姜濤,黃偉,王安麟

(同濟大學機械與能源工程學院,201804,上海)

?

多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型

姜濤,黃偉,王安麟

(同濟大學機械與能源工程學院,201804,上海)

針對多路閥設(shè)計中閥芯節(jié)流槽結(jié)構(gòu)的拓撲形態(tài)表達和其流固耦合響應(yīng)的大組合、大自由度解析問題,提出多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型。在利用多路閥動態(tài)特性臺架實驗驗證其三維流體解析結(jié)果的基礎(chǔ)上,將節(jié)流槽拓撲結(jié)構(gòu)分類為由半圓槽、U型槽、圓孔等結(jié)構(gòu)的參數(shù)化組合構(gòu)成,通過正交實驗法得到各參數(shù)組合條件下的多路閥三維流體解析響應(yīng),作為反向傳播神經(jīng)網(wǎng)絡(luò)的訓練樣本,實現(xiàn)其節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)表達;采用進化神經(jīng)網(wǎng)絡(luò)優(yōu)化訓練過程的初始權(quán)重和閾值,優(yōu)化后的神經(jīng)網(wǎng)絡(luò)能夠?qū)Ψ怯柧殬颖炯系亩嗦烽y三維流體解析響應(yīng)實現(xiàn)準確預測。研究結(jié)果表明,此模型為閥芯節(jié)流槽結(jié)構(gòu)設(shè)計中拓撲形態(tài)表達提供了一種新的思路,對多路閥數(shù)字化設(shè)計具有實際意義。

多路閥;節(jié)流槽;拓撲結(jié)構(gòu);神經(jīng)網(wǎng)絡(luò);數(shù)字化設(shè)計

多路閥是多聯(lián)換向閥集成于一體的多功能換向閥,能夠同時控制多個執(zhí)行機構(gòu),實現(xiàn)復合動作,被廣泛應(yīng)用于挖掘機等工程機械。在開環(huán)液壓挖掘機液壓系統(tǒng)中,多路閥的換向性能與其內(nèi)部結(jié)構(gòu)緊密相關(guān)。近年來,越來越多的國內(nèi)外學者利用三維流體解析,研究換向閥換向性能與其內(nèi)部結(jié)構(gòu)之間的關(guān)系,Amirant等對液壓滑閥內(nèi)部結(jié)構(gòu)及流場進行了研究[1-3];方文敏等研究了換向閥閥芯節(jié)流槽拓撲結(jié)構(gòu)對流量控制特性及液動力等方面的影響[4-7]?；诙嗦烽y閥芯節(jié)流槽結(jié)構(gòu)的拓撲形態(tài)表達和其流固耦合響應(yīng)的大組合、大自由度解析問題,許多研究都只是對單一的閥芯節(jié)流槽結(jié)構(gòu)進行仿真對比并得出定性結(jié)論,無法系統(tǒng)性地給出閥芯節(jié)流槽拓撲結(jié)構(gòu)組合與換向性能之間的關(guān)系。

針對上述的分析,本文的研究以某型多路閥回轉(zhuǎn)聯(lián)為例,提出多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型,建立多路閥回轉(zhuǎn)聯(lián)的三維有限元模型來模擬其動態(tài)開啟過程,以出口流量超調(diào)量作為評價指標。在利用多路閥動態(tài)特性臺架實驗驗證其三維流體解析結(jié)果的基礎(chǔ)上,將閥芯節(jié)流槽拓撲結(jié)構(gòu)分類為由半圓槽、U型槽、圓孔等結(jié)構(gòu)的參數(shù)化組合構(gòu)成,通過正交實驗法得出各參數(shù)組合條件下的動態(tài)仿真方案,并將其動態(tài)仿真結(jié)果作為反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的訓練樣本,實現(xiàn)其節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)表達。利用進化神經(jīng)網(wǎng)絡(luò)對訓練過程的初始權(quán)重和閾值進行優(yōu)化,以提高模型的預測精度與泛用性。多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型的建立,為閥芯節(jié)流槽結(jié)構(gòu)設(shè)計中其拓撲形態(tài)表達提供了一種新的思路,對多路閥數(shù)字化設(shè)計具有實際意義。

