一种离心叶轮设计方法及系统与流程

1.本发明涉及压气机技术领域，具体地，涉及一种离心叶轮设计方法及系统。


背景技术：

2.离心叶轮是离心压气机的重要组成部分，离心叶轮的气动噪声性能直接影响到离心压气机的工作性能。
3.常规的离心叶轮设计方法为：参照现有叶轮进行经验计算设计出叶轮；或通过优化算法与代理模型的采用得出叶轮最优值。现有的设计方法对众多设计特征参数缺少全面考虑主客观因素的相关性分析和合理选择，导致优化设计循环次数较多或陷入局部最优，影响了叶轮优化设计效率。
4.针对上述常规的离心叶轮设计方法中存在的不足，如何克服上述不足，是目前离心压气机叶轮优化设计急需解决的问题。


技术实现要素：

5.本发明的目的是提供一种离心叶轮设计方法和系统，采用主客观赋权法和mrmr特征选择方法相采用，有利于融合专家的设计知识与经验，解决相关性和冗余性的问题，能全面提取影响显著参数，有效提高了设计效率。
6.为实现上述目的，本发明提供了一种离心叶轮设计方法，该方法包括以下步骤：
7.(1)确定初始叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，获取叶轮气动噪声性能参数响应值，建立初始样本库；
8.(2)根据所述初始样本库，采用主客观赋权法和mrmr特征选择方法，选取对所述叶轮气动噪声性能参数影响显著的叶轮因素参数；
9.(3)根据所述影响显著的叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，建立映射模型样本库，采用bp神经网络，建立所述影响显著的叶轮因素参数和所述叶轮气动噪声性能参数的关系的映射模型；
10.(4)基于所述映射模型，获得最优叶轮值。
11.可选的，其特征在于，所述步骤(1)具体包括：
12.选取初始叶轮因素参数；所述初始叶轮因素参数为叶片进口角、叶片出口角、叶顶间隙、叶片厚度、叶轮出口宽度、进口轮毂直径、进口叶片宽度、叶轮出口直径、叶片前缘倾角、叶片包络角、分流叶片周向位置中任意五种或五种以上；
13.根据所述初始叶轮因素参数确定参数变化范围，采用试验设计法，在所述参数变化范围内确定初始叶轮因素参数值；所述试验设计方法为正交设计方法、均匀设计方法、拉丁超立方设计方法中任意一种；
14.采用气动噪声性能分析方法，获取所述叶轮气动噪声性能参数响应值；所述叶轮气动噪声性能参数为压比、效率和声功率级；
15.根据所述初始叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值建立
初始样本库。
16.可选的，其特征在于，所述步骤(2)具体包括：
17.采用所述主客观赋权法，获取所述初始叶轮因素参数与叶轮气动噪声性能参数的主客观综合关联度，获取所述初始叶轮因素参数之间的主客观综合关联度，所述主客观综合关联度的计算公式为：
18.w＝αw1 βw2ꢀꢀꢀꢀꢀꢀꢀ
(5)
19.式中，w为主客观综合关联度，w1是主观权重，w2是客观权重，α是主观偏好系数，β是客观偏好系数，α，β∈[0,1]且α β＝1；
[0020]
所述主观权重w1由基于专家知识的层次分析法求得；
[0021]
所述客观权重w2由客观赋权法求得，所述客观赋权法为主成分分析法、离差最大化法、灰色关联度法和熵值法中的任一种；
[0022]
采用所述mrmr特征选择方法，从所述初始叶轮因素参数组成的集合x
n
中，通过迭代的方式，确定包含m个对所述叶轮气动噪声性能参数影响显著的叶轮因素参数的最优子集s
m
；
[0023]
所述最优子集s
m
需要满足，集合中所有影响显著的叶轮因素参数与所述叶轮气动噪声性能参数的主客观综合关联度的均值最大，即满足相关性最大，同时，集合中所有影响显著的叶轮因素参数之间的主客观综合关联度的均值最小，即满足冗余性最小，所述相关性和所述冗余性的公式为：
[0024][0025]
式中，m为最优子集s
m
