CN114925560A - 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法 - Google Patents

基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法 Download PDF

Info

Publication number
CN114925560A
CN114925560A CN202210493038.1A CN202210493038A CN114925560A CN 114925560 A CN114925560 A CN 114925560A CN 202210493038 A CN202210493038 A CN 202210493038A CN 114925560 A CN114925560 A CN 114925560A
Authority
CN
China
Prior art keywords
optimization
objective
dynamic
population
space
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
CN202210493038.1A
Other languages
English (en)
Inventor
曾念寅
蓝承波
李寒
吴佩树
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202210493038.1A priority Critical patent/CN114925560A/zh
Publication of CN114925560A publication Critical patent/CN114925560A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/12—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明提供了基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，基于气动分析和动态强度分析，对构建的动态多目标模型进行多变量优化，所得到的解能够在优化空间中满足最大许用应力要求下质量最轻；本发明方法结合集成环境检测、环境响应模块的基于迁移学习的动态多目标优化算法，通过动态参数对优化目标的环境进行检测，并实行分级响应，可以有效提高在动态环境下多目标优化算法寻优的速度，加速解的收敛，得到满足许用应力条件下质量最轻的轮盘结构参数。

Description

基于迁移学习动态多目标优化的航空发动机轮盘结构优化 方法
技术领域
本发明涉及航空发动机轮盘结构参数优化领域，特别是指基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法。
背景技术
多目标优化问题需要同时处理多个相互矛盾的优化目标，这部分需求现有的一些先进的多目标算法都能表现出很好的效果，比如MOEA/D、NSGA-II等。但是在航空发动机的轮盘结构设计中，仅考虑结构的静态气动分析和强度分析是不够的，还需要结合设计的动态环境来完善优化设计。
在航空发动机工作的复杂、尖锐、严峻的环境下，对各项参数的优化仅停留在静态层面往往是不合理的，因此需要将问题带入动态多目标优化的范畴。与静态多目标优化问题不同，动态多目标优化问题的某些性质会随时间的变化而发生改变，比如目标函数、约束或者参数都可能会随着时间的变化而不断发生变化。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，本发明方法结合集成环境检测、环境响应模块的基于迁移学习的动态多目标优化算法，通过动态参数对优化目标的环境进行检测，并实行分级响应，可以有效提高在动态环境下多目标优化算法寻优的速度，加速解的收敛，得到满足许用应力条件下质量最轻的轮盘结构参数。
本发明采用如下技术方案：
基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，包括：
根据控制约束，确定航空发动机轮盘结构变量的定义域，构建轮盘结构变量的优化空间；
根据优化空间对气动和强度进行结构化计算，并进行有限元分析构建结构参数模型，获取优化目标函数模型；
根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数Nmax、优化种群大小N，采用基于迁移学习的动态多目标优化算法进行优化求解，得到不同时间段对应的最优帕累托解；
根据得到的帕累托解构建解空间，获得轮盘结构满足最大许用应力要求下质量最轻的优化结果。
具体地，所述根据控制约束，确定轮盘结构变量的定义域，构建轮盘结构变量的优化空间具体包括：
确定动态多目标优化算法的多维度特征，其中包括但不限于进出口流量、温度、总压、功率、转速、进出口流道尺寸变量，并根据各维度定义域要求构建多维变量优化空间。
具体地，根据优化空间对气动和强度进行结构化计算，并进行有限元分析构建结构参数模型，获取优化目标函数模型，所述优化目标函数模型具体包括：
Figure BDA0003632467670000021
