于针对现有的技术状况，提供一种基于遗传算法的叶轮逆向工程方法，该方法结合了人工智能技术，仅需要少量的手动操作，即可以快速、自动化地完成叶轮的逆向工程，并且得到全参数化的几何模型。
为实现上述目的，本发明采取的技术方案为：一种基于遗传算法的叶轮逆向工程方法，其特征在于，该方法包括以下步骤：
S1.对叶轮的几何要素，建立满足逆向工程精度要求的参数体系，这个参数体系，组成了优化变量x＝(x1,x2,…,xn)T；
S2.对优化变量x＝(x1,x2,…,xn)T中的参数，按照各自的几何意义，确定其范围；
S3.对优化变量x＝(x1,x2,…,xn)T进行编码，形成一个长度有限的字符串A＝a1,a2,…,aL；
S4.引入知识指导策略，对优化变量x＝(x1,x2,…,xn)T中，具有潜在关联的参数，建立约束关系；
S5.建立基于距离的适应度评价方法；
S6.随机产生初始种群。
S7.适应度评价；
S8.选择若干个体复制到下一代；
S9.进行一种特殊的交叉操作和变异操作；
S10.产生下一代种群；
S11.适应度评价；
S12.收敛准则判断；如果不满足收敛准则，转入步骤S8；如果满足收敛准则，则输出求解结果，记为Ap；
S13.对Ap进行解码操作，得到xp；即得到了叶轮的全参数化模型信息。
进一步的，所述步骤S3中，对于确定的编码关系，有并根据步骤2的范围，确定搜索空间。
进一步的，所述步骤S4中，引入知识指导策略中的约束关系，该约束关系是一个或几个参数之间的数量关系、逻辑关系。这样的约束关系可以是一个或者多个，可以是显式的或者隐式的。在求解最优变量的过程中，可以采用一个或几个约束关系的组合作为知识指导。在求解的不同阶段，可以调整知识指导策略的具体实施方法。
进一步的，所述步骤S5中，建立基于距离的适应度评价方法，该方法包括如下几个步骤：
S501.根据优化变量建立三维模型；
S502.比较点云数据(如STL格式的文件)中，各个点到三维模型的距离；
S503.对所有距离值进行处理；
S504.得到一个能够表征所建立的三维模型与点云数据贴合程度的值，也就是遗传算法中所述的适应度。
进一步的，所述步骤S6和S10中，每一代的种群规模是可以作自适应变化的。
进一步的，所述步骤S9中，进行一种特殊的交叉操作和变异操作，所采用的策略为，一是将每一代被淘汰的个体进行保存，并在交叉时按照一定的随机性规则和确定性规则，让其有一定概率被选中并进入交叉操作中；二是对每代的最优个体在收集后，引入强化学习方法，对“收益”效果好的局部搜索空间加大寻优力度。
进一步的，所述步骤S12中，收敛准则判断中，收敛准则可以是以下条件中的一个或几个：(1)总的种群代数达到某一值；(2)适应度评分达到某一值；(3)连续若干种群代数的适应度评分没有显著变化。
与现有技术相比，本发明具有以下有益的技术效果：
本发明利用人工智能技术中的遗传算法对叶轮模型进行逆向工程，将参数体系看作优化变量，从而把逆向工程这一几何建模问题，转化为多维空间中的寻优问题。
对遗传算法进行了针对性的改进，避免在求解多维复杂问题时易得到“假性”最优解的问题，并缩短求解时间；所得到的逆向工程结果为全参数化的三维叶轮模型，不仅可以用于对原模型的CAE分析，还能够方便地进行改型设计和优化设计；该方法大大减少了人工操作耗时，降低了对三维建模工程师的经验依赖性。
附图说明
为了使本发明的目的、技术方案和优点更加清晰，下面将结合附图对本发明作进一步的详细描述，其中：
图1为一种基于遗传算法的叶轮逆向工程方法流程图。
图2为一个水泵叶轮的示意图。
图3逆向工程的结果，其中点数据为叶型原始数据，曲线为逆向工程得到的叶型；1为逆向结果的全局视图，2、3、4为叶型的局部视图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例：一个离心泵叶轮的逆向工程。
第一，建立叶轮的参数体系。
离心泵叶轮(见图2)的整体几何特征，可以分为前盖板(1)、后盖板(2)和叶片(3)三个部分。前盖板和后盖板都是回转面的几何特征，因此只要对回转母线进行参数化。对于本例，采用5控制点的贝塞尔曲线描述前盖板或后盖板的型线，如果本身几何特征较为复杂，可以增加控制点个数，或者修改型线的几何拓扑。得到了前、后盖板的型线，也就得到了叶轮的子午面流道和流面。本例情况下，取流面数量为5个，只需要再确定不同流面上，叶片的进口边位置、出口边位置、进口角、出口角、包角曲线、叶片加厚信息即可以确定该流面上叶片的叶型。优选地，用贝塞尔曲线描述包角曲线，控制点可以是4点控制或5点控制。以下是本例中，全参数列表。
第二，引入知识指导策略，建立约束关系。
本例中建立的约束关系为：
b_c5_z＜b_c4_z＜b_c3_z＜b_c2_z＜b_c1_z
0.3*th3＜th1＜2*th3
0.3*th3＜th2＜2*th3
0.3*th3＜th4＜2*th3
0.3*th3＜th5＜2*th3
0.3*th8＜th6＜2*th8
0.3*th8＜th7＜2*th8
0.3*th8＜th9＜2*th8
0.3*th8＜th10＜2*th8
5＜beta1＜90
5＜beta2＜90
第三，建立适应度评价方法。
将点云数据，差值投影到流面上，构成该流面上叶型的原始点数据。根据参数体系建立该流面上的叶型模型。计算各个点数据到到所建立的叶型曲线的距离，得到一系列距离值。对这一系列值进行处理，提取能够表征贴合程度的值。可以采用对距离按大小排列，对数据等量分为几组，每组取距离的均值，并对均值进行加权处理。优选地，可以将距离值排序后分为四组，每组距离均值的加权权重分别为7、1、1、1。
第四，进入遗传算法，对参数体系进行求解。收敛条件优选为满足种群代数在15以上且适应度在连续3代没有明显变化(适应度变化小与0.1)。
对不同流面上的叶型参数体系进行求解后，即得到了叶轮的全参数化模型。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的普通技术人员应该了解，上述实施例不以任何形式限制本发明的保护范围，凡采用等同替换等方式所获得的技术方案，均落于本发明的保护范围内。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。