所包含的影响显著的叶轮因素参数的个数，y为所述叶轮气动噪声性能参数，x为最优子集s
m
中的影响显著的叶轮因素参数，x
i
,x
j
∈s
m
,i≠j；
[0026]
根据所述主客观赋权法和所述mrmr特征选择方法，针对所述叶轮气动噪声性能参数压比、效率、声功率级分别获得所述影响显著的叶轮因素参数的最优子集进一步求出所述叶轮压比、效率和声功率级分别对应的三个最优子集的交集s
k
，即所述交集s
k
中的元素即为所述影响显著的叶轮因素参数。
[0027]
可选的，其特征在于，所述步骤(3)，具体包括：
[0028]
采用试验设计方法和气动噪声性能分析方法，获取所述影响显著的叶轮因素参数的叶轮因素参数值和所述叶轮气动噪声性能参数响应值，建立映射模型样本库；
[0029]
采用bp神经网络，选取所述映射模型样本库中的部分建立映射模型；
[0030]
根据所述映射模型样本库中剩余部分判断所述代理模型的精度是否已达到设定值，如果是则确定映射模型，否则重新选取所述映射模型样本库中的部分建立映射模型。
[0031]
可选的，其特征在于，所述步骤(4)具体包括:
[0032]
基于所述映射模型，建立优化数学模型；
[0033]
采用优化算法，求解所述优化数学模型，获得最优叶轮值；
[0034]
所述优化算法为遗传算法、粒子群算法、蚁群遗传算法中任意一种；
[0035]
所述最优叶轮值包括叶轮因素最优值、叶轮气动噪声性能最优值。
[0036]
本发明还提供了一种离心叶轮设计系统，该系统包括：
[0037]
初始样本库建立模块，用于确定初始叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，获取叶轮气动噪声性能参数响应值，建立初始样本库；
[0038]
影响显著的叶轮因素参数确定模块，用于根据所述初始样本库，采用主客观赋权法和mrmr特征选择方法，选取对所述叶轮气动噪声性能参数影响显著的叶轮因素参数；
[0039]
映射模型建立模块，用于根据所述影响显著的叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，建立映射模型样本库，采用bp神经网络，建立所述影响显著的叶轮因素参数和所述叶轮气动噪声性能参数的关系的映射模型；
[0040]
最优叶轮值确定模块，用于根据所述映射模型确定最优叶轮值。
[0041]
可选的，其特征在于，所述初始样本库建立模块具体包括：
[0042]
获取单元，用于选取初始叶轮因素参数；初始叶轮因素参数为叶片进口角、叶片出口角、叶顶间隙、叶片厚度、叶轮出口宽度、进口轮毂直径、进口叶片宽度、叶轮出口直径、叶片前缘倾角、叶片包络角、分流叶片周向位置中任意五种或五种以上；
[0043]
初始叶轮因素参数值确定单元，用于确定所述初始叶轮因素参数的初始叶轮因素参数值，根据所述初始叶轮因素参数确定参数变化范围，采用试验设计法，在所述参数变化范围内确定叶轮因素参数值；所述试验设计方法为正交设计方法、均匀设计方法、拉丁超立方设计方法中任意一种；
[0044]
叶轮气动噪声性能参数响应值确定单元，用于采用气动噪声性能分析方法，获取所述叶轮气动噪声性能参数响应值；所述叶轮气动噪声性能参数为压比、效率和声功率级；
[0045]
初始样本库建立单元，用于根据所述初始叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值建立初始样本库。
[0046]
可选的，所述影响显著的叶轮因素参数确定模块，具体包括：
[0047]
主客观综合关联度获取单元，采用所述主客观赋权法，获取所述初始叶轮因素参数与叶轮气动噪声性能参数的主客观综合关联度，获取所述初始叶轮因素参数之间的主客观综合关联度，所述主客观综合关联度的计算公式为：
[0048]
w＝αw1 βw2ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0049]