其中fi是动态优化目标函数，m为目标函数的数量，gj(x,t)为所得到的多维变量优化空间中的不等式约束集合，hk(x,t)为所得到的多维变量优化空间中的等式约束集合，x和t分别代表约束中对应的特征变量和时间，i、j和k分别代表动态优化目标函数、不等式约束和等式约束的编号，gj(x,t)和hk(x,t)共同作为动态多目标优化问题的约束条件。
具体地，所述根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数Nmax、优化种群大小N，采用基于迁移学习的动态多目标优化算法进行优化求解，得到不同时间段对应的最优帕累托解，具体包括：
根据优化空间中随机生成设定种群大小的样本点，作为初始种群；
在初始环境下，将最初种群作为静态多目标优化算法MOEA/D的输入，输出得到第一代帕累托解；
从第二代开始，每一代都从上一代种群随机抽取N/2的种群个体作为传感器，然后根据公式如下公式对环境变化的严重程度进行检测，公式如下：
Figure BDA0003632467670000022
CD＝max(CD1,CD2,…,CDm)
其中，S为传感器的数量，m为目标函数的数量，CDi是第i个目标函数变化的程度，p代表的是传感器的编号，Fp,i(t)和Fp,i(t-1)分别是传感器p的第i个目标函数在变化前后的值，s是平滑值，设定为0.001；
根据所得到的环境变化程度指标CD，自适应地通过不同的三种阶段进行分级响应，转换公式如下式所示：
Figure BDA0003632467670000023
其中，LT为低阈值，HT为高阈值，当CD的值低于LT时，启动保持操作，对前代PS进行微调后选择设定数量的个体作为目前环境的PS，其中微调操作包含模拟二进制交叉和多项式变异；当CD的值高于HT时，我们启动重建操作；当CD的值介于LT与HT之间，启动改变状态进行迁移学习操作；
当进入改变状态后，进行预搜索操作，利用优化空间随机生成的种群在当前环境进行n次寻优，得到较优个体，此处的n为指定寻优次数；再将得到的较优个体和环境中随机产生的个体组成迁移学习的目标域种群，进行非支配排序，并根据非支配排序结果给目标域种群赋上伪标签，并将前代种群作为源域种群与目标域种群一起代入TrAdaboost模块，进行迁移学习，得到一个强分类器hf，再在优化空间中随机生成个体通过强分类器hf，过筛后得到下一代初始种群initPop；
利用得到下一代初始种群initPop带入静态多目标优化算法MOEA/D中寻优，得到当前环境的帕累托解；
循环至最大迭代次数Nmax，停止迭代。
具体地，所述根据得到的帕累托解构建解空间，获得轮盘结构满足最大许用应力要求下质量最轻的优化结果，具体包括：根据得到的帕累托解构建解空间，从得到的帕累托解集中，根据设定原则选取解，重构航空发动机轮盘结构参数。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
本发明提供了基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，基于气动分析和动态强度分析，对构建的动态多目标模型进行多变量优化，所得到的解能够在优化空间中满足最大许用应力要求下质量最轻；本发明方法结合集成环境检测、环境响应模块的基于迁移学习的动态多目标优化算法，通过动态参数对优化目标的环境进行检测，并实行分级响应，可以有效提高在动态环境下多目标优化算法寻优的速度，加速解的收敛，得到满足许用应力条件下质量最轻的轮盘结构参数。
附图说明
图1是本发明实施例提供的方法流程图；
图2是本发明实施例提供基于迁移学习的动态多目标优化算法的流程图；
图3是本发明实施例提供总环境的变化程度分布图；
图4是本发明实施例提供在变化的6个时间段(a)-(f)，真实帕累托前沿和实验结果种群示意图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
本发明提供了基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，基于气动分析和动态强度分析，对构建的动态多目标模型进行多变量优化，所得到的解能够在优化空间中满足最大许用应力要求下质量最轻；本发明方法结合集成环境检测、环境响应模块的基于迁移学习的动态多目标优化算法，通过动态参数对优化目标的环境进行检测，并实行分级响应，可以有效提高在动态环境下多目标优化算法寻优的速度，加速解的收敛，得到满足许用应力条件下质量最轻的轮盘结构参数。
包括根据气动分析和动态强度分析，通过有限元分析对航空发动机动态环境进行建模，并添加进出口流量、温度、总压、功率、转速、进出口流道尺寸等数据信息确定动态优化空间和目标函数；利用基于迁移学习的动态多目标优化算法进行求解，得到轮盘结构的多变量信息，得到轮盘结构满足最大许用应力最大要求下质量最轻的最终航空发动机轮盘结构模型。
参见图1所示，本发明一种基于迁移学习动态多目标优化算法的航空发动机轮盘结构优化方法，包括以下步骤：
S101，根据控制约束，确定轮盘结构变量的定义域信息，构建轮盘结构变量的优化空间，根据变量约束建立动态优化空间，确定多维度解的定义域；
S102，根据S101所得到的优化空间，对气动计算和强度计算进行结构化计算，进行有限元分析构建结构参数模型，获取优化目标函数模型；
S103，根据得到的优化目标模型和优化空间，设置动态环境参数、最大迭代次数Nmax、优化种群大小N，采用基于迁移学习的动态多目标优化算法进行优化求解，得到不同时间段对应的最优帕累托解；
