Towards intelligent design optimization: Progress and challenge of design optimization theories and technologies for plastic forming

Plastic forming is one of enabling and fundamental technologies in advanced manufacturing chains. Design optimization is a critical way to improve the performance of the forming system, exploit the advantages of high productivity, high product quality, low production cost and short time to market and develop precise, accurate, green, and intelligent (smart) plastic forming technology. However, plastic forming is quite complicated, relating to multi-physics field coupling, multi-factor influence, multi-defect constraint, and triple nonlinear, etc., and the design optimization for plastic forming involves multi-objective, multi-parameter, multi-constraint, nonlinear, high-dimensionality, non-continuity, time-varying, and uncertainty, etc. Therefore, how to achieve accurate and efficient design optimization of products, equipment, tools/dies, and processing as well as materials characterization has always been the research frontier and focus in the field of engineering and manufacturing. In recent years, with the rapid development of computing science, data science and internet of things (IoT), the theories and technologies of design optimization have attracted more and more attention, and developed rapidly in forming process. Accordingly, this paper first introduced the framework of design optimization for plastic forming. Then, focusing on the key problems of design optimization, such as numerical model and optimization algorithm, this paper summarized the research progress on the development and application of the theories and technologies about design optimization in forming process, including deterministic and uncertain optimization. Moreover, the applicability of various modeling methods and optimization algorithms was elaborated in solving the design optimization problems of plastic forming. Finally, considering the development trends of forming technology, this paper discusses some challenges of design optimization that may need to be solved and faced in forming process.     

基于响应面法的超燃冲压发动机进气道多目标优化

基于响应面法进行了二维混合压缩超燃冲压发动机进气道的多目标优化研究.采用均匀试验设计确定试验方案,运用计算流体动力学求解进气道的性能.根据分析结果构造了响应面近似模型,该模型采用了完全二阶多项式模型.通过响应面近似模型的优化,实现了超燃冲压发动机进气道优化,得到了Pareto最优集.结果表明,采用均匀试验设计和响应面法可以大大减小数值模拟的计算量,提高优化效率.     

风扇转子叶片周向积叠的三维气动优化设计

为了研究优化环境对优化结果的影响,利用商业软件NUMECA对某风扇第一级转子叶片进行了气动优化设计,并对比研究了第一级转子单排叶片的优化及其在整级环境中的优化结果。研究发现．单叶排优化后．虽然能提高整级风扇的效率,但是由于匹配的原因,整级风扇在整个流量范围内总压比都比优化前的有所减小;在级环境中优化后,该级风扇的效率和稳定工作范围都扩大了,且保证了级压比不变,其优化效果比单叶排的优化效果好。     

试车数据驱动的涡轴发动机起动过程模型辨识

针对传统的采用解析法建立涡轴发动机起动过程模型复杂的问题,提出了一种基于变步长萤火虫算法优化的有外部输入的非线性自回归网络(CSFA-NARX)的涡轴发动机起动过程模型辨识方法。以涡轴发动机起动过程试车试验数据为数据样本,利用CSFA-NARX网络模型辨识得到涡轴发动机起动过程模型,并采用留一交叉验证方法对辨识模型的性能进行验证。结果表明：得到的辨识模型输出参数,如燃气发生器转速n_g、输出轴转速n_r和涡轮后温度T₄都较好地逼近了试车实测数据,各参数验证样本最大相对误差平均值分别为0.90%、1.51%、和2.01%;在相同训练与验证样本情况下,得到的辨识模型精度优于采用萤火虫算法优化的NARX网络(FA-NARX)、NARX网络和变步长萤火虫算法优化的BP网络(CSFA-BP)模型精度。     

基于深度学习的发动机叶片故障检测技术

为了解决航空发动机叶片故障检测中存在的检测精度欠佳、检测效率不高的问题,提出了一种基于深度学习的目标检测方法。针对小样本数据集检测精度低、模型训练速度慢等问题,对Faster R-CNN目标检测算法进行结构优化,引入Res2Net结构,通过分割串联的策略强化残差模块的卷积学习能力,搭建了细粒级的多尺度残差模型Res2Net-50,以提升模型的特征提取能力。同时,在网络的训练过程中,采用多次余弦退火衰减法对学习率进行调整,以加快模型的训练速度,提升模型的训练质量。针对航空发动机叶片裂纹和缺损2种故障类型进行网络训练与检测试验,试验结果表明：优化后的模型识别准确率提高了0.7%,模型的平均检测精度提高了1.8%,训练时间缩短了5.56%,取得了比较好的检测效果。     

基于有限元分析的综合支架结构设计与优选

本文在分析海洋平台防爆加热器橇块综合支架结构特点的基础上,通过有限元法对综合支架进行强度能力分析,找到该支架结构设计上存在的问题并作了相应的改进设计,使得综合支架的结构在满足强度和刚度的同时减轻了整体的重量,在材料的利用上趋于优化的设计;通过对综合支架的有限元模型施加不同的惯性力.得出不同载荷下综合支架应力变化规律,从而确定出综合支架所能承受的最大惯性力.     

基于N-S方程的悬停旋翼桨叶气动干扰数值模拟

采用基于N-S方程的CFD方法,通过计算前后平行放置的双翼和三翼的干扰流场,对悬停状态旋翼桨叶之间的气动干扰机理进行了数值探讨;在此基础上,进行了2种桨叶片数、2种桨距及2种桨尖马赫数情况的旋翼悬停流场对比计算,模拟它们对旋翼气动性能和桨叶间气动干扰作用的影响,得到一些与工程实际吻合的现象和结论。     

气动参数对后台阶三维缝隙换热影响的研究

针对涡轮叶片尾缘冷却结构特点,建立了后台阶三维缝隙结构气膜冷却特性试验台,测量了缝隙中心和肋中心下游换热系数的局部分布,研究了不同雷诺数Re(5000~15000)与吹风比Br(0.5~2.0)对换热系数的影响规律,试验结果表明:(1)出口的换热系数总体呈下降趋势,但在肋后中心线略有起伏;(2)随着Re的增大,换热系数增大,随着Br的增大,换热系数减小;(3)在靠近出口位置,由于热边界层与三维掺混特性流场的影响,使得换热变得复杂。     

某型机翼内翼结构几何优化设计

某型机翼内翼结构布局优化模型,包括两类设计变量:位置变量和尺寸变量。本文利用PCL语言实现了在MSC.PATRAN环境下的参数化建模,以最小重量为目标函数,在强度和位移约束条件下,利用网格法进行位置寻优,并使用MSC.NASTRAN软件给出了最优尺寸变量。通过计算表明,本方法效率较高,结构重量稳定下降,优化效果明显。可以解决此类工程问题,具有一定的实用价值。     

基于复合形与神经网络的机翼结构优化设计

从元件位置和元件尺寸两个方面考虑,提出了一种全局结构优化设计方法。利用NASTRAN完成尺寸优化,利用神经网络对NASTRAN优化结果进行映射,用复合形法进行位置寻优,最终完成了机翼结构的优化。算例表明利用神经网络来预测NASTRAN优化结果有较高的精度与适用性,本文所提方法可行、正确,具有很高的效率。