一種液力透平葉輪多工況多目標優化設計方法技術

本發明專利技術涉及水力機械的優化設計領域，特別是一種液力透平葉輪多工況多目標優化設計方法。本發明專利技術的有益效果在于：訓練BP神經網絡優化算法建立以及更新近似預測模型，減少大負荷的CFD計算，以較少次數計算,獲得足夠的預測精度。BP神經網絡優化算法與NSGA?Ⅱ多目標遺傳算法的有機結合，保證整個算法在不斷搜索最優解集的同時，兼顧了種群的多樣性，精度也得以提升。采用NSGA?Ⅱ多目標遺傳算法對透平葉輪進行優化求解，能較好地解決液力透平葉輪傳統設計與選型的困難以及液力透平運中偏離最優工況時易出現的振動、功率輸出不穩定、效率大幅度偏低等問題，兼顧透平效率、軸向力與徑向力，可有效改善透平運行能力。

A multi-objective optimization design method for hydraulic turbine impeller under multiple working conditions

The invention relates to the optimization design field of hydraulic machinery, in particular to a multi condition and multi-objective optimization design method of a hydraulic turbine impeller. The beneficial effects of the invention are as follows: training BP neural network optimization algorithm, establishing and updating approximate prediction model, reducing CFD calculation of large load, and obtaining enough prediction accuracy by less calculation. BP neural network optimization algorithm and NSGA II combined multi objective genetic algorithm, the algorithm continues to search the optimal solution set at the same time, taking into account the diversity of population, but also can improve the accuracy of. Using NSGA II multi-objective genetic algorithms to optimize the turbine impeller, can solve the traditional design and selection of hydraulic turbine impeller is difficult and prone to vibration, the optimal conditions of the hydraulic turbine from unstable power output, efficiency greatly is low and other issues, taking into account the turbine efficiency, axial force and radial force. Can effectively improve the operation ability of turbine.

