【技术实现步骤摘要】
本专利技术涉及人工智能和群体智能，具体地，涉及基于ml的全回转推进器驱动轴服役寿命与轻量化设计方法。
技术介绍
1、全回转推进器驱动轴是船舶推进系统的关键部件，其设计对船舶的燃油效率、航程和载荷能力具有重要影响。实现全回转推进器驱动轴的轻量化设计，能够有效降低船舶的整体重量，提高经济性和环保性。同时，全回转推进器驱动轴在复杂的海洋环境中运行，需要具备足够的服役寿命和可靠性，以确保长时间、高负荷条件下的安全运行。因此，如何在保证全回转推进器驱动轴服役寿命的前提下，实现其轻量化设计，已成为船舶工程领域的重要课题。
2、传统的优化设计方法通常采用启发式算法，如遗传算法、粒子群优化算法等。这些算法具有良好的全局搜索能力，但在处理复杂的多目标优化问题时，尤其是每次评估都需要调用耗时的有限元仿真模型，往往需要大量的计算资源和时间来进行种群进化和适应度评估，导致整体优化效率大幅降低，限制了设计周期的缩短和优化效果的提升。全回转推进器驱动轴的仿真评估涉及复杂的力学分析和服役寿命计算，传统的启发式算法在这种高计算成本的环境下效率较低。
3、ml（machine learning，机器学习）技术通过学习和分析已有的仿真数据，可以建立快速的近似模型，替代复杂的仿真过程，只对筛选出的最佳候选个体向量进行仿真。这种方法不仅大幅降低了计算成本和时间消耗，还在有限的设计周期内提升了优化效率，使工程师能够探索和评估更多的设计方案，加速产品的开发和创新。然而，目前许多优化算法尚未充分整合机器学习的能力，未能完全发挥其在复杂结构设计中的潜在
技术实现思路
1、针对现有技术的局限性或改进技术需求，本专利技术提出了基于ml的全回转推进器驱动轴服役寿命与轻量化设计方法，其基于全回转推进器驱动轴结构优化设计涉及耗时复杂仿真特点，以及服役寿命和轻量化两个目标的设计需求，研究及设计了一种基于优化种群在目标空间中的分布状态确定不同的进化起点集的机器学习优化设计方法。所述方法通过对优化种群仿真得到的服役寿命与重量信息在目标空间中的分布状态，确定不同的进化起点集，基于径向基函数机器学习模型构建进化过程，结合两类参考点构建的切比雪夫聚合函数，筛选出最佳候选个体子代向量进行服役寿命与重量仿真，提高了对全回转推进器驱动轴结构服役寿命与轻量化两个目标的优化效率。本专利技术所设计的基于ml的全回转推进器驱动轴服役寿命与轻量化设计方法能对适应复杂结构的多个目标进行同步优化，不仅可用于全回转推进器驱动轴结构服役寿命和轻量化设计，也为其他复杂结构的多性能设计提供了一个可用的算法结构。
2、为实现上述目的，按照本专利技术的一个方面，提供了一种基于ml的全回转推进器驱动轴服役寿命与轻量化设计方法，所述方法包括：
3、步骤（1）：根据全回转推进器驱动轴所受的静态载荷，在pro/e中构建全回转推进器驱动轴的几何模型并进行受力分解，将几何模型导入ansys workbench中进行静力学分析并读取全回转推进器驱动轴的重量，将静力学分析结果与全回转推进器驱动轴所承受的时序载荷共同导入ansys ncode designlife中，其中，静态载荷为全回转推进器驱动轴固定时所受的支撑载荷，时序载荷为全回转推进器驱动轴工作时所受的随时间变化的动态载荷；根据全回转推进器驱动轴材料属性采用goodman方法对ansys ncode designlife软件中服役寿命s-n曲线进行修正，在ansys ncode designlife进行仿真获得全回转推进器驱动轴的服役寿命，以各轴段半径、各轴段长度以及轴段数目为结构设计参数，以全回转推进器驱动轴服役寿命和重量为两个优化目标，推导全回转推进器驱动轴服役寿命与轻量化设计问题的数学优化模型；
4、步骤（2）：在考虑材料强度、制造工艺和空间限制的情况下，确定各轴段半径、各轴段长度以及轴段数目的取值范围，构建由各轴段半径、各轴段长度以及轴段数目组成的多维设计空间，其中一个维度代表一个结构设计参数；根据多维设计空间的维度以及计算资源，确定需要采样的个体向量数目 n，在多维设计空间内，通过单纯形法产生 n个均匀分布的参考向量；在多维设计空间内，通过均匀采样方法产生 n个均包含各轴段半径、各轴段长度以及轴段数目取值的个体向量，这 n个个体向量组成优化种群；利用ansys ncodedesignlife对优化种群中的每个个体向量进行服役寿命和重量仿真，得到服役寿命与重量两个目标值，将所有个体向量信息存入数据库；