1 換向閥動態(tài)響應(yīng)的仿真與實驗

1.1 回轉(zhuǎn)聯(lián)換向閥結(jié)構(gòu)模型

開環(huán)液壓挖掘機回轉(zhuǎn)系統(tǒng)是由回轉(zhuǎn)工作臺、回轉(zhuǎn)支撐結(jié)構(gòu)、回轉(zhuǎn)機構(gòu)及回轉(zhuǎn)液壓系統(tǒng)組成,回轉(zhuǎn)作業(yè)時,通過控制回轉(zhuǎn)聯(lián)換向閥的動作,決定回轉(zhuǎn)方向及回轉(zhuǎn)的動態(tài)特性?；剞D(zhuǎn)系統(tǒng)的穩(wěn)定性與回轉(zhuǎn)馬達及液壓零部件的壽命、操作者的舒適度和安全感有關(guān)[8],在換向閥換向過程中,閥口節(jié)流槽的節(jié)流特性對回轉(zhuǎn)作業(yè)的穩(wěn)定性有很大影響,因此,合理地設(shè)計閥芯節(jié)流槽拓撲結(jié)構(gòu)對回轉(zhuǎn)作業(yè)的穩(wěn)定性具有重大意義。

回轉(zhuǎn)聯(lián)換向閥的結(jié)構(gòu)由閥體、閥芯、復位彈簧和節(jié)流槽拓撲結(jié)構(gòu)組成,如圖1所示,P口為進油口,A、B口為工作口,T口為回油口;在先導力和彈簧力的作用下,通過閥芯的移動,實現(xiàn)P口與A口或B口的連通,進而實現(xiàn)不同的回轉(zhuǎn)作業(yè)。

圖1 回轉(zhuǎn)聯(lián)換向閥結(jié)構(gòu)圖

1.2 換向閥動態(tài)響應(yīng)的仿真模型

如圖2所示,換向閥動態(tài)響應(yīng)的仿真模型由閥芯和流體兩部分組成,由于閥芯兩邊分布的節(jié)流槽拓撲結(jié)構(gòu)相互對稱,故本文以P-B通道為例進行仿真研究。動態(tài)仿真過程中閥芯不動,通過閥芯內(nèi)腔中的流體運動來模擬換向閥的動態(tài)開啟過程。圖中箭頭方向為油液流動方向。

圖2 換向閥動態(tài)響應(yīng)的仿真模型

流體的網(wǎng)格模型如圖3所示,劃分網(wǎng)格時只對流體進行操作。仿真模型相關(guān)參數(shù)的設(shè)置需與臺架實驗保持一致,對應(yīng)的邊界條件為:進口(即P口)設(shè)置流量值,出口(即A口與B口)設(shè)置壓力值,閥芯左端設(shè)置彈簧力,彈簧剛度為117 kN·m-1,閥芯右端設(shè)置先導壓力為2 MPa;對應(yīng)的流體狀態(tài)參數(shù)為:液壓油動力黏度為0.036 Pa·s,液壓油密度為890 kg·m-3,體積模量為700 MPa。

圖3 換向閥流體的網(wǎng)格模型

1.3 實驗與仿真的對比

為了驗證三維流體解析結(jié)果的準確性,將同等條件下的實驗結(jié)果與仿真結(jié)果進行對比。實驗臺架采用同濟大學液壓元器件動態(tài)特性綜合實驗臺,主要由液壓動力站、控制系統(tǒng)、閥實驗臺及被試多路閥組成。

本文以多路閥回轉(zhuǎn)聯(lián)為例,在不同工況下,對回轉(zhuǎn)聯(lián)進行加載。實驗結(jié)果與仿真結(jié)果的對比見表1,可得實驗結(jié)果與仿真結(jié)果的誤差小于5%。

