一种双联柱塞泵体结构参数逆向优化设计方法和装置与流程

本发明涉及一种双联柱塞泵体结构参数逆向优化设计方法和装置，属于农业机械与流体机械设计。

背景技术：

1、随着农业植保机械化与精准施药技术的持续推进，喷雾系统的工作压力稳定性与整机轻量化水平日益受到关注。双联柱塞泵作为植保喷雾系统的核心动力部件，其泵体结构参数直接影响排液压力脉动、容积效率、运行可靠性及整机质量。与此同时，植保作业场景的多样化在叶面喷施、根部灌施与低空飞防等工况中对泵体提出了差异化的压力与流量需求，对泵体结构的快速定制化设计能力构成了严峻挑战。

2、目前，针对柱塞泵泵体结构参数设计主要包括以下几种方法：

3、（1）基于经验公式与相似类比的传统正向设计方法：该方法主要参照成熟样机，按相似理论进行类比放大，或依据经验公式确定泵体壁厚、缸孔直径等关键尺寸，操作工艺相对成熟且易于实施。然而，该方法通常依赖设计人员的个人经验，结构裕度凭主观设定，导致强度、脉动抑制与轻量化等多目标之间无法统筹兼顾，设计结果普遍偏于保守，限制了其在植保机械轻量化场景中的应用。已有工程实践表明，采用类比放大设计的柱塞泵泵体存在明显的笨重问题，而关键部位尺寸所依赖的经验公式经修正后仍存在适用局限。

4、（2）基于单次高保真仿真的正向试凑优化方法：通过计算机辅助设计（computeraideddesign,cad）软件建立泵体参数化模型，利用流体仿真与结构仿真校核性能，再经人工调参反复迭代以逼近设计目标。此类方法具有结果直观、校核精度较高的优点。但由于其本质是结构先行、性能后验的试错模式，每一轮迭代均需人工重建模型并重新仿真，设计周期常以月计，且已有实践多针对配流盘、阻尼槽等单一零件的单一性能目标进行优化，难以处理泵体承压壳体多结构参数强耦合的整体优化问题，难以满足泵体快速定制化设计的需求。

5、（3）基于近似模型与多目标优化的叶轮机械逆向设计方法：部分研究和工程实践尝试先设定扬程、效率等性能目标，再通过响应面近似与多目标遗传算法反求叶轮几何形状，同时寄希望于以数据驱动方式缩短设计周期。然而，这类方法的逆向求解对象集中于离心泵与混流泵的叶片水力型线，缺乏对往复式柱塞泵承压泵体结构参数的逆向求解能力，且未考虑双联结构两缸相位耦合引起的压力脉动叠加特性，亦未面向喷雾系统中低压、脉动敏感与轻量化的工况需求。

6、综上所述，现有柱塞泵泵体结构参数设计方法在设计流向、求解对象与工况适配方面均存在一定局限：经验类比方法多目标统筹能力不足且设计保守，单次仿真试凑方法迭代周期长且难以处理多参数耦合，叶轮机械逆向设计方法不适用于承压泵体且未处理双缸相位耦合脉动问题。基于上述不足，有必要研发一种能够以喷雾作业性能需求为输入、直接反求双联柱塞泵泵体结构参数组合的逆向优化设计方法。

技术实现思路

1、本发明目的是提供了一种双联柱塞泵体结构参数逆向优化设计方法和装置，缩短了泵体设计周期，并兼顾压力脉动抑制、结构强度与轻量化目标。

2、本发明为实现上述目的，通过以下技术方案实现：

3、一种双联柱塞泵体结构参数逆向优化设计方法，包括：

4、采集喷雾作业需求数据、药液介质属性数据、喷雾系统运行参数、泵体材料属性数据和泵体初始结构参数形成参数化设计数据集，将泵体初始结构参数和参数取值区间组织为结构参数向量，并定义性能指标向量，加入参数化设计数据集；

5、从结构参数向量中抽取样本点，并逐样本点执行流体仿真与结构仿真获取流体仿真性能数据和结构仿真性能数据，与结构参数向量配对叠加至参数化设计数据集，构建参数化样本数据集；

6、构建双场耦合物理信息神经网络，包括共享特征编码层、流场预测分支、结构场预测分支；所述共享特征编码层将结构参数向量进行特征提取得到结构特征编码向量；所述流场预测分支、结构场预测分支分别输入结构特征编码向量，将输出特征拼接为预测性能向量；

