一种基于局部增强遗传算法的变压器散热片结构设计方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及工业产品机械结构优化设计及质量管控领域，具体涉及一种基于局部增强遗传算法的变压器散热片结构设计方法。背景技术：2.变压器散热片是变压器物理散热的重要手段，涉及空气流体力学，机械强度，热传导等多方面的问题，如果采用数值计算的方法，很难得到精准的计算模型，因此，现在的设计方法多采用有限元模型仿真进行求解。有限元模型的搭建受到传统经验的影响，往往不能达到最优解。3.传统的变压器散热片结构设计采用经验方法和有限元相结合，结构参数变化范围有限，而也有一些应用优化算法结合有限元进行变压器散热片结构设计的先例，虽然增加了结构参数的变化范围，但是对局部的搜索能力还不够强。技术实现要素：4.为解决上述问题，本发明提供以一种基于局部增强遗传算法的变压器散热片结构设计方法，将优化算法应用于变压器散热片结构设计，改造传统遗传算法局部收敛能力差的问题，加强了局部搜索功能，适应变压器散热片通风结构优化。具体技术方案如下：5.一种基于局部增强遗传算法的变压器散热片结构设计方法，包括以下步骤：6.初始化种群：确定影响变压器散热片的因素x1,x2,x3，…xn，并确定影响因素的变化范围，在变化范围之内，产生m组随机种群产量xij，1≤i≤n，1≤j≤n；7.计算适应度：搭建变压器散热片有限元仿真模型，输入初始化的种群产量，计算得到适应度y1,y2,y3,...ym；8.选择操作：选择m组数据中随机位置上的若干个数据进行交换位置的操作；9.变异操作：选择m组数据中随机位置上的若干个数据进行取值范围内重新随机赋值；10.产生新的种群：根据选择操作、变异操作产生新的种群产量xij'，1≤i≤n，1≤j≤n；11.确定当前的最优种群：将产生新的种群计算出来的结果xij'重新代入变压器散热片有限元仿真模型计算出新的适应度值，并找到适应度最大和最小的一组变量；12.局部变化操作：当前的最优种群在一个给定的范围内进行变化，得到多组新的种群；13.迭代最优种群：迭代多组新的种群，更新当前最优种群，计算是否满足最大迭代次数要求或理想期望设计方案，满足则退出循环输出最优种群数值，不满足则返回到选择操作步骤。14.进一步地，所述迭代多组新的种群包括：15.产生正交实验组：利用正交原则，选出局部变化操作中相互正交的种群变量；16.再次代入变压器散热片有限元模型计算适应度，并判断是否达到正交实验组组数，若达到则退出循环，若未达到则返回产生正交实验组步骤。17.进一步地，所述影响变压器散热片的因素包括散热片底部宽度x1、散热片倾斜程度x2以及散热片间间距x3。18.进一步地，所述散热片底部宽度x1、散热片倾斜程度x2以及散热片间间距x3范围设置为1cm≤x1≤10cm、0°≤x2≤30°、5cm≤x2≤15cm。19.进一步地，所述适应度为变压器散热片单位面积的温度下降程度。20.进一步地，所述局部变化操作中，给定的范围设为-0.5至+0.5。21.进一步地，所述迭代最优种群中，最大迭代次数设为100次。22.与现有技术相比，本发明的一种基于局部增强遗传算法的变压器散热片结构设计方法，该设计方法将优化算法应用于变压器散热片结构设计中，既解决了传统设计师设计机械结构依赖设计经验的固有思维的不足，又填补了传统遗传算法局部求解能力不强的问题，大大提高了设计者的设计效率，保证了变压器散热片产品的性能质量。附图说明23.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。24.图1是基于局部增强遗传算法的变压器散热片结构设计方法流程图；25.图2是本发明实施例提供的变压器散热片传统结构示意图；26.图3是本发明实施例提供的变压器散热片优化后结构示意图；27.图4是本发明实施例步骤七中27组新的种群数据示例。具体实施方式28.下面结合附图对本公开实施例进行详细描述。29.以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。30.如图1所示，一种基于局部增强遗传算法的变压器散热片结构设计方法，包括以下步骤：31.步骤一，初始化种群：确定影响变压器散热片的主要因素x1,x2,x3，…xn，并确定影响因素的变化范围，在变化范围之内，产生m组随机产量xij，1≤i≤n，1≤j≤n。32.在本实施例中，首先确定影响变压器散热片的主要因素，如图2-3所示，散热片底部宽度x1,散热片倾斜程度x2,散热片间间距x3，并确定影响因素的变化范围：1cm≤x1≤10cm、0°≤x2≤30°、5cm≤x2≤15cm。