CN117131636A - 基于数据分析的多联体涡轮叶片位置效率优化方法 - Google Patents
基于数据分析的多联体涡轮叶片位置效率优化方法 Download PDFInfo
- Publication number
- CN117131636A CN117131636A CN202311368398.XA CN202311368398A CN117131636A CN 117131636 A CN117131636 A CN 117131636A CN 202311368398 A CN202311368398 A CN 202311368398A CN 117131636 A CN117131636 A CN 117131636A
- Authority
- CN
- China
- Prior art keywords
- turbine blade
- time
- efficiency
- real
- data analysis
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 25
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 108091028732 Concatemer Proteins 0.000 claims abstract description 8
- 230000008859 change Effects 0.000 claims description 22
- 230000000739 chaotic effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 7
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0409—Adaptive resonance theory [ART] networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Control Of Turbines (AREA)
Abstract
本发明涉及数据处理领域，尤其涉及基于数据分析的多联体涡轮叶片位置效率优化方法。首先，采用基于自适应网络拓扑结构的动态权重调整算法，动态调整涡轮叶片的位置权重，实时调整涡轮叶片的位置；其次，采用非线性时间扩展预测算法，捕捉涡轮叶片的动态行为，预测涡轮叶片的未来位置，引入位置反馈机制；最后，采用基于时间序列的自适应学习算法，实现涡轮叶片位置的实时、自适应优化。解决了现有技术依赖于静态的模型或预设的参数，在面对实时变化的工作条件时响应速度慢；难以适应多种不同的工作条件和环境变化；在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳和涡轮机械的效率降低，从而增加能源消耗和运行成本的问题。
Description
技术领域
本发明涉及数据处理领域，尤其涉及基于数据分析的多联体涡轮叶片位置效率优化方法。
背景技术
涡轮机械在许多工业应用中都占据着核心地位，如航空、能源、汽车等领域。涡轮叶片作为涡轮机械的关键组件，其位置、形状和角度都直接影响到整体的性能和效率。随着工业的发展和技术的进步，对涡轮机械的效率和性能要求也越来越高，这使得涡轮叶片位置的优化成为了一个重要的研究方向。
在涡轮机械的实际操作中，涡轮叶片的位置会受到多种因素的影响，如流体动力、机械振动、温度变化等。这些因素都是动态变化的，而且相互之间存在复杂的关系。因此，仅仅依赖于静态的模型或预设的参数很难实现涡轮叶片位置的实时、准确的优化。随着工业4.0、智能制造等概念的提出和实施，涡轮机械也逐渐向智能化、自动化的方向发展。基于数据分析的涡轮叶片位置优化方法不仅可以提高涡轮机械的效率和性能，还可以为涡轮机械的智能化、自动化提供技术支持。
我国专利申请号：CN202310260281.3，公开日：2023.05.09，公开了一种涡轮叶片、涡轮、涡轮叶片设计方法及设备，其中，涡轮叶片设计方法包括叶片出口段沿轴向包角设计步骤，叶片出口段沿轴向包角设计步骤包括依次确认轴线方向的包角设计值。在本申请提供的涡轮叶片设计方法中，在叶片出口段根据流场的需求进行每一个轴向上的包角优化控制，同时在超过包角变化差值超过预设位置时，则以与相邻包角差值为预设值作为该叶片对应层上的包角值，避免度变化太大导致一个比较大的应力，从而影响可靠性的情况，因此，该申请提供的涡轮叶片设计方法能够保证涡轮叶片的性能以及与强度的平衡。
