一种离心泵优化方法

本发明涉及离心泵，具体涉及一种离心泵优化方法。

背景技术：

1、离心泵是一种常见的工业设备，广泛应用于水处理、供水、给排水、农业灌溉等领域。对于离心泵的运行效率、能耗和寿命等方面的要求越来越高，因此，必须通过优化离心泵的性能来满足这些需求。离心泵性能的优化不仅能够提高泵的效率和工作稳定性，同时也能够降低能耗和维护成本。

2、目前离心泵参数优化的传统方法主要由设计人员通过试验不断调整离心泵的几何形状以获得较优性能。这种方法极其依赖设计人员的设计经验，优化过程具有盲目性，且优化效果不稳定。传统的优化方法获取离心泵水力性能的主要手段仍是制造试验泵，并在试验台上测试，这需要消耗大量的人力物力。

技术实现思路

1、本发明的目的在于，提供一种离心泵优化方法，以粒子群算法为基础，通过神经网络将离心泵水力设计参数与其性能关联起来，该方法能够依据实际需要有效优化泵内部各参数，并输出优化后参数值。

2、为实现上述目的，本发明采用的技术方案如下：

3、一种离心泵优化方法，包括以下步骤：

4、s1、构建离心泵的几何模型；

5、s2、基于几何模型，分析离心泵的性能；

6、s3、如果性能不合格，对几何模型进行参数优化，优化包括以下步骤：

7、s31、选取影响离心泵性能的叶轮几何参数，对叶轮几何参数进行重要性排序，并筛除重要性小的叶轮几何参数；s32、构建训练所需的样本集；s33、构建bp神经网络模型，基于样本集并采用粒子群算法对bp神经网络模型进行训练，得到pso-bp神经网络模型；s34、采用快速非支配遗传算法对pso-bp神经网络模型进行全局极值寻优，得到最优叶轮几何参数。

8、进一步地，所述离心泵的性能包括扬程和效率。

9、进一步地，所述s31包括：s311、选取叶轮进口直径、叶轮出口直径、叶轮出口宽度、叶片进口安放角、叶片出口安放角和叶片包角6个叶轮几何参数；s312、将扬程和效率分别作为响应值，使用正交试验对6个叶轮几何参数进行分析因子设计，得到分别对扬程和效率的重要性排序，重要性排序为从大到小，筛除重要性小的叶轮几何参数，将筛除后的叶轮几何参数作为目标优化参数。

10、进一步地，所述s32包括：s321、使用拉丁超立方抽样进行样本抽样，得到多个样本点，每个样本点为一组筛除后的叶轮几何参数，构建不同参数的cfd模型；s322、对cfd模型进行仿真分析，得到cfd模型的扬程和效率，将cfd模型和对应的扬程和效率为一个训练样本，得到包含多个训练样本的样本集。

11、进一步地，所述s33包括：s331、构建bp神经网络模型；s332、初始化bp神经网络模型的bp神经网络；s333、建立粒子与bp神经网络阈值、权值的映射关系；s334、计算粒子群的适应度；s335、比较适应度值，确定个体极限与种群极值；s336、更新粒子速度和位置；s337、达到最大迭代次数或小于设定的最小误差，输出粒子最优解为bp神经网络阈值、权值，否则返回s336；s338、bp神经网络训练输出的阈值、权值直至满足结束条件，得到pso-bp神经网络模型。

12、进一步地，将样本集中5/6的数据作为训练数据，剩余数据作为测试数据。

13、进一步地，所述s33还包括：采用测试数据对pso-bp神经网络模型和传统bp神经网络模型进行测试评价。

14、进一步地，所述s34包括：s341、将扬程和效率取最大作为优化目标，建立优化变量与目标优化参数之间的优化目标函数；s342、初始化快速非支配遗传算法的参数，设置种群规模、个体之间的最小间距、交叉和变异的概率；s343、基于优化目标函数、目标优化参数的约束条件，建立快速非支配遗传算法的数学模型；s344、采用nsga-ⅲ算法对数学模型寻优，得到优化后的全局pareto前沿分布，以扬程不低于设计扬程为条件在全局pareto前沿分布的pareto解集进行筛选，选择满足设计扬程同时，效率达到最大的一组解作为最优解，得到最优叶轮几何参数。

15、进一步地，所述快速非支配遗传算法的数学模型为：

16、;

