CN116257947A - 一种电磁驱动柱塞泵的优化设计方法 - Google Patents

一种电磁驱动柱塞泵的优化设计方法 Download PDF

Info

Publication number
CN116257947A
CN116257947A CN202211568138.2A CN202211568138A CN116257947A CN 116257947 A CN116257947 A CN 116257947A CN 202211568138 A CN202211568138 A CN 202211568138A CN 116257947 A CN116257947 A CN 116257947A
Authority
CN
China
Prior art keywords
electromagnetic
plunger pump
optimization
value
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.)
Pending
Application number
CN202211568138.2A
Other languages
English (en)
Inventor
郭江
王靖皓
李琳光
倪超
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202211568138.2A priority Critical patent/CN116257947A/zh
Publication of CN116257947A publication Critical patent/CN116257947A/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]
    • G06F30/10—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
    • G06F30/23—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
    • 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
    • G06F2119/06—Power analysis or power 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
    • G06F2119/08—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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Electromagnetic Pumps, Or The Like (AREA)

Abstract

本发明公开了一种电磁驱动柱塞泵的优化设计方法，包括以下步骤：建立电磁驱动柱塞泵的三维等效模型；确认优化参数及寻优目标并进行归一化处理；进行有限元仿真分析建立实验数据库；利用人工神经网络构建输入变量与输出变量之间的拟合函数；利用杜鹃多目标搜索算法对电磁驱动柱塞泵结构参数进行多目标优化。本发明相比于传统的经验公式设计，精度更高、成本更低以及大幅度提高效率，缩短了技术研发周期，能够更精准的求解最佳的参数组合方式。本发明相比于常用的2D求解方法具有精度更高的优势，2D求解器中对于非轴对称模型求解困难的问题也得到了解决。本发明采用了杜鹃多目标搜索算法，能够更好的解决本类结构参数的连续型优化问题。

