CN118211499B - 一种压气机叶栅智能试验方法及系统 - Google Patents

一种压气机叶栅智能试验方法及系统 Download PDF

Info

Publication number
CN118211499B
CN118211499B CN202410634997.XA CN202410634997A CN118211499B CN 118211499 B CN118211499 B CN 118211499B CN 202410634997 A CN202410634997 A CN 202410634997A CN 118211499 B CN118211499 B CN 118211499B
Authority
CN
China
Prior art keywords
points
point
working
test
typical
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
CN202410634997.XA
Other languages
English (en)
Other versions
CN118211499A (zh
Inventor
时大林
唐凯
黄维娜
代秋林
李嘉
赵建通
凌代军
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.)
AECC Sichuan Gas Turbine Research Institute
Original Assignee
AECC Sichuan Gas Turbine Research Institute
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 AECC Sichuan Gas Turbine Research Institute filed Critical AECC Sichuan Gas Turbine Research Institute
Priority to CN202410634997.XA priority Critical patent/CN118211499B/zh
Publication of CN118211499A publication Critical patent/CN118211499A/zh
Application granted granted Critical
Publication of CN118211499B publication Critical patent/CN118211499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及压气机叶栅性能分析技术领域，公开了一种压气机叶栅智能试验方法及系统，通过预先构建叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型，再利用最大最小距离法对所有的待试验工况点进行筛选，获得对应的典型工况点，将筛选出的典型工况点以及典型工况点下的叶栅性能试验数据对构建的叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型进行更新，最后通过更新后的神经网络预测模型完成剩余预测工况点的叶型性能预测，能够减少试验量，并且试验过程中能够按照设定试验工况点进行自动试验，从而提升试验效率。

