【技术实现步骤摘要】
本专利技术属于叶轮机械优化设计，具体涉及一种对旋轴流风机多目标多部件一体化优化方法及设备。
技术介绍
1、对旋轴流风机是由设计压力、轮毂直径、叶轮外径和叶轮转速相同的反向转动的两级叶轮串联而成的一种特殊轴流风机。对旋轴流风机能够有效地通风换气，并收集和排出粉尘，保持良好的环境；同时对旋轴流风机结构简单，无导叶，这使得其整体结构紧凑，易于安装和移动。
2、由于对旋轴流风机具有效率高、单级压比高、使用灵活、反风性能好等优点，主要应用于矿井、输送易燃气体和煤尘的工业部门，也多用于隧道、船舶的通风换气及冷却塔、风洞和锅炉上。
3、虽然对旋轴流风机的优越性使其应用的范围越来越广，但是目前应用于各行业的对旋轴流风机普遍效率较低，稳定运行工况范围较窄。现有对旋轴流风机设计优化方法大多是结合人工经验、通过试验和模拟研究某些参数对性能的影响总结得到，往往受限于初始参数的设定和试验范围，难以保证找到全局最优解，并且优化结果可能受到假设和误差累积影响，难以通过现有方法提高对旋轴流风机的综合性能。因此，现有方法处理多参数优化问题十分困难，迫切需要建立针对对旋轴流风机的智能化优化方法体系。
技术实现思路
1、本专利技术的目的在于提供一种对旋轴流风机多目标多部件一体化优化方法及设备，用于解决现有的方法处理多参数优化问题困难的技术问题。
2、为了达到上述目的，本专利技术采用以下技术方案予以实现：
3、本专利技术公开了一种对旋轴流风机多目标多部件一体化优化方法，包括
4、获取对旋轴流风机的优化目标；
5、对对旋轴流风机的多部件进行参数化建模，通过参数化建模选取多部件的几何参数组合，并根据多部件的几何参数组合作为多维决策变量确定多维决策空间；
6、在多维决策空间进行一体化采样得到决策样本集；随后求解决策样本集对应的对旋轴流风机的气动性能，构成多目标气动样本集；
7、以决策样本集为输入层、决策样本集对应的气动样本集为输出层，采用遗传算法优化神经网络的权值和阈值，确定隐含层结构，得到优化神经网络代理模型；
8、根据确定的优化目标，基于优化神经网络代理模型通过遗传算法在多维决策空间内进行全局搜索和非线性寻优，输出帕累托最优解集；
9、从帕累托最优解集中确定全局最优解并进行数值仿真验证，由此获得优化后对旋轴流风机的几何模型。
10、进一步地，对对旋轴流风机的部件进行参数化建模，所述对旋轴流风机的部件包括两排叶片、进口集流器和出口扩压器。
11、进一步地，对对旋轴流风机的两排叶片进行参数化建模，包括以下步骤：
12、通过贝塞尔曲线拟合两排叶片的轮盘和轮毂型线，进行端壁定义；
13、从两排叶片的叶根到叶顶定义截面，进行流面定义；
14、进行两排叶片的积叠及弯掠规律定义，随后进行叶型定义，完成对旋轴流风机两排叶片的参数化建模。
15、进一步地，对对旋轴流风机的进口集流器进行参数化建模，包括以下步骤：
16、在子午流面内，选择采用直线、贝塞尔曲线或b样条曲线拟合进口集流器流道形状；或者采用直线、贝塞尔曲线或b样条曲线构成的复合线形对复杂的进口集流器流道形状进行分段拟合。
17、进一步地，对对旋轴流风机的出口扩压器进行参数化建模，包括以下步骤：
18、在子午流面内，选择采用直线、贝塞尔曲线或b样条曲线拟合出口扩压器流道形状；或者采用直线、贝塞尔曲线或b样条曲线构成的复合线形对复杂的出口扩压器流道线形进行分段拟合。
19、进一步地，所述根据多维决策空间得到决策样本集是在多维决策空间内进行一体化拉丁超立方采样得到决策样本集。
20、进一步地，所述决策样本集的数目不少于决策变量数目的20倍。
21、进一步地，所述在多维决策空间内进行一体化拉丁超立方采样得到决策样本集的具体步骤为：
22、在多维决策空间内进行拉丁超立方采样并确定采样数目，拉丁超立方采样将每个决策空间基于均匀分布划分为若干个概率相同的区间，从每个决策空间对应的若干个区间中随机选择一个点作为初始采样点来反应多维参数空间的特性，对每个决策空间的若干个初始采样点进行随机排列以打破相关性，最终从每个空间的若干个初始采样点中分别选择一个点，组成符合样本数目的多维决策变量参数组合即决策样本集。
23、进一步地，求解决策样本集对应的对旋轴流风机的气动性能是采用数值仿真进行求解；
24、所述数值仿真的设置包括：
25、数值仿真的计算区域包括对旋轴流风机的集流器、两排对转叶轮及扩压器；
26、采用运动坐标系和混合平面模型来描述对旋轴流风机内部流场的运动特性；
27、使用n-s控制方程组，结合雷诺平均方法和rng k-ε湍流模型模拟湍流流场的行为；
28、集流器进口截面边界条件为质量流量进口，扩压器出口截面边界条件为压力出口。
