CN107203364B - 一种用于压气机全工况特性的预测和辨识方法 - Google Patents

一种用于压气机全工况特性的预测和辨识方法 Download PDF

Info

Publication number
CN107203364B
CN107203364B CN201710382268.XA CN201710382268A CN107203364B CN 107203364 B CN107203364 B CN 107203364B CN 201710382268 A CN201710382268 A CN 201710382268A CN 107203364 B CN107203364 B CN 107203364B
Authority
CN
China
Prior art keywords
rotating speed
characteristic
optimal
full
working
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710382268.XA
Other languages
English (en)
Other versions
CN107203364A (zh
Inventor
王志涛
李铁磊
李淑英
贺雷
范阔
王维天
李健
马文奇
雷昊达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710382268.XA priority Critical patent/CN107203364B/zh
Publication of CN107203364A publication Critical patent/CN107203364A/zh
Application granted granted Critical
Publication of CN107203364B publication Critical patent/CN107203364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
    • G06F7/38—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation
    • G06F7/48—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices
    • G06F7/544—Methods or arrangements for performing computations using exclusively denominational number representation, e.g. using binary, ternary, decimal representation using non-contact-making devices, e.g. tube, solid state device; using unspecified devices for evaluating functions by calculation
    • G06F7/556—Logarithmic or exponential functions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

本发明提供的是一种用于压气机全工况特性的预测和辨识方法。通过相似定律指数改进计算，引入相似定律修正系数，利用优化算法进行修正系数的求解，然后对求解得到的系数进行曲线拟合，并且对喘振边界线和最佳运行线进行曲线拟合，接着根据改进之后的相似定律进行压气机全工况特性预测，最后利用神经网络方法进行压气机全工况特性的辨识。本发明对于压气机特性线不全或稀疏的情况下，可以对压气机特性进行预测加密和外推，利用神经网络方法进行整体特性的拟合辨识，具有计算精度高和计算速度快的优点，而且在轴流式风机、轴流式透平等轴流式叶轮机械的特性线预测和辨识方面也具有参考意义。

