排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
机油冷却器盖属于薄壁件,距离振动激励源较近,容易产生较大的振动噪声,且内腔冷却液的存在对机油冷却器盖的振动噪声有着很大的影响。为有效的对塑料机油冷却器盖的振动噪声进行仿真研究及优化,将流体冲击压力作为预应力的同时,结合塑料机油冷却器盖与内腔流体的流固耦合模型,采用流固耦合的方法对塑料机油冷却器盖的振动噪声水平进行了预测评估;根据预测结果,识别出对噪声贡献度较大的耦合模态频率;以降低塑料机油冷却器盖整体噪声为总目标,以提高各贡献度较大的耦合模态频率为子目标,利用加权指数法建立了多目标优化函数,对塑料机油冷却器盖结构进行了多目标拓扑优化。结果表明,优化后降噪效果明显,总声功率级降低了1.79 dB。 相似文献
2.
为提高某3缸汽油机起动工况的快速起动性及满足峰值转速要求,基于最优拉丁超立方设计方法和椭球基神经网络(ellipsoid-based neural network model,EBFNN)模型建立起动油压阈值、起动喷油加浓因子、起动点火提前角偏移及起动平均指示压力偏移等起动控制参数与起动时间、起动峰值转速的关系,并用20组样本数据验证EBFNN模型的准确性;结合带精英策略的非支配排序的遗传算法(non-dominated sorting genetic algorithm Ⅱ,NSGA-Ⅱ)对起动时间和起动峰值转速进行优化。优化结果表明:起动时间缩短20.29%;起动峰值转速提高1.93%,大于目标怠速300~500r/min。优化后全碳氢、CO、颗粒数排放增加量少于10%,NOx排放降低3.2%,油耗降低16.60%,能很好地满足开发要求。 相似文献
3.
基于拉丁超立方设计建立了椭球基(EBF)神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。 相似文献
1