式中，w是主客观综合关联度，w1是主观权重，w2是客观权重，α是主观偏好系数，β是客观偏好系数，α，β∈[0,1]且α β＝1；
[0050]
所述主观权重w1由基于专家知识的层次分析法求得；
[0051]
所述客观权重w2由客观赋权法求得，所述客观赋权法为主成分分析法、离差最大化法、灰色关联度法和熵值法中的任一种；
[0052]
特征选择单元，用于采用所述mrmr特征选择方法，从所述初始叶轮因素参数组成的集合x
n
中，通过迭代的方式，确定包含m个对所述叶轮气动噪声性能参数影响显著的叶轮因素参数的最优子集s
m
；
[0053]
所述最优子集s
m
需要满足，集合中所有影响显著的叶轮因素参数与所述叶轮气动噪声性能参数的主客观综合关联度的均值最大，即满足相关性最大，同时，集合中所有影响显著的叶轮因素参数之间的主客观综合关联度的均值最小，即满足冗余性最小，所述相关性和冗余性的公式为：
[0054][0055]
式中，m为最优子集s
m
所包含的影响显著的叶轮因素参数的个数，y为所述叶轮气动噪声性能参数，x为最优子集s
m
中的影响显著的叶轮因素参数，x
i
,x
j
∈s
m
,i≠j；
[0056]
影响显著的叶轮因素参数确定单元，用于根据所述主客观赋权法和所述mrmr特征选择方法，针对所述叶轮气动噪声性能参数压比、效率、声功率级分别获得所述影响显著的叶轮因素参数的最优子集进一步求出所述叶轮压比、效率和声功率级分别对应的三个最优子集的交集s
k
，即所述交集s
k
中的元素即为所述影响显著的叶轮因素参数。
[0057]
可选的，所述映射模型建立模块，具体包括：
[0058]
映射模型样本库建立单元，用于采用试验设计方法和气动噪声性能分析方法，获取所述影响显著的叶轮因素参数的叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值，建立映射模型样本库；
[0059]
映射模型建立单元，采用bp神经网络，选取所述映射模型样本库中的部分组建立映射模型；
[0060]
判断单元，根据所述映射模型样本库中剩余部分组数判断所述代理模型的精度是否已达到设定值，如果是则确定映射模型，否则重新选取所述映射模型样本库中的部分建立新的映射模型。
[0061]
可选的，所述最优叶轮值确定模块，具体包括：
[0062]
数学模型建立单元，用于基于所述映射模型，建立优化数学模型；
[0063]
最优值确定单元，用于采用优化算法，求解所述优化数学模型，获得最优叶轮值；所述优化算法为遗传算法、粒子群算法、蚁群遗传算法中任意一种；所述最优叶轮值包括叶轮因素最优值、叶轮气动噪声性能最优值。
[0064]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0065]
1、本发明采用主客观赋权法对初始叶轮因素参数进行赋权，既能融合专家的设计知识与经验，又能充分考虑各因素的客观竞争程度和实际重要程度，能全面提取影响显著参数，可以避免由于设计经验不足导致的局部最优设计问题。
[0066]
2、本发明采用mrmr特征选择方法与主客观赋权法相采用，以主客观综合关联度代替互信息，考虑最大相关性和最小冗余性，确定影响显著的叶轮因素参数，既有主客观赋权法的优点，又能解决相关性和冗余性的问题，避免参数选择过程中人工设置阈值的随机性和主观性，从而减少了优化设计循环次数，提高了设计效率。
附图说明
[0067]
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性的前提下，还可以根据这些附图
获得其他的附图。
[0068]
图1为本发明的离心叶轮的设计方法实施例一的流程图；
[0069]
图2为本发明的离心叶轮的设计系统实施例二的结构框图。
具体实施方式
[0070]
下面将采用本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0071]
