基于自组织映射的高维优化参变量相关性研究

发布时间：2024-07-01 20:16

　　针对多目标优化中计算量大、以及难以提取分析高维数据中的复杂非线性关系的问题,借助自组织映射方法,将隐藏的高维多属性数据特征展现在低维可视空间中。利用NSGA-Ⅱ得到多目标优化问题中的Pareto最优解集,并通过对数据进行聚类分析,从而得到高维最优解集内目标与参数的特征分布、映射关系等特性。以动静压阶梯腔滑动轴承为应用对象,以单位承载力下的摩擦功耗、温升和失稳转速为优化目标,考虑几何结构等约束条件,结合DoE构建相应的低成本、高精度的多目标Kriging代理模型。利用自组织映射方法提取和分析最优特征区域中各目标与参数之间的相关性特征以及映射关系。结果表明,在设计范围内目标与轴向封油边宽度、供油压力之间相关性较强,而与深腔深度、浅腔包角相关性较弱。此方法可更直观地服务于设计人员对于多目标高维优化设计结果参变量的择优。

【文章页数】：8 页

【部分图文】：

图1动静压滑动轴承结构

以动静压阶梯腔滑动轴承(如图1所示)为优化设计对象,而影响滑动轴承性能的参数很多,例如:转速、润滑油黏度、轴承宽度、浅腔包角等;在不改变轴承工况条件和整体结构尺寸的前提下为便于参数和目标之间的映射关系的研究,建立包含4个设计变量(轴向两侧封油边宽度、浅腔包角、深腔深度、供油压力)....

图2OLH样本点(红色六角星)在“深腔深度”、“封油边

采用OLH设计在设计空间中选取60组样本点,并计算出对应响应值,构建Kriging代理模型。图2为设计空间离散点云图在轴向封油边宽度、深腔深度和供油压力构成的三维空间中的投影,蓝色的点为对设计空间进行全因子FFD(fullfactorialdesign)采点,共计154个点,....

图3设计空间离散点映射到“单位承载力下功耗”、“温升”

图2OLH样本点(红色六角星)在“深腔深度”、“封油边

图4轴承优化模型的Pareto最优解(绿色点)在

利用改进的非支配排序的遗传算法(NSGA-Ⅱ)提取多目标优化问题的最优特征区域,该算法的优势在于增加精英策略并采用快速非支配排序分层的方法,能很好的指引下一步搜索方向提高寻优算法速度,是目前针对多目标优化问题最普遍的寻优算法之一。算例通过该算法对Kriging模型最优特征区域进行....

本文编号：3999127