CN115048748B - 获得压缩机压力预测模型的方法、系统、处理终端 - Google Patents

获得压缩机压力预测模型的方法、系统、处理终端 Download PDF

Info

Publication number
CN115048748B
CN115048748B CN202210964472.3A CN202210964472A CN115048748B CN 115048748 B CN115048748 B CN 115048748B CN 202210964472 A CN202210964472 A CN 202210964472A CN 115048748 B CN115048748 B CN 115048748B
Authority
CN
China
Prior art keywords
chromosome
prediction model
compressor
heat exchanger
gene
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
CN202210964472.3A
Other languages
English (en)
Other versions
CN115048748A (zh
Inventor
易贤
张兴焕
张平涛
彭博
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.)
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Original Assignee
Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
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 Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center filed Critical Low Speed Aerodynamics Institute of China Aerodynamics Research and Development Center
Priority to CN202210964472.3A priority Critical patent/CN115048748B/zh
Publication of CN115048748A publication Critical patent/CN115048748A/zh
Application granted granted Critical
Publication of CN115048748B publication Critical patent/CN115048748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于结冰风洞试验领域，具体涉及一种获得压缩机压力预测模型的方法、系统、处理终端。其中，获得压缩机压力预测模型的方法包括如下步骤：S100：获取
Figure 439659DEST_PATH_IMAGE001
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；S200：通过遗传算法优化随机森林得到一个最优的森林；S300：将
Figure 58859DEST_PATH_IMAGE001
组试验参数的风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机实际吸气压力作为森林的树的输出，进行训练，得到预测模型。通过该方法获得的预测模型能够预测实际吸气压力值，该预测的实际压力值具有更高的精确度。

