CN110969538A - 一种基于遗传算法的大型高速回转装备叶片装配方法 - Google Patents

一种基于遗传算法的大型高速回转装备叶片装配方法 Download PDF

Info

Publication number
CN110969538A
CN110969538A CN201911328429.2A CN201911328429A CN110969538A CN 110969538 A CN110969538 A CN 110969538A CN 201911328429 A CN201911328429 A CN 201911328429A CN 110969538 A CN110969538 A CN 110969538A
Authority
CN
China
Prior art keywords
blade
frequency
blades
genetic algorithm
determining
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.)
Pending
Application number
CN201911328429.2A
Other languages
English (en)
Inventor
刘永猛
孙传智
谭久彬
王晓明
肖平欢
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 Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201911328429.2A priority Critical patent/CN110969538A/zh
Publication of CN110969538A publication Critical patent/CN110969538A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Apparatus Associated With Microorganisms And Enzymes (AREA)

Abstract

本发明是一种基于遗传算法的大型高速回转装备叶片装配方法。本发明通过遗传算法对叶片进行编译，将叶片转化为基因，叶片组当作一个染色体；建立频率模型，对已知频率的叶片分为四个象限，确定叶片i的位置；对于所有的叶片，确定每个叶片的频率和对应的叶片组的频率差的关系；建立评估系数，并对频率不达标的叶片组设定约束条件罚系数；对上一代种群中除位置的叶片进行选择、交叉和变异操作，产生新的种群；判断是否达到最大迭代次数，当达到最大迭代次数时，计算结束，给出叶片编号以及安装位置。本发明避免了叶片的磨损和连接部件的破坏。

