CN103020345A - 一种基于matlab遗传算法的离心泵设计方法 - Google Patents

Abstract

本发明公开了一种基于MATLAB遗传算法的离心泵设计方法，首先选取离心泵叶轮进出口直径、叶片进出口位置、叶片进出口安放角、叶片进出口宽度及叶片数作为优化变量，建立离心泵整体损失功率的分目标函数、汽蚀余量分目标函数、离心泵稳定性分目标函数；再分别取各个分目标函数的最小初值，为各个分目标函数分配权值ρ_i，建立统一的目标函数g(X)；然后根据速度系数法结果，设置优化变量的约束条件；最后采用MATLAB遗传算法工具箱，得到g(X)的最小值，以及各变量的值。与现有技术相比，本发明缩短了设计周期，简化优化过程，同时能保证稳定性。

Description

一种基于MATLAB遗传算法的离心泵设计方法

技术领域

本发明涉及离心泵的设计与制造技术领域，特别涉及一种基于MATLAB遗传算法的离心泵设计方法。

背景技术

目前应用于离心泵优化设计的方法目前主要有两种：损失极值法和基于CFD分析的筛选法。基于CFD分析的筛选法目前已基本实用化，根据设计成形的水泵流道及叶片形状预测离心泵性能；通过反复修改模型，直到筛选出较满意的设计方案。但该方法工作量大，周期也较长。损失极值法通过建立泵损失和设计参数间的相互关系，在满足设计工况的条件下，从不同组合的泵几何参数中选择最佳的组合使泵的总损失最小。损失极值法具有较严格的数学理论，可采用遗传算法及神经网络等先进的计算方法进行优化。但从现有的研究成果看，一方面理论上尚未具备水泵损失的精确公式，而且优化目标多为单一目标优化，从而有一定的局限性。另一方面能为设计人员提供的设计参数也非常有限，这就阻碍了这一方法的工程应用推广。

遗传算法(Genetic Algorithm，简称GA)起源于对生物系统进行的计算机模拟研究，是基于生物遗传和进化机制的优化技术。能随机进行全局搜索和优化，通过随机选择、交叉和变异操作，产生一群更适应环境的个体，使群体进化到搜索空间越来越准确，来有效的解决非线性约束优化、离散变量优化与传统优化算法不能解决的问题，求得问题的最优解。把遗传算法引入到水力机械优化设计中，遗传算法所特有的寻优功能将能够很好地解决无法收敛到全局最优解这一问题。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种基于MATLAB遗传算法的离心泵设计方法，简化传统的离心泵优化设计过程。

本发明的目的通过以下技术方案实现：

一种基于MATLAB遗传算法的离心泵设计方法，包括以下步骤：

（1）选取离心泵叶轮进口直径D₀、叶轮出口直径D₂、叶片进口位置D′₁、叶片进口安放角β₁、叶片出口安放角β₂、叶片进口宽度b₁、叶片出口b₂及叶片数z作为优化变量，建立离心泵整体损失功率的分目标函数g₁(x)、汽蚀余量分目标函数g₂(x)、离心泵稳定性分目标函数g₃(x)；

（2）分别取各个分目标函数的最小初值，为各个分目标函数分配权值ρ_i，建立统一的目标函数 $g\left(X\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\left[\frac{g_i-{g_i}^0}{{g_i}^0}\right]}^3;$

（3）根据速度系数法结果，设置优化变量的约束条件；

（4）采用MATLAB遗传算法工具箱，在MATLAB中建立起目标函数与约束条件的数学模型，然后求解建立的离心泵多目标多变量函数，得到g(X)的最小值，以及变量的值。

所述离心泵整体损失功率包括机械损失功率、容积损失功率和水利损失功率。

与现有技术相比，本发明具有以下优点和有益效果：

（1）本发明对目标函数的优化采用了遗传算法，有效解决非线性约束优化、离散变量优化问题，克服了传统算法无法求解的全局最优解问题，并且遗传算法对水利机械的适应度更好，计算优化的效率更高。

（2）本发明可以有效的缩短设计周期，减少了离心泵相关参数设计计算的工作量，为后续工作的展开能提供有效快捷的帮助。

（3）本发明方法囊括了所有的设计参数，对叶轮整体一系列参数同时优化。避免了因遗漏个别设计参数而造成的离心泵性能的受损。

附图说明

图1为叶轮的平面示意图。

图2为叶轮的轴面示意图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

本实施例以单级IS型清水离心泵的设计为例，设计工况参数如下：流量198m3/h，扬程50m，泵转速2900rpm；进行以下步骤：

（1）选取离心泵叶轮进口直径D₀、叶轮出口直径D₂、叶片进口位置D′₁、叶片进口安放角β₁、叶片出口安放角β₂、叶片进口宽度b₁、叶片出口b₂及叶片数z作为优化变量，建立离心泵整体损失功率的分目标函数g₁(x)、汽蚀余量分目标函数g₂(x)、离心泵稳定性分目标函数g₃(x)；图1~2为叶轮的变量示意图。

（2）分别取各个分目标函数的最小初值，为各个分目标函数分配权值ρ_i，建立统一的目标函数 $g\left(X\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\left[\frac{g_i-{g_i}^0}{{g_i}^0}\right]}^3;$

（3）根据速度系数法结果，设置优化变量的约束条件；

（4）采用MATLAB遗传算法工具箱，在MATLAB中建立起目标函数与约束条件的数学模型，然后求解建立的离心泵多目标多变量函数，得到g(X)的最小值，以及优化变量的值。

优化结果表明，优化后离心泵设计变量的值与原有实体模型的尺寸相比较，有相应的改变。而优化后的离心泵能量损失减少了240W（相对减少25%），必需汽蚀余量降低了0.60m（相对降低11%），同时保证了离心泵性能的稳定。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (2)

1.一种基于MATLAB遗传算法的离心泵设计方法，其特征在于，包括以下步骤：

（1）选取离心泵叶轮进口直径D₀、叶轮出口直径D₂、叶片进口位置D′₁、叶片进口安放角β₁、叶片出口安放角β₂、叶片进口宽度b₁、叶片出口b₂及叶片数z作为优化变量，建立离心泵整体损失功率的分目标函数g₁(x)、汽蚀余量分目标函数g₂(x)、离心泵稳定性分目标函数g₃(x)；

（2）分别取各个分目标函数的最小初值，为各个分目标函数分配权值ρ_i，建立统一的目标函数 $g\left(X\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\ρ}}_i{\left[\frac{g_i-{g_i}^0}{{g_i}^0}\right]}^3;$

（3）根据速度系数法结果，设置优化变量的约束条件；

（4）采用MATLAB遗传算法工具箱，在MATLAB中建立起目标函数与约束条件的数学模型，然后求解建立的离心泵多目标多变量函数，得到g(X)的最小值，以及各变量的值。

2.根据权利要求1所述的基于MATLAB遗传算法的离心泵设计方法，其特征在于，所述离心泵整体损失功率包括机械损失功率、容积损失功率和水利损失功率。

Images