【技術實現步驟摘要】
一種液力透平葉輪多工況多目標優化設計方法
本專利技術專利涉及水力機械的優化設計領域，特別是一種液力透平葉輪多工況多目標優化設計方法。
技術介紹
液力透平是將液體流體工質中的壓力能轉換為機械能的機械設備，利用液力透平可將工藝流程中的液體余壓回收再利用，轉換為機械能驅動機械設備，是一種能量回收裝置，目前廣泛應用于石油化工加氫裂化、大型合成氨以及海水淡化等領域。技術上，有20KW回收能量，就可用液力透平回收利用。能量回收液力透平技術及應用對節能減排有重要意義。液力透平主要有反轉泵形式、沖擊式、導葉式以及目前一些先進國家研發的專用能量回收液力透平。透平回收裝置基本布置方式有直驅式和輔助式布置。液力透平能量回收裝置應用廣泛,其研究向著專門化、特殊化、多樣化的方向發展。目前國內普遍使用的液力透平以的反轉泵為主，不僅運行效率偏低，而且高效區相對較窄，啟動過程耗費時間長，運行工況不穩定，制約了能量回收工程領域的發展。泵反轉作液力透平運行對流量變化十分敏感，流量高于最優工況的10％時能量回收效率下降50％，流量低于最優工況的40％時，水力透平無回收功率而且在偏離最優工況點運行時會出現振動和轉速、輸出功率不穩定等不良現象，由此可見液力透平存在對運行工況的變化較為敏感等一系列問題。國內外一些學者研究發現液力透平在運行時葉輪中的水力損失占總水力損失的50％以上，這就說明液力透平水力性能欠佳的主要原因在于其葉輪性能較差。而反轉泵作液力透平，其運行在透平工況時常常達不到標準，出現效率低、運行穩定性差、使用壽命短、存在嚴重的噪聲和振動等一系列問題。基于液力透平以上一系列問題，本專利技術從透平的葉輪幾何參數入手，結合BP神經網絡算法以及多目標遺傳算法NSGA-Ⅱ對透平進行多工況多目標優化求解，兼顧多個工況點的性能，使效率得以提高的同時保證了各工況的運行穩定性。經檢索，與本專利技術專利相關的專利有：徑流式液力透平優化設計方法(公開號：CN102608914A)，本專利技術公開了一種徑流式液力透平通流部件整機優化設計方法，包含一元熱力優化設計，以及整機優化平臺，將復雜的多變量優化問題分解為多個相對獨立卻又相互作用的子問題，既保留了原問題的特性，又有效減少了計算量，但其僅針對單點優化，透平在偏離最優工況運行時易失穩現象并沒有得到解決；考慮缺陷的大型透平膨脹機葉輪葉片結構優化設計方法(公開號：CN104331553A)，在原有葉輪應力分析基礎上，加入缺陷因素，利用廣義回歸神經網絡和基于遺傳算法的多目標優化算法對葉輪參數進行遺傳優化操作，最終得到分布均勻的最優解作為葉輪葉片優化參數，但其優化過程較復雜繁瑣。
技術實現思路
為了解決液力透平葉輪傳統設計與選型的困難以及液力透平運行中偏離最優工況時易出現的振動、功率輸出不穩定、效率大幅度偏低等問題，本專利技術專利提供一種液力透平葉輪多工況多目標優化設計方法，其目的是提高液力透平工作效率與偏工況點的運行穩定性。本專利技術技術方案如下：首先確定液力透平泵葉輪關鍵幾何參數作為優化設計變量及樣本數，采用試驗方法生成樣本并對其進行篩選得到符合要求的樣本點，對初始樣本進行液力透平整體自動化造型、網格劃分與CFD計算獲得相應性能參數，建立優化樣本數據庫，導入BP神經網絡模塊經學習訓練后建立優化算法的近似代理模型，最后將其內嵌入NSGA-Ⅱ多目標遺傳算法中，以0.7Q、1.0Q、1.2Q三個流量工況點下的效率、徑向力和軸向力最優為目標，進行遺傳算法的尋優求解，解出葉輪整體的最優解集。一種液力透平葉輪多工況多目標優化設計方法，具體實現步驟如下：Step1:確定液力透平葉輪設計變量、目標函數以及約束，以葉輪的外徑D2，出口直徑D1，前后蓋板的兩個傾角α1、α2，前后蓋板流線上的兩個圓弧半徑R1、R2，進口寬度b2,葉片出口安放角β1，葉片包角Φ以及葉片數Z為設計變量；其次，采用試驗設計方法在設計變量的空間內生成設計變量的試驗樣本；最后，采用Pro/E軟件對液力透平初始模型中的變量進行批量參數化設計；Step2:制作網格及CFD軟件的批處理文件，實現液力透平所有的試驗樣本進行自動網格劃分與性能CFD計算，最后得到所有模型的性能值；Step3:獲得所有樣本模型對應的性能參數后，根據試驗樣本的幾何參數和對應液力透平的性能參數訓練BP神經網絡，以設計變量為近似模型的輸入參數，以與之對應的性能參數為輸出參數，建立近似代理模型；Step4:對種群中的每個個體進行性能評估以及遺傳進化操作，其中個體性能評估功能是通過訓練好的并內嵌于遺傳算法中的代理模型來實現。采用NSGA-Ⅱ多目標遺傳算法對葉輪幾何參數進行優化時，首先隨機生成初始種群，初始種群中的個體編碼；其次，對種群中每個個體進行性能評估，性能參數與目標函數相關；最后，有了每個個體的遺傳基因以及目標函數后根據其原理對種群進行遺傳操作直至滿足算法終止準則，得到多目標優化的Pareto優化解集；Step5:對于獲得的Pareto優化解集，采用基于組合賦權法對其進行選優，從該Pareto最優解集中選擇一個最適合液力透平多工況高效平穩運行的最優解，從而獲得最終優化設計的最優水力模型。其中，以上步驟中的設計變量，參數約束條件以及目標函數如下：(1)設計變量：X＝[D1,D2,α1,α2,R1,R2,b2,β1,Φ,Z]T,(2)設計變量約束條件分別為：0.8Φ0≤Φ≤1.2Φ0；INT(0.6Z0)≤Z≤INT(1.4Z0)；式中幾何參數的初始值通過泵或透平類產品的速度系數法等傳統設計法設計或選型換算所得。(3)目標函數：1)以0.7Q、1.0Q、1.2Q三個流量工況點下的效率最高為目標函數：式中X—維數為10的設計變量向量；F(X)—優化的目標函數；O—初始值；i—代表0.7Q、1.0Q、1.3Q各流量工況點，1,2,3；Wi—各工況點的權重因子，通過超傳遞近似法來確定；P—罰因子；H—透平壓頭；2)以0.7Q、1.0Q、1.2Q三個流量工況點的徑向力最小為目標函數：3)以0.7Q、1.0Q、1.3Q三個流量工況點的軸向力最小為目標函數：其中，Step1中的試驗方法使用優化的拉丁超立方設計方法，其改進了隨機拉丁超立方設計的均勻性，使得因子和響應的擬合更加精確，該設計方法具有較好的空間填充性和均衡性。其中，Step5中的組合賦權法實現步驟如下：(1)將NSGA-II算法得到的Pareto最優解集作為方案集，進而將其轉化為決策矩陣，利用矢量規范化對決策矩陣進行規范化處理，得到規范化決策矩陣B＝(bij)n×m，n為方案個數，m為屬性個數；(2)利用專家調差法確定m個屬性的主觀偏好權重矢量ω＝(ω1,ω2,…,ωm)T；(3)基于規范化決策矩陣并利用信息熵法確定屬性的客觀權重μ＝(μ1,μ2,…,μm)T；(4)采用最小二乘法方法將主觀和客觀權重相結合，得到綜合主觀和客觀決策的各項屬性的組合w＝(w1,w2,…,wm)T。本專利技術專利的有益效果在于：1)訓練BP神經網絡優化算法建立以及更新近似預測模型，減少大負荷的CFD計算，以較少次數計算,獲得足夠的預測精度。2)BP神經網絡優化算法與NSGA-Ⅱ多目標遺傳算法的有機結合，保證整個算法在不斷搜索最優解集的同時，兼顧了種群的多樣性，精度也得以提升。3)采用NS本文檔來自技高網...