Claims (7)

1.一种基于遗传算法的叶轮逆向工程方法，其特征在于，该方法包括以下步骤：
S1.对叶轮的几何要素，建立满足逆向工程精度要求的参数体系，这个参数体系，组成了优化变量x＝(x1,x2,…,xn)T；
S2.对优化变量x＝(x1,x2,…,xn)T中的参数，按照各自的几何意义，确定其范围；
S3.对优化变量x＝(x1,x2,…,xn)T进行编码，形成一个长度有限的字符串A＝a1,a2,…,aL；
S4.引入知识指导策略，对优化变量x＝(x1,x2,…,xn)T中，具有潜在关联的参数，建立约束关系；
S5.建立基于距离的适应度评价方法；
S6.随机产生初始种群。
S7.适应度评价；
S8.选择若干个体复制到下一代；
S9.进行一种特殊的交叉操作和变异操作；
S10.产生下一代种群；
S11.适应度评价；
S12.收敛准则判断；如果不满足收敛准则，转入步骤S8；如果满足收敛准则，则输出求解结果，记为Ap；
S13.对Ap进行解码操作，得到xp；即得到了叶轮的全参数化模型信息。
2.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S3中，对于确定的编码关系，有并根据步骤2的范围，确定搜索空间。
3.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S4中，引入知识指导策略中的约束关系，该约束关系是一个或几个参数之间的数量关系、逻辑关系。
4.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S5中，建立基于距离的适应度评价方法，该方法包括如下几个步骤：
S501.根据优化变量建立三维模型；
S502.比较点云数据中，各个点到三维模型的距离；
S503.对所有距离值进行处理；
S504.得到一个能够表征所建立的三维模型与点云数据贴合程度的值，也就是遗传算法中所述的适应度。
5.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S6和S10中，每一代的种群规模是可以作自适应变化的。
6.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S9中，进行一种特殊的交叉操作和变异操作，所采用的策略为，一是将每一代被淘汰的个体进行保存，并在交叉时按照一定的随机性规则和确定性规则，让其有一定概率被选中并进入交叉操作中；二是对每代的最优个体在收集后，引入强化学习方法，对“收益”效果好的局部搜索空间加大寻优力度。
7.根据权利要求1所述的一种基于遗传算法的叶轮逆向工程方法，其特征在于，所述步骤S12中，收敛准则判断中，收敛准则可以是以下条件中的一个或几个：(1)总的种群代数达到某一值；(2)适应度评分达到某一值；(3)连续若干种群代数的适应度评分没有显著变化。
CN201910547172.3A 2019-06-24 2019-06-24 一种基于遗传算法的叶轮逆向工程方法 Pending CN110348575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910547172.3A CN110348575A (zh) 2019-06-24 2019-06-24 一种基于遗传算法的叶轮逆向工程方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910547172.3A CN110348575A (zh) 2019-06-24 2019-06-24 一种基于遗传算法的叶轮逆向工程方法

Publications (1)

Publication Number Publication Date
CN110348575A true CN110348575A (zh) 2019-10-18

Family

ID=68182800

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910547172.3A Pending CN110348575A (zh) 2019-06-24 2019-06-24 一种基于遗传算法的叶轮逆向工程方法