Description

获得压缩机压力预测模型的方法、系统、处理终端
技术领域
本发明属于结冰风洞试验领域，具体涉及一种获得压缩机压力预测模型的方法、系统、处理终端。
背景技术
飞行器穿越富含过冷液滴的低温云层时，其迎风面上容易产生结冰现象，结冰严重威胁着飞机的飞行安全。飞行器结冰风洞试验是获得其结冰特性、验证机载防除冰系统性能和开展适航认证的重要手段。热流场品质是评价结冰风洞试验能力的重要技术指标，温度控制性能是结冰风洞开展飞行器结冰与防除冰研究的核心技术之一。飞行器结冰风洞试验中需要快速、精确、稳定控制试验区域的气流温度，美国联邦航空管理局及欧洲航空安全局发布了关于结冰风洞温度控制精度、稳定性和快速性指标要求。
目前，大型结冰风洞使用氨制冷系统控制风洞气流温度，系统主要由螺杆压缩机组、换热器、蒸发式冷凝器、氨泵、储液器和低压循环桶等设备组成，采用氨（R717）作为制冷剂。制冷系统通过控制换热器出口气流温度实现风洞热流场模拟，换热器出口气流温度控制性能决定了结冰风洞热流场品质。
基于此，中国专利：CN202210229816.6提出了一种结冰风洞换热器出口气流温度方法，该方法描述了换热器出口气流温度控制的具体方法。但是通过该方法控制换热器出口气流温度仍然存在如下缺陷：（1）换热器出口气流温度控制效率低；（2）能量浪费。
发明内容
为了解决上述技术问题，本发明提出了一种获得压缩机压力预测模型的方法，通过该方法获得的预测模型能够预测压缩机实际吸气压力值，该预测的实际压力值具有更高的精确度；通过该预测的实际压力值对控制系统进行控制不仅具有对换热器出口气流温度控制效率高的优点，而且还具有节约能量的优点。
本发明通过下述技术方案实现：
本发明一方面提出了一种获得压缩机压力预测模型的方法，包括如下步骤：
S100：获取
Figure 395042DEST_PATH_IMAGE001
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；
S200：通过遗传算法优化随机森林得到一个最优的森林；
S300：将
Figure 322546DEST_PATH_IMAGE001
组试验参数风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
进一步地，所述遗传算法优化随机森林包括如下步骤：
S210：随机生成
Figure 992562DEST_PATH_IMAGE002
个染色体，
Figure 107149DEST_PATH_IMAGE002
个染色体为0代，每个染色体上包含4种基因，4个基因分别表示树的个数、树的最大深度、树的叶子节点最少样例数和树的分裂内部节点最少样例数；
S220：计算每个染色体的适应度，并通过适应度计算每个染色体被选择的概率值，并随机生成每个染色体对应的浮点值；
S230：通过将一个染色体对应的概率值和浮点值进行比较，选出
Figure 91285DEST_PATH_IMAGE003
个染色体进行交叉变异；
S240：重复步骤S220-S230直至迭代
Figure 607717DEST_PATH_IMAGE004
代为止；
S250：在0代到
Figure 743907DEST_PATH_IMAGE004
代中所有染色体中选出适应度最大的染色体，通过该染色体得到一个最优的森林；
其中：
Figure 549052DEST_PATH_IMAGE005
。
进一步地，概率值的计算方法为：
步骤一：通过
Figure 133617DEST_PATH_IMAGE002
个染色体的基因获得
Figure 504556DEST_PATH_IMAGE002
个森林；
步骤二：将
Figure 516374DEST_PATH_IMAGE001
组试验参数分为
Figure 339974DEST_PATH_IMAGE006
组训练集和
Figure 728230DEST_PATH_IMAGE007
组测试集，其中：
Figure 953674DEST_PATH_IMAGE008
；
步骤三：将
Figure 637859DEST_PATH_IMAGE006
组训练集的风速、气流密度、换热器入口温度、换热器出口温度作为输入，将压缩机吸气压力作为输出，带入
Figure 214334DEST_PATH_IMAGE002
个森林进行训练获得
Figure 140702DEST_PATH_IMAGE002
个模型；
步骤四：将
Figure 486232DEST_PATH_IMAGE007
组测试集带入
Figure 105432DEST_PATH_IMAGE002
个模型得到压缩机吸气压力的预测值；
步骤五：通过适应度计算公式计算获得每个森林的适应度，所述适应度公式为：
Figure 106886DEST_PATH_IMAGE009
；
步骤六：通过概率计算公式计算获得每个森林的概率值，所述概率计算公式为：
Figure 836945DEST_PATH_IMAGE010
；
其中：
Figure 36982DEST_PATH_IMAGE011
，
Figure 827084DEST_PATH_IMAGE012
，
Figure 315834DEST_PATH_IMAGE013
表示第
Figure 82539DEST_PATH_IMAGE014