29、本专利技术还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述所述的对旋轴流风机多目标多部件一体化优化方法的步骤。
30、与现有技术相比，本专利技术具有以下有益效果：
31、本专利技术公开了一种对旋轴流风机多目标多部件一体化优化方法，针对原始对旋轴流风机在性能方面的不足根据用户具体需求确定优化目标，针对对旋轴流风机多部件进行参数化建模，选取各部件几何参数组合作为多维决策变量并进一步确定多维决策空间；在多维决策空间内进行一体化拉丁超立方采样得到决策样本集，通过数值仿真求解不同决策样本集对应的对旋轴流风机多个气动性能，构成多目标气动样本集；以决策样本集即对旋轴流风机各部件几何参数组合为输入层，对应的气动样本集即对旋轴流风机多目标气动性能为输出层，采用遗传算法优化神经网络的权值和阈值，确定隐含层结构；以对旋轴流风机多目标气动性能最佳为优化目标，基于神经网络代理模型通过遗传算法进行全局搜索和非线性寻优，输出帕累托最优解集；确定全局最优解并进行数值仿真验证，获得在多个优化目标上均优于原始对旋轴流风机的各部件几何参数组合，由此获得优化后对旋轴流风机的几何模型；该优化方法具有完整智能的优化体系，参数化建模将复杂的对旋轴流风机几何结构转化为一系列易于操作的参数，并能够实现对其关键特征的精确控制，使智能优化方法变得更加可行，神经网络可以通过大量的训练数据学习对旋轴流风机性能与决策变量之间的复杂非线性关系，从而指导遗传算法进行更有效的优化搜索，遗传算法作为一种全局优化算法，允许探索非传统的设计方案并帮助找到最优的改进方案，在提高对旋轴流风机效率、拓宽稳定运行工况范围、实现多目标优化的同时，节省时间和成本。
32、进一步地，以决策样本集即对旋轴流风机各部件几何参数组合为输入层，对应的气动样本集即对旋轴流风机多目标气动性能为输出层，结合遗传算法优化权值和阈值训本文档来自技高网...
【技术保护点】
1.一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的部件进行参数化建模，所述对旋轴流风机的部件包括两排叶片、进口集流器和出口扩压器。
3.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的两排叶片进行参数化建模，包括以下步骤：
4.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的进口集流器进行参数化建模，包括以下步骤：
5.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的出口扩压器进行参数化建模，包括以下步骤：
6.根据权利要求1所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，所述根据多维决策空间得到决策样本集是在多维决策空间内进行一体化拉丁超立方采样得到决策样本集。
7.根据权利要求6所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，所
8.根据权利要求6所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，所述在多维决策空间内进行一体化拉丁超立方采样得到决策样本集的具体步骤为：
9.根据权利要求1所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，求解决策样本集对应的对旋轴流风机的气动性能是采用数值仿真进行求解；
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述对旋轴流风机多目标多部件一体化优化方法的步骤。
...【技术特征摘要】
1.一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的部件进行参数化建模，所述对旋轴流风机的部件包括两排叶片、进口集流器和出口扩压器。
3.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的两排叶片进行参数化建模，包括以下步骤：
4.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的进口集流器进行参数化建模，包括以下步骤：
5.根据权利要求2所述的一种对旋轴流风机多目标多部件一体化优化方法，其特征在于，对对旋轴流风机的出口扩压器进行参数化建模，包括以下步骤：
6.根据权利要求1所述的一种对旋轴流风机多目标多部件一体化优化方法，其特...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。