Country Status (1)

Country Link
CN (1) CN110348575A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737831A (zh) * 2020-06-15 2020-10-02 南京瑞迪建设科技有限公司 一种离心泵叶轮的参数体系建立方法
CN114151379A (zh) * 2020-09-07 2022-03-08 大连盛瑞德流体设备有限公司 一种高效率化工离心泵的水力模型

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096924A (ko) * 2013-01-29 2014-08-06 한국기계연구원 임펠러 형상 최적설계방법
CN104573820A (zh) * 2014-12-31 2015-04-29 中国地质大学（武汉） 一种用于带约束条件的工程优化问题的遗传算法
CN108153998A (zh) * 2018-01-25 2018-06-12 哈尔滨工业大学 离心鼓风机叶轮的全三维气动优化设计方法
CN108304619A (zh) * 2018-01-11 2018-07-20 江苏大学 一种基于遗传算法的离心泵叶轮多目标智能优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140096924A (ko) * 2013-01-29 2014-08-06 한국기계연구원 임펠러 형상 최적설계방법
CN104573820A (zh) * 2014-12-31 2015-04-29 中国地质大学（武汉） 一种用于带约束条件的工程优化问题的遗传算法
CN108304619A (zh) * 2018-01-11 2018-07-20 江苏大学 一种基于遗传算法的离心泵叶轮多目标智能优化方法
CN108153998A (zh) * 2018-01-25 2018-06-12 哈尔滨工业大学 离心鼓风机叶轮的全三维气动优化设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张丹丹，韩燮，韩慧妍: "逆向工程中复杂实物曲面重建的仿真研究", 《计算机仿真》 *
赵明旺，王杰: "《智能控制》", 31 March 2010, 华中科技大学出版社 *
陈飞: "涡轮增压压气机的流场分析与叶轮的气动优化研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737831A (zh) * 2020-06-15 2020-10-02 南京瑞迪建设科技有限公司 一种离心泵叶轮的参数体系建立方法
CN111737831B (zh) * 2020-06-15 2024-04-05 南京瑞迪建设科技有限公司 一种离心泵叶轮的参数体系建立方法
CN114151379A (zh) * 2020-09-07 2022-03-08 大连盛瑞德流体设备有限公司 一种高效率化工离心泵的水力模型

Similar Documents

Publication Publication Date Title
Demeulenaere et al. Application of multipoint optimization to the design of turbomachinery blades
Dorfner et al. Axis-asymmetric profiled endwall design by using multiobjective optimisation linked with 3D RANS-flow-simulations
Bu¨ che et al. Automated design optimization of compressor blades for stationary, large-scale turbomachinery
CN110008653A (zh) 一种航空离心泵叶型优化设计方法
CN101403907B (zh) 散乱点云数据的五坐标nc刀轨快速生成方法
CN103871102B (zh) 一种基于高程点和道路轮廓面的道路三维精细建模方法
CN103413175B (zh) 基于遗传算法的闭合非均匀有理b样条曲线光顺方法
CN110348575A (zh) 一种基于遗传算法的叶轮逆向工程方法
CN106126860A (zh) 一种考虑加工误差的高超声速机翼鲁棒优化设计方法
CN104750948A (zh) 一种处理飞行器设计中多极值多约束问题的优化方法
CN105069845A (zh) 基于曲面变化的点云精简方法
Demeulenaere et al. Multi-disciplinary multi-point optimization of a turbocharger compressor wheel
Liu et al. Two schemes of multi-objective aerodynamic optimization for centrifugal impeller using response surface model and genetic algorithm
CN112487570B (zh) 基于自由变形技术的离心压缩机分流叶片形状优化方法
Thomas A Pareto frontier for full stern submarines via genetic algorithm
Keskin Process integration and automated multi-objective optimization supporting aerodynamic compressor design
Derakhshan et al. Optimal design of axial hydro turbine for micro hydropower plants
Bhattarai et al. CFD based stochastic optimization of Pelton Turbine bucket in stationery condition
Boselli et al. An inverse design based methodology for rapid 3D multi-objective/multidisciplinary optimization of axial turbines
Nagel et al. Experimentally verified numerical optimisation of a 3d-parametrized turbine vane with non-axisymmetric end walls
Dickel et al. Optimization of a non-axisymmetric endwall contour for front-loaded high-lift low pressure turbines
Thorn et al. Three Dimensional Turbine Blade Optimization Using Evolutionary Algorithm with Viscous Flow Analysis
Reising Steady and unsteady performance of a transonic compressor stage with non-axisymmetric end walls
CN110287521A (zh) 一种模具镶块边界自动生成方法
Zavitz et al. Design of Low-Speed Cascades for Investigating Viscous Effects in High-Speed Axial Turbines

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191018

WD01 Invention patent application deemed withdrawn after publication