基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法技术

本发明专利技术涉及涡轮叶片蜡模技术领域，且公开了基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，采用了非支配排序遗传算法

【技术实现步骤摘要】
基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法


[0001]本专利技术涉及涡轮叶片蜡模
，具体为基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法
。

技术介绍

[0002]在蜡模注塑的过程中，由于多个工艺参数的复合影响，需要将蜡模翘曲和型芯偏移这类不同的尺寸超差作为优化目标
。
然而，通过调整工艺参数优化多个目标会存在矛盾关系，如增加保压压力会抑制蜡模表面翘曲，但会引起型芯表面应力的增大和偏移
。
因此需要在工艺参数之间实现平衡，促使各个目标尽量达到最优值
。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，解决了上述
技术介绍
中提出的问题
。
[0004]为解决上述技术问题，根据本专利技术的一个方面，更具体的说是基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，如下步骤：
[0005]S1、
采用了非支配排序遗传算法
II(NSGA
‑
II)
来解决多目标优化问题，并将高斯过程回归作为代理模型与
NSGA
‑
II
联合使用，从而实现了高效的搜索；
[0006]S2、
采用帕累托前沿图展示目标函数解的权衡关系，以解决在蜡模压制过程中的型面超差和陶芯偏移问题，同时协同控制不同工艺参数，以获得全局最优解集；
[0007]S3、
最终通过运用熵权法在帕累托前沿选取最佳工艺参数，最大化减小蜡模的尺寸误差
。
[0008]更进一步的，采用数学方式描述多目标优化问题时，所述优化问题数学表达式为：
[0009]Find
：
X
，
(x1,x2,x3,
…
,x
n
),n
＝
1,2,3
…
[0010]MinF
m
(X),m
＝
1,2,3
…
[0011][0012]式中：
[0013]x
：工艺参数
n
维优化变量
[0014]F
m
(x):m
个优化目标
[0015]分量
x
i
的上下界
[0016]由于多目标问题的目标之间存在着相互冲突的特性，因此至少存在两个子目标函数和和的性能的变化将会引起相应的变动，反之亦然
。
因此，在解决多目标优化问题时，无法找到所有目标情况均为最优的解，而只能找到一个
Pareto
最优解集，该解集可以作为各个优化对象的平衡解
。
当
x
*
不受其他解的支配的时候，这时
x
*
就是
Pareto
的最优解，
Pareto
最优解集即为
Pareto
最优前沿，也被称为非劣前沿
。
[0017]以注塑件取得良好成型尺寸为目标函数，翘曲变形量
M1
与型芯偏移
M2
力求最小，
并选取合理工艺参数运用到实际生产
。
[0018]建立目标函数及其约束条件，如式所示
:
[0019][0020]其中，
A、B、C、D、E
和
F
分别表示注射时间
(s)、
模具温度
(℃)、
熔体温度
(℃)、
保压压力
(MPa)、
保压时间
(s)
和冷却时间
(s)。
[0021]更进一步的，所述
NSGA
‑
II
多目标优化算法：
[0022]1：随机生成一组个体作为初始种群
p0＝
{x1,x2,
…
,x
N
}
对于
x
i
∈{0,1}
n
,i
＝
1,2,
…
,N
；
[0023]2：
for t
＝
0,1,2,..M.do:
[0024]3：生成大小为
N
的后代群体与
Q
t
父代
P
t
结合，得到
R
t
；
[0025]4：使用非支配排序将
R
t
划分子集为
F1
，
F2
，
…
[0026]5：利用目标函数找
i
*
>1
，使得且或者当
|F1|≥N
时
i
*
＝1；
[0027]6：利用拥挤距离分别计算
F1,...,Fi
*
中每个个体的拥挤距离；
[0028]7：选择出最优秀的一组个体，设是
Fi
*
中拥挤距离最大的个个体；
[0029]8：
[0030]9：
end for
；
[0031]更进一步的，针对翘曲和型芯偏移这两个关键问题进行了优化，优化目标在于最小化这两个指标，需要用帕累托前沿图显示该组解之间的权衡关系；帕累托前沿图为二维图形，横轴表示一个目标函数，纵轴表示另一个目标函数
。
每个点在图中所代表的是一组解，这些点按照它们之间的权衡关系排列，形成了一条帕累托前沿曲线
。
[0032]更进一步的，在所述熵权法的框架下，首要任务是确定每个指标的标准化数据矩阵，并进一步计算出每个指标的权重向量，以下是计算权重向量的步骤：
[0033]1.
对标准化数据矩阵进行列归一化，得到归一化数据矩阵
。
[0034]2.
对归一化数据矩阵进行熵值计算，得到各指标的熵值向量
。
[0035]3.
根据各指标的熵值向量计算各指标的权重向量
。
[0036]权重越大表示该指标的重要性越高
。
这样，就可以用熵权法来进行多准则决策，从而帮助做出更科学
、
准确的决策
。
[0037]评价的对象以集合：
{x
ij
}
；
[0038]标准化处理得到：
{b
ij
}
；
[0039]计算其特征比重：
[0040]计算其熵值：
[0041]熵权法利用熵值作为熵权：
[0042]计算综合量化估计值：
[0043]式中，
EV
i
表示帕累托前沿第
i
个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，其特征在于，如下步骤：
S1、
采用了非支配排序遗传算法
II
来解决多目标优化问题，并将高斯过程回归作为代理模型与
NSGA
‑
II
联合使用，从而实现了高效的搜索；
S2、
采用帕累托前沿图展示目标函数解的权衡关系，以解决在蜡模压制过程中的型面超差和陶芯偏移问题，同时协同控制不同工艺参数，以获得全局最优解集；
S3、
最终通过运用熵权法在帕累托前沿选取最佳工艺参数，最大化减小蜡模的尺寸误差
。2.
根据专利要求1所述的基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，其特征在于：采用数学方式描述多目标优化问题时，所述优化问题数学表达式为：
Find:Find:Find:
式中：工艺参数维优化变量维优化变量个优化目标分量的上下界由于多目标问题的目标之间存在着相互冲突的特性，因此至少存在两个子目标函数和的性能变化将会引起相应的变动，反之亦然
。
因此，在解决多目标优化问题时，无法找到所有目标情况均为最优的解，而只能找到一个
Pareto
最优解集，该解集可以作为各个优化对象的平衡解
。
当
x
*
不受其他解的支配的时候，这时
x
*
就是
Pareto
的最优解
。Pareto
最优解集又称为
Pareto
前沿，也被称为非劣前沿
。
以蜡模注塑件取得良好成型尺寸为目标函数，翘曲变形量
M1
与型芯偏移
M2
力求最小，并选取合理工艺参数运用到实际生产
。
建立目标函数及其约束条件，如式所示
:
其中，
A、B、C、D、E
和
F
分别表示注射时间
(s)、
模具温度
(℃)、
熔体温度
(℃)、
保压压力
(MPa)、
保压时间
(s)
和冷却时间
(s)。3.
根据权利要求1所述的基于遗传算法与熵权法优化涡轮叶片蜡模工艺参数的方法，其特征在于：所述
NSGA
‑
II
多目标优化算法：（1）：随机生成一组个体作为初始种群
p0＝
{x1,x2,
…
,x
N
}
对于
x
i
∈{0,1}
n
,i
＝
1,2,
…
,N
；
（2）：
fort
＝

【专利技术属性】
技术研发人员：任忠鸣，王江，戴晶，徐松哲，玄伟东，王保军，陈超越，胡涛，
申请(专利权)人：上海大学，
类型：发明
国别省市：