技术领域

本发明属于结构优化设计领域，涉及一种复杂结构长寿命设计方法，具体为基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法。

背景技术

密封结构在现代工业领域应用十分广泛。因密封结构失效造成的安全事故和经济损失不容忽视。在航空航天领域，飞行器密封结构失效会导致严重后果，造成了很大损失，轻则影响飞行寿命，重则机毁人亡。

在密封结构的各种失效模式中，疲劳失效是结构最主要的失效原因。针对复杂情况下的密封机构疲劳失效问题，研究人员做了许多相关研究，以期延长密封结构的使用寿命。

O型密封圈是使用最为普遍的密封结构。橡胶材料因为本身具有大的回弹性和吸收能量的特征而成为O型密封圈的主要材料。作为一种区别于金属的超弹性材料，目前对橡胶疲劳寿命预测分析主要有两个方面角度研究：一是在断裂力学为基础的角度，具体包括裂纹萌生阶段和裂纹扩展阶段；二是以疲劳寿命曲线为基础，采用多项式回归法计算疲劳寿命，或者基于该疲劳寿命曲线机理，运用有限元软件进行仿真模拟得出橡胶疲劳寿命。本发明主要采取疲劳寿命曲线的方式来计算密封圈的疲劳寿命。

自适应权值粒子群算法(APSO)是粒子群算法的改进算法，也是启发式算法搜索算法的一种，自适应权值粒子群算法能够自适应的更新权值，并且保证粒子具有良好的全局搜索能力和较快的收敛速度，能较好地实现非线性和多维度复杂的工况优化分析。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法。

技术方案

一种基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法，其特征在于步骤如下：

步骤1：建立O型密封圈有限元模型，确定待优化参量为预压缩量F及其优化范围，选取密封圈上两个最大应力点A、B，易发生泄露的边界接触上的两个点C、D；

步骤2：针对需要优化的预压缩量F，采用正态抽样的方法，在优化区间内选取若干组预压缩量作为输入数据，代入到O型密封圈有限元模型，记录最大应力点的应力和边界接触点的应力作为输出数据；

步骤3：在若干组输入数据中随机选取80％作为训练数据，另外20％作为测试数据，将训练数据平均划分为多组，采用交叉验证的方法选出若干组最优输入训练集和最佳训练速度，对RBF神经网络分别进行训练，直至预测误差满足要求，得到A,B,C,D四个点的RBF神经网络：A_net；B_net；C_net和D_net；将O型密封圈的预压缩量F输入RBF神经网络模型，得到O型密封圈四个点的应力σA＝A_net(F)；σB＝B_net(F)；σC＝C_net(F)；σD＝D_net(F)；密封圈的最大应力σmax＝max{σA，σB}；密封圈不发生泄露的条件为min(σC,σD)≥Poil，其中，Poil为机电系统油压；

步骤4：采用自适应粒子群算法开展优化，将预压缩量F作为待优化向量，σmax＝max{σA，σB}作为适应度函数，终止条件为min(σC,σD)≥Poil；

步骤5：计算优化前后密封圈寿命，查询密封圈橡胶材料的S-N曲线，按如下公式计算密封圈寿命：

式中，m＝0.1461；C＝34.6477，S为密封圈寿命，N为最大应力。

有益效果

本发明提出的一种基于粒子群优化算法的飞机机电系统密封结构长寿命设计方法，采用RBF神经网络代理模型，将O型密封圈有限元模型中的建模参数和易失效点应力作为样本输入RBF神经网络进行训练，采用交叉验证的方法使预测误差降低到10％以下。然后采用疲劳寿命经验公式计算密封圈寿命。以O型密封圈的寿命为目标函数，预压缩量为待优化参数，密封圈不发生泄露为约束条件，采用自适应粒子群(APSO)算法，对O型密封圈的预压缩量进行优化。相对于传统的优化算法，本发明对复杂结构的参数优化具有很好的全局搜索能力和较快的收敛速度。相对于现有技术具有如下优势：

