[發明專利]一種刷式封嚴結構的多目標優化方法

有效

• 申請號: 201610232244.1
• 申請日: 2016-04-14
• 公開（公告）號: CN105844054B
• 公開（公告）日: 2017-06-13
• 發明（設計）人: 王春華;張靖周;周君輝
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/12;G06Q10/04
• 代理公司: 南京瑞弘專利商標事務所(普通合伙)32249
• 代理人: 陳國強

技術領域

本發明屬于刷式封嚴技術領域，特別涉及一種適合于刷式封嚴結構的多目標優化方法。

背景技術

低油耗、高推重比、高可靠性和耐久性是現代航空燃氣渦輪發動機的發展趨勢。但發動機內部溫度和壓比的逐年升高，使得內流系統的泄露問題日益嚴重。為了降低泄露損失，提升發動機的整體性能，采用高效率的封嚴裝置顯得尤為重要。刷式封嚴技術從20世紀80年代初開始逐漸發展成熟起來，它是一種性能優異的新式密封技術，在相同條件下，刷式封嚴的泄漏水平只有典型篦齒封嚴結構的50％甚至20～10％，因此僅把發動機某些關鍵部位的篦齒封嚴換成刷式封嚴，就可以使發動機的推力增加1～3％，耗油率降低3～5％。密封性能和抗磨損性能是評價刷式封嚴性能的兩個主要指標。然而，密封性能的提升會以降低抗磨損性能為代價，譬如刷絲直徑的增加會減弱磨損，但造成了密封性能的下降，刷絲層數的增多會抑制泄露，但加速了磨損。如何針對刷式封嚴結構進行優化以實現密封性能和抗磨損性能的協同最優具有重要的現實意義。

支持向量機方法以統計學習中的VC維理論和結構風險最小原理為基礎，根據樣本信息在模型的復雜性和學習能力之間尋求最佳折中，尤其適合于具有小樣本特征的非線性關系擬合。遺傳算法是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法。

發明內容

本發明的目的是提供一種刷式封嚴結構的多目標優化方法，克服刷式封嚴現有單目標設計方法的不足，提供一種代理模型精度高，全局優化能力強，具有高魯棒性的優化方法。

為實現上述目的，本發明采用以下技術方案：

一種刷式封嚴結構的多目標優化方法，其特征在于：包括以下步驟：

步驟1，選擇封嚴結構的待優化參數，并確定待優化參數的優化范圍；

步驟2，以最少泄露和最低磨損為優化目標，構造適應度函數；

步驟3，進行多組變工況實驗，制成支持向量機的數據樣本，并從中隨機選取若干組數據樣本作為訓練樣本；

步驟4，基于訓練樣本對支持向量機參數進行訓練，建立刷式封嚴的支持向量機代理模型，代理模型輸入向量為待優化參數，輸出值為適應度函數；

步驟5，基于支持向量機代理模型所擬合的待優化參數與適應度函數之間的數值關系，利用遺傳算法確定代理模型的最小輸出值，最小輸出值所對應的代理模型輸入向量便為待優化參數的最優值。

進一步的，步驟1中，所述待優化參數選擇包括刷絲直徑，刷絲層數，后擋板保護高度，刷束自由高度；刷絲直徑的優化范圍為0.09～0.2mm，刷絲層數的優化范圍為6～14層，后擋板高度的優化范圍為0.78～2.68mm，刷束自由高度的優化范圍為2.64～15.14mm。

進一步的，步驟2中，對于最少泄露和最低磨損兩個優化目標，分別賦予0.7和0.3的權重。

進一步的，步驟3中，支持向量機的輸入向量為刷絲直徑，刷絲層數，后擋板保護高度，刷束自由高度；輸出量分別為泄露量和磨損量；

制作支持向量機數據樣本的步驟為：

步驟3.1，針對刷絲直徑，刷絲層數，后擋板高度及刷束自由高度進行隨機組合，進行100組變工況實驗；

步驟3.2，從100組實驗數據中選取80組作為支持向量機的訓練樣本，剩余20組數據作為支持向量機的檢測樣本；

步驟3.3，針對實驗數據進行歸一化處理，歸一化方法如下：

式中，x_max為輸入數據的最大值，x_min為輸入數據的最小值，x為輸入數據，為歸一化后的數據。

進一步的，步驟4中，所述的支持向量機代理模型表述為：

其中，X為訓練樣本中的輸入矢量，y為訓練樣本中的輸出量，下標i和j表示訓練樣本的編號，ker(·)為核函數，N＝80；系數a_i*通過求解下列最優化問題確定：

式中，c為懲罰因子，b*與a*的數值關系為：

進一步的，步驟4中，所述的支持向量機代理模型，選擇徑向基函數為核函數：

其中，δ為徑向基系數。

進一步的，步驟4中，所述的支持向量機代理模型，懲罰因子和徑向基系數通過試錯法確定。

進一步的，步驟5的具體步驟是：

步驟5.1，初始化待優化參數，設置最大進化代數，生成初始群體；