Description

一种用于压气机全工况特性的预测和辨识方法
技术领域
本发明涉及一种压气机全工况特性的预测和辨识方法，用于提高压气机全工况特性预测精度和快速辨识。
背景技术
由于起动、变负荷、停机以及其他环境因素的干扰，燃气轮机经常在非设计工况下工作。燃气轮机的整机性能主要取决于压气机、燃烧室、涡轮等部件的特性，而其中压气机对燃气轮机性能的影响最为关键。完善的燃机核心部件特性曲线，是进行准确地变工况特性分析的基础。由于各种原因，制造厂家仅提供有限的高转速区域部件特性，建立基于部件的燃机模型的主要障碍在于缺乏足够的部件特性数据。因此，如何利用少量特性曲线来获得大范围的部件特性曲线，成为性能分析的关键。在此相似理论的基础上进行拓展，在考虑空气可压缩性影响的基础上，对低转速相似理论进行改进，得到新的指数关系修正方程，可以通过这种方式来计算压气机全工况的特性，可以提高压气机特性的预测精度。
发明内容
本发明的目的在于提供一种预测精度高，辨识速度快的用于压气机全工况特性的预测和辨识方法。
本发明的目的是这样实现的：
获取高转速特性线，利用高转速特性线计算低转速特性，用低转速特性和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k1、k2，之后采用优化算法对目标函数进行优化，得到最优指数k1、k2的最优值，进而获得最优指数k1、k2与转速n的关系；根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而求解低转速的特性；最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，通过所述训练好的网络进行压气机全工况特性的辨识。
本发明在原有的相似定律的基础上，对相似定律的指数进行了改进，提出了一种新的指数计算方法，该方法的特点在于：利用两条等转速线上所对应的喘振边界点流量压比值与最佳运行点流量效率值计算指数。其中相似定律中所有低转速线的相似目标都选择同一条高转速线。通过这种方法保证了相似定律在喘振边界点和最佳运行点计算的准确性。之后引入了修正系数k1,k2对相似定律进行了修正。减小了除在喘振边界点和最佳运行点以外其他点的误差。
利用高转速特性线计算低转速特性，用计算出的低转速特性结果和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k1,k2。之后采用优化算法对目标函数进行优化，求得出k1,k2的最优值，进而获得k1,k2与转速n的关系。同时根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而可以求解低转速的特性。
最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，从而通过该网络可以进行压气机全工况特性的辨识，提高了计算速度和计算精度。
本发明具有以下优点：1、本方法不需压气机的某些几何参数和热力学参数，是通过喘振边界点和最佳运行点的参数进行计算的。2、本方法在相似定理的使用中，所有低转速线的相似对象都是同一根高转速线，同一相似目标的选择降低了误差。3、该方法计算精度较高，而且计算速度也很快，适用于实时仿真计算、实时控制等对时间要求比较高的场合。
本发明对于压气机特性线不全或稀疏的情况下，可以对压气机特性进行预测加密和外推，利用神经网络方法进行整体特性的拟合辨识，具有计算精度高和计算速度快的优点，而且在轴流式风机、轴流式透平等轴流式叶轮机械的特性线预测和辨识方面也具有参考意义。
附图说明
图1为压气机全工况特性预测和辨识方法流程。
具体实施方式
下面结合附图举例对本发明进行详细的描述。
(1)相似定律指数改进计算方法
对于泵类叶轮流体机械，低转速区特性存在着如下的相似理论：
Figure BDA0001305429920000021
Figure BDA0001305429920000022
Figure BDA0001305429920000023
上式中，m为质量流量，n为转速，W等熵压缩功。
通过改变转速比的指数值来反应流体的可压缩性，压气机低转速特性的计算结果具有一定的可信性。但是指数的计算过程比较繁琐，有时还需要知道压气机的某些几何参数和热力学参数。
同时相似理论计算出来的结果在喘振边界和最佳运行点存在着一定的误差，因此在原相似定律的基础上，提出了一种新的指数计算方法：选定一根转速线为基准，与其他转速线上所对应的喘振边界点流量压比值与最佳运行点流量效率值计算指数x1,y与x2,z，具体如下所示：
Figure BDA0001305429920000031
Figure BDA0001305429920000032
Figure BDA0001305429920000033
Figure BDA0001305429920000034
(2)引入相似定律修正系数
该方法保证了再喘振边界点和最佳流量点计算的值是准确的，但是流量的增大和减小，误差会增大。为了减小误差，对于公式进行了修正，如下：
Figure BDA0001305429920000035
Figure BDA0001305429920000036
其中k1,k2为修正系数，ms,mopt为同转速下喘振点和最佳运行点对应的流量值。
(3)利用优化算法进行修正系数的求解
选择合适的系数k1,k2可以减小流量增大时所产生的压比和效率误差；利用选定的高转速线计算低转速特性，之后用计算出的低转速特性结果与实际特性数据作为参数寻优的目标函数；对于流量压比特性，目标函数为同压比值下计算出的流量值与实际的流量值的偏差；对于流量效率特性，目标函数为同效率值下计算出的流量值与实际值的偏差。
目标函数如下所示：
Figure BDA0001305429920000037
Figure BDA0001305429920000038
之后采用差分进化优化算法计算k1,k2的最优解；
(4)对求解得到的系数进行曲线拟合
在求解出k1,k2的最优解之后，获得k1,k2与转速的关系
k1＝f(n) (12)
k2＝f(n) (13)
(5)对喘振边界线和最佳运行线进行曲线拟合
将已知转速对应的喘振边界点参数和最佳运行点参数进行拟合，拟合成关于转速n的多项式函数:
m＝f(n) (14)
η＝f(n) (15)
p＝f(n) (16)
(6)根据改进之后的相似定律进行压气机全工况特性预测
获得参数与转速的关系之后，根据关系式可求得压气机全工况转速情况下的喘振边界点与最佳运行点的参数，之后求解不同等折合转速特性线所对应的指数x1,x2,y,z。
最后根据公式(4)-公式(9)求解压气机全工况等折合转速线下的压气机特性。
(7)利用神经网络方法进行压气机全工况特性的辨识
神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，它成功的应用于人工智能、自动控制、计算机科学、信息处理、模式识别等各个领域。因为神经网络的类型种类繁多，所以对压气机特性拟合的效果以及所适合的变工况计算和仿真过程肯定会有很大的不同。本发明可以用两种常用的前馈反向传播神经网络BP网络和RBF网络(径向基网络)分别对压气机特性曲线进行拟合。