个模型中使用的
Figure 402662DEST_PATH_IMAGE007
组测试集中的第
Figure 363665DEST_PATH_IMAGE015
组试验参数中的压缩机吸气压力，
Figure 74132DEST_PATH_IMAGE016
表示将
Figure 145993DEST_PATH_IMAGE007
组测试集中第
Figure 586202DEST_PATH_IMAGE015
组试验参数：风速、气流密度、换热器入口温度、换热器出口温度代入第
Figure 452527DEST_PATH_IMAGE014
个模型中得到的预测值，
Figure 915869DEST_PATH_IMAGE017
表示第
Figure 525842DEST_PATH_IMAGE014
个模型中使用的
Figure 820557DEST_PATH_IMAGE007
组测试集中
Figure 359248DEST_PATH_IMAGE007
个压缩机吸气压力的均值。
进一步地，概率值与浮点值比较的方法为：
若
Figure 309887DEST_PATH_IMAGE018
，则对应的染色体被选择，若
Figure 989130DEST_PATH_IMAGE019
，则对应的染色体不被选择；
其中：
Figure 872772DEST_PATH_IMAGE020
。
进一步地，染色体长度为15，以染色体的端部起依次将染色体分成4个基因，4个基因的长度分别为：4，3，3，5，长度为4的基因表示树的个数，第一个长度为3的基因表示树的最大深度，第二个长度为3的基因表示树的叶子节点最少样例数，长度为5的基因表示树的分裂内部节点最少样例数。
进一步地，树的个数=（长度为4的基因的二进制数对应的十进制数+1）*10；
树的最大深度=第一个长度为3的基因的二进制对应的十进制数+3；
树的叶子节点最少样例数=第二长度为3的基因的二进制对应的十进制数+1；
分裂内部节点最少样例数=长度为5的基因的二进制对应的十进制数*19/31+0.01。
进一步地，长度为4的基因的二进制数对应的十进制=
Figure 346479DEST_PATH_IMAGE021
；
第一个长度为3的基因的二进制对应的十进制数=
Figure 518834DEST_PATH_IMAGE022
；
第二长度为3的基因的二进制对应的十进制数=
Figure 470609DEST_PATH_IMAGE023
；
长度为5的基因的二进制对应的十进制数=
Figure 739917DEST_PATH_IMAGE024
；
其中：
Figure 322208DEST_PATH_IMAGE025
表示以染色体的端部起依次编码的二进制值，
Figure 778597DEST_PATH_IMAGE026
。
进一步地，通过公式将
Figure 799643DEST_PATH_IMAGE001
组试验参数中的气流密度转化为高度，所述公式为：
Figure 156412DEST_PATH_IMAGE027
；
其中：
Figure 175184DEST_PATH_IMAGE028
表示高度，
Figure 118869DEST_PATH_IMAGE029
表示气流密度。
本发明第二方面提供了一种获得压缩机压力预测模型的方法的系统，用于上述所述的获得压缩机压力预测模型的方法，包括：
参数获取模块：用于获取
Figure 678026DEST_PATH_IMAGE001
组试验参数；
优化模块：用于遗传算法优化随机森林得到一个最优的森林；
训练模块：用于将试验参数在最优森林里训练得到预测模型。
本发明第三方面提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
S100：获取
Figure 390768DEST_PATH_IMAGE001
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；
S200：通过遗传算法优化随机森林得到一个最优的森林；
S300：将风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
本发明第四方面提供了一种压缩机压力预测模型处理终端，所述处理终端用于实现上述获得压缩机压力预测模型的方法得到的预测模型。
采用上述技术方案，本发明包括如下优点：
1、本发明的一种获得压缩机压力预测模型的方法，通过该方法获得的预测模型能够预测实际吸气压力值，该预测的压缩机实际压力值具有更高的精确度；通过该预测的实际压力值对控制系统进行控制不仅具有对换热器出口气流温度控制效率高的优点，而且还具有节约能量的优点。
2、本发明通过采用遗传算法对随机森林进行优化，经过迭代
Figure 580440DEST_PATH_IMAGE030
代，得到一个最优解，即随机深林中所需参数的最优组合，通过该参数的最优组合得到的预测模型用于对压缩机实际吸气压力预测时具有更高的精确度和预测速度快的优点。
3、本发明的遗传算法优化随机森林具有方法步骤少、计算过程简单的优点。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对本发明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，下面所描述的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种获得压缩机压力预测模型的方法的流程图；