5、步骤（3）：基于优化种群仿真结果在以全回转推进器驱动轴服役寿命和重量这两个优化目标所构成的目标空间的分布状态构建进化起点集，针对每个进化起点集，在由各轴段半径、各轴段长度以及轴段数目结构设计参数组成的多维设计空间内部，随机在进化起点集中选择一个初始个体向量实施两步渐进式进化操作产生候选子代个体向量，在两步渐进式进化操作中，根据基于理想参考点构建的切比雪夫聚合函数从第一步维度扰动变异操作产生的候选子代个体向量中筛选得到第一类子种群与最好的第一类候选子代个体向量，并将最好的第一类候选子代个体向量作为第二步维度扰动变异操作的起点来执行第二步维度扰动变异操作，并根据基于天底参考点构建的切比雪夫聚合函数从第二步维度扰动变异操作产生的候选子代个体向量中筛选得到第二类子种群；
6、步骤（4）：针对每类子种群，采用基于径向基函数机器学习模型的内层进化获得最优候选子种群，并根据两类参考点构建两个切比雪夫聚合函数，基于每个切比雪夫聚合值从最优候选子种群中筛选对应的最优候选子代个体向量；
7、步骤（5）：采用全回转推进器驱动轴结构服役寿命与重量仿真模型对最优候选子代个体向量进行仿真评估，更新精确种群及数据库；
8、步骤（6）：设计优化种群更新策略，采用步骤（4）中针对第一类子种群所获得的最优候选子种群对优化种群进行更新，并且对步骤（5）中仿真评估结果进行判断，若服役寿命与重量满足设计要求，则输出根据数据库筛选的帕累托集合中所有个体向量对应的全回转推进器驱动轴优化结构，否则转至步骤（3），直至优化结构满足设计要求。
9、进一步地，所述步骤（1）中根据全回转推进器驱动轴材料属性采用goodman方法对ansys ncode designlife软件中服役寿命s-n曲线进行修正，在ansys ncode designlife进行仿真获得全回转推进器驱动轴的服役寿命，以各轴段半径、各轴段长度以及轴段数目为结构设计参数，以全回转推进器驱动轴服役寿命和重量为两个优化目标，推导全回转推进器驱动轴服役寿命与轻量化设计问题的数学优化模型，具体步骤如下：
10、第一步，根据全回转推进器驱动轴材料属性采用goodman方本文档来自技高网...
【技术保护点】
1.一种基于ML的全回转推进器驱动轴服役寿命与轻量化设计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤（1）中根据全回转推进器驱动轴材料属性采用Goodman方法对ANSYS nCode DesignLife软件中服役寿命S-N曲线进行修正，在ANSYS nCode DesignLife进行仿真获得全回转推进器驱动轴的服役寿命，以各轴段半径、各轴段长度以及轴段数目为结构设计参数，以全回转推进器驱动轴服役寿命和重量为两个优化目标，推导全回转推进器驱动轴服役寿命与轻量化设计问题的数学优化模型，具体步骤如下：
3.如权利要求1所述的方法，其特征在于，所述步骤（3），具体步骤如下：
4.如权利要求1所述的方法，其特征在于，所述步骤（4），具体步骤如下：
5.如权利要求1所述的方法，其特征在于，所述步骤（5）中更新精确种群的步骤，具体如下：
6.如权利要求1所述的方法，其特征在于，所述步骤（6），具体步骤如下：
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于ml的全回转推进器驱动轴服役寿命与轻量化设计方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤（1）中根据全回转推进器驱动轴材料属性采用goodman方法对ansys ncode designlife软件中服役寿命s-n曲线进行修正，在ansys ncode designlife进行仿真获得全回转推进器驱动轴的服役寿命，以各轴段半径、各轴段长度以及轴段数目为结构设计参数，以全回转推进器驱动轴服役寿命和重量为两个优化目标，推导全回转推进器驱动轴服役寿命与轻量化设计问题的数学优化模型，具体步骤如下：
3.如权利要求1所述的方法，其特征在于，所...
【专利技术属性】
技术研发人员：杨赞，陈宇航，胡子奇，褚福齐，周子恒，
申请(专利权)人：南昌大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。