但上述技术至少存在如下技术问题：现有技术依赖于静态的模型或预设的参数，这使得它们在面对实时变化的工作条件时响应速度慢，不能及时地进行调整；缺乏足够的适应性，难以适应多种不同的工作条件和环境变化；缺乏对涡轮叶片动态行为的深入理解和准确的预测能力，在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳，而且可能导致涡轮机械的效率降低，从而增加能源消耗和运行成本。
发明内容
本申请实施例通过提供基于数据分析的多联体涡轮叶片位置效率优化方法，解决了现有技术依赖于静态的模型或预设的参数，这使得它们在面对实时变化的工作条件时响应速度慢，不能及时地进行调整；缺乏足够的适应性，难以适应多种不同的工作条件和环境变化；缺乏对涡轮叶片动态行为的深入理解和准确的预测能力，在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳，而且可能导致涡轮机械的效率降低，从而增加能源消耗和运行成本。实现了基于数据分析的多联体涡轮叶片位置的实时、自适应优化，提高了涡轮机械的效率和性能。
本申请提供了基于数据分析的多联体涡轮叶片位置效率优化方法具体包括以下技术方案：
基于数据分析的多联体涡轮叶片位置效率优化方法，包括以下步骤：
S100：采用基于自适应网络拓扑结构的动态权重调整算法，动态调整涡轮叶片的位置权重，实时调整涡轮叶片的位置；
S200：采用非线性时间扩展预测算法，捕捉涡轮叶片的动态行为，预测涡轮叶片的未来位置，引入位置反馈机制；
S300：采用基于时间序列的自适应学习算法，实现涡轮叶片位置的实时、自适应优化。
优选的，所述S100，具体包括：
构建一个网络来表示涡轮叶片的位置关系，在所述网络中，节点代表涡轮叶片的位置，边代表两个位置之间的关系；定义权重函数，所述权重函数基于涡轮叶片的物理特性和实时工作条件。
优选的，所述S100，还包括：
基于实时工作条件引入调整系数，根据流速的变化和叶片的偏转角度来调整权重，动态地调整网络的拓扑结构。
优选的，所述S100，还包括：
基于网络的最大连通子图和总边数评估网络的稳定性，引入稳定性指标，根据网络的稳定性指标修正权重。
优选的，所述S100，还包括：
引入动态性指标实时调整涡轮叶片的位置，评估网络的动态性，根据动态性指标实时调整涡轮叶片的位置。
优选的，所述S200，具体包括：
引入时间扩展因子，使用所述时间扩展因子对涡轮叶片位置数据进行非线性时间扩展，描述涡轮叶片位置的非线性变化趋势，即位置变化的加速度的变化趋势。
优选的，所述S200，还包括：
涡轮叶片的位置优化需要实时的反馈信息，因此引入位置反馈机制，所述位置反馈机制实时监测涡轮叶片的位置，并与预测值进行比较，从而提供反馈；使用混沌映射作为位置反馈机制。
优选的，所述S200，还包括：
使用混沌序列作为反馈信号，修正涡轮叶片的位置，所述反馈信号描述了涡轮叶片位置的实时调整趋势，即位置变化的实时调整方向和幅度；在混沌映射的基础上引入一个周期性的反馈机制，以捕捉涡轮叶片位置的周期性变化。
优选的，所述S300，具体包括：
涡轮叶片在运行过程中受到多种因素的影响，包括温度、压力和流速，从而导致涡轮叶片的动态响应发生变化；引入动态响应因子，非线性环境影响因子和历史数据因子。
优选的，所述S300，还包括：
综合考虑动态响应因子、非线性环境影响因子和历史数据因子，得到涡轮叶片的环境感知指数。
有益效果：
本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、通过引入基于自适应网络拓扑结构的动态权重调整算法，能够实时地调整涡轮叶片的位置，适应不同的工作条件，确保了涡轮机械在各种工作条件下都能保持最佳的运行状态；通过非线性时间扩展预测算法和位置反馈机制，能够更准确地预测涡轮叶片的未来位置，并及时地进行调整，有助于提高涡轮机械的效率和可靠性；
2、综合考虑了涡轮叶片的物理特性、实时工作条件和历史数据，从而更全面地描述了涡轮叶片之间的相互关系，能够在多种情况下都能实现涡轮叶片位置的优化；不仅适用于多联体涡轮叶片系统，还可以广泛应用于其他需要实时、自适应地调整位置的机械系统；通过实时、自适应地调整涡轮叶片的位置，能够提高涡轮机械的效率，从而节省能源和降低运行成本。