Description

一种压气机叶栅智能试验方法及系统
技术领域
本发明涉及压气机叶栅性能分析技术领域，公开了一种压气机叶栅智能试验方法及系统。
背景技术
叶栅试验是航空发动机叶轮机研制过程中的重要环节。在一型发动机的研制过程中，需要针对压气机、涡轮多排叶片 (叶排数N1) 的多个径向截面(截面数N2)开展叶栅试验，并且需要在短时间内对多组设计方案(方案数N3)进行气动性能验证，根据试验状态矩阵（N4×N5×...），共需开展N1×N2×N3×N4×N5×...组物理试验，以考核叶型性能、校核设计方法及改进设计模型，助力叶轮机的气动性能提升，因此按需快速高质量完成叶栅试验是发动机研制的关键需求。
现有的试验模式仍是完全依靠传统的机械化调节，硬件不具备自动化能力，试验过程中需要人工干预，对试验状态进行调节，试验数据的优劣取决于人为经验判断决策，自动化程度低，对人员及硬件条件的依赖度极高。极大的影响了试验的效率。
发明内容
本发明的目的在于提供一种压气机叶栅智能试验方法及系统，能够减少试验量，并且试验过程中能够按照设定试验工况点进行自动试验，从而提升试验效率。
为了实现上述技术效果，本发明采用的技术方案是：
一种压气机叶栅智能试验方法，包括：
获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；
以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点，并将剩余的工况点划分为预测工况点；
以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
利用试验叶栅的叶型参数以及对应的试验工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
进一步地，所述历史叶型参数、历史试验数据Z-score标准化处理包括：
分别计算历史叶型参数、历史试验数据中的各个参数的平均值、标准差；
分别计算各个参数的样本值、平均值和标准差，计算各参数样本值的标准分数，各参数样本值的标准分数即为Z-score标准化处理后的数据集中的数据值。
进一步地，根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点的方法包括：
将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数：
根据所述攻角标准分数和马赫数标准分数，通过欧式距离方法求解待试验工况点之间的欧式距离，其中表示第个工况点的攻角标准分数，表示第个工况点的攻角标准分数，表示第个工况点的马赫数标准分数，表示第个工况点的马赫数标准分数；
分别获取待试验工况点中每个工况点与其它工况点之间的欧式距离值的第一最小值集合，确定第一最小值集合中的最大值对应的工况点为第一典型工况点；
确定待试验工况点中到第一典型工况点的欧氏距离最大的工况点为第二典型工况点，选择其他工况点到第一典型工况点的欧氏距离和其他工况点到第二典型工况点的欧氏距离中的最小值为第二最小值集合，确定第二最小值集合中的欧氏距离最大值对应的工况点为第三典型工况点；
依次获得剩余工况点到所确定的全部典型工况点的最小值集合，并从最小值集合中选择最大值对应的工况点作为典型工况点。
进一步地，最终筛选的典型工况点的数量不小于待试验工况点数量的二分之一。
为实现上述技术效果，本发明还提供了一种压气机叶栅智能试验系统，包括：
数据获取模块，用于获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
数据预处理模块，用于分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；以及将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数；
预测模型构建模块，用于以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
工况点划分模块，用于根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点，并将剩余的工况点划分为预测工况点；
典型工况点预测模块，用于以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
预测模型更新模块，用于利用所述试验叶栅的叶型参数以及对应的典型工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
预测工况点分析模块，用于利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
进一步地，所述数据预处理模块通过分别计算历史叶型参数、历史试验数据以及待试验工况点的攻角和马赫数中的各个参数的平均值、标准差；分别计算各个参数的样本值、平均值和标准差，计算各参数样本值的标准分数，将各参数样本值的标准分数输出为Z-score标准化处理后的数据集中的数据值。
进一步地，所述工况点划分模块通过获取数据预处理模块中的攻角标准分数和马赫数标准分数，通过欧式距离方法求解待试验工况点之间的欧式距离，其中表示第个工况点的攻角标准分数，表示第个工况点的攻角标准分数，表示第个工况点的马赫数标准分数，表示第个工况点的马赫数标准分数；分别获取待试验工况点中每个工况点与其它工况点之间的欧式距离值的第一最小值集合，确定第一最小值集合中的最大值对应的工况点为第一典型工况点；确定待试验工况点中到第一典型工况点的欧氏距离最大的工况点为第二典型工况点，选择其他工况点到第一典型工况点的欧氏距离和其他工况点到第二典型工况点的欧氏距离中的最小值为第二最小值集合，确定第二最小值集合中的欧氏距离最大值对应的工况点为第三典型工况点；依次获得剩余工况点到所确定的全部典型工况点的最小值集合，并从最小值集合中选择最大值对应的工况点作为典型工况点。
进一步地，所述工况点划分模块中最终筛选的典型工况点的数量不小于待试验工况点数量的二分之一。