S104，根据得到的帕累托解构建解空间，获得轮盘结构满足最大许用应力最大要求下平均质量最轻的最终优化结果。
具体的，所述S102包括：
优化目标函数可视动态环境可要求设计，如f1(x,t)表示轮盘结构的许用径向应力与最大径向应力的差值，f2(x,t)表示轮盘结构的质量要求等优化目标组成总的动态优化目标min F(x,t)＝{f1(x,t),f2(x,t),…,Fm(x,t)}。
具体地，根据优化空间对气动和强度进行结构化计算，并进行有限元分析构建结构参数模型，获取优化目标函数模型，所述优化目标函数模型具体包括：
Figure BDA0003632467670000041
其中fi是动态优化目标函数，m为目标函数的数量，gj(x,t)为所得到的多维变量优化空间中的不等式约束集合，hk(x,t)为所得到的多维变量优化空间中的等式约束集合，x和t分别代表约束中对应的特征变量和时间，i、j和k分别代表动态优化目标函数、不等式约束和等式约束的编号，gj(x,t)和hk(x,t)共同作为动态多目标优化问题的约束条件。
具体的，参见图2所示，所述S103包括：
S1031，设置动态环境参数有两个：nt和τt，其中nt表示环境变化的严重程度，τt表示的是环境变化的频率。设置nt＝5,τt＝10，最大迭代次数设置为Nmax＝50τt，种群大小设置为N＝100。根据优化空间中随机生成设定种群大小的样本点，作为初始种群，其中包含100个个体；
S1032，在初始环境下(即t＝0时刻)，将初始种群作为静态多目标优化算法MOEA/D的输入，输出得到第一代帕累托解；
S1033，从第二代开始，每一代都从上一代种群随机抽取50个种群个体作为传感器，然后根据公式(2)和(3)对环境变化的严重程度进行检测，公式如下：
Figure BDA0003632467670000051
CD ＝ max(CD1,CD2,…,CDm) (3)
其中，S为传感器的数量，m为目标函数的数量，CDi是第i个目标函数变化的程度，p代表的是传感器的编号，Fp,i(t)和Fp,i(t-1)分别是传感器p的第i个目标函数在变化前后的值，s是平滑值，设定为0.001；
S1034，根据S1033所得到的环境变化程度指标CD，算法将自适应地通过不同的三种阶段进行分级响应，转换公式如公式(4)所示：
Figure BDA0003632467670000052
其中，LT为低阈值，HT为高阈值。对总环境的变化程度做统计，参见如图3所示。此处的低阈值和高阈值分别按照总环境变化程度的10％、80％、10％划分得到的。
根据分级响应公式(4)，当CD的值低于LT时，我们启动Hold操作，对前代PS进行微调后选择一定数量的个体作为目前环境的PS，其中微调操作包含模拟二进制交叉和多项式变异；当CD的值高于HT时，我们启动Rebuild操作，在保留一定量前代种群的基础上，剩余个体重新启动优化过程获取；当环境的变化程度介于LT与HT之间，我们启动Change状态进行基于优秀个体的迁移学习操作；
S1034，当进入Change状态后，系统进行预搜索操作。利用优化空间随机生成的种群在当前环境进行n次寻优，得到较优个体，此处的n为指定寻优次数。然后将得到的较优个体和环境中随机产生的个体组成迁移学习的目标域种群，进行非支配排序，并根据非支配排序结果给目标域种群赋上伪标签。与此同时，将前代种群作为源域种群与目标域种群一起代入TrAdaboost模块，进行迁移学习，得到一个强分类器hf。然后在优化空间中随机生成个体通过强分类器hf，过筛后得到优质的下一代初始种群initPop；
S1035，利用S1034得到的优质初始种群initPop带入静态多目标优化算法MOEA/D中寻优，得到当前环境的帕累托解。参见如图4(a)-4(f)所示，切分出不同的6个时间段，蓝色代表真实帕累托前沿，红色代表实验结果种群。随着时间的不断变化，种群不断在新环境拟合当前环境的帕累托解；
S1036，判断是否到达最大迭代次数Nmax,如果是则停止迭代，如果否则返回S1033。
具体的，所述S104包括：
由S103所得到的帕累托解集，从得到的帕累托解集中，根据航空发动机轮盘结构的具体需求、环境要求、可靠性原理、经济性条件等因素选取合适的解，选取合适的解重构航空发动机轮盘结构参数。
优化结束后，将其中一个帕累托解提取出来，通过气动分析和强度分析，得到50个时刻的许用径向应力与最大径向应力之差和应力差和质量的平均值结果如表1。可以看出，优化后轮盘结构满足最大径向应力要求，并且优化后的质量下降了21.26％，从而验证了本发明方法的有效性。
表1
平均值 优化前 优化后
应力差 -5.92MPa 10.94MPa
质量 1.9434kg 1.5301kg
本发明提供了基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，基于气动分析和动态强度分析，对构建的动态多目标模型进行多变量优化，所得到的解能够在优化空间中满足最大许用应力要求下质量最轻；本发明方法结合集成环境检测、环境响应模块的基于迁移学习的动态多目标优化算法，通过动态参数对优化目标的环境进行检测，并实行分级响应，可以有效提高在动态环境下多目标优化算法寻优的速度，加速解的收敛，得到满足许用应力条件下质量最轻的轮盘结构参数。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (5)