Description

一种基于遗传算法的大型高速回转装备叶片装配方法
技术领域
本发明涉及大型高速回转装备叶片装配技术领域，是一种基于遗传算法的大型高速回转装备叶片装配方法。
背景技术
大型高速回转装备在运行过程中有时会发生故障，有一部分原因来自于压气机的运行不平稳。而压气机运行不平稳的原因之一就是叶片由于频率相同或相近而发生的叶片自身的振动。叶片在自身发生振动的情况下，极易破坏叶片理想的受力情况。发生该重情况时有两个方面对发动机的运行不利：一是压气机不能正常输送气体从而降低了发动机的工作效率；二是叶片在自身发生振动的情况下极易造成叶片的磨损和连接部件的破坏。
发明内容
本发明为避免叶片的磨损和连接部件的破坏，本发明提供了一种基于遗传算法的大型高速回转装备叶片装配方法，本发明提供了以下技术方案：
一种基于遗传算法的大型高速回转装备叶片装配方法，包括以下步骤：
步骤1：通过遗传算法对叶片进行编译，将叶片转化为基因，叶片组当作一个染色体；
步骤2：建立频率模型，对已知频率的叶片分为四个象限，确定叶片i的位置；
通过下式表示叶片i的位置：
Figure BDA0002328983110000011
其中，Poz(i)为叶片i的位置，n为叶片数，j为所分象限系数，k为自然数；
确定取出的叶片对应位置，通过下式表示取出的叶片对应位置：
Figure BDA0002328983110000012
步骤3：对于所有的叶片，确定每个叶片的频率和对应的叶片组的频率差的关系，通过下式表示每个叶片的频率和对应的叶片组的频率差的关系：
a≤Δp(i)＝|p(i-1)-p(i)|≤b，i＝1,2,…,n
Δp(i)≠Δp(i+1)≠Δp(i+2)；
其中，Δp(i)为叶片组的频率差，p(i)为每个叶片的频率，a为最小频率差，b为最大频率差；
步骤4：建立评估系数，并对频率不达标的叶片组设定约束条件罚系数；
通过下式表示所述评估系数：
Figure BDA0002328983110000021
其中，fp为评估系数；
对于频率不达标的叶片组数Np,确定约束条件罚函数，通过下式表示约束条件罚函数：
Figure BDA0002328983110000022
其中，rp约束条件罚函数；
步骤5：对上一代种群中除位置Poz(j,k0，1)的叶片进行选择、交叉和变异操作，产生新的种群；判断是否达到最大迭代次数，当达到最大迭代次数时，计算结束，给出叶片编号以及安装位置；当未达到最大迭代次数时，重复适应度计算，选择，交叉变异操作。
优选地，所述最大迭代次数为300次。
优选地，所述步骤1具体为：
步骤1.1：对称量出叶片频率的叶片按频率值从小到大排序，选出最大与最小的4对叶片放入位置Poz(j,k0，1)；
步骤1.2：对叶片进行编号，不同安装位置的叶片编号组成一个矢量，将其作为一个染色体；
步骤1.3：设定种群数量，随机产生初始叶片组群体，计算叶片组适应度。
优选地，结合评估系数和约束条件罚系数，确定适应度函数，通过下式表示适应度函数：
f＝rp×fp
其中，f为适应度函数。
本发明具有以下有益效果：
本发明主要是通过对遗传算法对叶片进行编译，将叶片转化成基因，而叶片组当作是一个染色体。这样，随着基因的改变，每个染色体就有不同的适应度。根据遗传算法原则，适应度大的个体将被选作下一代子代个体，最后得出的子代种群将满足装配要求。
附图说明
图1是一种基于遗传算法的大型高速回转装备叶片装配方法。
具体实施方式
以下结合具体实施例，对本发明进行了详细说明。
具体实施例一：
对叶片的频率做出如下要求：
(1)锁定叶片。对于某些特殊频率的叶片，将它放在固定的位置。如一个盘叶片中的最大和最小的叶片组成一对，选取这样的4对叶片对分别放入0°、90°、180°、270°位置。这样有利于隔离相近频率的叶片发生振动。
(2)保证相邻叶片频率尽量的大，其频率差不小于a；
(3)叶片频率差太大，能够达到满足频率要求的叶片将大幅度减少，使得成本和工作量都增加，故叶片组的频率差应小于b值，b-a≦30Hz。
(4)不允许连续三组叶片频率差相同。
根据图1所示，本发明提供一种基于遗传算法的大型高速回转装备叶片装配方法，一种基于遗传算法的大型高速回转装备叶片装配方法，包括以下步骤：
步骤1：通过遗传算法对叶片进行编译，将叶片转化为基因，叶片组当作一个染色体；
所述步骤1具体为：
步骤1.1：对称量出叶片频率的叶片按频率值从小到大排序，选出最大与最小的4对叶片放入位置Poz(j,k0，1)；
步骤1.2：对叶片进行编号，不同安装位置的叶片编号组成一个矢量，将其作为一个染色体；
步骤1.3：设定种群数量，随机产生初始叶片组群体，计算叶片组适应度。
步骤2：建立频率模型，对已知频率的叶片分为四个象限，确定叶片i的位置；
通过下式表示叶片i的位置：
Figure BDA0002328983110000031
其中，Poz(i)为叶片i的位置，n为叶片数，j为所分象限系数，k为自然数；
确定取出的叶片对应位置，通过下式表示取出的叶片对应位置：
Figure BDA0002328983110000032
步骤3：对于所有的叶片，确定每个叶片的频率和对应的叶片组的频率差的关系，通过下式表示每个叶片的频率和对应的叶片组的频率差的关系：
a≤Δp(i)＝|p(i-1)-p(i)|≤b，i＝1,2,…,n
Δp(i)≠Δp(i+1)≠Δp(i+2)；
其中，Δp(i)为叶片组的频率差，p(i)为每个叶片的频率，a为最小频率差，b为最大频率差；
步骤4：建立评估系数，并对频率不达标的叶片组设定约束条件罚系数；
通过下式表示所述评估系数：
Figure BDA0002328983110000041
其中，fp为评估系数；
对于频率不达标的叶片组数Np,确定约束条件罚函数，通过下式表示约束条件罚函数：
Figure BDA0002328983110000042
其中，rp约束条件罚函数；
步骤5：对上一代种群中除位置Poz(j,k0，1)的叶片进行选择、交叉和变异操作，产生新的种群；判断是否达到最大迭代次数，当达到最大迭代次数时，计算结束，给出叶片编号以及安装位置；当未达到最大迭代次数时，重复适应度计算，选择，交叉变异操作。
结合评估系数和约束条件罚系数，确定适应度函数，通过下式表示适应度函数：
f＝rp×fp
其中，f为适应度函数。适应度函数要求为正值，且越大越好。
本发明采用matlab编码，设定最大迭代次数300，种群数量1000，交叉概率0.8，变异概率0.02，a值12Hz，b值为40Hz，叶片数n＝72。
以上所述仅是一种基于遗传算法的大型高速回转装备叶片装配方法的优选实施方式，一种基于遗传算法的大型高速回转装备叶片装配方法的保护范围并不仅局限于上述实施例，凡属于该思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的技术人员来说，在不脱离本发明原理前提下的若干改进和变化，这些改进和变化也应视为本发明的保护范围。