Claims (1)

1.一种用于压气机全工况特性的预测和辨识方法，其特征是：获取高转速特性线，利用高转速特性线计算低转速特性，用低转速特性和实际特性数据的偏差作为参数寻优的目标函数，构建并获取最优指数k1、k2，之后采用优化算法对目标函数进行优化，得到最优指数k1、k2的最优值，进而获得最优指数k1、k2与转速n的关系；根据已知的喘振边界点和最佳运行点的参数，将各参数拟合成关于转速n的多项式函数，进而求解低转速的特性；最后，利用神经网络方法对计算得到的不同转速情况的下的压气机特性数据进行训练，得到训练好的网络，通过所述训练好的网络进行压气机全工况特性的辨识；
对于泵类叶轮流体机械，低转速区特性存在着如下的相似理论：
Figure FDA0002626359890000011
Figure FDA0002626359890000012
Figure FDA0002626359890000013
上式中，m为质量流量，n为转速，W等熵压缩功；
在原相似理论的基础上，选定一根转速线为基准，与其他转速线上所对应的喘振边界点流量压比值与最佳运行点流量效率值计算指数x1,y与x2,z，具体如下所示：
Figure FDA0002626359890000014
Figure FDA0002626359890000015
Figure FDA0002626359890000016
Figure FDA0002626359890000017
对上述公式进行修正，如下：
Figure FDA0002626359890000018
Figure FDA0002626359890000019
其中ms、mopt为同转速下喘振点和最佳运行点对应的流量值；
求解k1,k2的最优解：利用选定的高转速线计算低转速特性，之后用计算出的低转速特性结果与实际特性数据作为参数寻优的目标函数；对于流量压比特性，目标函数为同压比值下计算出的流量值与实际的流量值的偏差；对于流量效率特性，目标函数为同效率值下计算出的流量值与实际值的偏差：
Figure FDA0002626359890000021
Figure FDA0002626359890000022
之后采用差分进化优化算法计算k1,k2的最优解；
对求解得到的系数进行曲线拟合：
在求解出k1,k2的最优解之后，获得k1,k2与转速的关系
k1＝fa(n)
k2＝fb(n)
将已知转速对应的喘振边界点参数和最佳运行点参数进行拟合，拟合成关于转速n的多项式函数:
m＝fc(n)
η＝fd(n)
p＝fe(n)
获得参数与转速的关系之后，根据关系式求得压气机全工况转速情况下的喘振边界点与最佳运行点的参数，之后求解不同等折合转速特性线所对应的指数x1,x2,y,z。
CN201710382268.XA 2017-05-26 2017-05-26 一种用于压气机全工况特性的预测和辨识方法 Active CN107203364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710382268.XA CN107203364B (zh) 2017-05-26 2017-05-26 一种用于压气机全工况特性的预测和辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710382268.XA CN107203364B (zh) 2017-05-26 2017-05-26 一种用于压气机全工况特性的预测和辨识方法

Publications (2)

Publication Number Publication Date
CN107203364A CN107203364A (zh) 2017-09-26
CN107203364B true CN107203364B (zh) 2020-12-22

Family

ID=59905494

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710382268.XA Active CN107203364B (zh) 2017-05-26 2017-05-26 一种用于压气机全工况特性的预测和辨识方法

Country Status (1)

