4、尺寸优化方法：尺寸优化的参数化建模、灵敏度分析、优化算法选择

尺寸优化，说白了就是给结构“减肥”。

你想想看，一个光机结构件，比如镜筒或者基座，它的壁厚、筋板高度、孔径这些尺寸，到底取多少才最合适？太厚了浪费材料，太重了影响发射成本；太薄了刚度不够，镜片一装就变形。我做了这么多年光机设计，见过太多“拍脑袋定尺寸”的案例，结果要么是过设计，要么是强度不够返工。

尺寸优化就是解决这个问题的。它不改变结构的拓扑形态，只调整具体的几何尺寸，让结构在满足刚度、强度、频率等约束的前提下，重量最轻。

4.1 参数化建模：把设计变量“拎”出来

优化的第一步，是让模型“听话”。你不能每次改个壁厚都去手动重画三维模型，那效率太低了。参数化建模，就是把那些你打算优化的尺寸，定义成变量。

我个人习惯在CAD软件里，比如SolidWorks或Creo，先把关键尺寸用“全局变量”或“参数表”管理起来。举个例子，一个镜筒的壁厚t、外径D、法兰厚度h，都设成参数。然后把这些参数导出，跟有限元分析软件（比如ANSYS Workbench或Abaqus）关联起来。

这里有个坑，我踩过好几次：参数化模型一定要做“再生测试”。什么意思？就是你改一个参数值，模型要能自动重建成功，网格要能重新划分，求解要能跑通。我曾经有个项目，参数化做好了，优化算法跑了一晚上，结果第二天一看，中间有几步模型重建失败了，整个优化白跑。

参数化建模的流程，我画了张图，你看一眼就明白了：

4.2 灵敏度分析：找到“性价比”最高的尺寸

参数化模型建好了，接下来有个问题：这么多尺寸变量，哪个对重量影响最大？哪个对刚度影响最敏感？

灵敏度分析就是干这个的。它计算每个设计变量对目标函数和约束条件的导数。说白了，就是告诉你：“你改这个尺寸1毫米，重量能降多少？应力会涨多少？”

我记得有个卫星相机的主镜支撑结构项目，一开始列了十几个尺寸变量。做完灵敏度分析发现，真正起作用的就三个：支撑筋的厚度、底板厚度、以及加强肋的高度。其他变量改了几乎没影响。于是果断把不敏感的变量固定下来，只优化那三个，计算量直接降了70%。

灵敏度分析的结果，通常用柱状图或表格展示。比如下面这个例子：

你看，法兰厚度tf的灵敏度全都很低，那就可以直接把它固定，不用参与优化了。

4.3 优化算法选择：选对工具，事半功倍

优化算法这块，我见过不少新手一上来就选“遗传算法”，觉得高大上。其实没必要。尺寸优化问题通常设计变量不多（几个到几十个），约束条件明确，用梯度类算法效率更高。

我个人常用的算法有这么几种：

• 梯度下降法（一阶）：收敛快，适合变量少、函数光滑的问题。缺点是需要计算梯度，容易陷入局部最优。
• 序列二次规划（SQP）：这是我最常用的。它处理非线性约束很稳，收敛精度高。我在好几个航天项目里都用它，效果不错。
• 移动渐近线法（MMA）：适合处理大量约束的拓扑优化衍生问题。如果你做尺寸优化时约束特别多（比如几十个应力约束），可以考虑它。
• 遗传算法（GA）：全局搜索能力强，但计算量巨大。我一般只在设计空间特别复杂、或者变量是离散值（比如标准壁厚系列）时才用它。

优化算法的选择，其实有个简单的判断逻辑：

1. 变量少于10个，约束光滑 → 用SQP或梯度法
2. 变量10-50个，约束较多 → 用MMA
3. 变量离散、或目标函数有多个峰值 → 用GA
4. 计算资源有限，需要快速出结果 → 用响应面法+梯度优化

嗯，这里要注意一点：优化算法不是万能的。它给出的结果，你一定要用工程经验去判断。比如优化出来壁厚2.1毫米，但实际加工公差是±0.1毫米，那2.1毫米就太危险了，稍微一加工就变成2.0毫米，刚度就不够了。所以我会把优化结果圆整到安全侧，比如取2.5毫米。

尺寸优化说白了，就是“参数化建模打基础，灵敏度分析找重点，优化算法做决策”。这三步走下来，结构轻量化的效果通常能到10%-30%。我经手的项目里，最成功的一个是某遥感卫星的遮光罩，通过尺寸优化减重了22%，而且刚度一点没降。

最后说一句：别迷信算法。工具再厉害，也得靠工程师的判断力来兜底。

公众号:蓝海资料掘金营，微信deep3321