3、本申请的技术方案能够有效解决现有技术依赖于静态的模型或预设的参数，这使得它们在面对实时变化的工作条件时响应速度慢，不能及时地进行调整；缺乏足够的适应性，难以适应多种不同的工作条件和环境变化；缺乏对涡轮叶片动态行为的深入理解和准确的预测能力，在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳，而且可能导致涡轮机械的效率降低，从而增加能源消耗和运行成本，能够实现基于数据分析的多联体涡轮叶片位置的实时、自适应优化，提高了涡轮机械的效率和性能。
附图说明
图1为本申请所述的基于数据分析的多联体涡轮叶片位置效率优化方法的流程图；
图2为本申请所述的基于数据分析的多联体涡轮叶片位置效率优化方法的拓扑图；
具体实施方式
本申请实施例通过提供基于数据分析的多联体涡轮叶片位置效率优化方法，解决了现有技术依赖于静态的模型或预设的参数，这使得它们在面对实时变化的工作条件时响应速度慢，不能及时地进行调整；缺乏足够的适应性，难以适应多种不同的工作条件和环境变化；缺乏对涡轮叶片动态行为的深入理解和准确的预测能力，在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳，而且可能导致涡轮机械的效率降低，从而增加能源消耗和运行成本。
本申请实施例中的技术方案为解决上述问题，总体思路如下：
通过引入基于自适应网络拓扑结构的动态权重调整算法，能够实时地调整涡轮叶片的位置，适应不同的工作条件，确保了涡轮机械在各种工作条件下都能保持最佳的运行状态；通过非线性时间扩展预测算法和位置反馈机制，能够更准确地预测涡轮叶片的未来位置，并及时地进行调整，有助于提高涡轮机械的效率和可靠性；综合考虑了涡轮叶片的物理特性、实时工作条件和历史数据，从而更全面地描述了涡轮叶片之间的相互关系，能够在多种情况下都能实现涡轮叶片位置的优化；不仅适用于多联体涡轮叶片系统，还可以广泛应用于其他需要实时、自适应地调整位置的机械系统；通过实时、自适应地调整涡轮叶片的位置，能够提高涡轮机械的效率，从而节省能源和降低运行成本。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1，本申请所述的基于数据分析的多联体涡轮叶片位置效率优化方法包括以下步骤：
S100：采用基于自适应网络拓扑结构的动态权重调整算法，动态调整涡轮叶片的位置权重，实时调整涡轮叶片的位置；
在涡轮机械中，涡轮叶片的位置对于整体效率起到至关重要的作用。为了在多联体涡轮叶片系统中实现动态的位置优化，以适应不同的工作条件并提高效率，更精确地描述涡轮叶片之间的相互关系，提出了一种基于自适应网络拓扑结构的动态权重调整算法，考虑了涡轮叶片的物理特性，根据实时工作条件动态调整涡轮叶片的位置权重，从而实现涡轮叶片位置的动态优化。
具体的，构建一个网络来表示涡轮叶片的位置关系，在这个网络中，节点代表涡轮叶片的位置，边代表两个位置之间的关系。为了初始化这个网络，定义一个权重函数，该函数基于涡轮叶片的物理特性和实时工作条件。基于涡轮叶片在不同工作条件下的基本物理特性，设立权重初始化公式为:
，
其中，表示初始权重，/>是温度，/>是压力，/>是流速，/>是涡轮叶片的安装角度。上述公式考虑了涡轮叶片受到的动力、阻力，以及涡轮叶片的安装角度对其性能的影响。
基于实时工作条件引入一个调整系数，根据流速的变化和叶片的偏转角度来调整权重，动态地调整网络的拓扑结构，调整策略为：
，
其中，表示调整后的权重，/>是上一次的流速，/>是涡轮叶片的偏转角度，影响流体流过叶片时的流线。
基于网络的最大连通子图和总边数评估网络的稳定性，引入一个稳定性指标，所述稳定性评估公式为:
，
其中，表示网络最大连通子图数，/>表示总边数。当网络的最大连通子图包含更多的边时，网络更稳定。
根据网络的稳定性指标修正权重，修正公式为:
，
其中，表示修正后的权重，/>是一个修正系数，它基于网络的动态性。当网络不稳定时，权重需要更大的修正。
引入一个动态性指标实时调整涡轮叶片的位置，评估网络的动态性，所述动态性指标基于网络的聚类系数和中心性。动态性评估公式为:
，