表1 不同工況下出口流量仿真結(jié)果與實驗結(jié)果 的對比

以表1中的工況12為例,分析對比仿真與實驗過程中多路閥回轉(zhuǎn)聯(lián)出口流量的動態(tài)變化。

如圖4所示,仿真出口流量與實驗出口流量的變化趨勢一致,由于實驗過程中系統(tǒng)的泄漏,導致實驗出口流量略小于仿真出口流量。

圖4 同一工況下出口流量仿真結(jié)果與實驗結(jié)果的對比

綜合以上仿真與實驗的對比,驗證了三維流體解析結(jié)果的準確性。

2 節(jié)流槽拓撲結(jié)構(gòu)組合的參數(shù)化表達

2.1 節(jié)流槽的節(jié)流特性

換向閥在換向過程中,閥芯在軸向上受先導作用力、彈簧力、液動力(穩(wěn)態(tài)液動力與瞬態(tài)液動力)、黏性阻尼力和慣性力,表達式為

x=f(Fc,Ft,Ff,Fv,Fm)

(1)

式中:x是閥芯運動位移;Fc為先導作用力;Ft為彈簧力;Ff為液動力;Fv為黏性阻尼力;Fm為慣性力。

在一定的先導作用力和彈簧力作用下,換向閥閥芯在軸向上所受的液動力、黏性阻尼力、慣性力與換向閥入口流量Qi、負載壓力P、面積梯度W有關(guān)。結(jié)合式(1)可得

x=f(Qi,P,W)

(2)

在節(jié)流階段,根據(jù)節(jié)流公式

Qo=CdA(2ΔP/ρ)1/2

(3)

式中:Qo為流量;Cd為流量系數(shù);A=Wx為過流面積;ΔP為節(jié)流處進出口壓差;ρ為液壓油密度。

節(jié)流槽結(jié)構(gòu)一定的情況下,面積梯度W是關(guān)于閥芯運動位移的函數(shù),其表達式為

(4)

式中:W(x)為面積梯度函數(shù);xv為節(jié)流口開始前的閥芯運動位移死區(qū)。

節(jié)流過程前后,出口流量從無到有,在達到穩(wěn)定值前,存在最大值,因此流量超調(diào)量為

QM=Qmax-Qw

(5)

式中:Qmax為出口流量最大值;Qw為出口流量穩(wěn)定值;QM為出口流量超調(diào)量。

根據(jù)式(2)～式(5)可得

QM=g(P,Qi,W)

(6)

綜上所述,在工況一定的條件下,換向閥閥芯節(jié)流槽的節(jié)流特性取決于面積梯度函數(shù),而面積梯度函數(shù)由節(jié)流槽拓撲結(jié)構(gòu)決定。

2.2 節(jié)流槽面積梯度函數(shù)的參數(shù)化表達

本文將節(jié)流槽拓撲結(jié)構(gòu)主要分為常見的幾種類型,即半圓槽、U型槽和圓孔,通過確定不同節(jié)流槽拓撲結(jié)構(gòu)的尺寸參數(shù)和坐標,實現(xiàn)節(jié)流槽面積梯度函數(shù)的參數(shù)化表達。在3種節(jié)流槽結(jié)構(gòu)數(shù)目一定的情況下,如圖5所示,以換向閥內(nèi)腔垂直于閥芯軸線的一面作為參考面,3種節(jié)流槽結(jié)構(gòu)的組合可用x1、x2、x3、r1和r2這5個參數(shù)表示。

圖5 節(jié)流槽拓撲結(jié)構(gòu)坐標圖

面積梯度函數(shù)可由這5個參數(shù)所確定,其表達式為

W=W(x1,x2,x3,r1,r2,x),x>xv

(7)

為了滿足面積梯度函數(shù)的連續(xù)性,則必須滿足

x3-x2<2r2

(8)

參數(shù)x1、x2、x3、r1和r2確定了面積梯度隨閥芯運動位移x的變化規(guī)律。

根據(jù)式(6)、式(7)可得

QM=g(x1,x2,x3,r1,r2,P,Qi)

(9)