1.基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，其特征在于，包括：
根据控制约束，确定航空发动机轮盘结构变量的定义域，构建轮盘结构变量的优化空间；
根据优化空间对气动和强度进行结构化计算，并进行有限元分析构建结构参数模型，获取优化目标函数模型；
根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数Nmax、优化种群大小N，采用基于迁移学习动态多目标优化算法进行优化求解，得到不同时间段对应的最优帕累托解；
根据得到的帕累托解构建解空间，获得轮盘结构满足最大许用应力要求下质量最轻的优化结果。
2.如权利要求1所述的基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，其特征在于，所述根据控制约束，确定轮盘结构变量的定义域，构建轮盘结构变量的优化空间具体包括：
确定动态多目标优化算法的多维度特征，其中包括但不限于进出口流量、温度、总压、功率、转速、进出口流道尺寸变量，并根据各维度定义域要求构建多维变量优化空间。
3.如权利要求1所述的基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，其特征在于，根据优化空间对气动和强度进行结构化计算，并进行有限元分析构建结构参数模型，获取优化目标函数模型，所述优化目标函数模型具体包括：
Figure FDA0003632467660000011
其中fi是动态优化目标函数，m为目标函数的数量，gj(x,t)为所得到的多维变量优化空间中的不等式约束集合，hk(x,t)为所得到的多维变量优化空间中的等式约束集合，x和t分别代表约束中对应的特征变量和时间，i、j和k分别代表动态优化目标函数、不等式约束和等式约束的编号，gj(x,t)和hk(x,t)共同作为动态多目标优化问题的约束条件。
4.如权利要求1所述的基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，其特征在于，所述根据得到的优化目标函数模型和优化空间，设置动态环境参数、最大迭代次数Nmax、优化种群大小N，采用基于迁移学习动态多目标优化算法进行优化求解，得到不同时间段对应的最优帕累托解，具体包括：
根据优化空间中随机生成设定种群大小的样本点，作为初始种群；
在初始环境下，将最初种群作为静态多目标优化算法MOEA/D的输入，输出得到第一代帕累托解；
从第二代开始，每一代都从上一代种群随机抽取N/2的种群个体作为传感器，然后根据公式如下公式对环境变化的严重程度进行检测，公式如下：
Figure FDA0003632467660000021
CD＝max(CD1,CD2,…,CDm)
其中，S为传感器的数量，m为目标函数的数量，CDi是第i个目标函数变化的程度，p代表的是传感器的编号，Fp,i(t)和Fp,i(t-1)分别是传感器p的第i个目标函数在变化前后的值，s是平滑值，设定为0.001；
根据所得到的环境变化程度指标CD，自适应地通过不同的三种阶段进行分级响应，转换公式如下式所示：
Figure FDA0003632467660000022
其中，LT为低阈值，HT为高阈值，当CD的值低于LT时，启动保持操作，对前代PS进行微调后选择设定数量的个体作为目前环境的PS，其中微调操作包含模拟二进制交叉和多项式变异；当CD的值高于HT时，我们启动重建操作；当CD的值介于LT与HT之间，启动改变状态进行迁移学习操作；
当进入改变状态后，进行预搜索操作，利用优化空间随机生成的种群在当前环境进行n次寻优，得到较优个体，此处的n为指定寻优次数；再将得到的较优个体和环境中随机产生的个体组成迁移学习的目标域种群，进行非支配排序，并根据非支配排序结果给目标域种群赋上伪标签，并将前代种群作为源域种群与目标域种群一起代入TrAdaboost模块，进行迁移学习，得到一个强分类器hf，再在优化空间中随机生成个体通过强分类器hf，过筛后得到下一代初始种群initPop；
利用得到下一代初始种群initPop带入静态多目标优化算法MOEA/D中寻优，得到当前环境的帕累托解；
循环至最大迭代次数Nmax，停止迭代。
5.如权利要求1所述的基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法，其特征在于，所述根据得到的帕累托解构建解空间，获得轮盘结构满足最大许用应力要求下质量最轻的优化结果，具体包括：根据得到的帕累托解构建解空间，从得到的帕累托解集中，根据设定原则选取解，重构航空发动机轮盘结构参数。
CN202210493038.1A 2022-05-07 2022-05-07 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法 Pending CN114925560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210493038.1A CN114925560A (zh) 2022-05-07 2022-05-07 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210493038.1A CN114925560A (zh) 2022-05-07 2022-05-07 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法