Description

一种电磁驱动柱塞泵的优化设计方法
技术领域
本发明属于电磁驱动柱塞泵设计领域，特别涉及一种电磁驱动柱塞泵的优化设计方法。
背景技术
电磁泵是工业系统中驱动流体介质(液体或气体)流动的主要执行部件。电磁泵具备使用安全、外漏堵绝而内漏易控、系统结构简单、价格低廉、动作快速、功率小、外形轻巧等优点，被广泛应用于家电、汽车、机械等行业。而随着工业发展水平的提高，对电磁泵的低功耗、高压力、大流量和可靠性等方面的需求愈加迫切。
目前产品设计开发主要是通过经验公式与解析计算确定产品的各项性能参数，再通过反复制定样机以进行多次试验迭代进行改进，周期长、成本高、精度低。将现代虚拟仿真技术引入电磁阀的优化设计中，在不改变电磁力的情况下，减少电磁机构的体积，节约铜铁用量，优化动作过程，提高电磁阀的使用寿命，减少稳定状态的工作温升，同时结合流量控制具体情况，实现节能、节材、稳定运行，相比传统的设计方法具有成本低、精度高、效率高等显著优势。
中国专利CN110263463A提出了一种基于Ansys Maxwell软件电磁感应特性分析方法，该方法利用软件的涡流场求解器，分析了密绕螺线管圆筒的磁感应强度等电磁特性，该仿真方法过于基础，无法考虑电磁泵泵芯往复运动及所受的多合力动态效果。
中国专利CN109308376A提出了一种开关磁阻电机有限元分析方法，采用有限元分析法对开关磁阻电机进行优化设计，提高了电机的能量利用率，但受限于电机与电磁驱动柱塞泵工作原理差异，不适用于电磁泵的优化设计。
中国专利CN 114048705 A提出了一种针对电磁阀动态工作过程的仿真方法，但其仅考虑二维轴对称模型，局限性高，且仅考虑阀芯开闭单行程，不满足泵芯高频往复运动的求解需求。
针对上述问题，本专利旨在使用数值模拟仿真对电磁驱动柱塞泵进行三维动态仿真及算法优化，并给出一种适用于电磁驱动柱塞泵的优化设计方法。
发明内容
为解决现有技术存在的上述问题，本发明要设计一种能够代替传统经验公式设计、更加高效准确的电磁驱动柱塞泵的优化设计方法。
为了实现上述目的，本发明的技术方案如下：一种电磁驱动柱塞泵的优化设计方法，包括以下步骤：
A、建立电磁驱动柱塞泵的三维等效模型
所述电磁驱动柱塞泵包括隔磁管、导磁套、复位弹簧、泵芯、线圈、隔磁环及导磁板；使用三维建模软件，对电磁驱动柱塞泵建立三维等效模型，三维等效模型除泵芯以外的其余部件按照实际尺寸进行建模，泵芯建模时使用多边棱柱结构代替原有的圆柱体结构；
B、确认优化参数及寻优目标并进行归一化处理
根据实际工程需要，在保持产品原有体积不发生改变的情况下，为获得更高的寿命以及最大工作压差，选择隔磁环位置、导磁套长度及线圈匝数作为优化的结构参数，将电磁力均值和发热功率作为优化指标。
依据响应曲面法建立n组实验参数，对其进行归一化处理，公式如下：
Figure BDA0003986661190000031
Y′＝Y
Figure BDA0003986661190000032
式中，X为线圈匝数，Y为隔磁环位置，Z为导磁套长度，X′为归一化处理后的线圈匝数值，Y′为归一化处理后隔磁环位置值，Z′为归一化处理后的导磁套长度值，Xmax为线圈匝数取值上限，Xmin为线圈匝数取值下限，Ymax为隔磁环位置取值上限，Ymin为隔磁环位置取值下限，Zmax为导磁套长度取值上限，Zmin为导磁套长度取值下限；
C、进行有限元仿真分析建立实验数据库
使用Maxwell电磁仿真软件对三维等效模型进行有限元分析，对三维等效模型的动态性能及电磁性能进行仿真求解，所述动态性能及电磁性能参数包括泵芯所受电磁力和发热功率，求解完成后根据仿真结果建立仿真数据库：
C1、将三维等效模型导入3D transient求解器，对各部件进行材料参数定义，泵芯设置为软磁材料，导磁套及导磁板设为纯铁，隔磁环设为铜，其余不影响磁场分布的部件设置为非导磁材料，点击create region选项，创建形状为长方体的求解空间，输入长方体六个面距离三维等效模型最近点的垂线距离x，完成求解区域边界条件的设定；
C2、根据两个复位弹簧的胡克系数及有效伸缩量，定义阀芯的运动域及运动方向，定义阀芯的负载力曲线，公式如下：
force＝(k1+k1)x+f
式中，force为泵芯所受负载力大小，k1为复位弹簧A的胡克系数，k2为复位弹簧B的胡克系数，x为泵芯的位移量，f为泵芯初始位置所受的合力大小；
