[发明专利]基于神经网络与整机的液力变矩器叶片数优化方法

权利要求书

1.一种基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：将液力变矩器放在整机系统的数字化模型中，以整机效率的提高作为优化目标进行叶片数的优化，为与整机系统的数字化模型相结合，采用三层BP神经网络建立叶片数神经网络模型，即相当于建立了液力变矩器性能与叶片数和泵轮涡轮转速的如下函数关系：

(TBN,TWN)=f(NB,NW,ND,nB,nW)]]>

式中：神经网络预测的泵轮转矩；为神经网络预测的涡轮转矩；N_B为泵轮叶片数；N_W为涡轮叶片数；N_D为导轮叶片数；n_B为泵轮转速；n_W为涡轮转速。

2.根据权利要求1所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：包括以下步骤：

步骤1、试验设计；采用正交试验法设计试验，以较少试验次数代替全面试验，从而解决不同叶轮叶片数的大组合问题和CFD仿真的大计算量难题，并保证训练样本的均衡分散，整齐可比特点，确保叶片数神经网络模型的学习效果；

步骤2、确定训练样本；根据步骤1中设计的试验，运用CAD/CFD软件建模仿真获得泵轮转矩和涡轮转矩作为叶片数神经网络模型训练样本的目标向量，由泵轮叶片数、涡轮叶片数、导轮叶片数、泵轮转速和涡轮转速组成输入向量，从而确定了叶片数神经网络模型所需的训练样本；

步骤3、确定神经网络结构；根据输入变量和输出变量的个数可以确定叶片数神经网络模型的输入层和输出层神经元个数，根据Kolmogorov定理及仿真经验确定叶片数神经网络模型中间层的神经元个数，从而确定了叶片数神经网络模型的结构参数；

步骤4、遗传算法优化；为了解决神经网络学习算法存在易于陷入局部极值点且对初始权值和阈值较为敏感的缺点，采用遗传算法对神经网络初始权值和阈值进行优化，提高网络的设计效率和收敛精度；

步骤5、训练神经网络；将步骤4中优化后的初始权值和阈值作为神经网络的初始权值和阈值进行训练，训练后的神经网络即为叶片数神经网络模型，从而建立了叶片数与液力变矩器性能的定量关系；

步骤6、神经网络预测；为了确保步骤5中训练后的叶片数神经网络模型具有较高的预测精度和泛化能力，将非训练样本集合的数据作为测试样本，采用叶片数神经网络模型进行预测，验证叶片数神经网络模型的预测精度；

步骤7、基于整机的叶片数优化；将整机系统的数字化模型与叶片数神经网络模型结合，将叶片数作为优化变量，将整机系统效率作为优化目标，在整机系统中进行优化。

3.根据权利要求1所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：不同叶轮叶片数的组合方案采用正交试验法设计。

4.根据权利要求3所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：在每种组合方案下，泵轮转速的确定是其变化范围内均匀的取若干个点，而涡轮转速的确定是泵轮转速乘传动比。

5.根据权利要求4所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：所述传动比从0到1变化，由此确定叶片数神经网络模型的输入向量。

6.根据权利要求4所述的基于神经网络与整机的液力变矩器叶片数优化方法，其特征在于：所述传动比从0到1变化的间隔为0.1。