其中，表示平均聚类系数，是指网络中节点的聚集程度，/>表示中心性，用来表征节点在网络中的重要性，/>是一个与涡轮叶片的材料性质相关的参数。例如，某些材料在特定的温度和压力下可能会发生热膨胀或收缩，这会影响涡轮叶片的性能。根据动态性指标实时调整涡轮叶片的位置，调整策略为:
，
其中，是调整后涡轮叶片的位置，/>是调整前涡轮叶片的位置，/>是一个调整系数，/>是涡轮叶片的摆动角度，表示涡轮叶片在工作时可能会发生的摆动。
S200：采用非线性时间扩展预测算法，捕捉涡轮叶片的动态行为，预测涡轮叶片的未来位置，引入位置反馈机制；
在涡轮机械的实际操作中，涡轮叶片的位置变化不仅仅是前一时刻位置的简单延续，还受到多种因素的影响，如流体动力、机械振动、温度变化等，这些因素可能导致位置数据的快速变化或突然的跳变，因此，涡轮叶片的动态行为是复杂且非线性的，这意味着简单的线性预测可能不足以捕捉其复杂的动态行为。在实时调整涡轮叶片位置时，可能会遇到响应速度慢和位置调整不准确的问题。为了解决上述问题，采用了非线性时间扩展预测算法。通过分析涡轮叶片位置的历史数据，预测其未来的变化趋势，从而实现实时的位置调整。
为了捕捉涡轮叶片的动态行为，引入了一个时间扩展因子，具体公式为：
，
其中，表示时间扩展因子，/>表示涡轮叶片在t时刻的位置，/>是涡轮叶片位置数据的标准差，用于归一化时间扩展因子，/>是一个调节因子，用于调整时间扩展因子的大小，是涡轮叶片的工作频率，表示涡轮叶片位置变化的周期性，/>是一个索引，用于表示从当前时刻t开始向过去回溯的时刻；n是一个正整数，表示过去时刻的数量，t是当前时刻。上述公式通过放大数据中的非线性变化，使其更加明显。
使用时间扩展因子可以对涡轮叶片位置数据进行非线性时间扩展，描述涡轮叶片位置的非线性变化趋势，即位置变化的加速度的变化趋势。具体公式为：
，
其中，表示预测的涡轮叶片在t时刻的位置，/>是一个相位偏移参数，表示位置变化的起始点。在时间扩展的基础上引入一个与涡轮叶片工作频率相关的正弦项，以捕捉其周期性变化。在实际应用中，这可以更准确地预测涡轮叶片的未来位置，从而提高涡轮机械的效率。
为了确保位置调整的准确性，涡轮叶片的位置优化需要实时的反馈信息，因此引入了一个位置反馈机制。该机制实时监测涡轮叶片的位置，并与预测值进行比较，从而提供反馈。
具体的，在涡轮机械的实际操作中，涡轮叶片的位置可能会受到多种不可预测的外部扰动，如流体湍流、机械故障等。为了捕捉这种不可预测的扰动，引入了混沌映射，混沌映射是一种能够产生复杂、不可预测的时间序列的方法。使用混沌映射作为位置反馈机制，以提高涡轮叶片位置调整的准确性。公式为：
，
其中，表示涡轮叶片在t时刻的状态，/>是一个正的常数，用于调节混沌映射的复杂度，/>是调节因子，用于调整混沌映射的大小。在上述公式中，涡轮叶片的未来位置是当前位置、混沌映射因子和涡轮叶片的工作频率的复合函数，这意味着，涡轮叶片的未来位置不仅仅是当前位置的简单延续，还受到混沌映射的影响。
使用混沌序列作为反馈信号，可以修正涡轮叶片的位置。反馈信号描述了涡轮叶片位置的实时调整趋势，即位置变化的实时调整方向和幅度。具体公式为：
，
其中，是一个正的常数，用于调节混沌反馈的大小。在混沌映射的基础上引入一个周期性的反馈机制，以捕捉涡轮叶片位置的周期性变化。
S300：采用基于时间序列的自适应学习算法，实现涡轮叶片位置的实时、自适应优化。
涡轮叶片位置的优化是一个复杂的过程，涉及多个因素的综合考虑，为了实现涡轮叶片位置的实时、自适应的优化，提出了一种基于时间序列的自适应学习算法。根据历史数据和当前条件，自动调整涡轮叶片的位置，从而实现自适应的学习。
涡轮叶片在运行过程中会受到多种因素的影响，如温度、压力和流速等。这些因素会导致涡轮叶片的动态响应发生变化。为了更准确地描述这种动态响应，引入了一个动态响应因子：
，
其中，是一个介于0和1之间的权重系数，用于平衡当前位置的变化速度和历史位置的影响，/>是涡轮叶片位置的变化速度。
涡轮叶片在运行过程中会受到外部环境因素的非线性影响，为了更准确地描述这种非线性影响，引入了一个非线性环境影响因子：
，
其中，代表在t时刻的温度，/>代表在t时刻的流速，/>、/>、/>是权重系数。
涡轮叶片的历史数据对当前位置的优化具有重要的参考价值，为了更准确地利用这些历史数据，引入了一个历史数据因子：
，
其中，表示历史数据的数量，/>，/>是从当前时间点t往回数的第/>个时间点的涡轮叶片位置，/>是历史数据的权重系数，它是基于时间衰减函数来计算的：，/>是一个大于1的常数，用于控制时间衰减的速度。