17、式中，w为优化目标函数，为目标函数， 表示最大优化，h为扬程，h设计为设计的扬程，η为效率，b2为叶轮出口宽度，β1为叶片进口安放角，β2为叶片出口安放角，θ为叶片包角，b21和b22分别为约束条件中叶轮出口宽度的最小和最大取值，β11和β12分别为约束条件中叶片进口安放角的最小和最大取值，β21和β22分别为约束条件中叶片出口安放角的最小和最大取值，θ1和θ2分别为约束条件中叶片包角的最小和最大取值。

18、与现有技术相比，本发明具有以下有益效果：

19、本发明利用粒子群算法和快速非支配遗传算法的联合实现对于预测模型的快速迭代优化，最终得到最优叶轮几何参数，与传统的优化方向比较，联合算法的优化过程具有更高的优化效率，通过更短的优化时间获得更高的优化精度和更好的优化效果。

技术特征：

1.一种离心泵优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种离心泵优化方法，其特征在于，所述离心泵的性能包括扬程和效率。

3.根据权利要求2所述的一种离心泵优化方法，其特征在于，所述s31包括：s311、选取叶轮进口直径、叶轮出口直径、叶轮出口宽度、叶片进口安放角、叶片出口安放角和叶片包角6个叶轮几何参数；s312、将扬程和效率分别作为响应值，使用正交试验对6个叶轮几何参数进行分析因子设计，得到分别对扬程和效率的重要性排序，重要性排序为从大到小，筛除重要性小的叶轮几何参数，将筛除后的叶轮几何参数作为目标优化参数。

4.根据权利要求3所述的一种离心泵优化方法，其特征在于，所述s32包括：s321、使用拉丁超立方抽样进行样本抽样，得到多个样本点，每个样本点为一组筛除后的叶轮几何参数，构建不同参数的cfd模型；s322、对cfd模型进行仿真分析，得到cfd模型的扬程和效率，将cfd模型和对应的扬程和效率为一个训练样本，得到包含多个训练样本的样本集。

5.根据权利要求1所述的一种离心泵优化方法，其特征在于，所述s33包括：s331、构建bp神经网络模型；s332、初始化bp神经网络模型的bp神经网络；s333、建立粒子与bp神经网络阈值、权值的映射关系；s334、计算粒子群的适应度；s335、比较适应度值，确定个体极限与种群极值；s336、更新粒子速度和位置；s337、达到最大迭代次数或小于设定的最小误差，输出粒子最优解为bp神经网络阈值、权值，否则返回s336；s338、bp神经网络训练输出的阈值、权值直至满足结束条件，得到pso-bp神经网络模型。

6.根据权利要求1所述的一种离心泵优化方法，其特征在于，将样本集中5/6的数据作为训练数据，剩余数据作为测试数据。

7.根据权利要求6所述的一种离心泵优化方法，其特征在于，所述s33还包括：采用测试数据对pso-bp神经网络模型和传统bp神经网络模型进行测试评价。

8.根据权利要求3所述的一种离心泵优化方法，其特征在于，所述s34包括：s341、将扬程和效率取最大作为优化目标，建立优化变量与目标优化参数之间的优化目标函数；s342、初始化快速非支配遗传算法的参数，设置种群规模、个体之间的最小间距、交叉和变异的概率；s343、基于优化目标函数、目标优化参数的约束条件，建立快速非支配遗传算法的数学模型；s344、采用nsga-ⅲ算法对数学模型寻优，得到优化后的全局pareto前沿分布，以扬程不低于设计扬程为条件在全局pareto前沿分布的pareto解集进行筛选，选择满足设计扬程同时，效率达到最大的一组解作为最优解，得到最优叶轮几何参数。

9.根据权利要求8所述的一种离心泵优化方法，其特征在于，所述快速非支配遗传算法的数学模型为：

技术总结本发明公开了一种离心泵优化方法，包括构建离心泵的几何模型；基于几何模型，分析离心泵的性能；如果性能不合格，对几何模型进行参数优化。本发明利用粒子群算法和快速非支配遗传算法的联合实现对于预测模型的快速迭代优化，最终得到最优叶轮几何参数，与传统的优化方向比较，联合算法的优化过程具有更高的优化效率，通过更短的优化时间获得更高的优化精度和更好的优化效果。技术研发人员：陆景,杨果,庹先国,胡光忠,宋先辉受保护的技术使用者：四川轻化工大学技术研发日：技术公布日：2024/9/2