CN114201826A - 一种基于翅片阻力特性反演的翅片加工质量检测方法 - Google Patents
一种基于翅片阻力特性反演的翅片加工质量检测方法 Download PDFInfo
- Publication number
- CN114201826A CN114201826A CN202111385434.4A CN202111385434A CN114201826A CN 114201826 A CN114201826 A CN 114201826A CN 202111385434 A CN202111385434 A CN 202111385434A CN 114201826 A CN114201826 A CN 114201826A
- Authority
- CN
- China
- Prior art keywords
- fin
- resistance
- output
- standard
- layer neuron
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000003754 machining Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 83
- 238000012360 testing method Methods 0.000 claims description 60
- 239000012530 fluid Substances 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 244000241872 Lycium chinense Species 0.000 description 2
- 235000015468 Lycium chinense Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Mathematical Physics (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明提供一种基于翅片阻力特性反演的翅片加工质量检测方法。一种基于翅片阻力特性反演的翅片加工质量检测方法,具体包括以下步骤:检测并获得具有不同结构参数翅片的标准Re‑f阻力特性数据;利用神经网络算法建立、训练并获得以翅片结构参数和雷诺系数Re为输入、以阻力因子f为输出的标准检测模型;将被测翅片的翅片结构参数和雷诺系数Re输入标准检测模型获得标准阻力因子,对实测阻力因子和标准阻力因子进行数据比对,计算获得平均相对误差值;设定检测合格阈值,若平均相对误差值小于检测合格阈值,则判定加工质量合格。本发明利用神经网络算法建立基于翅片阻力特性的标准检测模型反演翅片加工质量,提高了检测效率和检测准确性。
Description
技术领域
本发明涉及一种翅片加工质量检测方法,特别涉及一种基于翅片阻力特性反演的翅片加工质量检测方法。
背景技术
板翅式换热器是一种具有较高传热效率和较大单位体积换热面的换热设备,其结构较为紧凑,特别适于石化、能源以及制冷行业的应用。
翅片作为板翅式换热器最核心的传热单元,有多种不同的形式,如平直翅片、锯齿翅片、波纹翅片等。在翅片加工过程中,会发生模具磨损、几何尺寸、位移等微观形位误差,造成翅片高度、齿数和形状畸变等加工质量问题。目前,依靠检验员手工测量翅片的尺寸、齿数、高度和厚度,依据长期积累的技术经验,需要多次调校模具安装精度,才能达到技术要求,严重制约了翅片加工的精度与效率。
考虑到翅片微观结构特性与宏观流阻特性之间的映射关系,可以通过判断宏观流阻特性反向检测翅片加工质量。然而,在构造翅片标准阻力特性预测模型时,传统预测翅片在不同Re数下阻力因子f的变化方法主要是通过多参数拟合的方式。由于锯齿翅片的阻力特性跟Re数、翅片结构参数紧密相关,简单的拟合方法其拟合误差一般都在15%左右,无法实现对阻力特性的准确预测。实现翅片加工质量快速、准确检测成为困扰板翅式换热器生产厂家的技术难题,亟待解决。
发明内容
本发明的目的在于提供一种基于翅片阻力特性反演的翅片加工质量检测方法,利用神经网络算法建立基于翅片阻力特性的标准检测模型反演翅片加工质量,提高对于翅片加工质量的检测效率和准确性,解决背景技术中所述的问题。
本发明解决其技术问题所采用的技术方案是:
一种基于翅片阻力特性反演的翅片加工质量检测方法,该方法具体包括以下步骤:
S1.检测并获得具有不同结构参数翅片的标准Re-f阻力特性数据,建立数据集,所述数据集包括翅片结构参数、雷诺系数Re和阻力因子f;
S2.基于步骤S1中的数据集,利用神经网络算法建立、训练并获得以翅片结构参数和雷诺系数Re为输入、以阻力因子f为输出的标准检测模型;