C3、进行有限元网格划分，选中三维等效模型中的泵芯、隔磁环及导磁套，使用软件网格划分工具进行设置，点击mesh operation→length based，输入划分网格的厚度a，完成有限元网格的划分。
C4、设计激励源形式为外电路驱动，在Maxwell电路编辑器中对电路系统进行设置，所述电路系统包括激励源、电阻和线圈，与产品实际的驱动电路保持一致。设置完成后，导入到3D transient求解器中。
C5、按照步骤B中设计的实验数据组，改变结构参数后转步骤C1，直到求解获得所有的实验数据组的仿真分析结果，将结果保存记录，作为后续步骤中的仿真数据库。
D、利用人工神经网络构建输入变量与输出变量之间的拟合函数
基于步骤C构建的仿真数据库中的数据模型，选择仿真数据库中75％-80％的数据作为训练集，其余20％-25％数据作为测试集训练网络，对数据库进行多次训练，直到训练结果中的函数相关性大于0.9，完成电磁驱动柱塞泵输入变量与输出目标之间的拟合函数的构建；
E、利用杜鹃多目标搜索算法对电磁驱动柱塞泵结构参数进行多目标优化
E1、构建遗传算法的适应度函数；利用步骤D得到的拟合函数建遗传算法的适应度函数如下：
Figure BDA0003986661190000041
其中indexi为种群中第i个个体的适应度；H′i和F′i分别为种群中第i个个体的电磁力均值以及发热功率均值，个体适应度越高，indexi值越小，电磁力越大、发热功率越低，电磁驱动柱塞泵的性能越高。
E2、利用杜鹃多目标搜索算法寻找最优解集；在结构参数的取值范围内，初始化种群，设置最大迭代次数T。计算当前鸟巢的适应度值。采用莱特飞行的方式对鸟巢位置进行更新，计算更新后所有鸟巢的indexi值，对比新鸟巢与旧鸟巢的indexi值的大小，保留indexi值更小的鸟巢，循环执行此过程，直到循环次数等于最大迭代次数T并将最终产生的种群输出作为最优解集。
E3、构建决策函数；在最优解集中决策最优解，根据优化目标构建的决策函数为：
Figure BDA0003986661190000051
其中：a、b为决策参数，通过改变a、b的值来调整电磁力和响应时间在最终决策中的权重；F为种群个体值电磁力均值总和，H为种群个体值发热功率均值总和，N为种群规模。计算最优解集中每组参数的σ值，选择σ值最大的参数组作为多目标优化的最终结果。
进一步地，步骤B中的组数n根据实验参数数量的不同进行取值。
进一步地，步骤A中所述三维建模软件包括Solidworks、AutoCAD、Proe、UG和Catia。
本发明的有益成果为：
1、本发明为电磁驱动柱塞泵的设计提供了一种新的优化方法，相比于传统的经验公式设计，精度更高、成本更低以及大幅度提高效率，缩短了技术研发周期，能够更精准的求解最佳的参数组合方式。
2、本发明采用了3D动态求解的仿真分析方法，相比于之前常用的2D求解方法具有精度更高的优势，2D求解器中对于非轴对称模型求解困难的问题也得到了解决。
3、本发明采用了杜鹃多目标搜索算法，相比于常用的遗传算法具有更好的全局搜索能力，能够更好的解决本类结构参数的连续型优化问题。
附图说明
图1为本发明的流程图。
图2为本发明构建的电磁驱动柱塞泵的三维等效模型图。
图3为本发明优化前后电磁驱动柱塞泵的电磁力均值对比。
图4为本发明优化前后电磁驱动柱塞泵的发热功率均值对比。
图中：1为隔磁管，2为导磁套，3为复位弹簧，4为泵芯，5为线圈，6为隔磁环，7为导磁板。
具体实施方式
下面将结合本发明实施例中的附图，对本申请进行完整、详尽的说明。应当理解，此处描述的具体实施例仅用于解释本发明的详细内容，是本发明实施例中的一部分，而非全部实施例。
图1为本申请所述的电磁驱动柱塞泵结构参数的多目标优化方法流程图，包括以下步骤：
A、建立电磁驱动柱塞泵的三维等效模型
所述电磁驱动柱塞泵包括隔磁管1、导磁套2、复位弹簧3、泵芯4、线圈5、隔磁环6及导磁板7；使用Solidworks建模软件，对电磁驱动柱塞泵建立三维等效模型，三维等效模型除泵芯4以外的其余部件按照实际尺寸进行建模，泵芯4建模时使用多边棱柱结构代替原有的圆柱体结构；
B、确认优化参数及寻优目标并进行归一化处理
如本发明需要在保持产品原有体积不发生改变的情况下，获得更高的寿命以及最大工作压差，因此选择隔磁环6位置、导磁套2长度及线圈5匝数作为需要优化的结构参数，将电磁力均值和发热功率作为优化指标。
