CN113642134A - 基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 - Google Patents
基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 Download PDFInfo
- Publication number
- CN113642134A CN113642134A CN202111038139.1A CN202111038139A CN113642134A CN 113642134 A CN113642134 A CN 113642134A CN 202111038139 A CN202111038139 A CN 202111038139A CN 113642134 A CN113642134 A CN 113642134A
- Authority
- CN
- China
- Prior art keywords
- plunger pump
- energy consumption
- model
- parameter
- characterization parameters
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 148
- 238000005265 energy consumption Methods 0.000 title claims abstract description 110
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012512 characterization method Methods 0.000 claims abstract description 87
- 239000003016 pheromone Substances 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 18
- 238000010008 shearing Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 8
- 230000007547 defect Effects 0.000 abstract description 3
- 230000002028 premature Effects 0.000 abstract description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 241000257303 Hymenoptera Species 0.000 description 15
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000007704 transition Effects 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000006679 Mentha X verticillata Nutrition 0.000 description 1
- 235000002899 Mentha suaveolens Nutrition 0.000 description 1
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明提供了一种基于蚁群算法的柱塞泵滑靴能耗优化方法及装置，基于蚁群算法的柱塞泵滑靴能耗优化方法包括：接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。本发明克服现有技术中针对柱塞泵滑靴能耗优化方法效率低，并且避免了过早收敛于局部极值点的缺陷，从而降低摩擦转矩损失，提高泵的使用寿命。
Description
技术领域
本发明涉及机械加工技术领域，尤其是机器学习与机械加工相结合的技术领域，具体涉及一种基于蚁群算法的柱塞泵滑靴能耗优化方法及装置。
背景技术
柱塞泵在工程机械中被广泛应用，在节能减排形势下，柱塞泵的能源消耗也越来越备受关注。具体地：轴向柱塞泵中滑靴与斜盘组成摩擦副，该摩擦副在工作状况下产生的摩擦转矩损失是降低柱塞泵使用寿命的主要原因，而影响摩擦转矩损失的主要因素是摩擦副相关参数，因此，需要对这些参数进行优化，以降低摩擦转矩损失，提高泵的使用寿命。
发明内容
本发明所提供的基于蚁群算法的柱塞泵滑靴能耗优化方法及装置，克服现有技术中针对柱塞泵滑靴能耗优化方法效率低，并且避免了过早收敛于局部极值点的缺陷。
为了实现上述目的，提供了一种基于蚁群算法的柱塞泵滑靴能耗优化方法，包括：
接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
一实施例中，基于蚁群算法的柱塞泵滑靴能耗优化方法还包括：
根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件。
一实施例中，所述根据表征参数以及预先建立的基于蚁群算法的所述表征参数的优化模型对所述柱塞泵滑靴进行能耗优化，包括：