Country Link
CN (1) CN107203364B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684597B (zh) * 2018-12-21 2023-10-03 哈尔滨工程大学 一种用于压气机全工况特性拓展的方法
CN110110428A (zh) * 2019-04-30 2019-08-09 哈尔滨工程大学 一种基于克里金模型优选与神经网络的压气机特性预测方法
CN113297705B (zh) * 2021-04-22 2023-02-14 西北工业大学 一种根据设计指标预测压气机特性的方法
CN113297706B (zh) * 2021-04-22 2023-02-21 西北工业大学 一种根据设计指标预测压气机各转速峰值效率点的方法
CN117852411A (zh) * 2024-02-01 2024-04-09 哈尔滨工程大学 基于神经网络的模化设计压气机气动性能预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708266A (zh) * 2012-06-12 2012-10-03 中国科学院工程热物理研究所 一种水平轴风力机叶片的极限载荷预测计算方法
CN105930662A (zh) * 2016-04-26 2016-09-07 中国科学院工程热物理研究所 一种压气机低转速特性外推方法
CN106682376A (zh) * 2017-04-01 2017-05-17 国网河南省电力公司电力科学研究院 参数随工况变化实际特性的全过程汽轮机建模及辨识方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708266A (zh) * 2012-06-12 2012-10-03 中国科学院工程热物理研究所 一种水平轴风力机叶片的极限载荷预测计算方法
CN105930662A (zh) * 2016-04-26 2016-09-07 中国科学院工程热物理研究所 一种压气机低转速特性外推方法
CN106682376A (zh) * 2017-04-01 2017-05-17 国网河南省电力公司电力科学研究院 参数随工况变化实际特性的全过程汽轮机建模及辨识方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于BP和RBF神经网络压气机特性曲线拟合方法的研究;王志涛 等;《汽轮机技术》;20090430;第51卷(第2期);第94-96、99页 *
燃_燃联合动力装置工作特性仿真研究;李铁磊 等;《哈尔滨工程大学学报》;20161031;第37卷(第10期);第1366-1372页 *

Also Published As

Publication number Publication date
CN107203364A (zh) 2017-09-26

Similar Documents

Publication Publication Date Title
CN107203364B (zh) 一种用于压气机全工况特性的预测和辨识方法
CN109684597B (zh) 一种用于压气机全工况特性拓展的方法
US20170306970A1 (en) Extrapolation method of low rotational speed characteristic of compressor
CN110929357A (zh) 一种高性能舰船燃机压气机气动设计方法
CN111027148B (zh) 损失落后角模型自动标定及工业轴流压缩机性能计算方法
CN111898212B (zh) 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法
US20130282307A1 (en) Turbo-machinery stage families tuning/calibration system and method
WO2015149928A2 (en) Method and device for online evaluation of a compressor
Wang et al. Prediction method for low speed characteristics of compressor based on modified similarity theory with genetic algorithm
Tsoutsanis et al. Non-linear model calibration for off-design performance prediction of gas turbines with experimental data
Marchukov et al. Improving of the working process of axial compressors of gas turbine engines by using an optimization method
Kang et al. A study on the multi-objective optimization of impeller for high-power centrifugal compressor
CN112632719A (zh) 一种基于一维平均流线法的多级轴流压气机特性校正方法
Buyukli et al. High-loaded compressor blisk-type impeller multidisciplinary optimization
CN116595874A (zh) 叶轮机械性能预测模型参数优化方法及装置、存储介质
CN110276115B (zh) 基于燃机叶片型线参数的气路故障诊断方法
EP4223982A1 (en) Systems and methods for predicting and optimizing performance of gas turbines
CN115983137A (zh) 基于相似性原理和深度学习的涡轮流场预测方法及相关装置
CN113359450B (zh) 一种阀门流量特性曲线拟合方法及系统
CN111611743B (zh) 轴流式压气机特性线自适应方法
Wang et al. Method of extrapolating low speed compressor curves based on improved similarity laws
Tsoutsanis et al. Nonlinear model-based adaptation for off-design performance prediction of gas turbines
CN117150938B (zh) 基于数字孪生的引风机的剩余寿命预测方法
CN116502568B (zh) 压气机内流特性自动化模拟的方法、装置、设备和介质
CN113779706A (zh) 一种基于数据可信度的叶轮机械损失模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant