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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-06-24 CN CN201910547172.3A patent/CN110348575A/zh active Pending
Patent Citations (4)
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)
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)
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 |