综合考虑动态响应因子、非线性环境影响因子和历史数据因子，得到涡轮叶片的环境感知指数：
，
从而实现涡轮叶片位置的实时、自适应的优化。
综上所述，便完成了本申请所述的基于数据分析的多联体涡轮叶片位置效率优化方法。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：
1、通过引入基于自适应网络拓扑结构的动态权重调整算法，能够实时地调整涡轮叶片的位置，适应不同的工作条件，确保了涡轮机械在各种工作条件下都能保持最佳的运行状态；通过非线性时间扩展预测算法和位置反馈机制，能够更准确地预测涡轮叶片的未来位置，并及时地进行调整，有助于提高涡轮机械的效率和可靠性；
2、综合考虑了涡轮叶片的物理特性、实时工作条件和历史数据，从而更全面地描述了涡轮叶片之间的相互关系，能够在多种情况下都能实现涡轮叶片位置的优化；不仅适用于多联体涡轮叶片系统，还可以广泛应用于其他需要实时、自适应地调整位置的机械系统；通过实时、自适应地调整涡轮叶片的位置，能够提高涡轮机械的效率，从而节省能源和降低运行成本。
效果调研：
本申请的技术方案能够有效解决现有技术依赖于静态的模型或预设的参数，这使得它们在面对实时变化的工作条件时响应速度慢，不能及时地进行调整；缺乏足够的适应性，难以适应多种不同的工作条件和环境变化；缺乏对涡轮叶片动态行为的深入理解和准确的预测能力，在涡轮叶片位置的调整上可能存在误差，导致优化效果不佳，而且可能导致涡轮机械的效率降低，从而增加能源消耗和运行成本，并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够实现基于数据分析的多联体涡轮叶片位置的实时、自适应优化，提高了涡轮机械的效率和性能。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，包括以下步骤：
S100：采用基于自适应网络拓扑结构的动态权重调整算法，动态调整涡轮叶片的位置权重，实时调整涡轮叶片的位置；
S200：采用非线性时间扩展预测算法，捕捉涡轮叶片的动态行为，预测涡轮叶片的未来位置，引入位置反馈机制；
S300：采用基于时间序列的自适应学习算法，实现涡轮叶片位置的实时、自适应优化。
2.根据权利要求1所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S100，具体包括：
构建一个网络来表示涡轮叶片的位置关系，在所述网络中，节点代表涡轮叶片的位置，边代表两个位置之间的关系；定义权重函数，所述权重函数基于涡轮叶片的物理特性和实时工作条件。
3.根据权利要求2所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S100，还包括：
基于实时工作条件引入调整系数，根据流速的变化和叶片的偏转角度来调整权重，动态地调整网络的拓扑结构。
4.根据权利要求3所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S100，还包括：
基于网络的最大连通子图和总边数评估网络的稳定性，引入稳定性指标，根据网络的稳定性指标修正权重。
5.根据权利要求4所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S100，还包括：
引入动态性指标实时调整涡轮叶片的位置，评估网络的动态性，根据动态性指标实时调整涡轮叶片的位置。
6.根据权利要求1所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S200，具体包括：
引入时间扩展因子，使用所述时间扩展因子对涡轮叶片位置数据进行非线性时间扩展，描述涡轮叶片位置的非线性变化趋势，即位置变化的加速度的变化趋势。
7.根据权利要求1所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S200，还包括：
涡轮叶片的位置优化需要实时的反馈信息，因此引入位置反馈机制，所述位置反馈机制实时监测涡轮叶片的位置，并与预测值进行比较，从而提供反馈；使用混沌映射作为位置反馈机制。
8.根据权利要求7所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S200，还包括：