S3.检测并获得被测翅片的翅片结构参数、雷诺系数Re和实测阻力因子f实,将被测翅片的翅片结构参数和雷诺系数Re输入步骤S2中的标准检测模型获得标准阻力因子f标,对实测阻力因子f实和标准阻力因子f标进行数据比对,计算获得平均相对误差值;
S4.设定检测合格阈值,若步骤S3中的平均相对误差值小于检测合格阈值,则判定翅片加工质量合格,反之,判定翅片加工质量不合格。
作为优选,所述步骤S1中,通过翅片阻力特性测试装置进行检测,所述翅片阻力特性测试装置包括风洞通道和与风洞通道连通的测试容器,所述风洞通道的进出口处均设有压力传感器和温度传感器,所述测试容器内部设有用于放置翅片试件的容置腔,所述测试容器外部设有压降测试部件,所述测试容器的进出口处均设有用于连接压降测试部件的取压口。
作为优选,所述步骤S1中,翅片结构参数包括翅片高度、翅片厚度和翅片节距。
作为优选,所述步骤S1中,阻力因子f通过以下公式计算获得:
式中,ρ1为入口流体密度,ρ2为出口流体密度,ρm为流体平均密度,ua为通过最小自由流通面积进入换热器的流速,σ为通道面积比,Dh为翅片试件的水力直径,Kc为突扩段阻力损失系数,Ke为突缩段阻力损失系数。
作为优选,所述步骤S1中,雷诺系数Re通过以下公式计算获得:
式中,ua为通过最小自由流通面积进入换热器的流速,Dh为翅片试件的水力直径,,v为空气运动粘度。
作为优选,所述步骤S2中,神经网络算法中设置输入层、隐层和输出层,输入层和隐层的激活函数选用tansig函数,输出层的激活函数选用线性函数,隐层设置6个节点,单个隐层神经元的输入向量分量为翅片高度、翅片厚度、翅片节距和雷诺系数Re。
作为优选,所述隐层的输出与净输入的关系满足下式:
式中,yj为第j个隐层神经元的输出,下标j表示隐层神经元的位置,Netj为第j个输出层神经元的净输入,下标i表示输入层神经元的位置,,vij为第i个输入层神经元和第j个隐层神经元的之间的权值,xij为第i个输入层神经元到第j个隐层神经元的之间的输入,θj为第j个输出层神经元的阈值;
所述输出层的输出与净输入的关系满足下式:
式中,ok为第k个输出层神经元的输出,下标k表示输出层神经元的位置,Netk为第k个输出层神经元的净输入,wjk为第j个隐层神经元和第k个输出层神经元的之间的权值,yjk为第j个隐层神经元到第k个输出层神经元的之间的输入,θk为第k个输出层神经元的阈值。
作为优选,所述步骤S2中,训练标准检测模型中,以实际测试所得的阻力因子数据值作为输出层的期望输出,以标准检测模型计算预测所得的阻力因子数据值作为输出层的模型输出,若期望输出与模型输出不符,则将输出误差在神经网络算法中进行误差反向传播并进行权值更新和阈值更新。
作为优选,所述步骤S2中,以均方误差值作为训练标准检测模型的误差目标,均方误差值通过以下公式计算获得:
作为优选,所述步骤S3中,平均相对误差值通过以下公式计算获得:
本发明的有益效果是:
本发明的一种基于翅片阻力特性反演的翅片加工质量检测方法,利用神经网络算法建立基于翅片阻力特性的标准检测模型反演翅片加工质量,相对于现有技术手工测量翅片尺寸、齿数、高度和厚度的方法,提高了检测效率和检测准确性,实现对于翅片阻力特性的准确预测以及翅片加工质量快速准确的检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本发明的方法流程图;
图2是本发明翅片阻力特性测试装置的结构示意图;
图3是本发明神经网络算法的拓扑结构图;
图4是本发明的检测流程图。
图中:1、风洞通道,2、测试部件,3、流量计,4、第一压力传感器,5、温湿度传感器,6、压降测试部件,7、温度传感器,8、第二压力传感器。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体说明。应当理解,本发明的实施并不局限于下面的实施例,对本发明所做的任何形式上的变通和/或改变都将落入本发明保护范围。
在本发明中,若非特指,所有的份、百分比均为重量单位,所采用的设备和原料等均可从市场购得或是本领域常用的。下述实施例中的方法,如无特别说明,均为本领域的常规方法。下述实施例中的部件或设备如无特别说明,均为通用标准件或本领域技术人员知晓的部件,其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。
实施例1:
如图1所示的一种基于翅片阻力特性反演的翅片加工质量检测方法,该方法具体包括以下步骤:
S1.检测并获得具有不同结构参数翅片的标准Re-f阻力特性数据,建立数据集,所述数据集包括翅片结构参数、雷诺系数Re和阻力因子f;
S2.基于步骤S1中的数据集,利用神经网络算法建立、训练并获得以翅片结构参数和雷诺系数Re为输入、以阻力因子f为输出的标准检测模型;