与现有技术相比，本发明所具备的有益效果是：本发明利用最大最小距离法对所有的待试验工况点进行筛选，获得对应的典型工况点，将筛选出的典型工况点以及典型工况点下的叶栅性能试验数据对构建的叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型进行更新，最后通过更新后的神经网络预测模型完成剩余预测工况点的叶型性能预测，能够减少试验量，并且试验过程中能够按照设定试验工况点进行自动试验，从而提升试验效率。
附图说明
图1为实施例中压气机叶栅智能试验方法流程图；
图2为施例中压气机叶栅智能试验系统结构框图；
其中，1、数据获取模块；2、数据预处理模块；3、预测模型构建模块；4、工况点划分模块；5、典型工况点预测模块；6、预测模型更新模块；7、预测工况点分析模块。
具体实施方式
下面结合实施例及附图对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
参见图1-图2，一种压气机叶栅智能试验方法，其特征在于，包括：
获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；
以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点，并将剩余的工况点划分为预测工况点；
以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
利用试验叶栅的叶型参数以及对应的试验工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
本实施例中，利用叶栅试验台上历史叶型参数及对应的历史试验数据构建叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型，再利用最大最小距离法对所有的待试验工况点进行筛选，获得对应的典型工况点，将筛选出的典型工况点以及典型工况点下的叶栅性能试验数据对构建的叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型进行更新，最后通过更新后的神经网络预测模型完成剩余预测工况点的叶型性能预测，能够减少试验量，并且试验过程中能够按照设定试验工况点进行自动试验，从而提升试验效率。
基于相同的发明构思，本实施例还提供了一种压气机叶栅智能试验系统，包括：
数据获取模块1，用于获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；
数据预处理模块2，用于分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；以及将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数；
预测模型构建模块3，用于以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
工况点划分模块4，用于根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点，并将剩余的工况点划分为预测工况点；
典型工况点预测模块5，用于以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
预测模型更新模块6，用于利用所述试验叶栅的叶型参数以及对应的典型工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
预测工况点分析模块7，用于利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
实施例2
参见图1，本实施例以某型压气机平面叶栅试验为例，对本发明的压气机叶栅智能试验方法流程进行详细说明，具体包括如下步骤：
步骤一、获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
步骤二、分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；
本实施例中，采用对每个参数的样本数据进行Z-score标准化处理，获得对应样本的标准分数，所有参数的所有样本的标准分数集合构成所述无量纲数据集；其中为参数样本的标准分数，为样本值，为同一参数所有样本值的平均值，为对应参数的标准差。该处理方法能够消除数据之间的量纲，使得攻角特征和马赫数特征在同一水平上。
步骤三、以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
步骤四、根据待试验工况点的攻角和马赫数，采用最大最小距离法则进行工况点筛选，获得典型工况点，并将剩余的工况点划分为预测工况点；
本实施例中，获得典型工况点的方法包括：
将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数：
根据所述攻角标准分数和马赫数标准分数，通过欧式距离方法求解待试验工况点之间的欧式距离，其中表示第个工况点的攻角标准分数，表示第个工况点的攻角标准分数，表示第个工况点的马赫数标准分数，表示第个工况点的马赫数标准分数；
分别获取待试验工况点中每个工况点与其它工况点之间的欧式距离值的第一最小值集合，确定第一最小值集合中的最大值对应的工况点为第一典型工况点；
确定待试验工况点中到第一典型工况点的欧氏距离最大的工况点为第二典型工况点，选择其他工况点到第一典型工况点的欧氏距离和其他工况点到第二典型工况点的欧氏距离中的最小值为第二最小值集合，确定第二最小值集合中的欧氏距离最大值对应的工况点为第三典型工况点；
依次获得剩余工况点到所确定的全部典型工况点的最小值集合，并从最小值集合中选择最大值对应的工况点作为典型工况点，本实施例中最终筛选的典型工况点的数量不小于待试验工况点数量的二分之一，确保模型预测的精度。
步骤五、以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