【技術保護點】
一種液力透平葉輪多工況多目標優化設計方法，其特征在于：首先確定液力透平泵葉輪關鍵幾何參數作為優化設計變量及樣本數，采用試驗方法生成樣本并對其進行篩選得到符合要求的樣本點，對初始樣本進行液力透平整體自動化造型、網格劃分與CFD計算獲得相應性能參數，建立優化樣本數據庫，導入BP神經網絡模塊經學習訓練后建立優化算法的近似代理模型，最后將其內嵌入NSGA?Ⅱ多目標遺傳算法中，以0.7Q、1.0Q、1.2Q三個流量工況點下的效率、徑向力和軸向力最優為目標，進行遺傳算法的尋優求解，解出葉輪整體的最優解集。一種液力透平葉輪多工況多目標優化設計方法，具體實現步驟如下：Step1:確定液力透平葉輪設計變量、目標函數以及參數約束條件；其次，采用試驗設計方法在設計變量的空間內生成設計變量的試驗樣本；最后，采用Pro/E軟件對液力透平初始模型中的變量進行批量參數化設計；Step2:制作網格及CFD軟件的批處理文件，實現液力透平所有的試驗樣本進行自動網格劃分與性能CFD計算，最后得到所有模型的性能值；Step3:獲得所有樣本模型對應的性能參數后，根據試驗樣本的幾何參數和對應液力透平的性能參數訓練BP神經網絡，以設計變量為近似模型的輸入參數，以與之對應的性能參數為輸出參數，建立近似代理模型；Step4:對種群中的每個個體進行性能評估以及遺傳進化操作，其中個體性能評估功能是通過訓練好的并內嵌于遺傳算法中的代理模型來實現。采用NSGA?Ⅱ多目標遺傳算法對葉輪幾何參數進行優化時，首先隨機生成初始種群，初始種群中的個體編碼；其次，對種群中每個個體進行性能評估，性能參數與目標函數相關；最后，有了每個個體的遺傳基因以及目標函數后根據其原理對種群進行遺傳操作直至滿足算法終止準則，得到多目標優化的Pareto優化解集；Step5:對于獲得的Pareto優化解集，采用基于組合賦權法對其進行選優，從該Pareto最優解集中選擇一個最適合液力透平多工況高效平穩運行的最優解，從而獲得最終優化設計的最優水力模型。...

