CN111143947A - 一种指尖密封性能优化方法 - Google Patents

Abstract

本发明公开了一种指尖密封性能优化方法，该方法包括以下步骤：测量不同指尖片的指尖梁个数、指尖靴头部高度、转子直径、指尖靴根部夹角；计算所述指尖片在进行密封工作时的泄漏率和磨损率；建立以指尖梁个数、指尖靴头部高度、转子直径、指尖靴根部夹角为输入，以泄漏率和磨损率为输出的神经网络模型；利用MOEA/D方法对所述神经网络模型进行优化。本发明通过建立神经网络模型使整个过程的计算成本减小，利用MOEA/D方法对所述神经网络模型进行优化使模型的多个优化目标进行协同进步优化。

Description

一种指尖密封性能优化方法

技术领域

本发明涉及指尖密封领域，具体是一种指尖密封性能优化方法。

背景技术

随着我国航天事业的迅猛发展，对于航天发动机的性能要求也越来越高。对于高温高压的密封技术是影响发动机性能和使用寿命的重要因素，良好的密封技术能够在保证发动机本身性能的基础上降低对于燃油的消耗。

指尖密封作为近年科学家在刷式密封的基础上改进的新型密封技术，无论在使用寿命或者工作性能上都比传统密封技术更优秀。一般，指尖密封通过若干指尖片以错位孔交错放置在前后挡板之间，并且以铆钉固定，以起到密封的作用。发动机工作时，指尖片随着转子转动，防止密封气体从间隙中泄漏。指尖片通过选用不同的材料和不同的结构参数来解决密封中出现的气体泄漏和指尖片本身的磨损，然而怎样确定最优的结构参数组合是指尖片在设计时的难题。

现有技术中，张延超等研究出一种指尖密封性能优化方法，其采用Nash平衡博弈理论得出指尖片最优策略，但其仅运用于优化参数较少的函数，优化参数一多便会出现计算次数过多，浪费计算机工作资源。

发明内容

本发明的目的在于克服现有技术的不足，提供一种指尖密封性能优化方法，以至少达到更为全面的分析指尖密封性能。

本发明的目的是通过以下技术方案来实现的：

一种指尖密封性能优化方法，包括以下步骤：

S1：测量不同指尖片的指尖梁个数m、指尖靴头部高度h、转子直径d、指尖靴根部夹角α；

S2：计算所述指尖片在进行密封工作时的泄漏率和磨损率；

S3：建立以所述指尖梁个数m，指尖靴头部高度h，转子直径d，指尖靴根部夹角α为输入，所述泄漏率和磨损率为期望输出的神经网络模型；

S4：利用MOEA/D方法对所述神经网络模型进行优化，得出一组最优解，将所述最优解作为使密封性能达到预期的指尖片结构参数。

示例性地，步骤S2中所述泄漏率ε的计算公式为：

其中α为密封气体的流量系数；D为转子直径；μ为泄漏间隙；P_h为高压腔气体压力；P_l为低压腔气体压力。

示例性地，步骤S2中所述磨损率p的计算公式为：

p＝k_aFnπD/H，

其中，k_a为指尖靴底部与转子之间的磨损因数；F为指尖靴底部与转子之间的压力值；n为转子转速；D为转子直径；H为材料硬度。

示例性地，步骤S3中所述神经网络模型的建立过程为：

S301：建立包含三个卷积层，一个池化层，一个全连接层的神经网络模型，初始化最大迭代次数；

S302：将训练样本输入至所述神经网络模型中，经前向传播和后向传播反复训练所述神经网络模型；

S303：在迭代次数未达到所述最大迭代次数时，计算实际输出，判断所述实际输出和期望输出之间的误差是否小于预设误差，若所述误差不小于所述预设误差，则重复进行步骤S303；

S304：在迭代次数达到所述最大迭代次数或所述误差小于预设误差时，完成神经网络模型的建立。

示例性地，步骤S4中所述MOEA/D方法包括以下步骤：

S401：初始化所述神经网络模型经MOEA/D分解后的子问题个数N，并构造N个权重向量λ¹,λ²,…,λ^N，每个所述权重向量为2维向量，即λ＝{λ₁,λ₂}，且λ₁+λ₂＝1；初始化所述子问题领域大小T；初始化参考点z^*；

S402：计算任意两个权重之间的欧氏距离，得到B(i)＝{i₁,i₂,…,i_T}，即距离第i个子问题对应的权重向量λⁱ最近的T个子问题的权重向量分别为

S403：利用切比雪夫方法将所述神经网络模型分为N个所述子问题，逐一计算出单个所述子问题的最优解。

示例性地，步骤S403中所述切比雪夫方法的分解公式为：

其中，z^*＝(z₁ ^*,z₂ ^*,…,z_N ^*)^T，且z^*＝min{f_i(x)|x∈X}。

示例性地，步骤S403中所述最优解的计算过程为：

从B(i)中随机选取两个值x^j，x^k作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第一最优解y¹，再令x^j+1，x^k+1作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第二最优解y²，将所述y¹和y²分别代入至所述神经网络模型中，两者比较得出能使泄漏率和磨损率值达到最小的最优解作为第一参考最优解，由此逐一从B(i) 中随机选取两值计算出当前最优解，将所述当前最优解代入至所述神经网络模型中，得出与之对应的泄漏率和磨损率，并与所述第一参考最优解对应的泄漏率和磨损率进行比较，得出能使泄漏率和磨损率值达到最小的最优解。

