本发明专利涉及水力机械的优化设计领域，特别是一种液力透平叶轮多工况多目标优化设计方法。
背景技术：
液力透平是将液体流体工质中的压力能转换为机械能的机械设备，利用液力透平可将工艺流程中的液体余压回收再利用，转换为机械能驱动机械设备，是一种能量回收装置，目前广泛应用于石油化工加氢裂化、大型合成氨以及海水淡化等领域。技术上，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术及应用对节能减排有重要意义。液力透平主要有反转泵形式、冲击式、导叶式以及目前一些先进国家研发的专用能量回收液力透平。透平回收装置基本布置方式有直驱式和辅助式布置。液力透平能量回收装置应用广泛,其研究向着专门化、特殊化、多样化的方向发展。
目前国内普遍使用的液力透平以的反转泵为主，不仅运行效率偏低，而且高效区相对较窄，启动过程耗费时间长，运行工况不稳定，制约了能量回收工程领域的发展。泵反转作液力透平运行对流量变化十分敏感，流量高于最优工况的10％时能量回收效率下降50％，流量低于最优工况的40％时，水力透平无回收功率而且在偏离最优工况点运行时会出现振动和转速、输出功率不稳定等不良现象，由此可见液力透平存在对运行工况的变化较为敏感等一系列问题。国内外一些学者研究发现液力透平在运行时叶轮中的水力损失占总水力损失的50％以上，这就说明液力透平水力性能欠佳的主要原因在于其叶轮性能较差。而反转泵作液力透平，其运行在透平工况时常常达不到标准，出现效率低、运行稳定性差、使用寿命短、存在严重的噪声和振动等一系列问题。
基于液力透平以上一系列问题，本发明从透平的叶轮几何参数入手，结合BP神经网络算法以及多目标遗传算法NSGA-Ⅱ对透平进行多工况多目标优化求解，兼顾多个工况点的性能，使效率得以提高的同时保证了各工况的运行稳定性。经检索，与本发明专利相关的专利有：径流式液力透平优化设计方法(公开号：CN102608914A)，本发明公开了一种径流式液力透平通流部件整机优化设计方法，包含一元热力优化设计，以及整机优化平台，将复杂的多变量优化问题分解为多个相对独立却又相互作用的子问题，既保留了原问题的特性，又有效减少了计算量，但其仅针对单点优化，透平在偏离最优工况运行时易失稳现象并没有得到解决；考虑缺陷的大型透平膨胀机叶轮叶片结构优化设计方法(公开号：CN104331553A)，在原有叶轮应力分析基础上，加入缺陷因素，利用广义回归神经网络和基于遗传算法的多目标优化算法对叶轮参数进行遗传优化操作，最终得到分布均匀的最优解作为叶轮叶片优化参数，但其优化过程较复杂繁琐。
技术实现要素：
为了解决液力透平叶轮传统设计与选型的困难以及液力透平运行中偏离最优工况时易出现的振动、功率输出不稳定、效率大幅度偏低等问题，本发明专利提供一种液力透平叶轮多工况多目标优化设计方法，其目的是提高液力透平工作效率与偏工况点的运行稳定性。
本发明技术方案如下：
首先确定液力透平泵叶轮关键几何参数作为优化设计变量及样本数，采用试验方法生成样本并对其进行筛选得到符合要求的样本点，对初始样本进行液力透平整体自动化造型、网格划分与CFD计算获得相应性能参数，建立优化样本数据库，导入BP神经网络模块经学习训练后建立优化算法的近似代理模型，最后将其内嵌入NSGA-Ⅱ多目标遗传算法中，以0.7Q、1.0Q、1.2Q三个流量工况点下的效率、径向力和轴向力最优为目标，进行遗传算法的寻优求解，解出叶轮整体的最优解集。
一种液力透平叶轮多工况多目标优化设计方法，具体实现步骤如下：
