[发明专利]一种刷式封严结构的多目标优化方法

说明书

技术领域

本发明属于刷式封严技术领域，特别涉及一种适合于刷式封严结构的多目标优化方法。

背景技术

低油耗、高推重比、高可靠性和耐久性是现代航空燃气涡轮发动机的发展趋势。但发动机内部温度和压比的逐年升高，使得内流系统的泄露问题日益严重。为了降低泄露损失，提升发动机的整体性能，采用高效率的封严装置显得尤为重要。刷式封严技术从20世纪80年代初开始逐渐发展成熟起来，它是一种性能优异的新式密封技术，在相同条件下，刷式封严的泄漏水平只有典型篦齿封严结构的50％甚至20～10％，因此仅把发动机某些关键部位的篦齿封严换成刷式封严，就可以使发动机的推力增加1～3％，耗油率降低3～5％。密封性能和抗磨损性能是评价刷式封严性能的两个主要指标。然而，密封性能的提升会以降低抗磨损性能为代价，譬如刷丝直径的增加会减弱磨损，但造成了密封性能的下降，刷丝层数的增多会抑制泄露，但加速了磨损。如何针对刷式封严结构进行优化以实现密封性能和抗磨损性能的协同最优具有重要的现实意义。

支持向量机方法以统计学习中的VC维理论和结构风险最小原理为基础，根据样本信息在模型的复杂性和学习能力之间寻求最佳折中，尤其适合于具有小样本特征的非线性关系拟合。遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

发明内容

本发明的目的是提供一种刷式封严结构的多目标优化方法，克服刷式封严现有单目标设计方法的不足，提供一种代理模型精度高，全局优化能力强，具有高鲁棒性的优化方法。

为实现上述目的，本发明采用以下技术方案：

一种刷式封严结构的多目标优化方法，其特征在于：包括以下步骤：

步骤1，选择封严结构的待优化参数，并确定待优化参数的优化范围；

步骤2，以最少泄露和最低磨损为优化目标，构造适应度函数；

步骤3，进行多组变工况实验，制成支持向量机的数据样本，并从中随机选取若干组数据样本作为训练样本；

步骤4，基于训练样本对支持向量机参数进行训练，建立刷式封严的支持向量机代理模型，代理模型输入向量为待优化参数，输出值为适应度函数；

步骤5，基于支持向量机代理模型所拟合的待优化参数与适应度函数之间的数值关系，利用遗传算法确定代理模型的最小输出值，最小输出值所对应的代理模型输入向量便为待优化参数的最优值。

进一步的，步骤1中，所述待优化参数选择包括刷丝直径，刷丝层数，后挡板保护高度，刷束自由高度；刷丝直径的优化范围为0.09～0.2mm，刷丝层数的优化范围为6～14层，后挡板高度的优化范围为0.78～2.68mm，刷束自由高度的优化范围为2.64～15.14mm。

进一步的，步骤2中，对于最少泄露和最低磨损两个优化目标，分别赋予0.7和0.3的权重。

进一步的，步骤3中，支持向量机的输入向量为刷丝直径，刷丝层数，后挡板保护高度，刷束自由高度；输出量分别为泄露量和磨损量；

制作支持向量机数据样本的步骤为：

步骤3.1，针对刷丝直径，刷丝层数，后挡板高度及刷束自由高度进行随机组合，进行100组变工况实验；

步骤3.2，从100组实验数据中选取80组作为支持向量机的训练样本，剩余20组数据作为支持向量机的检测样本；

步骤3.3，针对实验数据进行归一化处理，归一化方法如下：

式中，x_max为输入数据的最大值，x_min为输入数据的最小值，x为输入数据，为归一化后的数据。

进一步的，步骤4中，所述的支持向量机代理模型表述为：

其中，X为训练样本中的输入矢量，y为训练样本中的输出量，下标i和j表示训练样本的编号，ker(·)为核函数，N＝80；系数a_i*通过求解下列最优化问题确定：

式中，c为惩罚因子，b*与a*的数值关系为：

进一步的，步骤4中，所述的支持向量机代理模型，选择径向基函数为核函数：

其中，δ为径向基系数。

进一步的，步骤4中，所述的支持向量机代理模型，惩罚因子和径向基系数通过试错法确定。

进一步的，步骤5的具体步骤是：

步骤5.1，初始化待优化参数，设置最大进化代数，生成初始群体；