[发明专利]展向波纹杆件协同优化方法及系统

说明书

本发明公开了展向波纹杆件协同优化方法及系统，所述方法包括如下步骤：获取学科级优化期望值；根据获取的学科级优化期望值，获取学科级优化值；根据获取的学科级优化值，获取系统级约束条件是否满足的工况；当满足系统级约束条件时，获取最优值；当不满足系统级约束条件时，获取调整优化期望值，根据获取的各学科级优化调整优化期望值，重新优化直至满足系统级约束条件为止，将最终获取优化值作为最优值。本申请提供的展向波纹杆件协同优化方法，实现气动阻力、气动噪声和展向波纹杆杆件参数的协同优化，协调学科级件的不一致性，保证各学科级之间的优化互不影响。

技术领域

本发明涉及展向波纹杆件的优化领域，具体是涉及展向波纹杆件协同优化方法及系统。

背景技术

随着人们对出行需求与列车时速不断提高，高速化列车所产生的空气动力学问题日益突出。高速列车在300km/h以上时，列车所受的气动阻力为主导阻力，其中，受电弓作为列车运行中的电流接受装置，产生的气动阻力占总气动阻力的12%。高速列车所受到气动噪声与运营速度的六次方成正比，其主要来源是由于受电弓的突出结构与气流碰撞，造成干扰产生噪声，降低列车的安全性与舒适性。

改进受电弓气动性能主要是对受电弓的结构与材料进行研究。结构改进的方法主要有采用多孔弓头、对弓头仿生优化、改进弓头杆件截面形状、对受电弓圆柱面进行球缺凹坑优化，受电弓杆件设计为展向波纹等方法。但上述研究未能在气动阻力、气动噪声与杆件参数的优化问题上进行改进，难以有效指导各类工况下最优结构参数的获取。

为同时达到降噪减阻的目的，还需要对杆件结构进一步优化。优化问题的方法主要分为传统方法与多学科优化算法。传统方法常用的有线性加权法、约束法、理想点评估法。针对多学科问题，传统方法采用归一化思想，将多学科问题转化为多个单学科问题，对转化成的单学科优先级排序，在实际问题中，需要优化的每一个单学科的数量级难以完全统一，优化过程容易加入主观想法，最终只能求得一个最优解，不能处理非理想化情况，无法有效解决展向波纹杆件优化问题。多学科优化算法用于处理多学科相互独立又相互约束的问题，并引入智能优化算法求解。智能优化算法通过自然现象、生物种群行为等的启发，进行全局搜索最优解的优化方法，主要有遗传算法、差分进化算法、模拟退火算法、粒子群算法等。多学科优化算法已在受电弓的优化中应用。

发明内容

本发明的目的是为了克服上述背景技术的不足，提供一种展向波纹杆件协同优化方法及系统。

第一方面，提供展向波纹杆件协同优化方法，包括以下步骤：

获取学科级优化期望值；

根据获取的学科级优化期望值，获取阻力系数优化值、总声压级优化值以及设计变量优化值；

根据获取的阻力系数优化值、总声压级优化值以及设计变量优化值，获取系统级约束条件是否满足的工况；

当满足系统级约束条件时，获取阻力系数最优值、总声压级最优值以及设计变量最优值；

当不满足系统级约束条件时，获取各学科级优化调整优化期望值，根据获取的各学科级优化调整优化期望值，重新优化获取阻力系数优化值、总声压级优化值以及设计变量优化值，直至获取的阻力系数优化值、总声压级优化值以及设计变量优化值满足系统级约束条件为止，将最终获取的阻力系数优化值、总声压级优化值以及设计变量优化值作为阻力系数最优值、总声压级最优值以及设计变量最优值。

根据第一方面，在第一方面的第一种实现方式中，所述学科级优化期望值包括系统级阻力系数优化期望值、系统级总声压级优化期望值以及设计变量优化期望值。

根据第一方面，在第一方面的第二种实现方式中，根据获取的学科级优化期望值，获取阻力系数优化值、总声压级优化值以及设计变量优化值步骤，具体包括以下步骤：

构建阻力学科级优化数学模型；

构建噪声学科级优化数学模型；

构建设计变量学科级优化数学模型；