Step1:确定液力透平叶轮设计变量、目标函数以及约束，以叶轮的外径D2，出口直径D1，前后盖板的两个倾角α1、α2，前后盖板流线上的两个圆弧半径R1、R2，进口宽度b2,叶片出口安放角β1，叶片包角Φ以及叶片数Z为设计变量；其次，采用试验设计方法在设计变量的空间内生成设计变量的试验样本；最后，采用Pro/E软件对液力透平初始模型中的变量进行批量参数化设计；
Step2:制作网格及CFD软件的批处理文件，实现液力透平所有的试验样本进行自动网格划分与性能CFD计算，最后得到所有模型的性能值；
Step3:获得所有样本模型对应的性能参数后，根据试验样本的几何参数和对应液力透平的性能参数训练BP神经网络，以设计变量为近似模型的输入参数，以与之对应的性能参数为输出参数，建立近似代理模型；
Step4:对种群中的每个个体进行性能评估以及遗传进化操作，其中个体性能评估功能是通过训练好的并内嵌于遗传算法中的代理模型来实现。采用NSGA-Ⅱ多目标遗传算法对叶轮几何参数进行优化时，首先随机生成初始种群，初始种群中的个体编码；其次，对种群中每个个体进行性能评估，性能参数与目标函数相关；最后，有了每个个体的遗传基因以及目标函数后根据其原理对种群进行遗传操作直至满足算法终止准则，得到多目标优化的Pareto优化解集；
Step5:对于获得的Pareto优化解集，采用基于组合赋权法对其进行选优，从该Pareto最优解集中选择一个最适合液力透平多工况高效平稳运行的最优解，从而获得最终优化设计的最优水力模型。
其中，以上步骤中的设计变量，参数约束条件以及目标函数如下：
(1)设计变量：X＝[D1,D2,α1,α2,R1,R2,b2,β1,Φ,Z]T,
(2)设计变量约束条件分别为：
0.8Φ0≤Φ≤1.2Φ0；
INT(0.6Z0)≤Z≤INT(1.4Z0)；
式中几何参数的初始值通过泵或透平类产品的速度系数法等传统设计法设计或选型换算所得。
(3)目标函数：
1)以0.7Q、1.0Q、1.2Q三个流量工况点下的效率最高为目标函数：
式中X—维数为10的设计变量向量；
F(X)—优化的目标函数；
O—初始值；
i—代表0.7Q、1.0Q、1.3Q各流量工况点，1,2,3；
Wi—各工况点的权重因子，通过超传递近似法来确定；
P—罚因子；
H—透平压头；
2)以0.7Q、1.0Q、1.2Q三个流量工况点的径向力最小为目标函数：
3)以0.7Q、1.0Q、1.3Q三个流量工况点的轴向力最小为目标函数：
其中，Step1中的试验方法使用优化的拉丁超立方设计方法，其改进了随机拉丁超立方设计的均匀性，使得因子和响应的拟合更加精确，该设计方法具有较好的空间填充性和均衡性。
其中，Step5中的组合赋权法实现步骤如下：
(1)将NSGA-II算法得到的Pareto最优解集作为方案集，进而将其转化为决策矩阵，利用矢量规范化对决策矩阵进行规范化处理，得到规范化决策矩阵B＝(bij)n×m，n为方案个数，m为属性个数；
(2)利用专家调差法确定m个属性的主观偏好权重矢量ω＝(ω1,ω2,…,ωm)T；
(3)基于规范化决策矩阵并利用信息熵法确定属性的客观权重μ＝(μ1,μ2,…,μm)T；
(4)采用最小二乘法方法将主观和客观权重相结合，得到综合主观和客观决策的各项属性的组合w＝(w1,w2,…,wm)T。
本发明专利的有益效果在于：
1)训练BP神经网络优化算法建立以及更新近似预测模型，减少大负荷的CFD计算，以较少次数计算,获得足够的预测精度。
2)BP神经网络优化算法与NSGA-Ⅱ多目标遗传算法的有机结合，保证整个算法在不断搜索最优解集的同时，兼顾了种群的多样性，精度也得以提升。
3)采用NSGA-Ⅱ多目标遗传算法对透平叶轮进行优化求解，能较好地解决液力透平叶轮传统设计与选型的困难以及液力透平运中偏离最优工况时易出现的振动、功率输出不稳定、效率大幅度偏低等问题，兼顾透平效率、轴向力与径向力，可有效改善透平在多工况下的运行能力。
附图说明
图1为本发明中一种液力透平叶轮多工况多目标优化设计方法的总流程图；
具体实施方式
下面根据附图对本发明进行进一步阐述：
如图1所示为本发明中一种液力透平叶轮多工况多目标优化设计方法的总流程图，其主要步骤流程如下：
Step1:确定液力透平叶轮设计变量、目标函数以及约束，以叶轮的外径D2，出口直径D1，前后盖板的两个倾角α1、α2，前后盖板流线上的两个圆弧半径R1、R2，进口宽度b2,叶片出口安放角β1，叶片包角Φ以及叶片数Z为设计变量；其次，采用试验设计方法在设计变量的空间内生成设计变量的试验样本；最后，采用Pro/E软件对液力透平初始模型中的变量进行批量参数化设计；
Step2:制作网格及CFD软件的批处理文件，实现液力透平所有的试验样本进行自动网格划分与性能CFD计算，最后得到所有模型的性能值；
Step3:获得所有样本模型对应的性能参数后，根据试验样本的几何参数和对应液力透平的性能参数训练BP神经网络，以设计变量为近似模型的输入参数，以与之对应的性能参数为输出参数，建立近似代理模型；
Step4:对种群中的每个个体进行性能评估以及遗传进化操作，其中个体性能评估功能是通过训练好的并内嵌于遗传算法中的代理模型来实现。采用NSGA-Ⅱ多目标遗传算法对叶轮几何参数进行优化时，首先随机生成初始种群，初始种群中的个体编码；其次，对种群中每个个体进行性能评估，性能参数与目标函数相关；最后，有了每个个体的遗传基因以及目标函数后根据其原理对种群进行遗传操作直至满足算法终止准则，得到多目标优化的Pareto优化解集；
Step5:对于获得的Pareto优化解集，采用基于组合赋权法对其进行选优，从该Pareto最优解集中选择一个最适合液力透平多工况高效平稳运行的最优解，从而获得最终优化设计的最优水力模型。
其中，以上步骤中的设计变量，参数约束条件以及目标函数如下：
(1)设计变量：X＝[D1,D2,α1,α2,R1,R2,b2,β1,Φ,Z]T,
(2)设计变量约束条件分别为：
0.8Φ0≤Φ≤1.2Φ0；
INT(0.6Z0)≤Z≤INT(1.4Z0)；
式中几何参数的初始值通过泵或透平类产品的速度系数法等传统设计法设计或选型换算所得。
(3)目标函数：
1)以0.7Q、1.0Q、1.2Q三个流量工况点下的效率最高为目标函数：
式中X—维数为10的设计变量向量；
F(X)—优化的目标函数；
O—初始值；
i—代表0.7Q、1.0Q、1.3Q各流量工况点，1,2,3；
Wi—各工况点的权重因子，通过超传递近似法来确定；
P—罚因子；
H—透平压头；
2)以0.7Q、1.0Q、1.2Q三个流量工况点的径向力最小为目标函数：
3)以0.7Q、1.0Q、1.3Q三个流量工况点的轴向力最小为目标函数：
其中，Step1中的试验方法使用优化的拉丁超立方设计方法，其改进了随机拉丁超立方设计的均匀性，使得因子和响应的拟合更加精确，该设计方法具有较好的空间填充性和均衡性。
其中，Step5中的组合赋权法实现步骤如下：
(1)将NSGA-II算法得到的Pareto最优解集作为方案集，进而将其转化为决策矩阵，利用矢量规范化对决策矩阵进行规范化处理，得到规范化决策矩阵B＝(bij)n×m，n为方案个数，m为属性个数；
(2)利用专家调差法确定m个属性的主观偏好权重矢量ω＝(ω1,ω2,…,ωm)T；
(3)基于规范化决策矩阵并利用信息熵法确定属性的客观权重μ＝(μ1,μ2,…,μm)T；
(4)采用最小二乘法方法将主观和客观权重相结合，得到综合主观和客观决策的各项属性的组合w＝(w1,w2,…,wm)T。
本发明不限于上述实施例，也包含本发明构思范围内其它实施例和变形例。