換向閥在換向過程中出口流量的超調(diào)量由入口流量Qi,負載壓力P和參數(shù)x1、x2、x3、r1、r2所共同決定。

3 閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

神經(jīng)網(wǎng)絡(luò)是一種模擬人腦神經(jīng)元活動過程的數(shù)學模型,適用于非線性復雜系統(tǒng)[9],已廣泛應(yīng)用于諸多領(lǐng)域[10-11]。本文以換向閥換向過程中出口流量超調(diào)量為評價指標,通過對換向閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的參數(shù)化表達,采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建換向閥出口流量超調(diào)量與其閥芯節(jié)流槽拓撲結(jié)構(gòu)、入口流量及出口壓力之間的函數(shù)模型。

3.1 基于三維流體解析的神經(jīng)網(wǎng)絡(luò)訓練樣本

由于需要得到換向閥在不同閥芯節(jié)流槽拓撲結(jié)構(gòu)下的出口流量超調(diào)量,考慮到較大的實驗成本,在利用多路閥動態(tài)特性臺架實驗驗證其三維流體解析結(jié)果的基礎(chǔ)上,通過正交實驗法設(shè)計動態(tài)仿真方案,采用三維流體解析獲取BP神經(jīng)網(wǎng)絡(luò)的訓練樣本。

本文所采用的正交實驗包含5個因素,即結(jié)構(gòu)參數(shù)x1、x2、x3、r1和r2,以某型多路閥回轉(zhuǎn)聯(lián)閥芯拓撲結(jié)構(gòu)為參照,設(shè)計每個因素的取值范圍及水平值。

如表2所示,每一個因素在其取值范圍內(nèi)均勻地選取4個水平值,換向閥的入口流量及負載壓力在規(guī)定的范圍內(nèi)也分別均勻選取5個水平值,即每一種節(jié)流槽拓撲結(jié)構(gòu)組合對應(yīng)25組動態(tài)仿真。

表2 神經(jīng)網(wǎng)絡(luò)的訓練樣本

3.2 閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)

閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建,相當于建立換向閥出口流量超調(diào)量與節(jié)流槽拓撲結(jié)構(gòu)組合的表達參數(shù)、入口流量及負載壓力之間的函數(shù)關(guān)系,即建立式(9)所對應(yīng)的函數(shù)模型。

圖6 閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

隱含層的節(jié)點數(shù)nh需要根據(jù)已有經(jīng)驗及反復嘗試獲得,根據(jù)經(jīng)驗公式

nh=2ni+1

(10)

故隱含層節(jié)點數(shù)范圍為5～30,經(jīng)過反復仿真對比,確定隱含層節(jié)點數(shù)取為25。

3.3 基于遺傳算法的進化神經(jīng)網(wǎng)絡(luò)模型的預測

由于換向閥換向性能與其閥芯節(jié)流槽拓撲結(jié)構(gòu)之間的關(guān)系過于復雜,以及BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)性能受初始權(quán)重和閾值的影響較大,因此在BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,采用遺傳算法構(gòu)建進化神經(jīng)網(wǎng)絡(luò)[12-13]優(yōu)化其訓練過程的初始權(quán)重和閾值,以提高模型的預測精度。

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的流程如圖7所示,遺傳算法采用實數(shù)編碼方式,網(wǎng)絡(luò)的輸入層有7個節(jié)點,輸出層有1個節(jié)點,隱含層有25個節(jié)點,故共有7×25+25×1=200個權(quán)重,25+1=26個閾值,所以遺傳算法個體的編碼長度為200+26=226。將網(wǎng)絡(luò)訓練數(shù)據(jù)預測誤差的絕對值之和作為個體適應(yīng)度值,選擇操作采用輪盤賭法,遺傳算法的種群規(guī)模為60,進化代數(shù)為100,交叉概率為0.5,變異概率為0.1,神經(jīng)網(wǎng)絡(luò)的訓練次數(shù)為1×103,優(yōu)化得最優(yōu)的網(wǎng)絡(luò)初始權(quán)重和閾值。