本发明的目的是提供一种离心压气机叶轮的优化方法。
[0072]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面采用附图和具体实施方式对本发明作进一步详细的说明。
[0073]
图1为本发明离心叶轮设计方法实施例一的流程图，详见图1。
[0074]
本发明的离心压气机叶轮的优化方法实施例一包括以下步骤：
[0075]
步骤(1)：确定初始叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，获取叶轮气动噪声性能参数响应值，建立初始样本库。
[0076]
步骤(2)：根据所述初始样本库，采用主客观赋权法和mrmr特征选择方法，选取对所述叶轮气动噪声性能参数影响显著的叶轮因素参数。
[0077]
步骤(3)：根据所述影响显著的叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，建立映射模型样本库，采用bp神经网络，建立所述影响显著的叶轮因素参数和所述叶轮气动噪声性能参数的关系的映射模型。
[0078]
步骤(4)：基于所述映射模型，获得最优叶轮值。
[0079]
下面对各个步骤进行详细的介绍：
[0080]
步骤(1)：确定初始叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，获取叶轮气动噪声性能参数响应值，建立初始样本库，其具体步骤包括：
[0081]
步骤(1)a：选取初始叶轮因素参数；所述初始叶轮因素参数为叶片进口角、叶片出口角、叶顶间隙、叶片厚度、叶轮出口宽度、进口轮毂直径、进口叶片宽度、叶轮出口直径、叶片前缘倾角、叶片包络角、分流叶片周向位置中任意五种或五种以上。
[0082]
步骤(1)b：根据所述初始叶轮因素参数确定参数变化范围，采用试验设计法，在所述参数变化范围内确定叶轮因素参数值；所述试验设计方法为正交设计方法、均匀设计方法、拉丁超立方设计方法中任意一种。
[0083]
步骤(1)c：采用气动噪声性能分析方法，获取所述叶轮气动噪声性能参数响应值；所述叶轮气动噪声性能参数为压比、效率和声功率级。
[0084]
步骤(1)d：根据所述初始叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值建立初始样本库。
[0085]
步骤(2)：根据所述初始样本库，采用主客观赋权法和mrmr特征选择方法，选取对所述叶轮气动噪声性能参数影响显著的叶轮因素参数，其具体步骤包括：
[0086]
步骤(2)a：采用所述主客观赋权法，获取所述初始叶轮因素参数与叶轮气动噪声性能参数的主客观综合关联度，获取所述初始叶轮因素参数之间的主客观综合关联度，所
述主客观综合关联度的计算公式为：
[0087]
w＝αw1 βw2ꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0088]
式中，w是主客观综合关联度，w1是主观权重，w2是客观权重，α是主观偏好系数，β是客观偏好系数，α，β∈[0,1]且α β＝1；
[0089]
所述主观权重w1由基于专家知识的层次分析法求得；
[0090]
所述客观权重w2由客观赋权法求得，所述客观赋权法为主成分分析法、离差最大化法、灰色关联度法和熵值法中的任一种；
[0091]
步骤(2)b：采用所述mrmr特征选择方法，从所述初始叶轮因素参数组成的集合x
n
中，通过迭代的方式，确定包含m个对所述叶轮气动噪声性能参数影响显著的叶轮因素参数的最优子集s
m
；
[0092]
所述最优子集s
m
需要满足，集合中所有影响显著的叶轮因素参数与所述叶轮气动噪声性能参数的主客观综合关联度的均值最大，即满足相关性最大，同时，集合中所有影响显著的叶轮因素参数之间的主客观综合关联度的均值最小，即满足冗余性最小，所述相关性和所述冗余性的公式为：