根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化。
一实施例中，所述根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值，包括：
基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值。
一实施例中，建立所述参数优化模型的方法包括以下步骤：
利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
对所述初始模型中的表征参数进行信息素初始化；
对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型。
一实施例中，所述表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。
第二方面，本发明提供一种基于蚁群算法的柱塞泵滑靴能耗优化装置，该装置包括：
表征参数接收模块，用于接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
能耗优化模块，用于根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
一实施例中，基于蚁群算法的柱塞泵滑靴能耗优化装置还包括：
约束条件确定模块，用于根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件；
一实施例中，所述能耗优化模块包括：
转矩损失模型建立单元，用于根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
最优值确定单元，用于根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
能耗优化模块，用于根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化；
一实施例中，所述最优值确定单元具体用于基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值；
一实施例中，所述的柱塞泵滑靴能耗优化装置，还包括：参数优化模型建立模块，用于建立所述参数优化模型。
一实施例中，所述参数优化模型建立模块包括：
初始模型建立单元，用于利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
信息素初始化单元，用于对所述初始模型中的表征参数进行信息素初始化；
参数优化模型建立单元，用于对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型；
一实施例中，所述表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现基于蚁群算法的柱塞泵滑靴能耗优化方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于蚁群算法的柱塞泵滑靴能耗优化方法的步骤。
从上述描述可知，本发明实施例提供的基于蚁群算法的柱塞泵滑靴能耗优化方法及装置，首先接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；接着，根据表征参数以及预先建立的基于蚁群算法的表征参数的参数优化模型对柱塞泵滑靴进行能耗优化。本发明通过建立摩擦转矩损失的数学模型，选取工作状况下影响柱塞泵滑靴副的摩擦转矩损失的参数，并采用改进的蚁群算法对这些参数进行优化，从而降低轴向柱塞泵滑靴副的摩擦转矩。具体地，本发明具有以下有益效果：
(1)克服了传统的优化设计方法效率低，避免过早收敛于局部极值点的缺陷，首次提出的能够实现全局优化的基于蚁群优化算法的轴向柱塞泵滑靴优化方法。
(2)通过摩擦转矩模型建立滑靴运动过程中的结构参数，主要是油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、滑靴表面任一点摩擦剪切合力的夹角与摩擦转矩损失之间的关系。以最小的摩擦转矩损失为优化目标。该目标函数从根本上反映出柱塞泵滑靴的摩擦转矩损失的情况，对柱塞泵滑靴的结构优化更加的合理有效。
(3)采用蚁群优化算法更新机制对目标函数进行评价，而且是多代蚂蚁迭代的寻优过程，容易获得全局的最优解。实现滑靴结构多参数的最佳配置，有效的降低柱塞泵滑靴的摩擦转矩损失，减少摩擦磨损。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于蚁群算法的柱塞泵滑靴能耗优化系统的第一种结构示意图；
图2为本申请实施例的一种基于蚁群算法的柱塞泵滑靴能耗优化系统的第二种结构示意图；
图3为本发明实施例中提供的基于蚁群算法的柱塞泵滑靴能耗优化方法的流程示意图一；
图4为本发明实施例中提供的基于蚁群算法的柱塞泵滑靴能耗优化方法的流程示意图二；
图5为本发明的实施例中基于蚁群算法的柱塞泵滑靴能耗优化方法步骤200的流程示意图；
图6为本发明的实施例中基于蚁群算法的柱塞泵滑靴能耗优化方法步骤202的流程示意图；