圖7 遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的流程圖

閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型建立之后,以測試樣本數(shù)據(jù)驗證預測模型的準確性。如表3所示,參數(shù)x1、x2、x3、r1和r2分別在其取值范圍內(nèi)選取水平值,以構(gòu)造2種節(jié)流槽拓撲結(jié)構(gòu)組合;入口流量及負載壓力也分別在其取值范圍內(nèi)均勻地取5個值。通過動態(tài)仿真可得神經(jīng)網(wǎng)絡(luò)模型的測試樣本,測試樣本共有50組測試數(shù)據(jù)。

采用遺傳算法優(yōu)化前后的BP神經(jīng)網(wǎng)絡(luò)模型,分別對測試樣本進行預測,將預測結(jié)果與仿真結(jié)果對比,如圖8、9所示。

表3 神經(jīng)網(wǎng)絡(luò)的測試樣本

圖8 優(yōu)化前預測結(jié)果與仿真結(jié)果對比

圖9 優(yōu)化后預測結(jié)果與仿真結(jié)果對比

優(yōu)化前后,神經(jīng)網(wǎng)絡(luò)的預測結(jié)果與仿真結(jié)果的相對誤差對比如圖10所示,采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò),提高了網(wǎng)絡(luò)模型的預測精度。

圖10 優(yōu)化前后預測結(jié)果與仿真結(jié)果相對誤差對比

4 結(jié) 論

為解決多路閥設(shè)計中閥芯節(jié)流槽結(jié)構(gòu)的拓撲形態(tài)表達和其流固耦合響應(yīng)的大組合、大自由度解析問題,提出多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型。

(1)本文采用多路閥回轉(zhuǎn)聯(lián)動態(tài)仿真模型進行研究,并以可模擬實際工況的液壓元器件動態(tài)特性綜合實驗臺在回轉(zhuǎn)工況下的實驗數(shù)據(jù)作為對比,驗證了多路閥三維流體解析響應(yīng)作為BP神經(jīng)網(wǎng)絡(luò)的訓練樣本的合理性。

(2)將閥芯節(jié)流槽拓撲結(jié)構(gòu)分類為由半圓槽、U型槽、圓孔等結(jié)構(gòu)的參數(shù)化組合構(gòu)成,通過正交實驗法得到各參數(shù)組合條件下的多路閥三維流體解析響應(yīng),作為反向傳播神經(jīng)網(wǎng)絡(luò)的訓練樣本,構(gòu)建多路閥閥芯節(jié)流槽拓撲結(jié)構(gòu)組合的神經(jīng)網(wǎng)絡(luò)模型。

(3)采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值,提高了模型的預測精度,此模型的提出為閥芯節(jié)流槽結(jié)構(gòu)設(shè)計中其拓撲形態(tài)表達提供了一種新的思路,對多路閥數(shù)字化設(shè)計具有實際意義。

[1] AMIRANTE R, DEL VESCOVO G, LIPPOLOS A. Flow forces analysis of an open center hydraulic directional control valve sliding spool [J]. Energy Conversion and Management, 2006, 47(1): 114-131.

[2] DASGUPTA K, WATTON J. Dynamic analysis of proportional solenoid controlled piloted relief valve by bondgraph [J]. Simulation Modelling Practice and Theory, 2005, 13(13): 21-38.

[3] GUILLERMO P S. Three-dimensional modeling and geometrical influence on the hydraulic performance of a control valve [J]. Journal of Fluids Engineering, 2008, 130(1): 151-163.

[4] 方文敏, 成琳琳, 傅新, 等. 帶U形節(jié)流槽的滑閥穩(wěn)態(tài)液動力研究 [J]. 浙江大學學報: 工學版, 2010, 44(3): 574-580. FANG Wenmin, CHENG Linlin, FU Xin, et al. Investigation on steady-state flow force of spool valve with U-grooves [J]. Journal of Zhejiang University: Engineering Science, 2010, 44(3): 574-580.

[5] 冀宏, 王東升, 劉小平, 等. 滑閥節(jié)流槽閥口的流量控制特性 [J]. 農(nóng)業(yè)機械學報, 2009, 40(1): 198-202. JI Hong, WANG Dongsheng, LIU Xiaoping, et al. Flow control characteristic of the orifice in spool valve with notches [J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 198-202.