[0093][0094]
式中，m为最优子集s
m
所包含的影响显著的叶轮因素参数的个数，y为所述叶轮气动噪声性能参数，x为最优子集s
m
中的影响显著的叶轮因素参数，x
i
,x
j
∈s
m
,i≠j；
[0095]
步骤(2)c：根据所述主客观赋权法和所述mrmr特征选择方法，针对所述叶轮气动噪声性能参数压比、效率、声功率级分别获得所述影响显著的叶轮因素参数的最优子集进一步求出所述叶轮压比、效率和声功率级分别对应的三个最优子集的交集s
k
，即所述交集s
k
中的元素即为所述影响显著的叶轮因素参数。
[0096]
步骤(3)：采用试验设计方法和气动噪声性能分析方法，建立映射模型样本库，采用bp神经网络，建立所述影响显著的叶轮因素参数和所述叶轮气动噪声性能参数的关系的映射模型，其具体步骤包括：
[0097]
步骤(3)a：采用试验设计方法和气动噪声性能分析方法，获取所述影响显著的叶轮因素参数的叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值，建立映射模型样本库。
[0098]
步骤(3)b：采用bp神经网络，选取所述映射模型样本库中的部分建立映射模型。
[0099]
步骤(3)c：根据所述映射模型样本库中剩余部分判断所述代理模型的精度是否已达到设定值，如果是则确定映射模型，否则重新选取所述映射模型样本库中的部分建立新映射模型。
[0100]
步骤(4)：基于所述映射模型，获得最优叶轮值，其具体步骤包括：
[0101]
步骤(4)a：基于所述映射模型建立优化数学模型。
[0102]
步骤(4)b：采用优化算法，求解所述优化数学模型，获得最优叶轮值；所述优化算法为遗传算法、粒子群算法、蚁群遗传算法中任意一种；所述最优叶轮值包括叶轮因素最优
值、叶轮气动噪声性能最优值。
[0103]
本发明的离心压气机叶轮的优化系统实施例二的结构框图，参见图2所示，该系统包括初始样本库建立模块100，影响显著的叶轮因素参数确定模块110，映射模型建立模块120，最优叶轮值确定130。
[0104]
初始样本库建立模块100用于确定初始叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，获取叶轮气动噪声性能参数响应值，建立初始样本库；所述叶轮因素参数值确定模块100具体包括获取单元、初始叶轮因素参数值确定单元、叶轮气动噪声性能参数响应值确定单元、初始样本库建立单元。
[0105]
获取单元，用于选取初始叶轮因素参数；所述初始叶轮因素参数为叶片进口角、叶片出口角、叶顶间隙、叶片厚度、叶轮出口宽度、进口轮毂直径、进口叶片宽度、叶轮出口直径、叶片前缘倾角、叶片包络角、分流叶片周向位置中任意五种或五种以上；
[0106]
初始叶轮因素参数值确定单元，用于根据所述初始叶轮因素参数确定参数变化范围，采用试验设计法，在所述参数变化范围内确定叶轮因素参数值；所述试验设计方法为正交设计方法、均匀设计方法、拉丁超立方设计方法中任意一种；
[0107]
叶轮气动噪声性能参数响应值确定单元，用于采用气动噪声性能分析方法，获取所述叶轮气动噪声性能参数响应值；所述叶轮气动噪声性能参数为压比、效率和声功率级；
[0108]
初始样本库建立单元，用于根据所述初始叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值建立初始样本库。
[0109]
影响显著的叶轮因素参数确定模块110用于根据所述初始样本库，采用主客观赋权法和mrmr特征选择方法，选取对所述叶轮气动噪声性能参数影响显著的叶轮因素参数；所述影响显著的叶轮因素参数确定模块110具体包括主客观综合关联度获取单元、特征选择单元、影响显著的叶轮因素参数确定单元。
[0110]