图7为本发明实施例中提供的基于蚁群算法的柱塞泵滑靴能耗优化方法的流程示意图三；
图8为本发明的实施例中基于蚁群算法的柱塞泵滑靴能耗优化方法步骤400的流程示意图；
图9为本发明的实施例中柱塞泵滑靴结构参数示意图；
图10为本发明具体应用实例中基于蚁群算法的柱塞泵滑靴能耗优化方法的流程示意图；
图11为本发明具体应用实例中步骤S21的流程示意图；
图12为本发明具体应用实例中改进的蚁群算法流程示意图；
图13为本发明实施例中基于蚁群算法的柱塞泵滑靴能耗优化装置的结构示意图一；
图14为本发明实施例中基于蚁群算法的柱塞泵滑靴能耗优化装置的结构示意图二；
图15为本发明实施例中能耗优化模块20的结构示意图；
图16为本发明实施例中基于蚁群算法的柱塞泵滑靴能耗优化装置的结构示意图三；
图17为本发明实施例中参数优化模型建立模块40的结构示意图；
图18为本发明的实施例中的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请还提供一种基于蚁群算法的柱塞泵滑靴能耗优化系统，参见图1，该系统可以为一种服务器A1，该服务器A1可以与多个预装在柱塞泵滑靴上的传感器B1通信连接，服务器A1还可以与多个数据库分别通信连接，或者如图2所示，这些数据库也可以之间设置在服务器A1中。其中传感器B1用于实时测量柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角等数据。服务器A1在收取柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数之后，对柱塞泵滑靴进行能耗优化，并将优化结果通过客户端C1显示给用户。
可以理解的是，传感器B1可以为压力传感器、流量传感器、位移传感器以及气体传感器等，客户端C1可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中，智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中，进行柱塞泵滑靴能耗优化的部分可以在如上述内容的服务器A1侧执行，即，如图1或图2所示的架构，也可以所有的操作都在客户端C1设备中完成。具体可以根据客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在客户端设备中完成，客户端设备还可以包括处理器，用于进行柱塞泵滑靴能耗优化的处理等操作。
上述的客户端C1设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与服务器的数据传输。服务器可以包括柱塞泵滑靴能耗优化一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与柱塞泵滑靴能耗优化的预测服务器有通信链接的第三方服务器平台的服务器。服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
服务器与客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，网络协议例如还可以包括在上述协议之上使用的RPC协议(RemoteProcedure Call Protocol，远程过程调用协议)、REST协议(Representational StateTransfer，表述性状态转移协议)等。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明的实施例提供一种基于蚁群算法的柱塞泵滑靴能耗优化方法的具体实施方式，参见图3，该方法具体包括如下内容：
步骤100：接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数。
步骤100中的表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。相关研究表明，上述参数是造成实际工作状况下的摩擦转矩损失的主要原因，因此将实际工作状况下油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、滑靴表面任一点摩擦剪切合力的夹角作为柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数。
步骤200：根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
蚁群算法(ant colony optimization，ACO)是模仿蚂蚁群体搜寻食物的一种启发式优化算法，利用蚂蚁间的信息素交流机制完成对目标路径的寻优。其已在生产调度等离散空间问题上得到广泛应用，但利用采用蚁群算法解决摩擦转矩损失优化问题鲜有研究。蚁群算法的基本原理如下：蚂蚁在路径上释放信息素，蚂蚁碰到还没走过的路口，就随机挑选一条路走。同时，释放与路径长度有关的信息素。信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。最优路径上的信息素浓度越来越大。最终蚁群找到最优寻食路径。