(1)提出了针对复杂密封结构多失效模式下的长寿命优化设计方案，该方法具有较强的鲁棒性和可操作性。

(2)采用神经网络代理模型的方法替代了有限元分析，大大减少了优化所需的计算时间。

(3)采用的自适应粒子群优化算法考虑了复杂密封结构模型油压失效对密封圈寿命的影响。

附图说明

图1O型密封圈预压缩量优化流程图

图2密封圈易失效点

图3密封圈易泄露点

图4自适应度曲线

具体实施方式

现结合实施例、附图对本发明作进一步描述：

本发明试图解决复杂密封结构多失效模式下优化问题：在保证飞机机电系统不发生泄露的情况下，对密封圈所施加的预应力展开优化，以期提高密封圈的疲劳寿命。

可以表示为

式中，S为密封圈寿命，σ为密封圈最大应力，Poil为机电系统油压，F为预应力，Fmin和Fmax分别为预应力最小值和最大值。

1)采用交叉验证优化的RBF神经网络

本发明首先针对需要优化的预压缩量，采用正态抽样的方法，在优化区间内选取200组预压缩量作为输入数据，然后在有限元模型的基础上选取O型密封圈上两个最大应力点A和B，两个边界接触点C和D，施加预压缩量和载荷后，记录最大应力点的应力和边界接触点的应力作为输出数据。针对每一个点，随机选取180组数据作为训练数据，另外20组数据作为测试数据。采用交叉验证的方法选出160组最优输入训练集和最佳训练速度，对RBF神经网络分别进行训练，直至预测误差小于10％，得到四个点的RBF神经网络：A_net；B_net；C_net和D_net。将O型密封圈的预压缩量F输入RBF神经网络代理模型，就可以快速得到O型密封圈四个点的应力σA＝A_net(F)，σB＝B_net(F)，σC＝C_net(F)和σD＝D_net(F)。

2)自适应粒子群优化算法

将O型密封圈内部的最大应力σmax作为适应度函数f(x)，f(x)＝σmax＝max{σA，σB}，预压缩量作为待优化向量向量表示粒子群中第i个粒子，每一个粒子的位置就是一个潜在的解。将带入适应度函数就可以计算其适应度，根据适应值的大小衡量解的优劣。微粒i的当前最好位置由下式确定：

粒子迭代的过程遵循如下公式

vi(t+1)＝ω·vi(t)+c1r1(pi(t)-xi(t))+c2r2(t)(pg(t)-xg(t))

xi(t+1)＝xi(t)+vi(t+1)

式中，i＝1,2,…，40,学习因子c1和c2是非负数；r1和r2为相互独立的伪随机数，服从[0,1]的均匀分布。vs∈[-vmax,vmax]，vmax为最大速度；ω为非负数，称为动力常量，控制前一节速度对当前速度的影响。通过调节ω的大小可以跳出局部最小值。

为了平衡粒子群算法的全局搜索能力和局部改良能力，采用非线性的动态惯性权重系数公式，其表达式为：

式中，ωmin和ωmax分别表示ω的最大值和最小值，f表示微粒当前的适应度函数值，favg和fmin分别表示当前所有微粒的平均目标值和最小目标值。在该算法中ω因惯性权重随微粒的适应度函数值而自动改变。

利用自适应粒子群优化算法来优化飞机机电系统密封结构的疲劳寿命的流程图如图1所示。

主要步骤如下：

步骤1：建立O型密封圈有限元模型，确定待优化参量为预压缩量F，-1

步骤2：参数F在区间[-1,-0.4]上均匀抽取200个样本点，作为输入数据，代入到有O型密封圈有限元模型，将加载过程中的四个点的最大应力保存为输出数据。

步骤3：针对四个易失效点分别建立RBF神经网络。在200组样本数据中随机选取180组数据作为训练数据，另外20组数据作为测试数据。将训练数据平均划分为9组，采用交叉验证的方法选出160组最优输入训练集和最佳训练速度，对RBF神经网络进行训练。密封圈A,B,C,D的应力可以表示为σA＝A_net(F)；σB＝B_net(F)；

σC＝C_net(F)；σD＝D_net(F)。密封圈的最大应力σmax＝max{σA，σB}；密封圈不发生泄露的条件为min(σC,σD)≥Poil。

步骤4：采用自适应粒子群算法开展优化。将σmax＝max{σA，σB}作为适应度函数，终止条件为F∈[-1,-0.4],min(σC,σD)≥Poil。优化过程如图4所示。

步骤5：计算优化前后密封圈寿命。查询密封圈橡胶材料的S-N曲线，按如下公式计算密封圈寿命：

式中，m＝0.1461；C＝34.6477。S为密封圈寿命，N为最大应力。

优化结果如下：

表1.优化前后密封圈的疲劳寿命

预压缩量(kN) 最大应力(MPa) 疲劳寿命 优化前 -0.8 6.9324 1.0687×105 优化后 -0.6770 5.3127 6.6025×105

可以看出，经过优化后，在保证密封圈不因泄露失效的情况下，密封圈的最大应力减小了23％，相应的疲劳寿命提升了453％。