数据视角下神经网络增量学习支持的涡轮盘多目标优化

TP391; 针对航空发动机涡轮盘多目标优化计算密集、案例需求大、分析费用高的问题,提出一种基于混合样本管理的人工神经网络训练方法,以辅助多目标粒子群优化算法处理这类计算密集问题.通过均匀设计的偏差控制,设计面向混合精度数值仿真的试验表;在误差分析基础上,通过联合优化"虚拟样本噪声强度—隐含层节点数—虚拟样本量",确定混合样本集的构造方法和神经网络拓扑结构,以提高模型的精度和泛化能力;多目标优化过程中,采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性和均匀性;通过遗忘式增量学习提高寻优目标的导向性.以某型涡轮盘的多目标优化设计为例验证该体系的有效性.实验表...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 27; no. 8; pp. 2393 - 2404
Main Authors 冯国奇, 崔东亮, 代学武, 俞胜平
Format Journal Article
LanguageChinese
Published 东北大学工商管理学院,辽宁沈阳 110819%东北大学流程工业综合自动化国家重点实验室,辽宁 沈阳 110819 01.08.2021
Subjects
涡轮盘;混合样本;人工神经网络;多目标粒子群优化算法;增量学习
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2021.08.021

Cover

More Information
Summary:TP391; 针对航空发动机涡轮盘多目标优化计算密集、案例需求大、分析费用高的问题,提出一种基于混合样本管理的人工神经网络训练方法,以辅助多目标粒子群优化算法处理这类计算密集问题.通过均匀设计的偏差控制,设计面向混合精度数值仿真的试验表;在误差分析基础上,通过联合优化"虚拟样本噪声强度—隐含层节点数—虚拟样本量",确定混合样本集的构造方法和神经网络拓扑结构,以提高模型的精度和泛化能力;多目标优化过程中,采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性和均匀性;通过遗忘式增量学习提高寻优目标的导向性.以某型涡轮盘的多目标优化设计为例验证该体系的有效性.实验表明,所提方法在保证涡轮盘多目标优化质量的前提下,能够显著降低设计费用.
ISSN:1006-5911
DOI:10.13196/j.cims.2021.08.021