洗衣机的阻尼装置优化方法与流程

本发明涉及洗衣机设备技术领域，更具体地，涉及一种洗衣机的阻尼装置优化方法。

背景技术：

相关技术中的洗衣机的阻尼结构的平衡性能较差，振动较大，噪声严重，影响家居生活的舒适度，急需对洗衣机的阻尼装置进行优化设计。

技术实现要素：

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明提出一种洗衣机的阻尼装置优化方法，所述洗衣机的阻尼装置优化方法的平衡性能好、精确度高、应用广泛。

根据本发明实施例的洗衣机的阻尼装置优化方法，包括以下步骤：s1：选取所述阻尼装置参数范围和平衡性能参数范围；s2：在所述阻尼装置参数范围内和所述平衡性能参数范围内，采用有限元建立所述阻尼装置参数与所述平衡性能参数的对应关系的样本数据；s3：基于所述样本数据建立多输入多输出的神经网络模型，对所述神经网络模型进行模型训练和模型验证；s4：通过对目标优化理论和遗传算法对所述神经网络模型进行优化，以得出最优解集；s5：将所述最优解集中的数据通过有限元仿真验证和实物验证以验证结果是否满足设计要求且得出最优解。

根据本发明实施例的洗衣机的阻尼装置优化方法，通过利用神经网络模型对样本数据进行模型训练和模型验证，进而对神经网络模型进行优化设计，以改善洗衣机阻尼装置的平衡性能，减小振动，降低噪声，提高用户的体验效果。

根据本发明的一个实施例，所述阻尼装置包括：吊簧，所述吊簧适于连接在所述洗衣机的箱体和筒体之间且位于所述洗衣机的顶部；阻尼减震器，所述阻尼减震器适于连接在所述洗衣机的箱体和筒体之间且位于所述洗衣机的底部。

可选地，在所述步骤s1中，所述阻尼装置参数包括所述吊簧的长度、所述吊簧的刚度、所述吊簧的与竖直方向的角度、所述吊簧的与所述箱体后壁的距离、所述阻尼减震器的长度、所述阻尼减震器的阻尼系数、所述阻尼减震器与竖直方向的角度中的至少一个。

可选地，在所述步骤s1中，所述平衡性能参数包括共振频率、振动位移、振动噪声、所述筒体的最大形变量中的至少一个。

进一步地，所述共振频率通过模态分析选取前三阶模态，所述振动位移和所述筒体的最大形变量通过有限元分析得出，所述振动噪声通过噪声频谱分析得出。

根据本发明的另一个实施例，所述神经网络模型包括多个神经元模型，每个所述神经元模型被构造为基本函数。

根据本发明一个可选的示例，所述神经元模型为多点输入，各自乘以权系数，通过基本函数得出神经元的输出。

根据本发明一个可选的示例，所述神经网络模型利用遗传算法与l-m算法相结合的网络训练算法进行模型训练。

根据本发明又一个实施例，所述神经网络模型采用80％的样本数据进行模型训练，采用20％的样本数据进行模型验证。

根据本发明进一步的示例，限制所述平衡性能参数的取值范围且利用所述神经网络模型，通过遗传算法得出优化设计的全局最优解集。

进一步地，对所述全局最优解集进行有限元仿真验证和实物验证，验证结果满足设计需求得出最优解，反之则重新建立模型，直到满足需求。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的洗衣机的阻尼装置优化方法的流程示意图；

图2是根据本发明实施例的洗衣机的阻尼装置优化方法的神经元模型示意图；

图3是根据本发明实施例的洗衣机的阻尼装置优化方法的神经网络模型示意图；

图4是根据本发明实施例的洗衣机的阻尼装置优化方法的神经网络训练流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“顶”、“底”“内”、“外”、等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

下面参考图1-图4描述根据本发明实施例的洗衣机的阻尼装置优化方法。

如图1所示，根据本发明实施例的洗衣机的阻尼装置优化方法包括以下步骤，首先选取阻尼装置的参数范围和平衡性能的参数范围。其次依据所选取的阻尼装置参数范围内和平衡性能参数范围，利用有限元的分析方法建立阻尼装置参数与平衡性能参数的对应关系的样本数据。而后根据所得到的样本数据建立多输入多输出的神经网络模型，并利用样本数据分别对神经网络模型进行模型训练和模型验证。然后通过对目标优化理论和遗传算法对神经网络模型进行优化得出最优解集(即非劣解的范围)。最后通过有限元仿真验证和实物验证的方式对最优解集中的数据进行验证，看结果是否满足设计的要求，满足要求得出最优解，反之则继续验证，直至满足设计要求且得到最优解为止。

根据本发明实施例的洗衣机的阻尼装置优化方法，通过建立多输入多输出的神经网络模型，并采用目标优化理论和遗传算法对神经网络模型进行优化，可以改善洗衣机的阻尼装置的平衡性能，结果精确度高，减小了洗衣机在运转时的振动和噪声，且用途十分广泛。

根据本发明的一个实施例，阻尼装置包括吊簧和阻尼减震器，吊簧位于洗衣机的顶部，且连接在洗衣机的箱体和筒体之间，阻尼减震器位于洗衣机的底部，且连接在洗衣机的箱体和筒体之间，用于阻碍并缓冲洗衣机在运转过程中的振动，减小洗衣机运转时的噪声。