图2为本发明实施例中遗传算法优化随机森林的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
上述方法中使用到了压缩机目标吸气压力和实际吸气压力，目标吸气压力通过公式
Figure 11422DEST_PATH_IMAGE031
获得，其中
Figure 374270DEST_PATH_IMAGE032
为实验工况下目标温度
Figure 941518DEST_PATH_IMAGE033
所对应的制冷剂饱和蒸发压力，
Figure 302092DEST_PATH_IMAGE034
为压力变化经验值；实际吸气压力通过公式
Figure 220369DEST_PATH_IMAGE035
获得，其中
Figure 622794DEST_PATH_IMAGE036
为预设压力变化值；但是上述公式中存在
Figure 310127DEST_PATH_IMAGE034
、
Figure 638340DEST_PATH_IMAGE036
等通过经验设定的值，所以最后获得的实际吸气压力存在误差，具有精确度低的缺点。基于此，发现造成（1）换热器出口气流温度控制效率低，（2）能量浪费的原因是因为实际吸气压力精度低。
具体为：得到的实际吸气压力值向上偏差（即过大）时，则会导致换热器出口气流温度比实际需要的换热器出口气流温度低，则需要等换热器出口气流温度吸热为实际需要的换热器出口气流温度后，再将该出口气流通入风洞试验段内；所以会造成能量浪费。
而得到的实际吸气压力值向下偏差（即过小）时，则会导致换热器出口气流温度要达到实际需要的换热器出口气流温度需要更长的时间；所以换热器出口气流温度控制效率低。
实施例1
如图1所示，为了解决现有技术中存在的上述技术问题，本实施提供了一种获得压缩机压力预测模型的方法，包括如下步骤：
S100：获取
Figure 981597DEST_PATH_IMAGE001
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；其中：
Figure 686248DEST_PATH_IMAGE037
。
本实施例中的
Figure 493667DEST_PATH_IMAGE001
组试验参数通过现有技术中的温度控制系统测量获得，在压缩机的吸气端设置压力传感器，在换热器的入口和出口均设置温度传感器。风速和气流密度则通过在风洞试验段中测量获得，当然风速和气流密度（即飞机飞行高度）也可以直接根据飞机实际飞行速度和飞行高度获得。
S120：通过公式将气流密度转化为高度，所述公式为：
Figure 992781DEST_PATH_IMAGE038
；
其中：
Figure 823334DEST_PATH_IMAGE028
表示高度，
Figure 800517DEST_PATH_IMAGE029
表示气流密度。
在风洞试验中需要模拟真实的外部环境，本实施例中的
Figure 728022DEST_PATH_IMAGE001
组试验参数是在风洞试验中通过测量获得，其中的气流密度用于模拟高度，而在结冰风洞试验前是先获得的高度，然后通过控制气流密度来模拟高度，所以如果通过气流密度用于模型训练得到的训练模型，在预测压缩机实际吸气压力时，需要先将高度转化为气流密度，具有操作复杂、预测效率慢的缺点。
本实施例中将气流密度转化为高度，将高度用于模型训练得到的预测模型，在使用预测模型预测压缩机实际吸气压力时，就省略了将高度转化为气流密度的步骤，提高了预测效率。
需要说明的是，当然气流密度也可以直接用于模型训练，只是在预测压缩机实际吸气压力时需要先将高度转化为气流密度。
S200：通过遗传算法优化随机森林得到一个最优的森林；
对于遗传算法优化随机森林的方法，现有技术中也有很多优化过程，对于现有技术中的遗传算法优化随机森林本实施例也同样适用；下面具体介绍本实施例提出的一种新的优化过程。
如图2所示，所述遗传算法优化随机森林包括如下步骤：
S210：随机生成
Figure 601300DEST_PATH_IMAGE002
个染色体，
Figure 214422DEST_PATH_IMAGE002
个染色体为0代，每个染色体上包含4种基因，4个基因分别表示树的个数、树的最大深度、树的叶子节点最少样例数和树的分裂内部节点最少样例数；其中：
Figure 995296DEST_PATH_IMAGE039
；
S220：计算每个染色体的适应度，并通过适应度值计算每个染色体选择的概率值，并随机生成每个染色体对应的浮点值；
染色体长度为15，以染色体的端部起依次将染色体分成4个基因，4个基因的长度分别为：4，3，3，5，长度为4的基因表示树的个数，第一个长度为3的基因表示树的最大深度，第二个长度为3的基因表示树的叶子节点最少样例数，长度为5的基因表示树的分裂内部节点最少样例数；即树的个数用染色体上的编码表示为：0，1，0，1；树的最大深度用染色体上的编码表示为：0，1，0；树的叶子节点最少样例数用染色体上的编码表示为：1，0，1；树的分裂内部节点最少样例数用染色体上的编码表示为：0，1，0，1，0。
概率值的计算方法为：