主客观综合关联度获取单元，用于采用所述主客观赋权法，获取所述初始叶轮因素参数与叶轮气动噪声性能参数的主客观综合关联度，获取所述初始叶轮因素参数之间的主客观综合关联度，所述主客观综合关联度的计算公式为：
[0111]
w＝αw1 βw2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0112]
式中，w是主客观综合关联度，w1是主观权重，w2是客观权重，α是主观偏好系数，β是客观偏好系数，α，β∈[0,1]且α β＝1；所述主观权重w1由基于专家知识的层次分析法求得；所述客观权重w2由客观赋权法求得，所述客观赋权法为主成分分析法、离差最大化法、灰色关联度法和熵值法中的任一种；
[0113]
特征选择单元，用于采用所述mrmr特征选择方法，从所述初始叶轮因素参数组成的集合x
n
中，通过迭代的方式，确定包含m个对所述叶轮气动噪声性能参数影响显著的叶轮因素参数的最优子集s
m
；
[0114]
所述最优子集s
m
需要满足，集合中所有影响显著的叶轮因素参数与所述叶轮气动噪声性能参数的主客观综合关联度的均值最大，即满足相关性最大，同时，集合中所有影响显著的叶轮因素参数之间的主客观综合关联度的均值最小，即满足冗余性最小，所述相关性和冗余性的公式为：
[0115][0116]
式中，m为最优子集s
m
所包含的影响显著的叶轮因素参数的个数，y为所述叶轮气动噪声性能参数，x为最优子集s
m
中的影响显著的叶轮因素参数，x
i
,x
j
∈s
m
,i≠j；
[0117]
影响显著的叶轮因素参数确定单元，用于根据所述主客观赋权法和所述mrmr特征选择方法，针对所述叶轮气动噪声性能参数压比、效率、声功率级分别获得所述影响显著的叶轮因素参数的最优子集进一步求出所述叶轮压比、效率和声功率级分别对应的三个最优子集的交集s
k
，即所述交集s
k
中的元素即为所述影响显著的叶轮因素参数。
[0118]
映射模型建立模块120用于根据所述影响显著的叶轮因素参数，采用试验设计方法和气动噪声性能分析方法，建立映射模型样本库，采用bp神经网络，建立所述影响显著的叶轮因素参数和所述叶轮气动噪声性能参数的关系的映射模型；所述映射模型建立模块120具体包括映射模型样本库建立单元、映射模型建立单元、判断单元。
[0119]
映射模型样本库建立单元，用于采用试验设计方法和气动噪声性能分析方法，获取所述影响显著的叶轮因素参数的叶轮因素参数值和对应的所述叶轮气动噪声性能参数响应值，建立映射模型样本库；
[0120]
映射模型建立单元，采用bp神经网络，选取所述映射模型样本库中的部分建立映射模型；
[0121]
判断单元，根据所述映射模型样本库中剩余部分判断所述代理模型的精度是否已达到设定值，如果是则确定映射模型，否则重新选取所述映射模型样本库中的部分建立新映射模型。
[0122]
最优叶轮值确定模块130用于根据所述映射模型确定最优叶轮值；所述最优叶轮值确定模块130具体包括数学模型建立单元、最优值确定单元。
[0123]
数学模型建立单元，用于基于所述映射模型建立优化数学模型；
[0124]
最优值确定单元，用于采用优化算法，采用优化算法，求解所述优化数学模型，获得最优叶轮值；所述优化算法为遗传算法、粒子群算法、蚁群遗传算法中任意一种；所述最优叶轮值包括叶轮因素最优值、叶轮气动噪声性能最优值。
[0125]
具体例子
[0126]
本例安排65组试验样本数据，但本发明并不局限于该种试验设计安排。
[0127]
选取叶片进口角β
in
、叶片出口角β
out
、叶顶间隙t
clr
、叶片包络角分流叶片周向位置γ为初始叶轮因素参数，以叶轮气动噪声性能参数压比π、效率η和声功率级l
w
为叶轮目标。
[0128]
在某范围内通过拉丁超立方试验设计抽样方法确定初始叶轮因素参数值β
in
＝a
i
,β
out
＝b
i
，t
clr
＝c
i
，γ＝e
i
，其中，a
i
为第i个叶轮的叶片进口角β
in
的参数值，b