S3.检测并获得被测翅片的翅片结构参数、雷诺系数Re和实测阻力因子f实,将被测翅片的翅片结构参数和雷诺系数Re输入步骤S2中的标准检测模型获得标准阻力因子f标,对实测阻力因子f实和标准阻力因子f标进行数据比对,计算获得平均相对误差值;
S4.设定检测合格阈值,若步骤S3中的平均相对误差值小于检测合格阈值,则判定翅片加工质量合格,反之,判定翅片加工质量不合格。
通过上述技术方案,利用神经网络算法建立基于翅片阻力特性的标准检测模型反演翅片加工质量,提高了检测效率和检测准确性。
实施例2:
如图1所示的一种基于翅片阻力特性反演的翅片加工质量检测方法,该方法具体包括以下步骤:
S1.检测并获得具有不同结构参数翅片的标准Re-f阻力特性数据,建立数据集,所述数据集包括翅片结构参数、雷诺系数Re和阻力因子f;
S2.基于步骤S1中的数据集,利用神经网络算法建立、训练并获得以翅片结构参数和雷诺系数Re为输入、以阻力因子f为输出的标准检测模型;
S3.检测并获得被测翅片的翅片结构参数、雷诺系数Re和实测阻力因子f实,将被测翅片的翅片结构参数和雷诺系数Re输入步骤S2中的标准检测模型获得标准阻力因子f标,对实测阻力因子f实和标准阻力因子f标进行数据比对,计算获得平均相对误差值;
S4.设定检测合格阈值,若步骤S3中的平均相对误差值小于检测合格阈值,则判定翅片加工质量合格,反之,判定翅片加工质量不合格。
以锯齿形翅片的加工质量检测为例,首先搭建一套可以实现翅片阻力特性快速检测的测试装置,通过翅片阻力特性测试装置进行检测,如图2所示,翅片阻力特性测试装置包括风洞通道1和用于放置翅片试件的测试部件2,风洞通道1的进口处依次设有第一压力传感器4和温湿度传感器5,风洞通道1的出口处依次设有温度传感器7、第二压力传感器和流量计3,风洞通道1由不锈钢管道以及相关阀件组成,测试部件内部设有用于装载待测翅片的容置腔,待测翅片与测试部件平行放置,测试部件外部设有用于测试待测翅片进出口压差的压降测试部件6,测试容器的进出口处均设有用于连接压降测试部件6的取压口,压降测试部件6为差压变送器。
然后利用翅片阻力特性测试装置测得不同翅片结构参数下的标准Re-f力特性数据,包括:
(1)阻力因子f
将翅片试件安装在测试装置内,由安装在流道的进出口差压变送器测得ΔP,再根据如下公式可得流动阻力系数f:
式中,ρ1为入口流体密度(单位:kg/m3),ρ2为出口流体密度(单位:kg/m3),ρm为流体平均密度(单位:kg/m3),
由下式可得到ρm:
ρm=(ρ1+ρ2)/2
同时,进出口密度ρ1和ρ2通过检测流道进出口温度(T1,T2)和压力(P1,P2)利用空气状态方程计算得到。
突扩段阻力损失系数和突缩段阻力损失系数可由下式计算得到:
Kc=0.42(1-σ2)
Ke=(1-σ2)2
ua为通过最小自由流通面积进入换热器的流速。
可由下式得到ua:
ua=Qa/Afree
式中,Afree(单位m2)为锯齿翅片迎风面的自由流通面积,Qa为翅片试件入口体积流量(单位:m3/s)。
在实际测试中,试件入口压力大而出口压力小,试件出口的空气密度比入口处小,即流量计测得的试件出口空气流量Q2要大于试件入口空气流量Q1(≈Qa),且两者近似存在关系:
故可得Qa。
(2)雷诺系数Re
首先获得测试试件的水力直径Dh(单位:m)。可由下式计算得到Dh:
式中,Pf为翅片节距、Hf为翅片高度、Tf为翅片厚度。
然后,根据下式计算得到锯齿翅片迎风面的自由流通面积Afree(单位m2):
式中,w为测试试件的宽度(单位m),N为翅片层数。
由以上测量、计算所获得参数,可以计算出测试工况下的雷诺系数Re:
式中,Af为翅片流动面积(单位:m2/s),v是空气运动粘度(单位:m2/s)。
故根据以上可以得到不同翅片结构参数下的Re-f阻力特性数据。
基于人工神经网络方法训练得到以Re数及翅片结构参数为输入,阻力因子f为输出的标准检测模型,具体过程如下:
在获得N个样本的条件下,首先,确定神经网络的输入和输出:
神经网络输入层的输入表示为:
X=[x1,x2,x3,x4]
神经网络输出层的输出表示为:
O=[o1]
如图3所示的用于预测阻力因子f的神经网络拓扑结构图,神经网络的前向结构由输入层,隐层(1层),输出层组成,其中,隐层设置6个节点。网络模型输入节点与隐含节点的激活函数选用tansig函数,输出层激活函数选用线性函数。
tansig函数形式为:
具体地,单个隐层神经元输入向量表示为:
X=[x1,x2,x3,x4]
式中,X表示单个隐层神经元的输入向量,向量分量x1为翅片节距Pf,x2为翅片高度Hf,x3为翅片厚度Tf,x4为雷诺数Re。
单个隐层神经元输出向量表示为:
Y=[y1,y2,y3,y4,y5,y6]
输入层到单个隐层神经元之间的权值矩阵表示为:
V=[v1,v2,v3,v4]
神经网络隐层的净输入可表示为:
式中,下标i表示输入层神经元的位置,下标j表示隐层神经元的位置,Netj表示为第j个输出层神经元的净输入,vij为第i个输入层神经元到第j个隐层神经元之间的权值,xij为第i个输入层神经元到第j个隐层神经元的之间的输入,θj为第j个输出层神经元的阈值。
隐层的输出与净输入的关系可表示为:
yj=f(Netj) j=1,2,3,4,5,6
式中,Net为隐层神经元的净输入,y为隐层神经元输入,下标j为所属隐层神经元的位置,f为激活函数。
输出层输入即为隐层的输出,单个输出层神经元的输入向量表示为:
Y=[y1,y2,y3,y4,y5,y6]
输出层只有一个神经元,输出层输出向量表示为:
O=[o1]
O表示神经网络输出层的输出向量,o1为神经网络所预测的阻力因子数据f预。
输出层的期望输出表示为:
d=[d1]
式中,d为期望的输出向量,d1为经测试装置所测得的实际阻力因子数据f实。
隐层到单个输出层神经元之间的权值矩阵表示为:
W=[w1,w2,w3,w4,w5,w6]
输出层的净输入表示为:
式中,下标j表示隐层神经元的位置,下标k表示输出层神经元的位置,Netk表示为第k个输出层神经元的净输入,wjk为第j个隐层神经元和第k个输出层神经元的之间的权值,yjk为第j个隐层神经元到第k个输出层神经元的之间的输入,θk为第k个输出层神经元的阈值。
输出层的输出与净输入的关系可表示为:
ok=f(Netk)k=1
式中,下标k表示输出层神经元的位置,Netk表示为第k个输出层神经元的净输入,ok为第k个输出层神经元的输出。
将所得到的样本数据代入模型进行训练,若输出层的期望输出d与神经网络输出O不符,则转入误差的反向传播阶段:
网络输出误差表示为:
式中,下标k表示输出层神经元的位置。
将以上误差展开至输入层进一步可表示为:
式中,w为输出层神经元的输入权值,v为隐层神经元的输入权值,x为隐层神经元输入,y为输出层神经元输入,θ为神经元的阈值,f1为隐层的激活函数,f2为输出层的激活函数,下标i表示输入层神经元的位置,下标j表示隐层神经元的位置,下标k表示输出层神经元的位置。
权值更新:
wjk new=wjk old+Δwjk j=1,2,3,4,5,6;k=1
vij new=vij old+Δvij i=1,2,3,4;j=1,2,3,4,5,6
式中,wnew和vnew为更新后的输出层神经元输入权值和隐层神经元的输入权值,Δw为输出层神经元的输入权值的改变量,Δv为隐层神经元的输入权值的改变量,wnew和vnew为更新后的输出层神经元输入权值和隐层神经元的输入权值,wold和vold为更新前的输出层神经元输入权值和隐层神经元的输入权值,下标i表示输入层神经元的位置,下标j表示隐层神经元的位置,下标k表示输出层神经元的位置。
阈值θ更新:
θj new=θj old+Δθj j=1,2,3,4,5,6
θk new=θk old+Δθk k=1
式中,Δθ为神经元阈值的改变量,θnew和θold分别为更新后和更新前神经元的阈值,下标j表示隐层神经元的位置,下标k表示输出层神经元的位置。
以均方误差MSE作为训练的误差目标,表征预测值与实际值之间的偏差:
均方误差MSE表示为:
最后,当MSE的最小值达到可接受的程度范围内,模型训练完毕,即可生成标准检测模型。
以上述标准检测模型为基准,通过对比待检测翅片阻力特性方式完成翅片加工质量检测,首先测得待检测翅片得结构参数,然后利用上述所搭建的翅片阻力特性测试装置,进行阻力因子测试,获得待检测翅片在不同Re数下阻力因子f变化数据,将待检测翅片的结构参数及Re数输入标准检测模型获得标准翅片因子数据f标,将实验测得的f因子数据与标准翅片f因子数据比对,计算两者的平均相对误差MRE值:
依据MRE是否在允许的误差范围内,判定翅片质量是否合格,实现翅片加工质量检测,上述加工质量检测流程如图4所示。一般情况下,若MRE值控制在10%以内,即可认定为合格。在实际运用过程中,检测偏差阈值的选取需要根据实际情况考虑加工条件、产品需求等因素。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (10)
1.一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:该方法具体包括以下步骤:
S1.检测并获得具有不同结构参数翅片的标准Re-f阻力特性数据,建立数据集,所述数据集包括翅片结构参数、雷诺系数Re和阻力因子f;
S2.基于步骤S1中的数据集,利用神经网络算法建立、训练并获得以翅片结构参数和雷诺系数Re为输入、以阻力因子f为输出的标准检测模型;
S3.检测并获得被测翅片的翅片结构参数、雷诺系数Re和实测阻力因子f实,将被测翅片的翅片结构参数和雷诺系数Re输入步骤S2中的标准检测模型获得标准阻力因子f标,对实测阻力因子f实和标准阻力因子f标进行数据比对,计算获得平均相对误差值;