在变化范围之内，产生5组随机产量，[x11,x12,x13]＝[2.4,17.3,7.2]、[x21,x22,x23]＝[1.1,12.6,5.7]、[x31,x32,x33]＝[9.3,6.2,14.1]、[x41,x42,x43]＝[8.4,22.8,9.7]、[x51,x52,x53]＝[2.9,27.6,8.1]。[0033]步骤二，计算适应度：搭建变压器散热片有限元仿真模型，输入步骤一种初始化的种群产量，计算得到适应度y1,y2,y3,...ym。[0034]在本实施例中，适应度为变压器散热片单位面积的温度下降程度，计算得到[y1,y2,y3,y4,y5]＝[0.08,0.12,0.14,0.09,0.11]。[0035]步骤三，选择操作：选择m组数据中随机位置上的若干个数据进行交换位置的操作。[0036]在本实施例中，在1-5这5个数中随机生成两个数，例如1和5，在1-3这3个数中随机生成一个数，例如2。将第1组和第5组中的第2位数据进行交换位置，产生新的数据：[x’11,x’12,x’13]＝[2.4,27.6,7.2]、[x’51,x’52,x’53]＝[2.9,17.3,8.1]。[0037]步骤四，变异操作：选择m组数据中随机位置上的若干个数据进行取值范围内重新随机赋值。[0038]在本实施例中，在1-5这5个数中随机生成一个数，例如m＝3，将第三组数据的全部数据产生变异操作，再次随机生成第三组数据覆盖原来的数据[x’31,x’32,x’33]＝[1.7,17.5,7.3]。[0039]步骤五，产生新的种群：根据选择操作、变异操作产生新的种群产量xij'，1≤i≤n，1≤j≤n。[0040]在本实施中，根据步骤三和步骤四产生新的种群产量：[x’11,x’12,x’13]＝[2.4,27.6,7.2]、[x’21,x’22,x’23]＝[1.1,12.6,5.7]、[x’31,x’32,x’33]＝[1.7,17.5,7.3]、[x’41,x’42,x’43]＝[8.4,22.8,9.7]、[x’51,x’52,x’53]＝[2.9,17.3,8.1]。[0041]步骤六，确定当前的最优种群：将产生新的种群计算出来的结果xij'重新代入变压器散热片有限元仿真模型计算出新的适应度值，并找到适应度最大和最小的一组变量。[0042]在本实施例中，重新代入变压器散热片有限元仿真模型计算出新的适应度值[y’1,y’2,y’3,y’4,y’5]＝[0.13,0.12,0.11,0.09,0.07]，并找到适应度最大，即最优的那一组，即第1组数据。[0043]步骤七，局部变化操作：当前的最优种群在一个给定的范围内进行变化，得到多组新的种群。[0044]在本实施例中，对步骤六产生的局部最优种群[x’11,x’12,x’13]＝[2.4,27.6,7.2]在一个给定的范围内进行变化，例如-0.5到+0.5，a1＝2.4-0.5＝1.9，a2＝2.4，a3＝2.4+0.5＝2.9，b1＝27.6-0.5＝27.1，b2＝27.6，b3＝27.6+0.5＝28.1，c1＝7.2-0.5＝6.7，c2＝7.2，c3＝7.2+0.5＝7.7得到27组新的种群，如图4表所示。[0045]步骤八，利用正交原则，选出局部变化操作中相互正交的种群变量。[0046]在本实施例中，利用正交原则，选出步骤七中相互正交的种群变量9组：[1.9,27.1,6.7]、[2.4,27.1,7.2]、[2.9,27.1,7.7]、[1.9,27.6,7.2]、[2.4,27.6,7.7]、[2.9,27.6,6.7]、[1.9,28.1,7.7]、[2.4,28.1,6.7]、[2.9,28.1,7.2]。[0047]步骤九，再次代入变压器散热片有限元模型计算适应度，并判断是否达到正交实验组组数，若达到则退出循环，若未达到则返回步骤八。[0048]在本实施例中，再次代入变压器散热片有限元模型计算适应度等于[0.14,0.17,0.16,0.08,0.05,0.18,0.19,0.13,0.16]，此时产生了更优的种群[1.9,28.1,7.7]，返回步骤八。[0049]步骤十，计算是否满足最大迭代次数要求或理想期望设计方案，满足则退出循环输出最优种群数值，不满足则返回到步骤三。[0050]本发明的一种基于局部增强遗传算法的变压器散热片结构设计方法，将优化算法应用于变压器散热片结构设计，改造传统遗传算法局部收敛能力差的问题，加强了局部搜索功能，适应变压器散热片通风结构优化，效果如图2-3所示。[0051]该设计方法将优化算法应用于变压器散热片结构设计中，既解决了传统设计师设计机械结构依赖设计经验的固有思维的不足，又填补了传统遗传算法局部求解能力不强的问题，大大提高了设计者的设计效率，保证了变压器散热片产品的性能质量。[0052]以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!