多工况下基于机器学习的多级齿轮传动系统修形优化设计

来源 :华东交通大学 | 被引量 : 0次 | 上传用户:liongliong516
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
伴随着资源枯竭和环境污染等问题日益突出,新能源汽车逐渐活跃于大众视野。与传统燃油汽车的驱动装置不同,新能源汽车采用电机集成驱动,电机噪声远小于内燃机噪声,但由于缺失了发动机噪声的掩蔽效应,传动系统产生的振动噪声显得更为突出。为了追求更高的行驶速度,电机高转速输入导致对齿轮传动系统的设计也更加严格,多级齿轮传动系统的振动和噪声成为关注的重点。本文以某款新能源汽车的多级齿轮传动系统为研究对象,以改善多级齿轮传动系统的振动和噪声为主要目的进行研究。(1)借助Romax软件建立多级齿轮传动系统的三维模型进行多工况仿真分析,研究传动系统的动力学特性和振动噪声特性。针对齿轮啮合特性确定齿向结合齿廓的齿轮三维修形方式,计算得到各修形参数的取值范围,基于最优拉丁超立方方法进行抽样,并进行修形参数化建模获取对应的最大振动加速度值,为后续流程提供数据支撑。(2)利用XGBoost机器学习算法探究修形参数和振动加速度之间的映射关系,创建修形参数—振动噪声预测模型,训练优化模型使得模型准确度达到98%。并以最小振动加速度为优化目标,引用标准粒子群算法求解预测模型得到修形参数最优解。在等速和加速工况下,创建修形参数化三维模型进行仿真分析,与修形前相比较,齿轮副传动误差和载荷分布都有极大的改善,最大振动加速度分别降低63%和76%,且预测值和仿真值误差不超过2%,验证了最优解的有效性和降噪设计的可行性。(3)综合等速和加速工况提出一种多工况修形降噪设计,以工况时间占比和振动贡献量为影响因素,加权综合等速和加速工况下的最优修形参数得到多工况综合修形参数组合。建立多目标模糊优选评价模型,以两级齿轮副的传动误差、最大单位长度载荷和最大振动加速度为目标,基于等速和加速工况综合评价整体修形效果,仿真分析验证了多工况综合修形优化方法的可行性。
其他文献
学位
学位
智能交通系统(Intelligent Transportation System,简称ITS)作为智慧城市建设的重要一环,将多种高科技技术融入到交通诱导等领域中,例如,人工智能技术、传感器技术等。加强车联网(Internet of Vehicles,简称Io V)与用户之间的联系,从而形成安全、高效、节能的综合运输体系。车辆检测,跟踪及预测是智慧交通系统中一个重要研究热点,然而在实际应用的环境中,
近年来,随着电子计算机系统的不断发展,在处理一些大数据时,出现了能耗高、并行处理能力不足以及计算率低的问题。而三值光学计算机具有能耗低、巨位数可并行运算以及可按位重构的特点,这些特点使得它在处理大规模数据的计算问题时具有一定的优势。基于三值光学计算机具有以上的这些优势,本文将研究采用三值光学计算机求解大规模的最短路径问题。本文的研究内容包括:利用三值光学计算机数据位易扩展和巨位数并行的特点提出全并
人群流量的准确预测对于政府部门有效且合理的管理交通资源、提高群众出行体验、改善道路交通安全环境等来说具有重要意义。然而,由于人群流量数据具有特殊性,它是一种复杂的时空数据,建立人群流量预测模型时必须同时考虑其时间依赖关系和空间依赖关系。此外,人群流量还受事件、天气等外部因素的影响。因此,想要准确的预测人群流量绝非易事。传统人群流量预测方法的研究对象通常是单一区域的人群流动模式,而这些方法只考虑人群
学位
学位
随着互联网技术和社交网络的快速发展,各种网络平台生成了大量用户针对不同领域的评论文本。这些文本包含着丰富的情感倾向,从中可以发掘互联网用户或消费者对于该事物态度,这些信息无论对个人用户、商家或国家监管部门都有重大意义。在大数据时代,随着技术和硬件设施的不断升级,各种平台的评论文本数据量都以爆炸性增长,只依赖统计学方法已经无法满足日益增长的评论文本情感分析需求,所以如何通过人工智能技术精准高效挖掘评
铁路运输作为一种高效的运输方式,在带动经济发展的同时,给人们的生活带来了极大的便利。相关统计数据显示,在铁路运营过程中,钢轨表面伤损恶化造成的列车运行事故占比较高。因此,对钢轨表面伤损进行准确的检测,具有十分重要的实际应用价值及研究意义。钢轨表面伤损的检测方法可以划分为物理检测方法、基于机器视觉的检测方法两种。其中,物理检测方法操作困难且需要大量人为干预,检测结果具有一定主观性,无法保持检测精度的
作为深度学习主流算法之一,循环神经网络(Recurrent Neural Network,RNN)对处理时序信息具有更敏感更出色的能力。因此,循环神经网络被广泛使用于电信、电力、人机交互等许多传统以及新兴智能领域。然而,在许多应用场景中,资源有限的终端设备难以应用循环神经网络。这主要的原因在于神经网络结构具有较高的计算复杂度,并且需要大量的计算资源以及存储资源。为了解决此问题,研究者提出了许多合理