Claims (4)

1.一种基于遗传算法的大型高速回转装备叶片装配方法，其特征是：包括以下步骤：
步骤1：通过遗传算法对叶片进行编译，将叶片转化为基因，叶片组当作一个染色体；
步骤2：建立频率模型，对已知频率的叶片分为四个象限，确定叶片i的位置；
通过下式表示叶片i的位置：
Figure FDA0002328983100000011
其中，Poz(i)为叶片i的位置，n为叶片数，j为所分象限系数，k为自然数；
确定取出的叶片对应位置，通过下式表示取出的叶片对应位置：
Figure FDA0002328983100000012
步骤3：对于所有的叶片，确定每个叶片的频率和对应的叶片组的频率差的关系，通过下式表示每个叶片的频率和对应的叶片组的频率差的关系：
a≤Δp(i)＝|p(i-1)-p(i)|≤b，i＝1,2,…,n
Δp(i)≠Δp(i+1)≠Δp(i+2)；
其中，Δp(i)为叶片组的频率差，p(i)为每个叶片的频率，a为最小频率差，b为最大频率差；
步骤4：建立评估系数，并对频率不达标的叶片组设定约束条件罚系数；
通过下式表示所述评估系数：
Figure FDA0002328983100000013
其中，fp为评估系数；
对于频率不达标的叶片组数Np，确定约束条件罚函数，通过下式表示约束条件罚函数：
Figure FDA0002328983100000014
其中，rp约束条件罚函数；
步骤5：对上一代种群中除位置Poz(j,k0，1)的叶片进行选择、交叉和变异操作，产生新的种群；判断是否达到最大迭代次数，当达到最大迭代次数时，计算结束，给出叶片编号以及安装位置；当未达到最大迭代次数时，重复适应度计算，选择，交叉变异操作。
2.根据权利要求1所述的一种基于遗传算法的大型高速回转装备叶片装配方法，其特征是：所述最大迭代次数为300次。
3.根据权利要求1所述的一种基于遗传算法的大型高速回转装备叶片装配方法，其特征是：所述步骤1具体为：
步骤1.1：对称量出叶片频率的叶片按频率值从小到大排序，选出最大与最小的4对叶片放入位置Poz(j,k0，1)；
步骤1.2：对叶片进行编号，不同安装位置的叶片编号组成一个矢量，将其作为一个染色体；
步骤1.3：设定种群数量，随机产生初始叶片组群体，计算叶片组适应度。
4.根据权利要求1所述的一种基于遗传算法的大型高速回转装备叶片装配方法，其特征是：结合评估系数和约束条件罚系数，确定适应度函数，通过下式表示适应度函数：
f＝rp×fp
其中，f为适应度函数。
CN201911328429.2A 2019-12-20 2019-12-20 一种基于遗传算法的大型高速回转装备叶片装配方法 Pending CN110969538A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911328429.2A CN110969538A (zh) 2019-12-20 2019-12-20 一种基于遗传算法的大型高速回转装备叶片装配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911328429.2A CN110969538A (zh) 2019-12-20 2019-12-20 一种基于遗传算法的大型高速回转装备叶片装配方法

Publications (1)

Publication Number Publication Date
CN110969538A true CN110969538A (zh) 2020-04-07

Family

ID=70035472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911328429.2A Pending CN110969538A (zh) 2019-12-20 2019-12-20 一种基于遗传算法的大型高速回转装备叶片装配方法

Country Status (1)

Country Link
CN (1) CN110969538A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103776367A (zh) * 2014-02-14 2014-05-07 哈尔滨工业大学 基于遗传算法寻优的航空发动机多轴转子装配方法与装置
CN106777526A (zh) * 2016-11-25 2017-05-31 江苏大学 基于遗传算法的高温高压离心式叶轮多学科优化方法
CN108984983A (zh) * 2018-09-04 2018-12-11 哈尔滨工业大学 一种提高可调式液力变矩器综合效率的叶片角优化方法
CN109190278A (zh) * 2018-09-17 2019-01-11 西安交通大学 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法
CN109883720A (zh) * 2019-03-22 2019-06-14 西安交通大学 用于辨识叶片多模态振动的叶端定时传感器的布置方法
WO2019210330A1 (en) * 2018-04-28 2019-10-31 The Research Foundation For The State University Of New York Flexible wind turbine blade with actively variable twist distribution