S4.设定检测合格阈值,若步骤S3中的平均相对误差值小于检测合格阈值,则判定翅片加工质量合格,反之,判定翅片加工质量不合格。
2.根据权利要求1所述的一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:所述步骤S1中,通过翅片阻力特性测试装置进行检测,所述翅片阻力特性测试装置包括风洞通道和与风洞通道连通的测试容器,所述风洞通道的进出口处均设有压力传感器和温度传感器,所述测试容器内部设有用于放置翅片试件的容置腔,所述测试容器外部设有压降测试部件,所述测试容器的进出口处均设有用于连接压降测试部件的取压口。
3.根据权利要求1所述的一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:所述步骤S1中,翅片结构参数包括翅片高度、翅片厚度和翅片节距。
6.根据权利要求1所述的一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:所述步骤S2中,神经网络算法中设置输入层、隐层和输出层,输入层和隐层的激活函数选用tansig函数,输出层的激活函数选用线性函数,隐层设置6个节点,单个隐层神经元的输入向量分量为翅片高度、翅片厚度、翅片节距和雷诺系数Re。
7.根据权利要求1所述的一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:所述隐层的输出与净输入的关系满足下式:
式中,yj为第j个隐层神经元的输出,下标j表示隐层神经元的位置,Netj为第j个输出层神经元的净输入,下标i表示输入层神经元的位置,,vij为第i个输入层神经元和第j个隐层神经元的之间的权值,xij为第i个输入层神经元到第j个隐层神经元的之间的输入,θj为第j个输出层神经元的阈值;
所述输出层的输出与净输入的关系满足下式:
式中,ok为第k个输出层神经元的输出,下标k表示输出层神经元的位置,Netk为第k个输出层神经元的净输入,wjk为第j个隐层神经元和第k个输出层神经元的之间的权值,yjk为第j个隐层神经元到第k个输出层神经元的之间的输入,θk为第k个输出层神经元的阈值。
8.根据权利要求1所述的一种基于翅片阻力特性反演的翅片加工质量检测方法,其特征在于:所述步骤S2中,训练标准检测模型中,以实际测试所得的阻力因子数据值作为输出层的期望输出,以标准检测模型计算预测所得的阻力因子数据值作为输出层的模型输出,若期望输出与模型输出不符,则将输出误差在神经网络算法中进行误差反向传播并进行权值更新和阈值更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385434.4A CN114201826A (zh) | 2021-11-22 | 2021-11-22 | 一种基于翅片阻力特性反演的翅片加工质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111385434.4A CN114201826A (zh) | 2021-11-22 | 2021-11-22 | 一种基于翅片阻力特性反演的翅片加工质量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114201826A true CN114201826A (zh) | 2022-03-18 |
Family
ID=80648187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111385434.4A Pending CN114201826A (zh) | 2021-11-22 | 2021-11-22 | 一种基于翅片阻力特性反演的翅片加工质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201826A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526419A (zh) * | 2009-04-09 | 2009-09-09 | 杭州杭氧股份有限公司 | 板翅式换热器翅片流动特性测试方法及装置 |
CN103149237A (zh) * | 2013-02-18 | 2013-06-12 | 西安交通大学 | 一种宽雷诺数范围板翅式换热器传热与流动性能测试装置 |
CN109975050A (zh) * | 2019-04-08 | 2019-07-05 | 杭州中泰深冷技术股份有限公司 | 一种板翅式换热器流动及传热性能测试装置及其方法 |
CN110309589A (zh) * | 2019-06-28 | 2019-10-08 | 新奥数能科技有限公司 | 一种翅片换热器参数优化方法及装置 |