示例性地，步骤S304所述最大迭代次数为850。

与现有技术相比，本发明的有益效果是：

本发明将指尖片的指尖梁个数、指尖靴头部高度、转子直径、指尖梁夹角作为泄漏率和磨损率的设计变量，构造出以指尖梁个数、指尖靴头部高度、转子直径、指尖梁夹角为输入元，以泄漏率和磨损率为输出元的神经网络模型，并利用MOEA/D得出关于泄漏率和磨损率的最优变量参数。本发明全面涵盖指尖片的结构参数，使指尖密封的泄漏率和磨损率结果准确。

附图说明

图1为本发明实施流程图；

图2位本发明指尖梁和指尖靴头部高度结构参数示意图，其中，1-指尖梁，2-指尖靴头部高度；

图3为本发明指尖靴根部夹角示意图；

图4为本发明转子直径示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

本发明实施流程图如图1所示，具体实施过程为：

(1)步骤一：测量指尖片的结构参数。

研究指尖片的泄漏率和磨损率需选取对泄漏率和磨损率影响较大的参数，包括指尖梁个数，如图2所示、指尖靴头部高度，如图2所示、转子直径，如图4所示、指尖靴根部夹角，如图3所示等结构参数，本发明选取其中影响较大的指尖梁个数m、指尖靴头部高度h、转子直径d、指尖靴根部夹角α作为计算泄漏率和磨损率的优化结构参数。本实施例中测量了不同指尖片的优化结构参数。

(2)步骤二：计算泄漏率和磨损率。

工程中提供的关于泄漏率ε和磨损率p的计算公式为：

其中，α为密封气体的流量系数；D为转子直径；μ为泄漏间隙；P_h为高压腔气体压力； P_l为低压腔气体压力；k_a为指尖靴底部与转子之间的磨损因数；F为指尖靴底部与转子之间的压力值；n为转子转速；D为转子直径；H为材料硬度。

(3)步骤三：构建神经网络模型。

因指尖密封结构和工况条件复杂，直接运用参数计算出泄漏率和磨损率的计算成本巨大，计算效率低下，故利用训练神经网络的方式建立起以指尖梁个数m，指尖靴头部高度h，转子直径d，指尖靴根部夹角α为输入元，以泄漏率和磨损率为输出元的神经网络模型，由此可以通过测量指尖梁个数m，指尖靴头部高度h，转子直径d，指尖靴根部夹角α得到该指尖片在工作时的泄漏率和磨损率。

神经网络模型的建立过程为：

1.建立包含三个卷积层，一个池化层，一个全连接层的神经网络模型，初始化最大迭代次数；

2.将指尖片的指尖梁个数，指尖靴头部高度，转子直径，指尖靴根部夹角，泄漏率和磨损率作为训练样本输入至神经网络模型中，经前向传播和后向传播反复训练神经网络模型；

3.在迭代次数未达到最大迭代次数时，计算实际输出，判断实际输出和期望输出之间的误差是否小于预设误差，若误差不小于预设误差，则重复进行步骤3；

4.在迭代次数达到最大迭代次数或误差小于预设误差时，完成神经网络模型的建立。

其中，最大迭代次数为850。

(4)步骤四：优化神经网络模型。

基于分解的多目标进化算法(MOEA/D)是近年来利用率最高的多目标算法，由于多目标算法的一个目标的改善很可能引起其他目标的退化，故很难找到一个解同时满足多目标函数的期望值。对于本实施例中以指尖梁个数，指尖靴头部高度，转子直径，指尖靴根部夹角为输入元的神经网络模型，其优化目标是多元化的，即须同时调节指尖梁个数，指尖靴头部高度，转子直径，指尖靴根部夹角的参数值，使泄漏率和磨损率同时达到最小，故运用MOEA/D 算法来优化神经网络模型是最合适的。

MOEA/D方法包括以下步骤：

1.初始化神经网络模型经MOEA/D分解后的子问题个数N，并构造N个权重向量λ¹,λ²,…,λ^N，每个权重向量为2维向量，即λ＝{λ₁,λ₂}，且λ₁+λ₂＝1；初始化子问题领域大小T；初始化参考点z^*；