步骤六、利用试验叶栅的叶型参数以及对应的试验工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
步骤七、利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种压气机叶栅智能试验方法，其特征在于，包括：
获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；
以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数；
根据所述攻角标准分数和马赫数标准分数，通过欧式距离方法求解待试验工况点之间的欧式距离，其中表示第个工况点的攻角标准分数，表示第个工况点的攻角标准分数，表示第个工况点的马赫数标准分数，表示第个工况点的马赫数标准分数；
分别获取待试验工况点中每个工况点与其它工况点之间的欧式距离值的第一最小值集合，确定第一最小值集合中的最大值对应的工况点为第一典型工况点；
确定待试验工况点中到第一典型工况点的欧氏距离最大的工况点为第二典型工况点，选择其他工况点到第一典型工况点的欧氏距离和其他工况点到第二典型工况点的欧氏距离中的最小值为第二最小值集合，确定第二最小值集合中的欧氏距离最大值对应的工况点为第三典型工况点；
依次获得剩余工况点到所确定的全部典型工况点的最小值集合，并从最小值集合中选择最大值对应的工况点作为典型工况点，并将剩余的工况点划分为预测工况点；
以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
利用试验叶栅的叶型参数以及对应的试验工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
2.根据权利要求1所述的压气机叶栅智能试验方法，其特征在于，所述历史叶型参数、历史试验数据Z-score标准化处理包括：
分别计算历史叶型参数、历史试验数据中的各个参数的平均值、标准差；
分别计算各个参数的样本值、平均值和标准差，计算各参数样本值的标准分数，各参数样本值的标准分数即为Z-score标准化处理后的数据集中的数据值。
3.根据权利要求1所述的压气机叶栅智能试验方法，其特征在于，最终筛选的典型工况点的数量不小于待试验工况点数量的二分之一。
4.一种压气机叶栅智能试验系统，其特征在于，包括：
数据获取模块，用于获取叶栅试验台上历史叶型参数及对应的历史试验数据，所述叶型参数包括弦长、稠度、安装角、几何转折角、进口几何角、流道面积变化比、相对最大厚度、相对最大挠度、相对前缘厚度、相对尾缘厚度，所述稠度为叶栅栅距与弦长的比值，所述历史试验数据包括攻角、马赫数、叶型损失系数以及总压恢复系数；所述相对最大厚度为叶型最大内切圆直径与弦长的比值，所述相对最大挠度为叶型中弧线到弦线的最大距离与弦长的比值，所述相对前缘厚度为叶型前缘处内切圆与弦长的比值，所述相对尾缘厚度为叶型尾缘处内切圆与弦长的比值；
数据预处理模块，用于分别对所述历史叶型参数、历史试验数据进行Z-score标准化处理，得到标准化的无量纲数据集；以及将所有待试验工况点的攻角和马赫数分别进行Z-score标准化处理，得到待试验工况点攻角标准分数和马赫数标准分数；
预测模型构建模块，用于以标准化处理后的历史叶型参数以及对应的攻角、马赫数为输入，以标准化处理后的叶型损失系数、总压恢复系数为输出建立叶型损失系数神经网络预测模型和总压恢复系数神经网络预测模型；
工况点划分模块，用于根据所述攻角标准分数和马赫数标准分数，通过欧式距离方法求解待试验工况点之间的欧式距离，其中表示第个工况点的攻角标准分数，表示第个工况点的攻角标准分数，表示第个工况点的马赫数标准分数，表示第个工况点的马赫数标准分数；分别获取待试验工况点中每个工况点与其它工况点之间的欧式距离值的第一最小值集合，确定第一最小值集合中的最大值对应的工况点为第一典型工况点；确定待试验工况点中到第一典型工况点的欧氏距离最大的工况点为第二典型工况点，选择其他工况点到第一典型工况点的欧氏距离和其他工况点到第二典型工况点的欧氏距离中的最小值为第二最小值集合，确定第二最小值集合中的欧氏距离最大值对应的工况点为第三典型工况点；依次获得剩余工况点到所确定的全部典型工况点的最小值集合，并从最小值集合中选择最大值对应的工况点作为典型工况点，并将剩余的工况点划分为预测工况点；
典型工况点预测模块，用于以典型工况点为试验条件，在叶栅试验台上开展叶栅试验，得到试验叶栅在各典型工况点下的叶型损失系数和总压恢复系数；
预测模型更新模块，用于利用所述试验叶栅的叶型参数以及对应的典型工况点参数、叶型损失系数和总压恢复系数对所述神经网络预测模型进行更新，得到更新后的神经网络预测模型；
预测工况点分析模块，用于利用更新后的神经网络预测模型对预测工况点进行性能预测，获得试验叶栅在对应预测工况点下的叶型损失系数和总压恢复系数。
5.根据权利要求4所述的压气机叶栅智能试验系统，其特征在于，所述数据预处理模块通过分别计算历史叶型参数、历史试验数据以及待试验工况点的攻角和马赫数中的各个参数的平均值、标准差；分别计算各个参数的样本值、平均值和标准差，计算各参数样本值的标准分数，将各参数样本值的标准分数输出为Z-score标准化处理后的数据集中的数据值。
6.根据权利要求4所述的压气机叶栅智能试验系统，其特征在于，所述工况点划分模块中最终筛选的典型工况点的数量不小于待试验工况点数量的二分之一。
CN202410634997.XA 2024-05-22 2024-05-22 一种压气机叶栅智能试验方法及系统 Active CN118211499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410634997.XA CN118211499B (zh) 2024-05-22 2024-05-22 一种压气机叶栅智能试验方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410634997.XA CN118211499B (zh) 2024-05-22 2024-05-22 一种压气机叶栅智能试验方法及系统