i
为第i个叶轮的叶片出口角β
out
的参数值，c
i
为第i个叶轮的叶顶间隙t
clr
的参数值，d
i
第i个叶轮的
叶片包络角的参数值，e
i
为第i个叶轮的分流叶片周向位置γ的参数值，i＝1
…
65。
[0129]
根据所述初始叶轮因素参数值a
i
，b
i
，c
i
，d
i
，e
i
在三维建模软件里建立第i个叶轮的叶轮三维模型，对第i个叶轮的所述叶轮三维模型进行气动噪声分析。
[0130]
将以上65组相对应的初始叶轮因素参数值和叶轮气动噪声性能参数响应值填入表1获得初始样本库，详见表1。
[0131]
表1初始样本库
[0132][0133]
通过层次分析法分别得到叶片进口角β
in
、叶片出口角β
out
、叶顶间隙t
clr
、叶片包络角分流叶片周向位置γ的主观权重w1，同时，采用熵权法确定其对应的客观权重w2，根据公式w＝αw1 βw2求得上述各初始叶轮因素参数与叶轮气动噪声性能参数的主客观综合关联度，以及上述各初始叶轮因素参数之间的主客观综合关联度。
[0134]
基于mrmr特征选择方法，通过迭代的方式，从上述五个初始叶轮因素参数中确定了包含叶片进口角β
in
、叶片出口角β
out
、叶顶间隙t
clr
的最优子集，即确定影响显著的叶轮因素参数为叶片进口角β
in
、叶片出口角β
out
和叶顶间隙t
clr
。
[0135]
以叶片进口角β
in
、叶片出口角β
out
、叶顶间隙t
clr
为影响显著的叶轮因素参数，以叶轮气动噪声性能参数压比π、效率η和声功率级l
w
为叶轮目标。在某范围内通过拉丁超立方试验设计抽样方法重新确定影响显著的叶轮因素参数值β
in
＝f
i
,β
out
＝g
i
，t
clr
＝h
i
，其中i＝1
…
45。
[0136]
根据所述叶轮因素参数值f
i
，g
i
，h
i
在三维建模软件里建立第i个叶轮的叶轮三维模型，对第i个叶轮的所述叶轮三维模型进行气动噪声分析。
[0137]
将以上45组相对应的影响显著的叶轮因素参数值和叶轮气动噪声性能参数响应值填入表2获得映射模型样本库，详见表2。
[0138]
表2映射模型样本库
[0139]
方案β
in
β
out
t
clr
πηl
w
1f1g1h1x1y1z12f2g2h2x2y2z23f3g3h3x3y3z34f4g4h4x4y4z45f5g5h5x5y5z56f6g6h6x6y6z6…………………
31f
31
g
31
h
31
x
31
y
31
z
31
32f
32
g
32
h
32
x
32
y
32
z
32
33f
33
g
33
h
33
x
33
y
33
z
33
34f
34
g
34
h
34
x
34
y
34
z
34
35f
35
g
35
h
35
x
35
y
35
z
35
[0140]
将映射模型样本库中的前30组影响显著的叶轮因素参数和前30组叶轮气动噪声性能参数响应值建立bp神经网络，以映射模型样本库中的后5组样本数据的叶轮因素参数值与对应的叶轮气动噪声性能参数响应值判断所述代理模型的精度是否已达到设定值，若精度已达设定值要求时，进行下一步；若精度为达设定值要求时，则返回后重新采用试验设计法确定叶轮因素参数值。
[0141]
在映射模型基础上确定优化数学模型，但本发明并不局限于该种优化数学模型：
[0142][0143]
其中，x为叶轮因素参数，π(x)为离心压气机压比；η(x)为效率；l
w
(x)为声功率级；β
in
为叶片进口角、叶片出口角β
out
为叶片出口角、t
clr
为叶顶间隙。
[0144]
然后，采用遗传算法对优化数学模型进行寻优计算，便可得到叶轮因素参数最优值f
36
,g
36
,h
36
和叶轮气动噪声性能参数最优值x
36
,y
36
,z
36
。
[0145]
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。