2.计算任意两个权重之间的欧氏距离，得到B(i)＝{i₁,i₂,…,i_T}，即距离第i 个子问题对应的权重向量λⁱ最近的T个子问题的权重向量分别为

3.利用切比雪夫方法将神经网络模型分为N个子问题，逐一计算出单个子问题的最优解。

切比雪夫方法的分解公式为：

其中，z^*＝(z₁ ^*,z₂ ^*,…,z_N ^*)^T，且z^*＝min{f_i(x)|x∈X}。

最优解的计算过程为：

从B(i)中随机选取两个值x^j，x^k作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第一最优解y¹，再令x^j+1，x^k+1作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第二最优解y²，将所述y¹和y²分别代入至所述神经网络模型中，两者比较得出能使泄漏率和磨损率值达到最小的最优解作为第一参考最优解，由此逐一从B(i) 中随机选取两值计算出当前最优解，将所述当前最优解代入至所述神经网络模型中，得出与之对应的泄漏率和磨损率，并与所述第一参考最优解对应的泄漏率和磨损率进行比较，得出能使泄漏率和磨损率值达到最小的最优解。

综上所述，本发明将指尖片的指尖梁个数、指尖靴头部高度、转子直径、指尖靴根部夹角作为泄漏率和磨损率的设计变量，构造出以指尖梁个数、指尖靴头部高度、转子直径、指尖梁夹角为输入元，以泄漏率和磨损率为输出元的神经网络模型，并利用MOEA/D得出关于泄漏率和磨损率的最优变量参数，。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (8)

1.一种指尖密封性能优化方法，其特征在于，包括以下步骤：

S1：测量不同指尖片的指尖梁个数m、指尖靴头部高度h、转子直径d、指尖靴根部夹角α；

S2：分别计算所述指尖片在进行密封工作时的泄漏率和磨损率；

S3：建立以所述指尖梁个数m，指尖靴头部高度h，转子直径d，指尖靴根部夹角α为输入，以所述泄漏率和磨损率为期望输出的神经网络模型；

S4：利用MOEA/D方法对所述神经网络模型进行优化，得出一组最优解，将所述最优解作为使所述泄漏率和磨损率达到预期值的指尖片结构参数。

2.根据权利要求1所述的指尖密封性能优化方法，其特征在于，步骤S2中所述泄漏率ε的计算公式为：

其中α为密封气体的流量系数；D为转子直径；μ为泄漏间隙；P_h为高压腔气体压力；P_l为低压腔气体压力。

3.根据权利要求1所述的指尖密封性能优化方法，其特征在于，步骤S2中所述磨损率p的计算公式为：

p＝k_aFnπD/H，

其中，k_a为指尖靴底部与转子之间的磨损因数；F为指尖靴底部与转子之间的压力值；n为转子转速；D为转子直径；H为材料硬度。

4.根据权利要求1所述的指尖密封性能优化方法，其特征在于，步骤S3中所述神经网络模型的建立过程为：

S301：建立包含三个卷积层，一个池化层，一个全连接层的神经网络模型，初始化最大迭代次数；

S302：将训练样本输入至所述神经网络模型中，经前向传播和后向传播反复训练所述神经网络模型；

S303：在迭代次数未达到所述最大迭代次数时，计算实际输出，判断所述实际输出和期望输出之间的误差是否小于预设误差，若所述误差不小于所述预设误差，则重复进行步骤S303；

S304：在迭代次数达到所述最大迭代次数或所述误差小于所述预设误差时，完成神经网络模型的建立。

5.根据权利要求1所述的指尖密封性能优化方法，其特征在于，步骤S4中所述MOEA/D方法包括以下步骤：

S401：初始化所述神经网络模型经MOEA/D分解后的子问题个数N，并构造N个权重向量λ¹,λ²,…,λ^N，每个所述权重向量为2维向量，即λ＝{λ₁,λ₂}，且λ₁+λ₂＝1；初始化所述子问题领域大小T；初始化参考点z^*；

S402：计算任意两个权重之间的欧氏距离，得到B(i)＝{i₁,i₂,…,i_T}，即距离第i个子问题对应的权重向量λⁱ最近的T个子问题的权重向量分别为

S403：利用切比雪夫方法将所述神经网络模型分为N个所述子问题，计算出所述神经网络模型的最优解。

6.根据权利要求5所述的指尖密封性能优化方法，其特征在于，步骤S403中所述切比雪夫方法的分解公式为：

其中，z^*＝(z₁ ^*,z₂ ^*,…,z_N ^*)^T，且z^*＝min{f_i(x)|x∈X}。

7.根据权利要求5所述的指尖密封性能优化方法，其特征在于，步骤S403中所述最优解的计算过程为：

从B(i)中随机选取两个值x^j，x^k作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第一最优解y¹，再令x^j+1，x^k+1作为第i个子问题

的临近子问题

和

的当前最优解，得出当前所述神经网络模型的第二最优解y²，将所述y¹和y²分别代入至所述神经网络模型中，两者比较得出能使泄漏率和磨损率值达到最小的最优解作为第一参考最优解，由此逐一从B(i)中随机选取两值计算出当前最优解，将所述当前最优解代入至所述神经网络模型中，得出与之对应的泄漏率和磨损率，并与所述第一参考最优解对应的泄漏率和磨损率进行比较，得出能使泄漏率和磨损率值达到最小的最优解。

8.根据权利要求4所述的指尖密封性能优化方法，其特征在于，步骤S304中所述最大迭代次数为850。

Images