步骤一：通过
Figure 777307DEST_PATH_IMAGE002
个染色体的基因获得
Figure 821487DEST_PATH_IMAGE002
个森林；
将染色体上二进制编码转化为十进制的编码：
长度为4的基因的二进制数对应的十进制=
Figure 423369DEST_PATH_IMAGE021
；其中
Figure 273514DEST_PATH_IMAGE040
；
第一个长度为3的基因的二进制对应的十进制数=
Figure 644452DEST_PATH_IMAGE022
，其中
Figure 656270DEST_PATH_IMAGE041
；
第二长度为3的基因的二进制对应的十进制数=
Figure 683132DEST_PATH_IMAGE023
，其中
Figure 71388DEST_PATH_IMAGE042
；
长度为5的基因的二进制对应的十进制数=
Figure 63877DEST_PATH_IMAGE024
，
Figure 246597DEST_PATH_IMAGE043
；
其中：
Figure 26334DEST_PATH_IMAGE025
表示以染色体的端部起依次编码的二进制值，即0或1，
Figure 218281DEST_PATH_IMAGE026
；染色体长度为15，即染色体上有15个编码位置，遗传算法随机生成的染色体是通过二进制进行的编码，即染色体上的编码可以是：0，1，0，1，0，1，0，1，0，1，0，1，0，1，0；对应的
Figure 298232DEST_PATH_IMAGE044
，
Figure 120695DEST_PATH_IMAGE045
，
Figure 918887DEST_PATH_IMAGE046
，
Figure 648945DEST_PATH_IMAGE047
，
Figure 848983DEST_PATH_IMAGE048
，
Figure 842346DEST_PATH_IMAGE049
，
Figure 862255DEST_PATH_IMAGE050
，
Figure 160119DEST_PATH_IMAGE051
，
Figure 214662DEST_PATH_IMAGE052
，
Figure 113348DEST_PATH_IMAGE053
，
Figure 886132DEST_PATH_IMAGE054
，
Figure 223573DEST_PATH_IMAGE055
，
Figure 132623DEST_PATH_IMAGE056
，
Figure 467789DEST_PATH_IMAGE057
，
Figure 462290DEST_PATH_IMAGE058
。或染色体上的编码可以是：1，0，1，0，1，0，1，0，1，0，1，0，1，0，1；对应的
Figure 603421DEST_PATH_IMAGE059
，
Figure 632557DEST_PATH_IMAGE060
，
Figure 873046DEST_PATH_IMAGE061
，
Figure 121887DEST_PATH_IMAGE062
，
Figure 801130DEST_PATH_IMAGE063
，
Figure 684772DEST_PATH_IMAGE064
，
Figure 892900DEST_PATH_IMAGE065
，
Figure 861993DEST_PATH_IMAGE066
，
Figure 282610DEST_PATH_IMAGE067
，
Figure 286338DEST_PATH_IMAGE068
，
Figure 930946DEST_PATH_IMAGE069
，
Figure 590597DEST_PATH_IMAGE070
，
Figure 346064DEST_PATH_IMAGE071
，
Figure 991850DEST_PATH_IMAGE072
，
Figure 807359DEST_PATH_IMAGE073
。
树的个数=（长度为4的基因的二进制数对应的十进制数+1）*10；
树的最大深度=第一个长度为3的基因的二进制对应的十进制数+3；
树的叶子节点最少样例数=第二长度为3的基因的二进制对应的十进制数+1；
分裂内部节点最少样例数=长度为5的基因的二进制对应的十进制数*19/31+0.01。
计算出来一个染色体对应的树的个数、树的最大深度、树的叶子节点最少样例数和分裂内部节点最少样例数即得到一个森林。
Figure 688728DEST_PATH_IMAGE002
个染色体则可以得到
Figure 247885DEST_PATH_IMAGE002
个森林。
步骤二：将
Figure 226205DEST_PATH_IMAGE001
组试验参数分为
Figure 212616DEST_PATH_IMAGE006
组训练集和
Figure 846860DEST_PATH_IMAGE007
组测试集，其中：
Figure 209708DEST_PATH_IMAGE008
；
步骤三：将
Figure 776955DEST_PATH_IMAGE006
组训练集的风速、气流密度、换热器入口温度、换热器出口温度作为输入，将压缩机吸气压力作为输出，带入
Figure 137529DEST_PATH_IMAGE002