在本发明的一些具体实施方式中，吊簧和阻尼减震器均通过加强板与洗衣机的箱体相连，洗衣机的平衡块通过螺栓连接在筒体上，吊簧长度、筒体的外径、阻尼减震器长度、阻尼减震器安装角度决定洗衣机箱体的高度，而平衡块的尺寸和位置对箱体的高度无影响。因此，可暂时不考虑平衡块的存在，而在吊簧和阻尼减震器参数优化完成后再考虑平衡块以进一步改善平衡性能。

可选地，在步骤s1中，阻尼装置的参数包括吊簧的长度、吊簧的刚度、吊簧与竖直方向之间的角度、吊簧与箱体后壁的距离、阻尼减震器的长度、阻尼减震器的阻尼系数、阻尼减震器与竖直方向的角度中的至少一个，可以理解的是，这些参数对阻尼装置的性能均具有影响，故阻尼装置的参数中包括上述参数中的至少一个，以上参数可能并不独立，设计时以实际项目情况为准，通过实际经验来设定这些参数的取值范围。

可选地，在步骤s1中，平衡性能参数包括共振频率、振动位移、振动噪声、筒体的最大形变量中的至少一个，也就是说，这些参数对平衡性能均会具有影响，故平衡性能的参数中要至少包括上述参数中的一个。

进一步地，平衡性能的共振频率通过模态分析选取前三阶模态，振动位移和筒体的最大形变量通过有限元分析得出，振动噪声通过噪声频谱分析软件得出。通过所设定的阻尼装置的参数范围和所得出的平衡性能的参数取值范围，利用有限元建立阻尼装置参数与平衡性能参数之间对应关系的样本数据。

根据本发明的另一个实施例，神经网络模型包括多个神经元模型，每个神经元模型被构造为基本函数，神经元模型是构成神经网络模型的基本单元，即神经网络模型包括多个基本函数，通过多个基本函数不断丰富网络结构从而建立起多输入多输出的神经网络模型。

如图2所示，根据本发明一个可选的示例，神经元模型所构造的基本函数为多点输入，如输入值分别为x1、x2、x3···xn，每个输入值分别乘以各自的权系数，例如，权系数分别为w1、w2、w3···wn，具体地，x1乘以w1、x2乘以w2、x3乘以w3···xn乘以wn，通过基本函数得出神经元的输出。

如图3和图4所示，以基本的传递函数为神经元，不断丰富神经网络结构，多个神经元模型构成为多输入多输出的神经网络模型。

根据本发明另一个可选的示例，神经网络模型利用遗传算法与l-m算法相结合的网络训练算法进行模型训练，采用遗传算法与l-m算法相结合的方式对神经网络的算法进行训练，以避免出现神经网络模型的过度拟合问题，所谓过度拟合如预期的拟合结果为一条曲线，而实际在神经网络模型中为一条直线，也就是说实际中所拟合出来的结果和预期的结果具有较大差异，故需要通过遗传算法与l-m算法相结合的方式对神经网络模型进行训练。

根据本发明的再一个实施例，采用总样本数据中的80％的样本数据对神经网络模型进行训练，采用总样本数据中剩余的20％的样本数据对神经网络模型进行验证，例如，总样本数据为100个，则采用其中的80个样本数据对神经网络模型进行训练，采用剩余的20个样本数据对神经网络模型进行验证，模型训练用以对神经网络模型进行训练(如图2所示)，模型验证用以验证所建立神经网络模型是否正确，以保证神经网络模型的准确性。

如图4所示，需要说明的是，神经网络模型的训练流程如下，首先获取多输入多输出神经网络模型的样本数据(即图4中的实验数据)，其次对样本数据进行预处理，将处理后的数据输入神经网络模型计算并得出理论输出值，然后将理论输出值与实验预处理后的实验输出值进行比较，计算理论输出值与实验数据中间的误差，若误差小于预定的限度，则神经网络训练完成，如果误差大于预定的限度，则需要重新调整输入参数，经过神经网络模型重新计算，直到计算得出的误差小于预定的限度为止，整个神经网络流程结束。

根据本发明进一步的示例，限制平衡性能参数的取值范围，通过遗传算法且利用神经网络模型进行优化设计进而得出全局最优解集，且只对重要的参数(如振动噪声)取全局最优解，所谓全局最优解集即指非劣解集(对于多目标的优化问题，无法找到绝对最优解，而只能找到非劣解)，这样，通过优化设计得到满足要求的解的范围，为进一步得到最优解奠定了基础。

进一步地，对全局最优解集进行有限元仿真验证和实物验证，若验证结果满足优化设计的要求，则进一步得出最优解，若不满足设计要求，则需要重新建立神经网络模型，再进行优化设计得出最优解集，并通过验证，直到满足设计要求为止。

本发明将神经网络模型的设计方法应用于洗衣机阻尼装置的优化设计中，此外还可以应用于洗衣机的其他零部件的结构及性能设计中，如滚筒洗衣机外桶后壁肋板结构设计、内桶结构设计、紧固件位置设计等方面，也可用于波轮式洗衣机及干衣机的设计中，如波轮洗衣机的电机外桶偏心结构设计、性能分析、平衡性能分析，以及干衣机的平衡性能分析等，应用十分广泛。故本发明实施例的洗衣机的阻尼装置优化方法不应理解为对本发明的限制。

根据本发明实施例的洗衣机的阻尼装置优化方法的其他构成以及操作对于本领域普通技术人员而言都是已知的，这里不再详细描述。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。