本发明利用自适应蚁群算法(本申请针对该问题对蚁群算法有改进)解决柱塞泵实际工作状况下中的关键参数选取问题。
从上述描述可知，本发明实施例提供的基于蚁群算法的柱塞泵滑靴能耗优化方法，首先接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；接着，根据表征参数以及预先建立的基于蚁群算法的表征参数的参数优化模型对柱塞泵滑靴进行能耗优化。本发明通过建立摩擦转矩损失的数学模型，选取工作状况下影响柱塞泵滑靴副的摩擦转矩损失的参数，并采用改进的蚁群算法对这些参数进行优化，从而降低轴向柱塞泵滑靴副的摩擦转矩。
一实施例中，参见图4，基于蚁群算法的柱塞泵滑靴能耗优化方法还包括：
步骤300：根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件。
不难理解，对表征参数进行优化的前提是必须使其满足实际工作状况的限制，所在对其进行优化前，需要对其进行约束。
一实施例中，参见图5，步骤200进一步包括：
步骤201：根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
具体地：建立实际工作状况下的摩擦转矩损失T：
式中：r0为滑靴中心油腔的内径，R为滑靴中心油腔的外径，h为油膜厚度，μ为油液粘度，Vsr为油膜半径方向速度，Vsθ为油膜圆周方向速度，p为柱塞腔压力，θ为极角，δ为滑靴表面任一点摩擦剪切合力的夹角。
步骤202：根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
步骤202在实施时，在约束条件的基础上，利用参数优化模型对表征参数进行优化。
步骤203：根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化。
这里本申请采用一种改进的蚁群算法对表征参数进行优化，并将优化后的表征参数输入至摩擦转矩损失模型，从而降低轴向柱塞泵滑靴副的摩擦转矩损失，提高柱塞泵的工作寿命。
一实施例中，参见图6，步骤202进一步包括：
步骤2021：基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值。
可以理解的是，步骤2021中的约束条件包括：
(1)油膜厚度h约束
油膜厚度h必须在柱塞泵工作状况下允许的最小油膜厚度hmin和最大油膜厚度hmax之间，即：
hmin≤h≤hmax
(2)油液粘度μ约束
油液粘度μ必须在柱塞泵工作状况下允许的最小油液粘度μmin和最大油液粘度μmax之间，即：
μmin≤μ≤μmax
(3)油膜半径方向速度Vsr约束
油膜半径方向速度存在计算公式：
Vsr＝2πnR
式中，R为滑靴中心油腔的外径，n为缸体转速
缸体转速n必须介于最高转速nmax和最低转速nmin之间，则油膜半径方向速度Vsr的约束条件为
2πnminR≤Vsr≤2πnmaxR
(4)油膜圆周方向速度Vsθ约束
油膜圆周方向速度存在计算公式：
Vsθ＝2πnr0
式中，r0为滑靴中心油腔的内径，n为缸体转速
缸体转速n必须介于最高转速nmax和最低转速nmin之间，则油膜圆周方向速度Vsθ的约束条件为：
2πnminr0≤Vsθ≤2πnmaxr0
(5)柱塞腔压力p约束
柱塞腔压力大小取决于负载的大小，但在摩擦转矩损失T算式中，
是其中有关柱塞腔压力p的关键值，
为定值，
为范围值：
其中ps为滑靴中心油腔压力值。
(6)滑靴表面任一点摩擦剪切合力的夹角δ约束
滑靴表面任一点摩擦剪切合力的夹角δ在柱塞泵工作状况下允许的最小夹角δmin和最大夹角δmax之间，即：
δmin≤δ≤δmax
综上所述，实际工作状况下摩擦转矩损失参数优化的数学模型为：
minT(h,μ,Vsr,Vsθ,p,δ)
一实施例中，参见图7，基于蚁群算法的柱塞泵滑靴能耗优化方法还包括：
步骤400：建立所述参数优化模型，参见图8，进一步地，步骤400包括：
步骤401：利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
步骤402：对所述初始模型中的表征参数进行信息素初始化；
具体地，需要确定蚁群位置以及对信息素进行初始化，设定蚂蚁数目m，迭代次数K。油膜厚度h、油液粘度μ、油膜半径方向速度Vsr、油膜圆周方向速度Vsθ、柱塞腔压力p对角度的导数
滑靴表面任一点摩擦剪切合力的夹角δ六个变量以Xi(i＝1，2，3，4，5，6)表示，即
(X1 X2 X3 X4 X5 X6)T＝(h μ Vsr Vsθ p δ)T
优化变量i对应取值范围为[ai,bi]，令第j只蚂蚁在变量i的定义域内随机取值
式中，j＝1,2,……,m。
则第j只蚂蚁的位置为
设置初始信息素浓度为
式中，a为大于1的常数。
步骤403：对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型。
全局搜索：在一次迭代完成后，找到本次迭代中的最优解，即使单目标函数F(Xi)最小的解，将该最优解蚂蚁的位置Xbest作为下次迭代中其余蚂蚁的移动方向。通过比较全局转移概率和自身转移概率，决定非最优蚂蚁的移动方式。
首先建立全局转移概率P0。