依据响应曲面法建立17组实验参数，对其进行归一化处理，公式如下：
Figure BDA0003986661190000071
Y′＝Y
Figure BDA0003986661190000072
式中，X为线圈5匝数，Y为隔磁环6位置，Z为导磁套2长度，X′为归一化处理后的线圈5匝数值，Y′为归一化处理后隔磁环6位置值，Z′为归一化处理后的导磁套2长度值，Xmax为线圈5匝数取值上限，Xmin为线圈5匝数取值下限，Ymax为隔磁环6位置取值上限，Ymin为隔磁环6位置取值下限，Zmax为导磁套2长度取值上限，Zmin为导磁套2长度取值下限。
数据归一化处理前后对照如下表所示：
Figure BDA0003986661190000073
Figure BDA0003986661190000081
C、进行有限元仿真分析建立实验数据库
C1、将三维等效模型导入3D transient求解器，对各部件进行材料参数定义，泵芯4设置为steel-1008，导磁套2及导磁板7设为纯铁，隔磁环6设为铜，其余不影响磁场分布的部件设置为polyester，点击create region选项，输入5mm，完成求解区域边界条件的设定。
C2、根据两个复位弹簧3的胡克系数及有效伸缩量，定义阀芯的运动域及运动方向，定义阀芯的负载力曲线，公式如下：
force＝(k1+k1)x+f
式中，force为泵芯4所受负载力大小，k1为复位弹簧A的胡克系数，k2为复位弹簧B的胡克系数，x为泵芯4的位移量，f为泵芯4初始位置所受的合力大小。
构建完成的负载力曲线为：
force＝-1.2x+0.2
C3、进行有限元网格划分，选中三维等效模型中的泵芯4、隔磁环6及导磁套2，使用软件网格划分工具进行设置，点击mesh operation→length based，输入0.1mm，完成有限元网格的划分。
C4、使用Maxwell电路编辑器，设置激励源形式为外电路驱动，在Maxwell电路编辑器中对电路系统进行设置，目标型号电磁驱动柱塞泵激励源类型为220V、50Hz，线圈5参数为10000匝，内阻为336Ω，设置完成后的电路类型为交流电压源串联等效内阻，将外电路驱动导入3D transient求解器中。
C5、进行仿真分析获得求解结果，按照实验数据组设计表，改变结构参数后重复进行上述步骤，直到求解获得17个实验数据组的仿真分析结果，将结果保存记录，作为后续步骤中的仿真数据库进行使用。
D、利用人工神经网络构建输入变量与输出变量之间的拟合函数
基于步骤C构建的仿真数据库中的数据模型，选择仿真数据库中75％的数据作为训练集，其余25％数据作为测试集训练网络，对数据库进行多次训练，直到训练结果中的函数相关性大于0.9，完成电磁驱动柱塞泵输入变量与输出目标之间的拟合函数的构建。
E、利用杜鹃多目标搜索算法对电磁驱动柱塞泵结构参数进行多目标优化
E1、构建遗传算法的适应度函数，利用第三步得到的关系模型构建遗传算法的适应度函数如下：
Figure BDA0003986661190000091
其中indexi为种群中第i个个体的适应度；H′i和F′i为种群中第i个个体的电磁力均值以及发热功率均值，个体适应度越高，indexi值越小，电磁力越大、发热功率越低，电磁驱动柱塞泵的性能越高。
E2、利用杜鹃多目标搜索算法寻找最优解集，在结构参数的取值范围内，初始化种群，种群大小为50，设置最大迭代次数为200。计算当前鸟巢的适应度值。采用莱特飞行的方式对鸟巢位置进行更新，计算更新后所有鸟巢的indexi值，对比新鸟巢与旧鸟巢的indexi值大小，保留indexi值更小的鸟巢，循环执行此过程，直到循环次数等于200，将最终产生的种群输出作为最优解集。
E3、构建决策函数，在最优解集中决策最优解，根据优化目标构建的决策函数为：
Figure BDA0003986661190000101
其中：a，b为决策参数，可通过改变a，b的值来调整电磁力和响应时间在最终决策中的权重；F为种群个体值电磁力均值总和，H为种群个体值发热功率均值总和，N为种群规模。计算最优解集中每组参数的σ值，选择σ值最大的参数组作为多目标优化的最终结果。
最终最优结构参数下的电磁力均值为6.06N，发热功率均值为12.693W，对比优化之前的结果，如图3所示，电磁力仅降低了13.77％，如图4所示，发热功率降低了63.33％，优化效果显著。