个森林进行训练获得
Figure 790228DEST_PATH_IMAGE002
个模型；
步骤四：将
Figure 458232DEST_PATH_IMAGE007
组测试集带入
Figure 145565DEST_PATH_IMAGE002
个模型得到压缩机吸气压力的预测值；
步骤五：通过适应度计算公式计算获得每个森林的适应度，所述适应度公式为：
Figure 677040DEST_PATH_IMAGE009
；
步骤六：通过概率计算公式计算获得每个森林的概率值，所述概率计算公式为：
Figure 817035DEST_PATH_IMAGE010
；
其中：
Figure 521686DEST_PATH_IMAGE011
，
Figure 63525DEST_PATH_IMAGE012
，
Figure 765902DEST_PATH_IMAGE013
表示第
Figure 393193DEST_PATH_IMAGE014
个模型中使用的
Figure 901534DEST_PATH_IMAGE007
组测试集中的第
Figure 766722DEST_PATH_IMAGE015
组试验参数中的压缩机吸气压力，
Figure 436738DEST_PATH_IMAGE016
表示将
Figure 784280DEST_PATH_IMAGE007
组测试集中第
Figure 96313DEST_PATH_IMAGE015
组试验参数：风速、气流密度、换热器入口温度、换热器出口温度代入第
Figure 816007DEST_PATH_IMAGE014
个模型中得到的预测值，
Figure 656924DEST_PATH_IMAGE017
表示第
Figure 258807DEST_PATH_IMAGE014
个模型中使用的
Figure 843372DEST_PATH_IMAGE007
组测试集中
Figure 417573DEST_PATH_IMAGE007
个压缩机吸气压力的均值。
S230：通过将一个染色体对应的概率值和浮点值进行比较；
概率值
Figure 429391DEST_PATH_IMAGE074
与浮点值
Figure 784149DEST_PATH_IMAGE075
比较的方法为：
若
Figure 906826DEST_PATH_IMAGE018
，则对应的染色体被选择，若
Figure 601113DEST_PATH_IMAGE019
，则对应的染色体不被选择；
其中：
Figure 285297DEST_PATH_IMAGE020
。
选出
Figure 861772DEST_PATH_IMAGE003
个染色体进行交叉变异；
Figure 788140DEST_PATH_IMAGE076
；设置变异概率为0.01，交叉概率为0.8。
S240：重复步骤S220-S230直至迭代
Figure 133670DEST_PATH_IMAGE077
代为止；选出的
Figure 690554DEST_PATH_IMAGE003
个染色体交叉变异后即为第一代，
Figure 488745DEST_PATH_IMAGE078
。
S250：在0代（即随机生成的
Figure 484383DEST_PATH_IMAGE002
个染色体）到
Figure 684420DEST_PATH_IMAGE077
代（选择、交叉、变异一次为一代）中所有染色体中选出适应度最大的染色体，通过该染色体得到一个最优的森林；
S300：将
Figure 412205DEST_PATH_IMAGE079
组试验参数风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型。
实施例2
本实施例提供了一种获得压缩机压力预测模型的方法的系统，用于实施例1所述的获得压缩机压力预测模型的方法，包括：
参数获取模块：用于获取
Figure 963272DEST_PATH_IMAGE079
组试验参数；
优化模块：用于遗传算法优化随机森林得到一个最优的森林；
训练模块：用于将试验参数在最优森林里训练得到预测模型。
实施例3
本实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：
S100：获取
Figure 995557DEST_PATH_IMAGE079
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；
S120：通过公式将气流密度转化为高度，所述公式为：
Figure 253363DEST_PATH_IMAGE080
；
S300：通过遗传算法优化随机森林得到一个最优的森林；
S400：将风速、高度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型；
其中：
Figure 948786DEST_PATH_IMAGE081
表示高度，
Figure 987149DEST_PATH_IMAGE082
表示气流密度，
Figure 59011DEST_PATH_IMAGE083
。
实施例4
本实施例提供了一种压缩机压力预测模型处理终端，所述处理终端用于实施例1所述获得压缩机压力预测模型的方法得到的预测模型。