7、将参数化样本数据集中训练样本输入双场耦合物理信息神经网络进行训练，得到正向性能预测模型；

8、构建条件归一化流生成器，使用参数化样本数据集对条件归一化流生成器执行最大似然预训练后，串联冻结的正向性能预测模型，以性能一致性损失与物理可行性惩罚完成精调得到条件流逆向生成网络；

9、设定目标性能向量作为条件输入条件流逆向生成网络，经条件归一化流生成器逆向变换生成候选结构参数族群，正向性能预测模型对候选结构参数族群执行批量预测得到预测性能向量；

10、基于预测性能向量和泵体质量建立优化目标和可行性约束，对候选结构参数族群筛选构建pareto最优解集，并通过熵权法与逼近理想解排序法遴选出最优结构参数组合；

11、根据最优结构参数组合建立优化泵体三维模型，并获取高保真复核性能数据；将高保真复核性能数据与正向性能预测模型对最优结构参数组合的预测结果进行误差比对，对误差超标的样本点采用深度集成策略执行主动学习加点并更新正向性能预测模型。

12、优选的，所述喷雾作业需求数据包括：额定喷雾压力、额定喷雾流量、压力脉动率上限、泵体质量上限和叶面喷施、根部灌施与低空飞防作业模式下的压力与流量需求区间；压力脉动率为排液口峰值压力与排液口谷值压力差值与排液口平均压力的比值；

13、所述药液介质属性数据包括：药液密度和药液动力粘度；

14、所述喷雾系统运行参数包括：额定转速和双缸相位差；

15、所述泵体材料属性数据包括：弹性模量、泊松比、材料密度、屈服强度、疲劳强度极限和许用应力，将许用应力与疲劳强度极限标记为结构强度校核的阈值参数；

16、所述泵体初始结构参数包括：柱塞缸孔直径、柱塞行程、双缸孔中心距、泵体最小壁厚、吸液流道直径、排液流道直径、阀腔高度、加强筋厚度与加强筋高度；

17、所述性能指标向量包括：压力脉动率、容积效率、最大等效应力、最大变形量与一阶固有频率。

18、优选的，所述参数化样本数据集构建具体过程如下：

19、采用最优拉丁超立方抽样在结构参数向量的取值区间内抽取训练样本点与测试样本点；

20、对每组样本点建立泵体参数化三维模型，采用计算流体动力学方法对泵体流道与阀腔进行非定常流体仿真，湍流模型选用剪切应力输运k-ω湍流模型，介质参数取自药液介质属性数据，边界条件取自喷雾作业需求数据中的额定喷雾压力与额定喷雾流量，提取各样本点的排液压力脉动率与容积效率，构成流体仿真性能数据；

21、采用有限元分析方法对泵体参数化三维模型施加额定内压与螺栓预紧载荷，开展模态分析，提取各样本点的最大等效应力、最大变形量与一阶固有频率，构成结构仿真性能数据；

22、将全部样本点的结构参数向量与对应的流体仿真性能数据、结构仿真性能数据配对并叠加至参数化设计数据集，形成参数化样本数据集；

23、优选的，所述共享特征编码层包括3层全连接层，激活函数均采用swish激活函数，每层全连接层后接批归一化；

24、所述流场预测分支包括2层全连接层与1个输出层，输出层输出分量依次为压力脉动率与容积效率的流场性能预测向量；

25、所述结构场预测分支包括2层全连接层与1个输出层构成，输出层输出分量依次为最大等效应力、最大变形量与一阶固有频率的结构场性能预测向量。

26、优选的，所述双场耦合物理信息神经网络训练损失函数如下：

27、，

28、，

29、，

30、，

31、其中，为总损失，为归一化数据损失，为全部物理残差之和，为数据损失权重，为物理残差权重，为流量连续性残差，为曲轴转角离散点数，为第个曲轴转角采样点，为处的预测流量，为处的基准流量；为应力约束残差，运算保证当预测最大等效应力低于许用应力时残差为0，为预测最大等效应力，为许用应力；

32、所述归一化数据损失计算方式如下：将预测性能向量中各分量分别归一化后计算均方误差得到归一化数据损失；

33、权重的自适应调整方式如下：

34、，

35、式中，为更新后的数据损失权重，为更新前的数据损失权重，为更新速率，为更新次数，为数据损失对网络全部可训练参数梯度的l2范数，为物理残差损失对网络全部可训练参数梯度的l2范数，数据损失权重与物理残差权重和为1。