CN110567674A (zh) * | 2019-07-05 | 2019-12-13 | 杭州电子科技大学 | 板翅式换热器翅片流动阻力特性测试装置及其测试方法 |
-
2021
- 2021-11-22 CN CN202111385434.4A patent/CN114201826A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526419A (zh) * | 2009-04-09 | 2009-09-09 | 杭州杭氧股份有限公司 | 板翅式换热器翅片流动特性测试方法及装置 |
CN103149237A (zh) * | 2013-02-18 | 2013-06-12 | 西安交通大学 | 一种宽雷诺数范围板翅式换热器传热与流动性能测试装置 |
CN109975050A (zh) * | 2019-04-08 | 2019-07-05 | 杭州中泰深冷技术股份有限公司 | 一种板翅式换热器流动及传热性能测试装置及其方法 |
CN110309589A (zh) * | 2019-06-28 | 2019-10-08 | 新奥数能科技有限公司 | 一种翅片换热器参数优化方法及装置 |
CN110567674A (zh) * | 2019-07-05 | 2019-12-13 | 杭州电子科技大学 | 板翅式换热器翅片流动阻力特性测试装置及其测试方法 |
Non-Patent Citations (1)
Title |
---|
肖宝兰等: "基于神经网络的换热器翅片参数灵敏度分析", 《浙江大学学报(工学版)》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110500511B (zh) | 一种城市非金属管道泄漏定位方法 | |
CN110197049B (zh) | 一种基于瞬变反问题的非金属管道泄漏定位方法 | |
CN110779745B (zh) | 一种基于bp神经网络的换热器早期故障诊断方法 | |
CN109684753A (zh) | 一种管材弯曲回弹角逆向预测和补偿方法 | |
CN114068051B (zh) | 基于超声阵列的核反应堆主管道冷却剂温度流量的计算方法 | |
CN113551744A (zh) | 一种超声流量计性能在线监测方法及系统 | |
CN101526419A (zh) | 板翅式换热器翅片流动特性测试方法及装置 | |
CN102419827B (zh) | 基于rbf神经网络的沸腾换热预测方法 | |
CN111664823A (zh) | 基于介质热传导系数差异的均压电极垢层厚度检测方法 | |
CN110309591A (zh) | 一种平翅片换热器空气侧层流状态下换热与阻力计算方法 | |
CN108593964B (zh) | 一种七孔气流探针的标定方法 | |
CN113607601B (zh) | 基于辨识模型与深度学习相结合的矿浆浓度智能检测方法 | |
CN114201826A (zh) | 一种基于翅片阻力特性反演的翅片加工质量检测方法 | |
CN114021461A (zh) | 基于XGBoost的电子膨胀阀质量流量特性预测方法 | |
Zhao | Performance of a single-row heat exchanger at low in-tube flow rates | |
CN114462336B (zh) | 一种核反应堆主管道冷却剂平均温度计算方法 | |
CN110567674A (zh) | 板翅式换热器翅片流动阻力特性测试装置及其测试方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN115356096A (zh) | 一种压缩机管网系统喘振特性研究系统和方法 | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN112525774B (zh) | 一种基于涡街流量计频谱的流速、密度和粘度的测量方法 | |
CN110705186A (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
Avila et al. | ANN-based classification of operating data in humid air-water heat exchangers | |
CN110864752A (zh) | 基于体积管和位移传感器的单脉冲流量测量装置与方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220318 |