Publications (2)

Publication Number Publication Date
CN118211499A CN118211499A (zh) 2024-06-18
CN118211499B true CN118211499B (zh) 2024-08-02

Family

ID=91449281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410634997.XA Active CN118211499B (zh) 2024-05-22 2024-05-22 一种压气机叶栅智能试验方法及系统

Country Status (1)

Country Link
CN (1) CN118211499B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114868A (zh) * 2022-07-13 2022-09-27 哈尔滨工业大学 基于深度学习与损失权重分析的涡轮损失模型构建方法
CN116399541A (zh) * 2023-04-04 2023-07-07 西北工业大学 基于深度神经网络的叶栅风洞实验工况参数修正方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432324A (zh) * 2022-09-07 2023-07-14 西北工业大学 考虑马赫数的压气机叶型多工况稳健性设计优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115114868A (zh) * 2022-07-13 2022-09-27 哈尔滨工业大学 基于深度学习与损失权重分析的涡轮损失模型构建方法
CN116399541A (zh) * 2023-04-04 2023-07-07 西北工业大学 基于深度神经网络的叶栅风洞实验工况参数修正方法

Also Published As

Publication number Publication date
CN118211499A (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN111157698B (zh) 一种利用发射率数据获取黑土土壤全钾含量的反演方法
CN111027148B (zh) 损失落后角模型自动标定及工业轴流压缩机性能计算方法
CN112685968B (zh) 基于空间负荷定制思想的轴流压气机气动设计方法
CN112016175A (zh) 一种基于树状层次聚类的供水管网测压点优化布置方法
CN114254460B (zh) 基于图卷积神经网络的透平机械气动鲁棒性优化方法
CN114861315B (zh) 一种基于机器学习的叶轮机二维叶型优化方法
CN112270139B (zh) 基于母型库的燃料电池离心压缩机气动优化设计方法
CN113420795A (zh) 一种基于空洞卷积神经网络的矿物光谱分类方法
CN115983137A (zh) 基于相似性原理和深度学习的涡轮流场预测方法及相关装置
CN111914461A (zh) 一种涡轮导叶片一维冷效的智能评估方法
CN118211499B (zh) 一种压气机叶栅智能试验方法及系统
CN116663202B (zh) 一种多级轴流压气机性能仿真模型的校核方法
CN113359435A (zh) 用于火电机组动态工况数据的修正方法
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
CN114970698B (zh) 一种基于改进lwpls的计量设备运行性能预测方法
CN113720609B (zh) 基于人工神经网络的可调总压畸变发生器调节指导方法
CN115034443A (zh) 一种基于工况划分与神经网络的锅炉性能预测方法
CN113408076A (zh) 基于支持向量机模型的小样本机械剩余寿命预测方法
CN117732886B (zh) 一种基于级联智能诊断的热轧质量预控制方法
CN113309661B (zh) 一种提升风力发电机组发电量的方法
CN118070956A (zh) 一种基于VAE-GRU-Markov组合模型的工艺质量预测方法
CN114912187B (zh) 一种发动机气动稳定性的符合性验证方法
CN117251735A (zh) 基于灰色关联算法的样本评价方法及系统
CN118821339A (zh) 一种基于特征选择的叶栅性能预测模型构建方法
CN116797085A (zh) 一种基于RNN-Markov组合模型的工艺质量预测方法

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