【技術特征摘要】
1.一種液力透平葉輪多工況多目標優化設計方法，其特征在于：首先確定液力透平泵葉輪關鍵幾何參數作為優化設計變量及樣本數，采用試驗方法生成樣本并對其進行篩選得到符合要求的樣本點，對初始樣本進行液力透平整體自動化造型、網格劃分與CFD計算獲得相應性能參數，建立優化樣本數據庫，導入BP神經網絡模塊經學習訓練后建立優化算法的近似代理模型，最后將其內嵌入NSGA-Ⅱ多目標遺傳算法中，以0.7Q、1.0Q、1.2Q三個流量工況點下的效率、徑向力和軸向力最優為目標，進行遺傳算法的尋優求解，解出葉輪整體的最優解集。一種液力透平葉輪多工況多目標優化設計方法，具體實現步驟如下：Step1:確定液力透平葉輪設計變量、目標函數以及參數約束條件；其次，采用試驗設計方法在設計變量的空間內生成設計變量的試驗樣本；最后，采用Pro/E軟件對液力透平初始模型中的變量進行批量參數化設計；Step2:制作網格及CFD軟件的批處理文件，實現液力透平所有的試驗樣本進行自動網格劃分與性能CFD計算，最后得到所有模型的性能值；Step3:獲得所有樣本模型對應的性能參數后，根據試驗樣本的幾何參數和對應液力透平的性能參數訓練BP神經網絡，以設計變量為近似模型的輸入參數，以與之對應的性能參數為輸出參數，建立近似代理模型；Step4:對種群中的每個個體進行性能評估以及遺傳進化操作，其中個體性能評估功能是通過訓練好的并內嵌于遺傳算法中的代理模型來實現。采用NSGA-Ⅱ多目標遺傳算法對葉輪幾何參數進行優化時，首先隨機生成初始種群，初始種群中的個體編碼；其次，對種群中每個個體進行性能評估，性能參數與目標函數相關；最后，有了每個個體的遺傳基因以及目標函數后根據其原理對種群進行遺傳操作直至滿足算法終止準則，得到多目標優化的Pareto優化解集；Step5:對于獲得的Pareto優化解集，采用基于組合賦權法對其進行選優，從該Pareto最優解集中選擇一個最適合液力透平多工況高效平穩運行的最優解，從而獲得最終優化設計的最優水力模型。2.如權利要求1中所述的一種液力透平葉輪多工況多目標優化設計方法，其特征在于：所述設計變量，參數約束條件以及目標函數如下：(1)設計變量：X＝[D1,D2,α1,α2,R1,R2,b2,β2,Φ,Z]T,X—維數為10的設計變量向量；D1—透平葉輪出口直徑，m；D2—透平葉輪入口直徑，m；α1—透平葉輪前蓋板傾角，°；α2—透平葉輪后蓋板傾角，°；R1—透平葉輪前蓋板圓弧半徑，m；R2—透平葉輪后蓋板圓弧半徑，m；b2—透平葉輪進口軸向寬度，m；β2—透平葉輪葉片進口安放角，°；Φ—透平葉輪葉片包角，°；Z—透平葉輪葉片數，枚；(2)設計變量約束條件分別為：

【專利技術屬性】
技術研發人員：曹新澤，曹大清，王秀禮，
申請(專利權)人：濱州東瑞機械有限公司，
類型：發明
國別省市：山東,37