Publications (1)

Publication Number Publication Date
CN114925560A true CN114925560A (zh) 2022-08-19

Family

ID=82807765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210493038.1A Pending CN114925560A (zh) 2022-05-07 2022-05-07 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法

Country Status (1)

Country Link
CN (1) CN114925560A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN110097088A (zh) * 2019-04-08 2019-08-06 燕山大学 一种基于迁移学习与特殊点策略的动态多目标进化方法
CN112307577A (zh) * 2020-09-30 2021-02-02 厦门大学 一种基于新型鲸鱼优化算法的航空发动机涡轮盘优化方法
CN113987959A (zh) * 2021-11-16 2022-01-28 厦门闽江智慧科技有限公司 一种可伸缩气力输送管道动态调度的进化多目标优化求解方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7996344B1 (en) * 2010-03-08 2011-08-09 Livermore Software Technology Corporation Multi-objective evolutionary algorithm based engineering design optimization
CN110097088A (zh) * 2019-04-08 2019-08-06 燕山大学 一种基于迁移学习与特殊点策略的动态多目标进化方法
CN112307577A (zh) * 2020-09-30 2021-02-02 厦门大学 一种基于新型鲸鱼优化算法的航空发动机涡轮盘优化方法
CN113987959A (zh) * 2021-11-16 2022-01-28 厦门闽江智慧科技有限公司 一种可伸缩气力输送管道动态调度的进化多目标优化求解方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEI CHEN: "Optimization Research and Defect Object Detection of Aeroengine Blade Boss Based on YOLOv4", JOURNAL OF PHYSICS: CONFERENCE SERIES, 31 December 2021 (2021-12-31) *
赵天宇: "航空发动机叶盘系统动力学特性及优化方法研究", 中国博士学位论文电子期刊网, 15 July 2019 (2019-07-15) *

Similar Documents

Publication Publication Date Title
CN112580263B (zh) 基于时空特征融合的涡扇发动机剩余使用寿命预测方法
CN110175386B (zh) 变电站电气设备温度预测方法
CN108319987B (zh) 一种基于支持向量机的过滤-封装式组合流量特征选择方法
CN110398650B (zh) 基于k-邻近SMOTE和深度学习的变压器故障诊断方法
CN110322364B (zh) 一种短期光伏发电预测方法及系统
CN111006865A (zh) 一种电机轴承故障诊断方法
CN115099519B (zh) 一种基于多机器学习模型融合的油井产量预测方法
CN110244557B (zh) 一种工业过程多阶惯性闭环系统的闭环建模方法
CN111351665A (zh) 基于emd和残差神经网络的滚动轴承故障诊断方法
CN117033912B (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
CN113673679A (zh) 一种基于粒子群优化神经网络的烘丝工艺参数选取方法
CN111832839A (zh) 基于充分增量学习的能耗预测方法
CN112270139A (zh) 基于母型库的燃料电池离心压缩机气动优化设计方法
CN111192158A (zh) 一种基于深度学习的变电站日负荷曲线相似度匹配方法
CN107273971B (zh) 基于神经元显著性的前馈神经网络结构自组织方法
CN114925560A (zh) 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法
CN113095477A (zh) 基于de-bp神经网络的风电功率预测方法
CN112307577A (zh) 一种基于新型鲸鱼优化算法的航空发动机涡轮盘优化方法
CN111144569A (zh) 一种基于遗传算法的良率提升适用模型的优化方法
CN115640893A (zh) 一种产业链的产业数据预测方法、装置及存储介质
CN115423174A (zh) 一种计及波动过程划分的短期风电功率预测方法
CN116306217A (zh) 基于慢特征信息增益比的轨迹相似性剩余寿命预测方法
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
Ge et al. Remaining useful life prediction using deep multi-scale convolution neural networks
Cao et al. Fuzzy Analytic Hierarchy Process Evaluation Method of Gas Turbine Based on Health Degree

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