Claims (3)

1.一种电磁驱动柱塞泵的优化设计方法，其特征在于：包括以下步骤：
A、建立电磁驱动柱塞泵的三维等效模型
所述电磁驱动柱塞泵包括隔磁管(1)、导磁套(2)、复位弹簧(3)、泵芯(4)、线圈(5)、隔磁环(6)及导磁板(7)；使用三维建模软件，对电磁驱动柱塞泵建立三维等效模型，三维等效模型除泵芯(4)以外的其余部件按照实际尺寸进行建模，泵芯(4)建模时使用多边棱柱结构代替原有的圆柱体结构；
B、确认优化参数及寻优目标并进行归一化处理
根据实际工程需要，在保持产品原有体积不发生改变的情况下，为获得更高的寿命以及最大工作压差，选择隔磁环(6)位置、导磁套(2)长度及线圈(5)匝数作为优化的结构参数，将电磁力均值和发热功率作为优化指标；
依据响应曲面法建立n组实验参数，对其进行归一化处理，公式如下：
Figure FDA0003986661180000011
Y′＝Y
Figure FDA0003986661180000012
式中，X为线圈(5)匝数，Y为隔磁环(6)位置，Z为导磁套(2)长度，X′为归一化处理后的线圈(5)匝数值，Y′为归一化处理后隔磁环(6)位置值，Z′为归一化处理后的导磁套(2)长度值，Xmax为线圈(5)匝数取值上限，Xmin为线圈(5)匝数取值下限，Ymax为隔磁环(6)位置取值上限，Ymin为隔磁环(6)位置取值下限，Zmax为导磁套(2)长度取值上限，Zmin为导磁套(2)长度取值下限；
C、进行有限元仿真分析建立实验数据库
使用Maxwell电磁仿真软件对三维等效模型进行有限元分析，对三维等效模型的动态性能及电磁性能进行仿真求解，所述动态性能及电磁性能参数包括泵芯(4)所受电磁力和发热功率，求解完成后根据仿真结果建立仿真数据库：
C1、将三维等效模型导入3D transient求解器，对各部件进行材料参数定义，泵芯(4)设置为软磁材料，导磁套(2)及导磁板(7)设为纯铁，隔磁环(6)设为铜，其余不影响磁场分布的部件设置为非导磁材料，点击create region选项，创建形状为长方体的求解空间，输入长方体六个面距离三维等效模型最近点的垂线距离x，完成求解区域边界条件的设定；
C2、根据两个复位弹簧(3)的胡克系数及有效伸缩量，定义阀芯的运动域及运动方向，定义阀芯的负载力曲线，公式如下：
force＝(k1+k1)x+f
式中，force为泵芯(4)所受负载力大小，k1为复位弹簧A的胡克系数，k2为复位弹簧B的胡克系数，x为泵芯(4)的位移量，f为泵芯(4)初始位置所受的合力大小；
C3、进行有限元网格划分，选中三维等效模型中的泵芯(4)、隔磁环(6)及导磁套(2)，使用软件网格划分工具进行设置，点击mesh operation→length based，输入划分网格的厚度a，完成有限元网格的划分；
C4、设计激励源形式为外电路驱动，在Maxwell电路编辑器中对电路系统进行设置，所述电路系统包括激励源、电阻和线圈(5)，与产品实际的驱动电路保持一致；设置完成后，导入到3D transient求解器中；
C5、按照步骤B中设计的实验数据组，改变结构参数后转步骤C1，直到求解获得所有的实验数据组的仿真分析结果，将结果保存记录，作为后续步骤中的仿真数据库；
D、利用人工神经网络构建输入变量与输出变量之间的拟合函数
基于步骤C构建的仿真数据库中的数据模型，选择仿真数据库中75％-80％的数据作为训练集，其余20％-25％数据作为测试集训练网络，对数据库进行多次训练，直到训练结果中的函数相关性大于0.9，完成电磁驱动柱塞泵输入变量与输出目标之间的拟合函数的构建；
E、利用杜鹃多目标搜索算法对电磁驱动柱塞泵结构参数进行多目标优化
E1、构建遗传算法的适应度函数；利用步骤D得到的拟合函数建遗传算法的适应度函数如下：
Figure FDA0003986661180000031
其中indexi为种群中第i个个体的适应度；H′i和F′i分别为种群中第i个个体的电磁力均值以及发热功率均值，个体适应度越高，indexi值越小，电磁力越大、发热功率越低，电磁驱动柱塞泵的性能越高；
E2、利用杜鹃多目标搜索算法寻找最优解集；在结构参数的取值范围内，初始化种群，设置最大迭代次数T；计算当前鸟巢的适应度值；采用莱特飞行的方式对鸟巢位置进行更新，计算更新后所有鸟巢的indexi值，对比新鸟巢与旧鸟巢的indexi值的大小，保留indexi值更小的鸟巢，循环执行此过程，直到循环次数等于最大迭代次数T并将最终产生的种群输出作为最优解集；
E3、构建决策函数；在最优解集中决策最优解，根据优化目标构建的决策函数为：
Figure FDA0003986661180000041
其中：a、b为决策参数，通过改变a、b的值来调整电磁力和响应时间在最终决策中的权重；F为种群个体值电磁力均值总和，H为种群个体值发热功率均值总和，N为种群规模；计算最优解集中每组参数的σ值，选择σ值最大的参数组作为多目标优化的最终结果。
2.根据权利要求1所述一种电磁驱动柱塞泵的优化设计方法，其特征在于：步骤B中的组数n根据实验参数数量的不同进行取值。
3.根据权利要求1所述一种电磁驱动柱塞泵的优化设计方法，其特征在于：步骤A中所述三维建模软件包括Solidworks、AutoCAD、Proe、UG和Catia。
CN202211568138.2A 2022-12-07 2022-12-07 一种电磁驱动柱塞泵的优化设计方法 Pending CN116257947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211568138.2A CN116257947A (zh) 2022-12-07 2022-12-07 一种电磁驱动柱塞泵的优化设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211568138.2A CN116257947A (zh) 2022-12-07 2022-12-07 一种电磁驱动柱塞泵的优化设计方法