式中，k为当前迭代步数。建立自身转移概率P(j)
转移步长为：
式中，Len(i)代表参数区间分割长度，即
由上面搜索过程可以看出，在迭代初期，非最优蚂蚁会较高概率选择朝向最优解蚂蚁移动，这样可使算法快速收敛；迭代后期，为避免算法陷入局部最优，使算法在向最优解收敛过程中，以较高概率使每只蚂蚁在自身周围随机寻优，以期望蚂蚁在朝向最优解移动过程中，能够得到更好的结果。
局部搜索：本次循环找到的最优解Xbest则在周边小范围内寻优，以期望找到更优解，该过程可表示为:
式中，ω为局部搜索步长，使其能动态更新，随着迭代次数增加而减小；δ为初始步长。
δ＝0.1·rand(1)
局部搜索结束后，判断结果是否更优。如果更优，更新最优解；否则，沿用之前最优解。
信息素更新：当第k代蚂蚁完成本次全局搜索和局部搜索后，更新每只蚂蚁留下的信息素，改变信息素挥发系数ρ的更新策略。在迭代初期，信息素挥发较慢，有利于提高算法的随机搜索能力；迭代后期，信息素挥发较快，有利于保留较优解，加快算法收敛速度。信息素更新规则如下：
τ(i+1)＝(1-ρ)τ(i)+Δτ(i)
式中，Δτ(i)为蚂蚁在更新过后的位置上的信息素浓度。
一实施例中，参见图9，表征参数包括：柱塞泵滑靴中心油腔的内径r0，柱塞泵滑靴中心油腔的外径R，油膜厚度h，油液粘度μ，油膜半径方向速度Vsr，油膜圆周方向速度Vsθ，柱塞腔压力p，极角θ，滑靴表面任一点摩擦剪切合力的夹角δ。
为进一步地说明本方案，本发明还提供基于蚁群算法的柱塞泵滑靴能耗优化方法的具体应用实例，参见图10，具体包括如下内容。
首先确定影响柱塞泵滑靴副摩擦转矩损失的参数，建立柱塞泵滑靴副摩擦转矩损失优化的数学模型。根据改进的蚁群算法，在定义域内随机均匀生产m个初始解，经过S21至S25，判断是否满足终止条件。若不满足，返回2)；若满足，则输出最优解蚂蚁位置Xbest，其包含的七个变量Xi即为最优选择的油膜厚度h、油液粘度μ、油膜半径方向速度Vsr、油膜圆周方向速度Vsθ、柱塞腔压力p对角度的导数
滑靴表面任一点摩擦剪切合力的夹角δ，进而可得出滑靴副最少的摩擦转矩损失T，具体地：
S1：建立实际工作状况下的摩擦转矩损失模型。
S2：利用蚁群算法建立柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数的参数优化模型。
参见图11以及图12，步骤S2具体包括：
S21：确定蚁群位置以及信息素初始化。
设定蚂蚁数目m，迭代次数K。油膜厚度h、油液粘度μ、油膜半径方向速度Vsr、油膜圆周方向速度Vsθ、柱塞腔压力p对角度的导数
滑靴表面任一点摩擦剪切合力的夹角δ六个变量以Xi(i＝1，2，3，4，5，6)表示，即
(X1 X2 X3 X4 X5 X6)T＝(h μ Vsr Vsθ p δ)T
优化变量i对应取值范围为[ai,bi]，令第j只蚂蚁在变量i的定义域内随机取值
式中，j＝1,2,……,m。
则第j只蚂蚁的位置为
设置初始信息素浓度为
式中，a为大于1的常数。
S22：全局搜索初始模型。
在一次迭代完成后，找到本次迭代中的最优解，即使能耗单目标函数F(Xi)最小的解，将该最优解蚂蚁的位置Xbest作为下次迭代中其余蚂蚁的移动方向。通过比较全局转移概率和自身转移概率，决定非最优蚂蚁的移动方式。
首先建立全局转移概率P0。
式中，k为当前迭代步数。
建立自身转移概率P(j)
转移步长为
式中，Len(i)代表参数区间分割长度，即
S23：在步骤S22的基础上对初始模型进行局部搜索。
本次循环找到的最优解Xbest则在周边小范围内寻优，以期望找到更优解，该过程可表示为
式中，ω为局部搜索步长，使其能动态更新，随着迭代次数增加而减小；δ为初始步长。
δ＝0.1·rand(1)
局部搜索结束后，判断结果是否更优。如果更优，更新最优解；否则，沿用之前最优解。
S24：更新信息素。
当第k代蚂蚁完成本次全局搜索和局部搜索后，更新每只蚂蚁留下的信息素，改变信息素挥发系数ρ的更新策略。在迭代初期，信息素挥发较慢，有利于提高算法的随机搜索能力；迭代后期，信息素挥发较快，有利于保留较优解，加快算法收敛速度。信息素更新规则如下：
τ(i+1)＝(1-ρ)τ(i)+Δτ(i)
式中，Δτ(i)为蚂蚁在更新过后的位置上的信息素浓度。
S25：求解参数优化模型。
具体地，求解参数优化模型的最优解，保存每代的最优解蚂蚁位置Xbest，直到迭代终止，找出最优解，此时Xbest所包含的Xbest＝(X1 X2 X3 X4 X5 X6)T，即为所求最优参数(优化后的表征参数值)。
S3：根据优化后的表征参数对所述柱塞泵滑靴进行能耗优化。
本发明针对工作状况下轴向柱塞泵滑靴副摩擦转矩模型，采用一种改进的蚁群算法优化参数的选取，从而降低轴向柱塞泵滑靴副的摩擦转矩损失，提高柱塞泵的工作寿命，为降低轴向柱塞泵滑靴副摩擦转矩损失提供一种新的优化思路。
