【摘要】 本发明公开了一种考虑不确定性的压力机滑块机构高刚度轻量化设计方法。包括以下步骤：建立考虑不确定性的压力机滑块机构高刚度轻量化设计模型；采用优化的拉丁超立方抽样方法进行试验设计，通过协同仿真获得各样本点对应的目标函数响应值，构建Kriging代理模型；基于区间序关系将不确定目标函数转换为确定性目标函数；利用区间结构分析法计算目标函数区间，利用多目标遗传算法寻找转化后确定性优化问题的Pareto最优解集，若不满足精度要求则在目标函数区间极值处进行重点采样，更新目标函数样本集和代理模型进行迭代寻优。本发明建立符合工程实际的滑块机构不确定性优化模型进行求解，可真正实现滑块机构轻量化高刚度设计。 【专利类型】发明授权 【申请人】浙江大学 【申请人类型】学校 【申请人地址】310027 浙江省杭州市西湖区浙大路38号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】西湖区 【申请号】CN201210315563.0 【申请日】2012-08-30 【申请年份】2012 【公开公告号】CN102867083B 【公开公告日】2014-11-05 【公开公告年份】2014 【授权公告号】CN102867083B 【授权公告日】2014-11-05 【授权公告年份】2014.0 【IPC分类号】G06F17/50 【发明人】程锦; 李小刚; 刘振宇; 谭建荣 【主权项内容】1.一种考虑不确定性的压力机滑块机构高刚度轻量化设计方法，其特征在于，该方法包括以下步骤： 1)建立考虑不确定性的压力机滑块机构高刚度轻量化设计模型： 选择对滑块刚度和重量影响大的连杆间距、滑块高度作为设计变量，构成设计向量X；选择滑块材料的弹性模量、泊松比和密度为不确定变量，组成不确定参数向量U，采用区间形式进行描述；设计向量X和不确定参数向量U组成输入变量空间，试验设计和代理模型的建立均在输入变量空间内进行；以滑块刚度和滑块重量为优化目标，建立多目标不确定优化模型如下： s.t.?Gi(X)≤0 其中，F1(X, U)和F2(X, U)为滑块刚度和滑块重量，均为关于X和U的非线性连续函数；G(X)为约束函数，是仅和设计向量X相关的确定性约束函数； 2)采用优化的拉丁超立方抽样方法在输入变量空间内进行试验设计： 根据设计向量X和不确定参数向量U的变化范围，在输入变量空间内采用拉丁超立方方法进行抽样试验，S个输入变量、N次试验运行的拉丁超立方试验设计表示为N×S阶矩阵，矩阵列向量是向量[1, 2，…，N]的随机置换，由于随机采样会产生许多种采样方案，为了得到均匀分布的样本点，以最大最小距离为优化准则，即保证所有设计样本点之间的最小距离最大，进行优化的拉丁超立方抽样，获得具有空间均布性和投影均匀性的试验设计方案； 3)建立参数化模型，通过协同仿真得到样本点对应的目标函数响应值： 利用三维CAD建模软件，以设计向量X为独立控制参数，建立高速压力机装配体参数化模型；通过接口技术实现CAD软件和有限元分析软件间参数的双向传递；通过协同仿真，调用真实模型进行有限元分析计算，得到各样本所对应真实模型的响应值； 4)利用得到的样本集构建Kriging代理模型： Kriging模型近似表达为一个随机分布函数和一个多项式之和，如下式所示： y(x)＝f(x)+z(x) 式中，y(x)为未知的Kriging模型，f(x)为已知的关于x的函数，提供了设计空间内的全局近似模拟，看作是一个常数β，β的值通过已知的响应值估计得到；z(x)为一随机过程，是在全局模拟的基础上创建的期望为0、方差为σ2的局部偏差，其协方差矩阵表示为 cov[z(xi), z(xj)]＝σ2R[R(xi, xj)] 式中，R为相关矩阵；R(xi, xj)表示任意两个样本点的相关函数，选择高斯函数作为相关函数，其表达式为： 根据无偏条件以及方差最小条件，结合拉格朗日乘子法和极大似然估计法，求得参数β、R和θ的值，进而得到所需要的Kriging代理模型； 5)基于区间序关系实现不确定目标函数到确定性目标函数的转换： 区间序关系用来定性判断两个区间的大小，通过区间序关系，把形如 的不确定性优化目标函数转换为如下的确定性优化目标函数： 式中， 表示不确定目标函数区间的中点； 表示不确定目标函数区间的半径； FL(X)表示不确定目标函数区间下界，通过 求解得到； FR(X)表示不确定目标函数区间上界，通过 求解得到； 6)利用区间结构分析法计算目标函数区间： 区间结构分析法用于求解结构在不确定性参数作用下的响应边界，利用一阶泰勒展开和自然函数扩张，得到下面的表达式 式中， 因此，FL(X)和FR(X)通过下式计算得到 7)利用多目标遗传算法寻找转换后确定性优化问题的Pareto最优解集： 基于排序选择的多目标遗传算法和Kriging代理模型求解转换后的确定性优化模型，得到关于压力机滑块机构刚度和重量的Pareto最优解集，选择Pareto最优解集中的一个解作为初步最优解，判断其对应目标函数区间极值的近似精度，若在误差允许范围之内，输出该解作为最终的最优设计向量，否则，需进一步提高代理模型在目标函数区间极值这一局部重点区域的近似精度； 8)局部重点区域样本点采集和对应响应值计算，更新目标函数样本集和代理模型进行迭代寻优： 当初步最优解处目标函数区间极值不满足精度要求时，对目标函数响应极值这一局部重点区域通过增加局部样本点进一步提高近似精度；通过中心复合试验设计法分别在目标函数区间左右极值处选择样本点，调用真实分析模型计算得到目标函数的响应值；把得到的局部样本点作为新样本补入到目标函数样本集中，更新Kriging代理模型，重新利用多目标遗传算法基于代理模型进行优化求解，判断是否收敛，如果不满足则进行循环迭代，直至得到满足精度要求的最优设计向量。 【当前权利人】浙江大学 【当前专利权人地址】浙江省杭州市西湖区浙大路38号 【专利权人类型】公立 【统一社会信用代码】12100000470095016Q 【引证次数】2.0 【他引次数】2.0 【家族引证次数】2.0 【家族被引证次数】62

未经允许不得转载：http://www.zhongzhencnc.com/1791602180.html