Publications (1)

Publication Number Publication Date
CN116257947A true CN116257947A (zh) 2023-06-13

Family

ID=86683300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211568138.2A Pending CN116257947A (zh) 2022-12-07 2022-12-07 一种电磁驱动柱塞泵的优化设计方法

Country Status (1)

Country Link
CN (1) CN116257947A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010109A (zh) * 2023-08-04 2023-11-07 天河超级计算淮海分中心 基于超算的滚动式汇流环结构参数优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117010109A (zh) * 2023-08-04 2023-11-07 天河超级计算淮海分中心 基于超算的滚动式汇流环结构参数优化方法
CN117010109B (zh) * 2023-08-04 2024-02-02 天河超级计算淮海分中心 基于超算的滚动式汇流环结构参数优化方法

Similar Documents

Publication Publication Date Title
D’Errico et al. Multi-objective optimization of internal combustion engine by means of 1D fluid-dynamic models
Cheung et al. Multi-objective optimization of an underwater compressed air energy storage system using genetic algorithm
CN116257947A (zh) 一种电磁驱动柱塞泵的优化设计方法
CN109345010B (zh) 一种梯级泵站的多目标优化调度方法
CN110929437B (zh) 基于响应面的动铁式比例电磁铁恒力预测方法
Shin et al. Shape optimization to minimize the response time of direct-acting solenoid valve
CN108959793B (zh) 一种伞齿轮双频分段循环感应加热数值模拟方法
CN107871024B (zh) 一种高温超导环形储能磁体的电磁优化方法和装置
CN111178528B (zh) 一种应用于无线充电系统的精英遗传算法改进方法
CN111859782B (zh) 一种基于遗传粒子群优化的汽轮机螺栓加热分析方法
El Sadek et al. Improvement of interior ballistic performance utilizing particle swarm optimization
CN115221787A (zh) 基于nsga-ⅱ的圆筒型永磁直线电机多目标优化方法和系统
CN116561903A (zh) 基于ffd自由变形方法的离心通风机叶型参数化方法
CN114925578A (zh) 基于粒子群算法和abaqus的圆钢管混凝土短柱自动优化方法
CN114048705A (zh) 一种螺管式电磁阀的优化设计方法
CN114580306A (zh) 一种基于改进pso算法的反激式变压器设计方法
Boccaletti et al. Deterministic and stochastic optimisation algorithms in conventional design of axial flux PM machines
CN117473838A (zh) 一种cdc电磁阀电磁力比例特性的多目标优化设计方法
Gao et al. Optimum design of permanent magnet synchronous motor based on gene handling genetic algorithms
Yu et al. Multi-objective cooperation optimization research on dynamic response and energy loss of high-speed solenoid valve for diesel engine injector
Oh et al. Valve Optimization with System-fluid-magnetic Co-simulation and Design of Experiments
Meng et al. Applications of hybrid genetic algorithm in frequency speed control pumping station
CN110908283B (zh) 电采暖设备控制方法、装置及系统
Karimzadeh Improved shuffled frog leaping algorithm for the combined heat and power economic dispatch
Zheng et al. A neural network and NSGA-II based multi-objective optimization design method for permanent magnet synchronous machine

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