使用混沌序列作为反馈信号，修正涡轮叶片的位置，所述反馈信号描述了涡轮叶片位置的实时调整趋势，即位置变化的实时调整方向和幅度；在混沌映射的基础上引入一个周期性的反馈机制，以捕捉涡轮叶片位置的周期性变化。
9.根据权利要求1所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S300，具体包括：
涡轮叶片在运行过程中受到多种因素的影响，包括温度、压力和流速，从而导致涡轮叶片的动态响应发生变化；引入动态响应因子，非线性环境影响因子和历史数据因子。
10.根据权利要求9所述的基于数据分析的多联体涡轮叶片位置效率优化方法，其特征在于，所述S300，还包括：
综合考虑动态响应因子、非线性环境影响因子和历史数据因子，得到涡轮叶片的环境感知指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368398.XA CN117131636B (zh) | 2023-10-23 | 2023-10-23 | 基于数据分析的多联体涡轮叶片位置效率优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311368398.XA CN117131636B (zh) | 2023-10-23 | 2023-10-23 | 基于数据分析的多联体涡轮叶片位置效率优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117131636A true CN117131636A (zh) | 2023-11-28 |
| CN117131636B CN117131636B (zh) | 2024-01-12 |
Family
ID=88851068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311368398.XA Active CN117131636B (zh) | 2023-10-23 | 2023-10-23 | 基于数据分析的多联体涡轮叶片位置效率优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117131636B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115879212A (zh) * | 2022-09-23 | 2023-03-31 | 北京航天动力研究所 | 一种面向涡轮泵叶片制造加工可靠性评估方法 |
| CN116502358A (zh) * | 2023-04-21 | 2023-07-28 | 西北工业大学 | 一种基于数字孪生的涡轮叶片精铸件应力预测系统及方法 |
| DE102023102280A1 (de) * | 2022-02-01 | 2023-08-03 | Transportation Ip Holdings, Llc | Verfahren und systeme für turbolader |
| CN116542095A (zh) * | 2023-04-26 | 2023-08-04 | 西北工业大学 | 涡轮叶片寿命评估模型的获取方法及寿命评估方法 |
-
2023
- 2023-10-23 CN CN202311368398.XA patent/CN117131636B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102023102280A1 (de) * | 2022-02-01 | 2023-08-03 | Transportation Ip Holdings, Llc | Verfahren und systeme für turbolader |
| CN115879212A (zh) * | 2022-09-23 | 2023-03-31 | 北京航天动力研究所 | 一种面向涡轮泵叶片制造加工可靠性评估方法 |
| CN116502358A (zh) * | 2023-04-21 | 2023-07-28 | 西北工业大学 | 一种基于数字孪生的涡轮叶片精铸件应力预测系统及方法 |