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103776367A (zh) * 2014-02-14 2014-05-07 哈尔滨工业大学 基于遗传算法寻优的航空发动机多轴转子装配方法与装置
CN106777526A (zh) * 2016-11-25 2017-05-31 江苏大学 基于遗传算法的高温高压离心式叶轮多学科优化方法
WO2019210330A1 (en) * 2018-04-28 2019-10-31 The Research Foundation For The State University Of New York Flexible wind turbine blade with actively variable twist distribution
CN108984983A (zh) * 2018-09-04 2018-12-11 哈尔滨工业大学 一种提高可调式液力变矩器综合效率的叶片角优化方法
CN109190278A (zh) * 2018-09-17 2019-01-11 西安交通大学 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法
CN109883720A (zh) * 2019-03-22 2019-06-14 西安交通大学 用于辨识叶片多模态振动的叶端定时传感器的布置方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIU, YM ET AL.: "A method to minimize stage-by-stage initial unbalance in the aero engine assembly of multistage rotors", 《AEROSPACE SCIENCE AND TECHNOLOGY》 *
WENGANG ZHAI ET AL.: "Optimal Blade Placement for Large Turbofan Balancing", 《PROCEEDINGS OF THE FOURTH INTERNATIONAL CONFERENCE ON COMPUTER INTEGRATED MANUFACTURING AND AUTOMATION TECHNOLOGY》 *
唐绍军等: "遗传算法对压气机叶片排序的应用", 《航空动力学报》 *
杨训等: "基于遗传算法的转子叶片优化排序", 《计算机仿真》 *
郭宗锋: "汽轮机动叶片装配仿真及排序优化的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
陈晓敏等: "基于退火单亲遗传算法的压气机叶片排序算法", 《西南师范大学学报（自然科学版）》 *

Similar Documents

Publication Publication Date Title
CN109190278B (zh) 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法
CN114117849B (zh) 低压涡轮叶/盘转子的叶冠阻尼减振分析方法
CN110110349B (zh) 一种转叶式混流泵空间导叶多工况优化设计方法
CN111339610B (zh) 一种叶轮机械转子叶片装配优化排序方法
CN106777526A (zh) 基于遗传算法的高温高压离心式叶轮多学科优化方法
CN110969538A (zh) 一种基于遗传算法的大型高速回转装备叶片装配方法
CN114977939B (zh) 基于改进多目标粒子群算法的双馈风机控制参数辨识方法
CN111144047A (zh) 一种基于等离子点火技术的燃煤机组深度调峰能耗成本计算方法
CN110889244B (zh) 一种基于质量矩极小化的大型高速回转装备叶片的排序方法
Toffolo et al. Cross-flow fan design guidelines for multi-objective performance optimization
CN111125904A (zh) 一种基于多目标调控的大型高速回转装备叶片排序方法
CN112686404B (zh) 一种基于配电网故障抢修的协同优化方法
CN111079229B (zh) 一种大型高速回转装备不平衡量的双目标优化方法
CN113339177A (zh) 一种大型水轮机主要参数及性能指标分析和评价方法
Ahmed et al. A genetic approach for gateway placement in wireless mesh networks
CN108416527A (zh) 立轴轴流转桨式水轮机电站空化系数计算方法
CN114065621A (zh) 一种基于遗传算法的压气机特性方程系数拟合方法
TWI818807B (zh) 並聯變頻泵控制裝置與並聯變頻泵控制方法
CN112926245B (zh) 一种基于混和遗传-田口算法的避雷器均压环设计方法
CN116739104A (zh) 一种新能源功率序列样本生成方法及系统
CN109902007B (zh) 一种基于点染色模型的测试用例生成方法
CN114398838A (zh) 一种考虑性能约束的离心泵性能智能预测方法
CN118690662A (zh) 基于遗传算法的串联压缩机组节能运行寻优方法
CN109753695A (zh) 一种发动机部件特性拓展方法
CN114896881A (zh) 一种指尖密封的混合教与学优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200407

RJ01 Rejection of invention patent application after publication