本发明涉及一种喷射器性能预测方法,尤其是一种基于采用思维进化算法(mea)的bp人工神经元网络的喷射器性能的预测方法。
背景技术:
喷射器由一股压力较高的流体通过工作喷嘴产生真空,并吸入压力较低的流体,混合后通过扩压器提高流体的压力,最终得到中等压力的流体,即将低压流体压力的提升,实现压缩的效果。喷射器可以利用工业余压、余热、废热、太阳能热、地热等低品位能源作为驱动,无需消耗电力,具有良好的节能减排效果,在能源环境形势严峻的背景下,在化工、热能、制冷、暖通等领域得到了广泛应用与大量关注和研究。
临界工作状态下的引射系数(ε)与出口背压(pc)是喷射器关键的性能参数。但由于喷射器内部流动非常复杂,包括两次壅塞、超音速流动、各类激波、扇形扩散等现象,采用一维物理模型模拟得到的参数精度较低,效果较差,如文献1(w.chenetal.theoreticalanalysisofejectorrefrigerationsystemperformanceunderoverallmodes.appliedenergy,185-2:2074-2084,2016,即w.chen等.全工况下喷射制冷系统性能的理论分析.应用能源,185-2:2074-2084,2016.)以及文献2(jm.cardemiletal.ageneralmodelforevaluationofvaporejectorsperformanceforapplicationinrefrigeration.energyconversionandmanagement,64:79-86,2012,即jm.cardemil等.一个用于制冷用蒸汽喷射器性能评估的模型.能量转换与管理,64:79-86,2012.)中所示的传统模型的平均误差多在5-10%,而最大误差可达15%以上。如采用计算流体力学的方法则耗时过长、也耗费人力物力,不适合设计及相关循环的研究。上述现状对喷射器的设计应用、相关循环研究等工作带来问题。
技术实现要素:
为了克服已有喷射器性能的预测方法的预测精度较低、耗时较长的不足,本发明提供了一种预测精度较高、耗时较短的基于采用改进思维进化算法的bp人工神经元网络的喷射器性能的预测方法。
本发明解决其技术问题所采用的技术方案是:
一种基于采用改进思维进化算法的bp人工神经元网络的喷射器性能的预测方法,包括以下步骤:
步骤一,数据的采集与处理:对于给定的喷射器,收集相关参数即引射流体压力pe、工作流体压力pp、出口背压pc和引射系数ε,对引射流体压力、工作流体压力与出口背压进行归一化处理,使其到[0,1]之间,公式如下:
其中,k为归一化后的数据,x为被归一化数据,xmin为被归一化数据中的最小值,xmax为被归一化数据中最大值;
步骤二,思维进化算法初始化参数设置:对包括种群大小、优胜子种群个数、临时子种群个数、子群体大小、迭代次数等参数进行设置并建立最初种群;
步骤三,根据得分函数计算最初种群中得分最高的若干个优胜个体和临时个体,以这些个体为中心产生新的个体,得到优胜子种群和临时子种群;
步骤四,趋同操作,各子种群内的个体相互竞争,直至产生成熟的子种群,将得分进行记录;
步骤五,异化操作,各个成熟子种群的最优个体进行全局竞争并形成新的临时群体;
步骤六,将得分较低的子群体中保留得分相对较高的子群体进行交叉变异得到新的个体,再将剩余的子群体淘汰掉并在全局范围内重新进行搜索并形成新的临时群体;
步骤七,重复步骤四~步骤六达到迭代次数上限,此时产生的评分最高的个体即为所求最佳个体;
步骤八,神经网络结构建立与参数初始化:根据网络的输入输出矢量,确定神经网络结构,隐含层数为一层,神经元个数根据经验公式:
步骤九,改进bp-mea神经网络的训练:用步骤(8)中建立的人工神经网络进行训练,在经过若干次迭代直到预测值与期望值小于给定值,此时神经网络训练结束,该训练完成的神经网络即为建立的喷射器性能预测bp-mea神经网络;
步骤十,在工程实际应用中,采集给定喷射器的实测数据,包括引射流体压力pe、工作流体压力pp;按步骤一的方法将数据进行归一化处理,然后再输入到建立完成的改进bp-mea神经网络中,得到输出向量出口背压pc和引射系数ε,再将出口背压进行反归一化处理,即得到预测值。
进一步,所述步骤二中,思维进化算法参数初始化,如种群大小、优胜子种群个数以及临时子种群个数,每个个体则由神经网络的权值与阈值组成。本bp-mea神经网络结构为l-m-n,即输入层有l个节点,隐含层有m个节点,输出层有n个节点,所以共有l×m×n个权值,m+n个阈值,所以本算法个体编码长度为且权值与阈值为[-1,1]之间的随机数;采用上述编码建立评价函数,对个体进行评分,评分越高以该个体为权值和阈值所建立的bp-mea神经网络的预测结果越精确。
再进一步,所述步骤三中,产生s个个体,按照步骤三进行评分并按照得分大小升序排列,产生n1个评分最高的优胜个体和n2个评分较高的临时个体,以上述个体为中心,在每个个体周围产生h个新的个体,从而得到个体数为h的n1个优胜子种群和n2个临时子种群。
更进一步,所述步骤四中,趋同操作过程为:各子种群内的个体相互竞争,选取并记录最优解为所产生的新胜者,若不再产生新的胜者,则该子群体为成熟子群体,趋同过程结束后形成成熟优胜种群和成熟临时种群,分别记录各个子种群中最优个体的得分作为该子种群的得分。
所述步骤五中,异化操作过程为:各个成熟子种群的最优个体进行全局竞争,若临时子群体的得分高于某个成熟的优胜子群体的得分,则该优胜子群体会被获胜的临时子群体替代,原优胜子群体中的个体被释放;若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放。
所述步骤六中,将淘汰掉的临时子群体释放并在全局范围内进行搜索重新形成新的临时子群体,选取优胜子群体中表现较好的两个子群体中最优个体采用实数交叉法进行交叉操作,将该群体中第k个染色体ak和第l个染色体al在j位的交叉操作方法如下:
akj=akj(1-r)+aljr
alj=alj(1-r)+akjr
其中,r是[0,1]间的随机数,产生新的个体并以新的个体作为中心产生s个新的个体并进行趋同操作得到成熟子群体后再进行异化操作。
所述步骤七中,设置迭代次数上限x次,产生的评分最高的个体即为所求最佳个体。
所述步骤八中,改进bp-mea神经网络结构建立与相关参数的初始化:将最佳个体所包含的阈值与权值进行解码,构建bp人工神经网络,根据神经网络输入样本,即引射流体压力、工作流体压力,输出样本,即出口背压,引射系数,输入层、隐含层和输出层各层之间的连接权值初始化值随机取[-1,1],用ωij、ωjk表示,学习率η取0.1~0.2,训练目标取10-3~10-6。
所述步骤九中,输入训练样本开始对神经网络进行训练过程如下:
9.1)隐含层的计算:其中l、m、n分别表示输入层节点数,隐含层节点数与输出层节点数,f(x)为传递函数取s型(sigmoid)函数,x为输出层输入的数据;
隐含层节点的输入
隐含层节点的输出hj=f(sj)
9.2)输出层的计算:其中yb为神经网络建立过程中的预测输出;
输出层节点的输出
9.3)误差计算:神经网络输出层第k个神经元预测输出为ybk,yk为第k个神经元的期望输出,它们之间存在误差ek,公式如下:
ek=yk-ybk
9.4)权值的更新:根据误差ek更新网络输入层与隐含层之间的权值ωij,隐含层和输出层之间的权值ωjk公式如下:
ωjk=ωjk+ηhjek
9.5)阈值的更新:根据误差e更新网络节点阈值a,b;
bk=bk+ek
9.6)调整后的权值、阈值重新赋予改进bp-mea神经网络,重复步骤9.1)-9.5)直到误差低于训练目标或者循环次数超过设置上限为止,该改进bp-mea神经网络训练完成。
本发明的技术构思为:思维进化算法与传统算法相比,可以做到群体搜索,进化算法已经应用于解决复杂的预测模型,并起到很好的效果。本发明改进了思维进化算法,提出了采用改进思维进化算法(mea)的bp人工神经元网络的方法,对群体的组成同时采用两种方法,一种是在全局范围内随机搜索形成新的临时群体;另一种则是选取得分较高的个体之间进行交叉变异生成。其中,前一种用于全局范围内搜寻最优解,后者则对局部范围内得到的相对最优解进行交叉以寻得更优解,由此计算精度比传统思维进化算法更高。
基于此,本发明提出采用改进思维进化算法(mea)的bp人工神经元网络的方法预测喷射器的引射系数(ε)与出口背压(pc)等关键参数,可以无需考虑复杂的流动机理,即可方便快速地获得高精度的预测结果,为喷射器相关的设计制造、循环研究等提供必要的基础。
本发明的有益效果主要表现在:采用本发明只需测量工作流体压力与引射流体压力,就可以方便快捷的对喷射器性能进行预测,有效解决传统方法误差普遍较大的问题,提高预测精度。
附图说明
图1是bp神经网络拓扑结构;
图2是改进bp-mea神经网络预测结果误差图;
图3是改进bp-mea神经网络预测喷射器性能流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1~图3,一种基于采用改进思维进化算法的bp人工神经元网络的喷射器性能的预测方法,包括以下步骤:
步骤一,数据的采集与处理:对于给定的喷射器,收集相关参数即引射流体压力(pe)、工作流体压力(pp)、出口背压(pc)和引射系数(ε)。为加快神经网络的收敛和减少训练时间,需要对引射流体压力、工作流体压力与出口背压进行归一化处理,使其到[0,1]之间,公式如下:
其中,k为归一化后的数据,x为被归一化数据,xmin为被归一化数据中的最小值,xmax为被归一化数据中最大值。
步骤二,思维进化算法初始化参数设置:对包括种群大小、优胜子种群个数、临时子种群个数、子群体大小、迭代次数等参数进行设置并建立最初种群。
步骤三,根据得分函数计算最初种群中得分最高的若干个优胜个体和临时个体,以这些个体为中心产生新的个体,得到优胜子种群和临时子种群。
步骤四,趋同操作,各子种群内的个体相互竞争,直至产生成熟的子种群,将得分进行记录。
步骤五,异化操作,各个成熟子种群的最优个体进行全局竞争并形成新的临时群体。
步骤六,将得分较低的子群体中保留得分相对较高的子群体进行交叉变异得到新的个体,再将剩余的子群体淘汰掉并在全局范围内重新进行搜索并形成新的临时群体。
步骤七,重复步骤四~步骤六达到迭代次数上限,此时产生的评分最高的个体即为所求最佳个体。
步骤八,神经网络结构建立与参数初始化:根据输入输出向量得到人工神经网络的拓扑结构,确定神经网络结构输入层神经元为2个,输出层神经元为2个,隐含层数为一层,神经元个数为5,将所求最佳个体进行解码,提取权值和阈值进行人工神经网络的建立。
步骤九,改进bp-mea神经网络的训练:用步骤(8)中建立的人工神经网络进行训练,在经过若干次迭代直到预测值与期望值小于给定值,此时神经网络训练结束。该训练完成的神经网络即为本发明所建立的喷射器性能预测bp-mea神经网络。
步骤十,在工程实际应用中,采集给定喷射器的实测数据,包括引射流体压力(pe)、工作流体压力(pp);按步骤一的方法将数据进行归一化处理,然后再输入到建立完成的改进bp-mea神经网络中,得到输出向量出口背压(pc)和引射系数(ε),再将出口背压进行反归一化处理,即得到预测值。
x=k·(xmax-xmin)+xmin
所述步骤二中,将思维进化算法参数初始化,种群大小为1000,优胜子种群个数与临时子种群个数为5,每个子种群包含100个个体,每个个体由神经网络的权值与阈值组成,由于本bp-mea神经网络结构为2-5-2,即输入层有2个节点,输出层有2个节点,隐含层有5个节点,所以共有2×5×2=20个权值,5+2个阈值,所以本算法个体编码长度为27且权值与阈值为[-1,1]之间的随机数。采用上述编码建立评价函数,对个体进行评分,其中,评分越高以该个体为权值和阈值所建立的bp-mea神经网络的预测结果越精确。
所述步骤三中,产生1000个个体,按照步骤三进行评分并按照得分大小升序排列,产生5个评分最高的优胜个体和5个评分较高的临时个体,以上述个体为中心,在每个个体周围产生99个新的个体,从而得到个体数为100的5个优胜子种群和5个临时子种群;
所述步骤四中,趋同操作过程为:各子种群内的个体相互竞争,选取并记录最优解(评分最高)为所产生的新胜者,若不再产生新的胜者,则该子群体为成熟子群体,趋同过程结束后形成成熟优胜种群和成熟临时种群,分别记录各个子种群中最优个体的得分作为该子种群的得分。
所述步骤五中,异化操作过程为:各个成熟子种群的最优个体进行全局竞争,若临时子群体的得分高于某个成熟的优胜子群体的得分,则该优胜子群体会被获胜的临时子群体替代,原优胜子群体中的个体被释放;若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放。
所述步骤六中,将淘汰掉的临时子群体释放并在全局范围内进行搜索重新形成新的临时子群体,优胜子群体中表现较差的两个子群体中最优个体采用实数交叉法进行交叉操作,将该群体中第k个染色体ak和第l个染色体al在j位的交叉操作方法如下:
akj=akj(1-r)+aljr
alj=alj(1-r)+akjr
其中,r是[0,1]间的随机数。产生新的个体并以新的个体作为中心产生99新的个体并进行趋同操作得到成熟子群体后再进行异化操作。
所述步骤七中,迭代次数上限500次,产生的评分最高的个体即为所求最佳个体。
所述步骤八中:改进bp-mea神经网络结构建立与相关参数的初始化:将最佳个体所包含的阈值与权值进行解码,构建bp人工神经网络,根据神经网络输入样本(引射流体压力、工作流体压力),输出样本(出口背压,引射系数),输入层、隐含层和输出层各层之间的连接权值初始化值随机取[-1,1],用ωij、ωjk表示,学习率η取0.1,训练目标取0.00001,循环次数200次。
所述步骤九中,输入训练样本开始对神经网络进行训练过程如下:
9.1)隐含层的计算:其中i、j、k分别表示输入层节点数,隐含层节点数与输出层节点数,f(x)为传递函数取s型(sigmoid)函数,x为输出层输入的数据。
隐含层节点的输入
隐含层节点的输出hj=f(sj)
9.2)输出层的计算:其中yb为神经网络建立过程中的预测输出。
输出层节点的输出
9.3)误差计算:神经网络输出层第k个神经元预测输出为ybk,yk为第k个神经元的期望输出,它们之间存在误差ek,公式如下:
ek=yk-ybk
9.4)权值的更新:根据误差ek更新网络输入层与隐含层之间的权值ωij,隐含层和输出层之间的权值ωjk公式如下:
ωjk=ωjk+ηhjek
9.5)阈值的更新:根据误差e更新网络节点阈值a,b。
bk=bk+ek
9.6)调整后的权值、阈值重新赋予改进bp-mea神经网络,重复步骤9.1)-9.5)直到误差低于训练目标或者循环次数超过设置上限为止,该改进bp-mea神经网络训练完成。
实例:为更好的体现本发明的效果,现将本发明的方法进行实际运行。采用文献3(iw.eamesetal.atheoreticalandexperimentalstudyofasmall-scalesteamjetrefrigerator.internationaljournalofrefrigeration,18(6):378-386,1995,即iw.eames等.小型蒸汽喷射制冷机的理论与实验研究.国际制冷学报,18(6):378-386,1995)中的方法获得引射流体压力在706pa-2339pa的110组数据,从其中随机选取80组数据作为训练样本,运用本专利所述方法进行多次训练得到bp神经网络。剩下的30组数据用来验证神经网络的可靠性,选取输入样本(引射流体压力pe、工作流体压力pp)采用训练完毕的bp-mea神经网络进行出口背压pc和引射系数ε的预测,将预测的结果与文献结果进行比较,计算误差,公式如下所示:
其中,μ是预测值与文献值的误差,神经网络预测值为yb,y是文献值。
具体预测结果与文献值如表1及图2所示,
表1
其中,最后预测结果的平均误差为0.28%,最大误差为1.1%,采用改进bp-mea神经网络的预测结果较为精确。改进bp-mea神经网络完成的喷射器引射系数与出口背压的预测方法和传统方法如文献1以及文献2中的方法进行比较可以发现,采用传统模型的平均误差多在5-10%,而最大误差可达15%以上。可见采用本专利的方法在保证快速进行预测的前提下,可以大大提升预测精度。