Claims (8)

1.获得压缩机压力预测模型的方法，其特征在于，包括如下步骤：
S100：获取
Figure 294918DEST_PATH_IMAGE001
组试验参数，试验参数包括：风速、气流密度、换热器入口温度、换热器出口温度和压缩机吸气压力；
S200：通过遗传算法优化随机森林得到一个最优的森林；
S210：随机生成
Figure 680900DEST_PATH_IMAGE002
个染色体，
Figure 929479DEST_PATH_IMAGE002
个染色体为0代，每个染色体上包含4种基因，4个基因分别表示树的个数、树的最大深度、树的叶子节点最少样例数和树的分裂内部节点最少样例数；
S220：计算每个染色体的适应度，并通过适应度计算每个染色体被选择的概率值，并随机生成每个染色体对应的浮点值；
S230：通过将一个染色体对应的概率值和浮点值进行比较，选出
Figure 59109DEST_PATH_IMAGE003
个染色体进行交叉变异；
S240：重复步骤S220-S230直至迭代
Figure 591590DEST_PATH_IMAGE004
代为止；
S250：在0代到
Figure 148474DEST_PATH_IMAGE004
代中所有染色体中选出适应度最大的染色体，通过该染色体得到一个最优的森林；
S300：将
Figure 884348DEST_PATH_IMAGE001
组试验参数的风速、气流密度、换热器入口温度、换热器出口温度作为最优的森林的树的输入，将压缩机吸气压力作为森林的树的输出，进行训练，得到预测模型；
步骤一：通过
Figure 552090DEST_PATH_IMAGE002
个染色体的基因获得
Figure 955390DEST_PATH_IMAGE002
个森林；
步骤二：将
Figure 666863DEST_PATH_IMAGE001
组试验参数分为
Figure 155613DEST_PATH_IMAGE005
组训练集和
Figure 361466DEST_PATH_IMAGE006
组测试集，其中：
Figure 353693DEST_PATH_IMAGE007
；
步骤三：将
Figure 517958DEST_PATH_IMAGE005
组训练集的风速、气流密度、换热器入口温度、换热器出口温度作为输入，将压缩机吸气压力作为输出，带入
Figure 477693DEST_PATH_IMAGE002
个森林进行训练获得
Figure 487237DEST_PATH_IMAGE002
个模型；
步骤四：将
Figure 599549DEST_PATH_IMAGE006
组测试集带入
Figure 403557DEST_PATH_IMAGE002
个模型得到压缩机吸气压力的预测值；
步骤五：通过适应度计算公式计算获得每个森林的适应度，所述适应度计算公式为：
Figure 866900DEST_PATH_IMAGE008
；
步骤六：通过概率计算公式计算获得每个森林的概率值，所述概率计算公式为：
Figure 663823DEST_PATH_IMAGE009
；
其中：
Figure 896222DEST_PATH_IMAGE011
，
Figure 136710DEST_PATH_IMAGE013
，
Figure 821769DEST_PATH_IMAGE015
，
Figure 173116DEST_PATH_IMAGE016
表示第
Figure 509288DEST_PATH_IMAGE017
个模型中使用的
Figure 920678DEST_PATH_IMAGE006
组测试集中的第
Figure 93034DEST_PATH_IMAGE018
组试验参数中的压缩机吸气压力，
Figure 982492DEST_PATH_IMAGE019
表示将
Figure 189483DEST_PATH_IMAGE006
组测试集中第
Figure 21041DEST_PATH_IMAGE018
组试验参数：风速、气流密度、换热器入口温度、换热器出口温度代入第
Figure 415114DEST_PATH_IMAGE017
个模型中得到的预测值，
Figure 373842DEST_PATH_IMAGE020
表示第
Figure 904181DEST_PATH_IMAGE017
个模型中使用的
Figure 657373DEST_PATH_IMAGE006
组测试集中
Figure 53588DEST_PATH_IMAGE006
个压缩机吸气压力的均值。
2.如权利要求1所述的获得压缩机压力预测模型的方法，其特征在于，概率值
Figure 550429DEST_PATH_IMAGE021
与浮点值
Figure 200853DEST_PATH_IMAGE022
比较的方法为：
若
Figure 859367DEST_PATH_IMAGE023
，则对应的染色体被选择，若
Figure 477299DEST_PATH_IMAGE024
，则对应的染色体不被选择；
其中：
Figure 512251DEST_PATH_IMAGE025
。
3.如权利要求1所述的获得压缩机压力预测模型的方法，其特征在于：染色体长度为15，以染色体的端部起依次将染色体分成4个基因，4个基因的长度分别为：4，3，3，5，长度为4的基因表示树的个数，第一个长度为3的基因表示树的最大深度，第二个长度为3的基因表示树的叶子节点最少样例数，长度为5的基因表示树的分裂内部节点最少样例数。
4.如权利要求3所述的获得压缩机压力预测模型的方法，其特征在于：树的个数=（长度为4的基因的二进制数对应的十进制数+1）*10；
树的最大深度=第一个长度为3的基因的二进制对应的十进制数+3；
树的叶子节点最少样例数=第二长度为3的基因的二进制对应的十进制数+1；
分裂内部节点最少样例数=长度为5的基因的二进制对应的十进制数*19/31+0.01。
5.如权利要求4所述的获得压缩机压力预测模型的方法，其特征在于：
长度为4的基因的二进制数对应的十进制=
Figure 548340DEST_PATH_IMAGE026
；
第一个长度为3的基因的二进制对应的十进制数=
Figure 643335DEST_PATH_IMAGE027
；
第二长度为3的基因的二进制对应的十进制数=
Figure 499296DEST_PATH_IMAGE028
；
长度为5的基因的二进制对应的十进制数=
Figure 587207DEST_PATH_IMAGE029
；
其中：
Figure 212223DEST_PATH_IMAGE030
表示以染色体的端部起依次编码的二进制值，
Figure DEST_PATH_IMAGE031
。
6.如权利要求1-5任意一项所述的获得压缩机压力预测模型的方法，其特征在于，
通过公式将
Figure 212540DEST_PATH_IMAGE001
组试验参数中的气流密度转化为高度，所述公式为：
Figure DEST_PATH_IMAGE032
；
其中：
Figure DEST_PATH_IMAGE033
表示高度，
Figure DEST_PATH_IMAGE034
表示气流密度。
7.获得压缩机压力预测模型的方法的系统，用于实施权利要求1-6任意一项所述的获得压缩机压力预测模型的方法，其特征在于，包括：
参数获取模块：用于获取
Figure 235026DEST_PATH_IMAGE001
组试验参数；
优化模块：用于遗传算法优化随机森林得到一个最优的森林；
训练模块：用于将试验参数在最优的森林里训练得到预测模型。
8.一种压缩机压力预测模型处理终端，其特征在于：所述处理终端用于实现如权利要求1-6任意一项所述获得压缩机压力预测模型的方法得到的预测模型。
CN202210964472.3A 2022-08-12 2022-08-12 获得压缩机压力预测模型的方法、系统、处理终端 Active CN115048748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210964472.3A CN115048748B (zh) 2022-08-12 2022-08-12 获得压缩机压力预测模型的方法、系统、处理终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210964472.3A CN115048748B (zh) 2022-08-12 2022-08-12 获得压缩机压力预测模型的方法、系统、处理终端