36、优选的，所述条件归一化流生成器包括6个顺序堆叠的仿射耦合层，每个仿射耦合层将结构参数向量交替分段，选取其中一段结构参数向量与目标性能向量共同输入条件子网络，输出缩放系数向量与平移系数向量并作用于另一段结构参数向量，其变换关系表示为：

37、，

38、式中，为变换前的另一段结构参数向量与为变换后的另一段结构参数向量，为逐元素指数运算；所述条件子网络包括全连接层，激活函数均采用swish激活函数；

39、条件归一化流生成器的输出经sigmoid区间映射限定至泵体初始结构参数所限定的取值区间，其映射关系表示为：

40、，

41、式中，为第项结构参数的取值，为流模型输出的第个分量，为sigmoid激活函数，为第项结构参数取值区间的下限，为第项结构参数取值区间的上限。

42、优选的，以性能一致性损失与物理可行性惩罚完成精调得到条件流逆向生成网络，具体方式如下：

43、从标准正态分布采样潜变量，以目标性能向量为条件经条件归一化流生成器生成候选结构参数组群，送入权重冻结的正向性能预测模型得到预测性能向量，构建精调损失函数，选取使验证集上预测性能向量与目标性能向量误差最小的组合，精调损失函数如下：

44、，

45、，

46、其中，为精调损失，为负对数似然项，为条件归一化流生成器，为标准正态分布采样的潜变量，为权重冻结的正向性能预测模型，为目标性能向量，为性能一致性损失，为物理可行性惩罚项，为性能一致性权重，为惩罚权重；

47、所述物理可行性惩罚项包括强度惩罚与疲劳惩罚，所述强度惩罚由泵体材料属性数据中的许用应力构造，当预测最大等效应力超出许用应力时按超出量的平方施加惩罚，其表达式为：

48、，

49、式中，为强度惩罚；

50、所述疲劳惩罚基于soderberg疲劳强度准则构造，将预测最大等效应力作为最大等效应力，计算交变应力幅估计值，基于交变应力幅估计值计算soderberg安全系数；

51、疲劳惩罚在soderberg安全系数低于疲劳安全系数时施加。

52、优选的，所述优化目标包括泵体质量、压力脉动率与最大等效应力；

53、所述可行性约束包括：容积效率不低于目标容积效率94%且最大变形量不超过目标最大变形量0.1mm且一阶固有频率不低于目标一阶固有频率350hz且压力脉动率不超过喷雾作业需求数据中的压力脉动率上限5%且泵体质量不超过喷雾作业需求数据中的泵体质量上限7.0kg。

54、优选的，所述高保真复核性能数据获取方式如下：

55、对优化泵体三维模型分别执行高保真cfd流体仿真与高保真fea结构仿真，从高保真仿真结果中提取排液压力脉动率、容积效率、最大等效应力、最大变形量与一阶固有频率，构成高保真复核性能数据。

56、一种双联柱塞泵体结构参数逆向优化设计装置，包括处理器和存储有程序指令的存储器，所述处理器被配置为在运行所述程序指令时，执行所述的双联柱塞泵体结构参数逆向优化设计方法。

57、本发明的优点在于：通过嵌入双缸相位耦合物理约束的双场耦合物理信息神经网络正向性能预测模型，将连续性方程、双缸相位耦合瞬时流量叠加关系与薄壁圆筒应力约束以物理残差形式融入网络损失函数，使流场预测分支与结构场预测分支共享结构特征编码，实现压力脉动率、容积效率、最大等效应力、最大变形量与一阶固有频率的一体化预测。

58、通过条件流逆向生成网络，将条件归一化流生成器与权重冻结的正向性能预测模型串联构成可微分设计链路，以目标性能向量为条件，通过可逆流变换将标准正态分布潜变量映射为多样化的候选结构参数组，从条件分布建模层面解决逆向映射一对多的不适定问题，并以喷雾作业需求数据、泵体材料属性数据与泵体初始结构参数边界共同约束反解过程。

59、提出不确定性引导的主动学习闭环校验机制，通过深度集成量化正向性能预测模型的预测不确定性，对高保真复核误差超标的样本点自动执行加点更新，使正向性能预测模型在迭代中持续逼近真实物理规律。

60、综上所述，本发明缩短泵体设计周期并兼顾压力脉动抑制、结构强度与轻量化目标，从而更好地满足植保喷雾系统的实际需求。