| CN116542095A (zh) * | 2023-04-26 | 2023-08-04 | 西北工业大学 | 涡轮叶片寿命评估模型的获取方法及寿命评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘剑等: "涡轮叶片参数化设计与优化", 《汽轮机技术》, vol. 64, no. 03, pages 167 - 170 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117131636B (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Barlas et al. | Model predictive control for wind turbines with distributed active flaps: incorporating inflow signals and actuator constraints | |
| EP3559448B1 (en) | Wind turbine farm level loads management control | |
| US10401813B2 (en) | Electrical drive system with model predictive control of a mechanical variable | |
| CN111062177B (zh) | 一种基于围带阻尼的汽轮机转子系统稳定性动态优化方法 | |
| CN101887267A (zh) | 风洞马赫数控制器 | |
| JP7517774B2 (ja) | 非周期的に更新されるコントローラにおける速度に基づく制御、プロセスを制御する方法、プロセスコントローラ | |
| CN109323853B (zh) | 一种风机叶扇振动检测装置及故障检测预测方法 | |
| CN113048017B (zh) | 基于内模控制的风电机组有功功率控制优化方法及系统 | |
| CN111459020A (zh) | 基于模糊自适应pid算法的矿用泵站调速方法 | |
| CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
| CN112100773A (zh) | 一种基于部件相关性的透平机械预防性维护方法 | |
| CN117131636B (zh) | 基于数据分析的多联体涡轮叶片位置效率优化方法 | |
| CN112817240B (zh) | 一种基于深度强化学习算法的离心压缩机调控方法 | |
| Kipchirchir et al. | Prognostics-based adaptive control strategy for lifetime control of wind turbines | |
| CN110454322B (zh) | 基于多变量动态矩阵的水轮机调速控制方法、装置及系统 | |
| CN117189648B (zh) | 一种基于云边协同的磁悬浮离心压缩机远程控制系统 | |
| CN113741195B (zh) | 一种航空发动机非线性控制方法及系统 | |
| Liu | Vibration control of blade section based on sliding mode PI tracking method and OPC technology | |
| CN118378547B (zh) | 一种基于人工智能的hvac系统能耗优化方法 | |
| Degner | Online Feedback Optimization for Gas Compressors | |
| CN118582337A (zh) | 一种基于神经网络的风电机组载荷自适应控制方法 | |
| CN117973215A (zh) | 一种基于强化学习的双层壁冷却结构智能优化方法 | |
| CN116599088A (zh) | 一种基于自适应改进的电网调频控制方法及装置 | |
| CN106202782A (zh) | 一种水轮机导叶主动旋转输入功率的数值计算方法 | |
| CN118605121A (zh) | 一种泄洪洞补气洞面积控制系统模型的构建方法 |
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 |