基于同一发明构思，本申请实施例还提供了基于蚁群算法的柱塞泵滑靴能耗优化装置，可以用于实现上述实施例所描述的方法，如下面的实施例。由于基于蚁群算法的柱塞泵滑靴能耗优化装置解决问题的原理与基于蚁群算法的柱塞泵滑靴能耗优化方法相似，因此基于蚁群算法的柱塞泵滑靴能耗优化装置的实施可以参见基于蚁群算法的柱塞泵滑靴能耗优化方法实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本发明的实施例提供一种能够实现基于蚁群算法的柱塞泵滑靴能耗优化方法的基于蚁群算法的柱塞泵滑靴能耗优化装置的具体实施方式，参见图13，基于蚁群算法的柱塞泵滑靴能耗优化装置具体包括如下内容：
表征参数接收模块10，用于接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
能耗优化模块20，用于根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
一实施例中，参见图14，基于蚁群算法的柱塞泵滑靴能耗优化装置还包括：
约束条件确定模块30，用于根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件；
一实施例中，参见图15，所述能耗优化模块20包括：
转矩损失模型建立单元201，用于根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
最优值确定单元202，用于根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
能耗优化模块203，用于根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化；
一实施例中，所述最优值确定单元具体用于基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值；
一实施例中，参见图16，基于蚁群算法的柱塞泵滑靴能耗优化装置还包括：参数优化模型建立模块40，用于建立所述参数优化模型。
一实施例中，参见图17，所述参数优化模型建立模块40包括：
初始模型建立单元401，用于利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
信息素初始化单元402，用于对所述初始模型中的表征参数进行信息素初始化；
参数优化模型建立单元403，用于对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型；
一实施例中，所述表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。
从上述描述可知，本发明实施例提供的基于蚁群算法的柱塞泵滑靴能耗优化装置，首先接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；接着，根据表征参数以及预先建立的基于蚁群算法的表征参数的参数优化模型对柱塞泵滑靴进行能耗优化。本发明通过建立摩擦转矩损失的数学模型，选取工作状况下影响柱塞泵滑靴副的摩擦转矩损失的参数，并采用改进的蚁群算法对这些参数进行优化，从而降低轴向柱塞泵滑靴副的摩擦转矩。
本申请的实施例还提供能够实现上述实施例中的基于蚁群算法的柱塞泵滑靴能耗优化方法中全部步骤的一种电子设备的具体实施方式，参见图18，电子设备具体包括如下内容：
处理器(processor)1201、存储器(memory)1202、通信接口(CommunicationsInterface)1203和总线1204；
其中，处理器1201、存储器1202、通信接口1203通过总线1204完成相互间的通信；通信接口1203用于实现服务器端设备、功率测量设备以及用户端设备等相关设备之间的信息传输。
处理器1201用于调用存储器1202中的计算机程序，处理器执行计算机程序时实现上述实施例中的基于蚁群算法的柱塞泵滑靴能耗优化方法中的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
步骤200：根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
本申请的实施例还提供能够实现上述实施例中的基于蚁群算法的柱塞泵滑靴能耗优化方法中全部步骤的一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的基于蚁群算法的柱塞泵滑靴能耗优化方法的全部步骤，例如，处理器执行计算机程序时实现下述步骤：
步骤100：接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
步骤200：根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
综上，本发明实施例提供的计算机可读存储介质能够支持服务提供方根据其自身的软、硬件资源的可用率，由服务提供方进行服务的自适应下线和上线，实现服务提供方的自隔离能力，保障服务提供方对服务请求的响应成功率。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
虽然本申请提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于蚁群算法的柱塞泵滑靴能耗优化方法，其特征在于，包括：
接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