Publications (2)

Publication Number Publication Date
CN115048748A CN115048748A (zh) 2022-09-13
CN115048748B true CN115048748B (zh) 2022-10-28

Family

ID=83168066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210964472.3A Active CN115048748B (zh) 2022-08-12 2022-08-12 获得压缩机压力预测模型的方法、系统、处理终端

Country Status (1)

Country Link
CN (1) CN115048748B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117927873B (zh) * 2024-03-25 2024-06-21 玉得气体有限责任公司 用于平衡管路中氮气的气量控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN111563354A (zh) * 2020-06-10 2020-08-21 中国空气动力研究与发展中心低速空气动力研究所 一种基于数值模拟的结冰风洞试验相似转换方法
CN111709185A (zh) * 2020-06-16 2020-09-25 金陵科技学院 一种基于随机森林的建筑混凝土强度预测方法
CN113822359A (zh) * 2021-09-23 2021-12-21 浙江工业大学 基于残差数据缩放策略的热泵系统自适应故障诊断方法
CN114169106A (zh) * 2021-12-13 2022-03-11 汕头大学 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113435453B (zh) * 2021-06-11 2023-04-07 西安交通大学 基于卷积神经网络的往复式压缩机故障诊断方法及系统
CN114353363B (zh) * 2022-03-10 2022-05-17 中国空气动力研究与发展中心低速空气动力研究所 一种结冰风洞换热器出口气流温度控制系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN111563354A (zh) * 2020-06-10 2020-08-21 中国空气动力研究与发展中心低速空气动力研究所 一种基于数值模拟的结冰风洞试验相似转换方法
CN111709185A (zh) * 2020-06-16 2020-09-25 金陵科技学院 一种基于随机森林的建筑混凝土强度预测方法
CN113822359A (zh) * 2021-09-23 2021-12-21 浙江工业大学 基于残差数据缩放策略的热泵系统自适应故障诊断方法
CN114169106A (zh) * 2021-12-13 2022-03-11 汕头大学 基于改进随机森林模型的评估旋喷桩引起侧向位移的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于最大相关最小冗余-随机森林算法的多联机系统在线故障诊断策略研究";刘倩 等;《制冷技术》;20191215;第39卷(第6期);1-8 *
"连续式跨声速风洞动力系统运行安全研究";张文 等;《兵工学报》;20160715;第37卷(第7期);1330-1336 *

Also Published As

Publication number Publication date
CN115048748A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN109634121B (zh) 基于径向基函数神经网络的多父代遗传算法空气源热泵多目标优化控制方法
CN115048748B (zh) 获得压缩机压力预测模型的方法、系统、处理终端
CN109978039B (zh) 一种基于不平衡数据集情况下的风机叶片结冰预测方法
CN114484731A (zh) 一种基于stacking融合算法的中央空调故障诊断方法及装置
CN113777931B (zh) 结冰翼型气动模型构造方法、装置、设备及介质
CN116702957A (zh) 面向极端天气的新能源功率预测方法、设备和存储介质
CN116412091A (zh) 基于机器学习的风力发电机组叶片实时除冰方法及系统
CN114330050A (zh) 抽水蓄能电站地下厂房通风廊道的温湿度数值模拟方法
Kashani et al. Heat and mass transfer in natural draft cooling towers
CN112329813B (zh) 一种能耗预测用特征提取方法及系统
CN116910923B (zh) 一种机载机电系统的优化设计方法及装置
CN110991743B (zh) 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法
CN117454765A (zh) 基于ipso-bp神经网络铜熔炼炉喷枪寿命预测方法
CN117705456A (zh) 一种基于多模型深度学习的航空发动机数字化试车方法
CN104361148A (zh) 一种横流式冷却塔的设计方法
CN114297807B (zh) 一种防冰系统笛形管结构参数优化方法
Guo et al. Mach number prediction and analysis of multi-mode wind tunnel system
CN114658465A (zh) 一种隧道通风方案优化方法及系统
CN114139785A (zh) 锅炉燃烧热效率预测方法及装置
CN108280520B (zh) 大气廓线计算方法及装置
CN111898829A (zh) 一种基于稀疏异常感知的边缘设备下的电量预测方法
Lu et al. Coordinate descent-based model calibration methodology for HVAC subsystems
CN117313237B (zh) 一种基于机器学习的特种无人机组构方案优选方法
CN114879769B (zh) 一种船舱湿度控制方法及装置
Kim et al. Prediction of the indoor airflow temperature distribution with a heat source using a multilayer perceptron

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