[6] 王安麟, 吳小鋒, 周成林, 等. 基于CFD的液壓滑閥多學科優(yōu)化設(shè)計 [J]. 上海交通大學學報, 2010, 44(12): 1767-1772. WANG Anlin, WU Xiaofeng, ZHOU Chenglin, et al. Multidisciplinary optimization of a hydraulic slide valve based on CFD [J]. Journal of Shanghai Jiaotong University, 2010, 44(12): 1767-1772.

[7] 孫澤剛, 肖世德, 王德華, 等. 多路閥雙U型節(jié)流槽結(jié)構(gòu)對氣穴的影響及優(yōu)化 [J]. 華中科技大學學報: 自然科學版, 2015, 43(4): 38-43. SUN Zegang, XIAO Shide, WANG Dehua, et al. Impaction and optimization of double U-throttle groove structure of multi-way valve on cavitation [J]. Journal of Huazhong University of Science and Technology: Natural Science Edition, 2015, 43(4): 38-43.

[8] 劉鋒. 中型液壓挖掘機回轉(zhuǎn)系統(tǒng)工作性能的研究 [D]. 長沙: 中南大學, 2011: 3-10.

[9] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例 [M]. 北京: 機械工業(yè)出版社, 2007: 1-10.

[10]王吉權(quán), 王福林, 邱立春. 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機總動力預測 [J]. 農(nóng)業(yè)機械學報, 2011, 42(12): 121-126. WANG Jiquan, WANG Fulin, QIU Lichun. Prediction of total power in agriculture machinery based on BP neural network [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(12): 121-126.

[11]賈振元, 馬建偉, 劉巍, 等. 多幾何要素影響下液壓閥件特性的混合神經(jīng)網(wǎng)絡(luò)預測模型 [J]. 機械工程學報, 2010, 46(2): 126-131. JIA Zhenyuan, MA Jianwei, LIU Wei, et al. Hybrid neural network prediction model of hydraulic valve characteristics under the affection of multiple geometric factors effected [J]. Journey of Mechanical Engineering, 2010, 46(2): 126-131.

[12]MOMENI E, NAZIR R, ARMAGHANI D J, et al. Prediction of pile bearing capacity using a hybrid genetic algorithm-based ANN [J]. Measurement, 2014, 57(11): 122-131.

[13]MELIH I. ANN and ANFIS performance prediction models for hydraulic impact hammers [J]. Tunnelling and Underground Space Technology, 2012, 27(1): 23-29.

(編輯 武紅江)

A Neural Network Model for Spool Throttling Groove Topology Combination of Multi-Way Valves

JIANG Tao,HUANG Wei,WANG Anlin

(School of Mechanical Engineering, Tongji University, Shanghai 201804, China)

A neural network model for the spool throttling groove topology combination of multi-way valves is proposed to deal with the problem that there exist various combinations of topological form expression of throttling groove structure on spool and huge degrees of freedom of analysis of fluid-structure coupling response in the design of multi-way valves. The throttling groove topological structures are classified into semicircle groove, U-shaped groove, round hole groove and so on, and form different parameterized combinations of these structures based on validation of analytical results in using the multi-way valve dynamic characteristic test. The orthogonal experiment method is used to obtain three-dimensional fluid analytical responses of the multi-way valve for each parameter combination, then these responses are used as training samples of a back propagation neural network to achieve the neural network expression of the throttling groove topology combination. The initial weights and threshold of training process are optimized by an evolutionary neural network to improve prediction accuracy of the model, so that accurate predictions for non-training samples are achieved. The results show that the proposed model provides a new idea for topological form expression in the design of spool throttling groove structures, and has practical significance for digital design of multi-way valves.

multi-way valve; throttling groove; topology; neural network; digital design

2015-09-01。 作者簡介:姜濤(1969—),男,副教授,碩士生導師;黃偉(通信作者),男,碩士生。 基金項目:工業(yè)和信息化部2011年科技成果轉(zhuǎn)化資助項目(財建〔2011〕30號)。

時間:2016-04-15

10.7652/xjtuxb201606006

TH137.52

A

0253-987X(2016)06-0036-06

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160415.1610.002.html