2.根据权利要求1所述的柱塞泵滑靴能耗优化方法，其特征在于，还包括：
根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件。
3.根据权利要求2所述的柱塞泵滑靴能耗优化方法，其特征在于，所述根据表征参数以及预先建立的基于蚁群算法的所述表征参数的优化模型对所述柱塞泵滑靴进行能耗优化，包括：
根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化。
4.根据权利要求3所述的柱塞泵滑靴能耗优化方法，其特征在于，所述根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值，包括：
基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值。
5.根据权利要求1所述的柱塞泵滑靴能耗优化方法，其特征在于，建立所述参数优化模型的方法包括以下步骤：
利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
对所述初始模型中的表征参数进行信息素初始化；
对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型。
6.根据权利要求1所述的柱塞泵滑靴能耗优化方法，其特征在于，所述表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。
7.一种基于蚁群算法的柱塞泵滑靴能耗优化装置，其特征在于，包括：
表征参数接收模块，用于接收待进行能耗优化的柱塞泵滑靴的轴向柱塞泵滑靴副摩擦的表征参数；
能耗优化模块，用于根据所述表征参数以及预先建立的所述表征参数的参数优化模型对所述柱塞泵滑靴进行能耗优化。
8.根据权利要求7所述的柱塞泵滑靴能耗优化装置，其特征在于，还包括：
约束条件确定模块，用于根据所述柱塞泵滑靴的实际工况确定所述表征参数的约束条件；
所述能耗优化模块包括：
转矩损失模型建立单元，用于根据所述表征参数建立所述柱塞泵滑靴的摩擦转矩损失模型；
最优值确定单元，用于根据所述参数优化模型以及所述约束条件确定所述表征参数的最优值；
能耗优化模块，用于根据所述最优值以及所述摩擦转矩损失模型对所述柱塞泵滑靴进行能耗优化；
所述最优值确定单元具体用于基于所述约束条件，对所述参数优化模型进行最优解求解，以确定所述最优值；
所述的柱塞泵滑靴能耗优化装置，还包括：参数优化模型建立模块，用于建立所述参数优化模型，所述参数优化模型建立模块包括：
初始模型建立单元，用于利用蚁群算法，根据所述表征参数建立所述参数优化模型的初始模型；
信息素初始化单元，用于对所述初始模型中的表征参数进行信息素初始化；
参数优化模型建立单元，用于对信息素初始化后的初始模型进行全局搜索以及局部搜索，并更新所述信息素，以建立所述参数优化模型；
所述表征参数包括：柱塞泵滑靴的中心油腔的内径以及外径、油膜厚度、油液粘度、油膜半径方向速度、油膜圆周方向速度、柱塞腔压力、极角以及柱塞泵滑靴表面任一点摩擦剪切合力的夹角。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述基于蚁群算法的柱塞泵滑靴能耗优化方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6任一项所述基于蚁群算法的柱塞泵滑靴能耗优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111038139.1A CN113642134B (zh) | 2021-09-06 | 基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111038139.1A CN113642134B (zh) | 2021-09-06 | 基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113642134A true CN113642134A (zh) | 2021-11-12 |
| CN113642134B CN113642134B (zh) | 2024-05-17 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090972A1 (zh) * | 2017-11-10 | 2019-05-16 | 安徽理工大学 | 一种轴向柱塞泵及马达用磁性滑靴副及控制方法 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019090972A1 (zh) * | 2017-11-10 | 2019-05-16 | 安徽理工大学 | 一种轴向柱塞泵及马达用磁性滑靴副及控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘洪;彭增雄;荆崇波;: "轴向柱塞泵滑靴油膜形状的遗传算法数值分析", 排灌机械工程学报, pages 75 - 79 * |
| 宋涛;舒涛;刘进;雷荣强;: "基于改进最小二乘支持向量机的柱塞泵故障诊断模型", 探测与控制学报, no. 04 * |
| 汤何胜;李晶;耀保;: "轴向柱塞泵滑靴副功率损失特性", 中南大学学报(自然科学版), no. 02 * |
| 胡纪滨;周虎城;魏超;刘洪;: "滑靴副润滑油膜成膜特性的理论与试验研究", 北京理工大学学报, no. 03 * |
| 马军建, 董增川, 王春霞, 陈康宁: "蚁群算法研究进展", 河海大学学报(自然科学版), no. 02, pages 139 - 143 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022519351A (ja) | ニューラルネットワークモデルの生成方法及び装置、コンピュータプログラム | |
| US8549069B1 (en) | Validation of device activity via logic sharing | |
| JP6817456B2 (ja) | ニューラルエピソード制御 | |
| WO2020026741A1 (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
| CN114330699A (zh) | 神经网络结构搜索方法及装置 | |
| CN113642134B (zh) | 基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 | |
| CN113642134A (zh) | 基于蚁群算法的柱塞泵滑靴能耗优化方法及装置 | |
| Abdel-Kader et al. | Efficient energy and completion time for dependent task computation offloading algorithm in industry 4.0 | |
| CN116894469B (zh) | 端边云计算环境中的dnn协同推理加速方法、设备及介质 | |
| Jeong et al. | Deep reinforcement learning-based task offloading decision in the time varying channel | |
| Chen et al. | An intelligent task offloading algorithm (iTOA) for UAV network | |
| CN117311998A (zh) | 一种大模型部署方法及系统 | |
| Das et al. | Real-time Context-aware Learning System for IoT Applications | |
| Mechalikh et al. | A scalable and adaptive tasks orchestration platform for IoT | |
| Kasabova et al. | On modeling the psychology of wireless node interactions in the context of internet of things | |
| Liu et al. | Resource allocation via edge cooperation in digital twin assisted Internet of Vehicle | |
| CN115665869A (zh) | 基于边缘计算和有向无环图的多用户协作平台及其方法 | |
| CN115103338A (zh) | 一种d2d环境下基于深度强化学习的交接卸载方法及装置 | |
| Li et al. | AttentionFunc: Balancing FaaS compute across edge-cloud continuum with reinforcement learning | |
| US20150347627A1 (en) | Gossiping for decentralized information spreading | |
| EP4091078A1 (en) | Cluster update accelerator circuit | |
| Msadek et al. | Trustworthy self-optimization for organic computing environments using multiple simultaneous requests | |
| CN116702583B (zh) | 基于深度强化学习的物联网下区块链性能优化方法及装置 | |
| Chahal et al. | Pay-as-you-train: Efficient ways of serverless training | |
| CN115827171B (zh) | 云端调参系统、调参方法及调参系统 |
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 |