一种风扇模型的生成方法和装置与流程

1.本发明涉及风扇模型技术领域，特别是涉及一种风扇模型的生成方法和装置。


背景技术：

2.随着电子产品的高性能化以及社会对于节能降噪的重视程度逐渐增加，风扇作为风冷散热系统的主要元器件之一，对其冷却及噪声等性能提出了越来越严苛的需求。经过多年的发展，风扇单体的设计体系及其在电子产品中的应用已经非常成熟，并且其性能提升也在逐渐趋于极限。
3.当前电子风扇扇叶/扇框的设计流程为在初步生成风扇模型后，将风扇pq曲线上的最大风量点（也即噪声测试点）、最高风压点或者是最高效率点作为优化目标，即选取pq曲线上的单工况点作为优化目标进行寻优迭代。
4.然而，由于风扇的气动性能是流量和压差动态平衡的结果，即工作点在pq曲线上动态移动，因此只关注某一点的性能往往就会忽视在其余流量区的表现，因而，上述针对单工况点的优化方法实际上很难获得针对较好的优化结果。


技术实现要素：

5.鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种风扇模型的生成方法和装置，包括：一种风扇模型的生成方法，所述方法包括：获取基于预设的优化参数生成的多个风扇模型；对所述多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；获取针对第一pq曲线进行整体优化的优化函数，并基于所述优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，所述优化函数用于通过对所述第一pq曲线进行整体平移以确定使所述第一pq曲线性能最佳的平移方式；根据所述第一pq优化值和所述第一噪声值，更新所述风扇模型。
6.一种风扇模型的生成装置，所述装置包括：风扇模型获取模块，用于获取基于预设的优化参数生成的多个风扇模型；仿真计算模块，用于对所述多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；整体优化模块，用于获取针对第一pq曲线进行整体优化的优化函数，并基于所述优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，所述优化函数用于通过对所述第一pq曲线进行整体平移以确定使所述第一pq曲线性能最佳的平移方式；风扇更新模块，用于根据所述第一pq优化值和所述第一噪声值，更新所述风扇模型。
7.一种服务器，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上
运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述风扇模型的生成方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述风扇模型的生成方法。
9.本发明实施例具有以下优点：本发明实施例通过获取基于预设的优化参数生成的多个风扇模型；对多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；获取针对第一pq曲线进行整体优化的优化函数，并基于优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，优化函数用于通过对第一pq曲线进行整体平移以确定使第一pq曲线性能最佳的平移方式；根据所述第一pq优化值和所述第一噪声值，更新所述风扇模型，实现了针对pq曲线整体进行优化调整，达到整个pq性能均可获得提升的优化效果。
10.进一步地，通过仿真计算得到的少量数据对预测模型进行训练，以在预测模型中可以快速得到大量优化后的数据，使预测模型可以代替大量的数值仿真进行寻优工作，可以以更短的时间、更少的迭代步骤、更高的精度直接获得目标pq值，避免了当前以pq曲线上单一工作点作为优化目标的多次迭代步骤操作，从而有效提高风扇扇叶的优化迭代时间以及风扇优化设计精度。
附图说明
11.为了更清楚地说明本发明的技术方案，下面将对本发明的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。
12.图1a是本发明一实施例提供的一种风扇模型的生成方法的步骤流程图；图1b是本发明一实施例提供的一种pq曲线；图2a是本发明一实施例提供的另一种风扇模型的生成方法的步骤流程图；图2b是本发明一实施例提供的一种pq曲线采样图；图3是本发明一实施例提供的另一种风扇模型的生成方法的步骤流程图；图4a是本发明一实施例提供的一种风扇建模过程示意图；图4b是本发明一实施例提供的一种代理模型的优化过程；图4c是本发明一实施例提供的一种帕累托解集；图5是本发明一实施例提供的风扇模型的生成装置的结构示意图。
具体实施方式
13.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。显然，所描述的实施例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作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。
14.当前电子风扇扇叶/扇框的设计流程主要是基于系统散热对于pq（风量风压曲线）的需求，进行叶型选型及修改，确定所选取叶型具有一定范围的攻角适应性，而后选取合适
径向积迭方式将叶型生为三维扇叶，完成风扇扇叶/扇框的初步设计定案。在满足了pq性能前提下，为了使得最后的设计方案具有最高效率和最低噪声，还需要基于一套doe（测试设计法）优化方法，基于一些扇叶/扇框重要设计参数，进行优化设计，确定最终方案。
15.在进行风扇扇叶/扇框优化设计过程当中，一般现在广泛应用的做法都是将风扇pq曲线上的最大风量点（也即噪声测试点）、最高风压点或者是最高效率点作为优化目标，即选取pq曲线上的单工况点作为优化目标进行寻优迭代，而后进行pq曲线和噪声的仿真计算，最后需要在众多计算pq曲线中结合噪声和效率，去挑选最合适的一条或几条pq曲线作为最终方案，进行打样测试。
16.然而，为了满足不同配置服务器的散热需求，通常情况下，优化之后需要在满足效率和噪声前提下，实现整根pq上移，由于风扇的气动性能是流量和压差动态平衡的结果，即工作点在pq曲线上动态移动，因此只关注某一点的性能往往就会忽视在其余流量区的表现，因而上述优化方法其实很难获得pq整体上移的一个优化结果。在进行多目标优化的时候，应当同时兼顾整根pq和最大风量处的噪声性能。
17.基于此，本发明提出在针对风扇进行多目标优化过程中，可以提出一种全新的针对pq曲线进行整体优化的优化函数，根据该优化函数确定pq优化值，进而实现了对风扇模型进行更新。
18.参照图1a，示出了本发明一实施例提供的一种风扇模型的生成方法的步骤流程图，具体可以包括如下步骤：步骤101，获取基于预设的优化参数生成的多个风扇模型；其中，优化参数包括以下任一项或多项：截面安装角、径向积迭线对应的弯角、径向积迭线对应的掠角。
19.在风扇模型进行优化过程中，可以基于预设的优化参数生成多个风扇模型，其中，风扇的优化参数可以是安装角、弯角和掠角中任意一项或多项。
20.需要说明的是，在本发明实施例中，还可以根据需求选择扇叶的其他参数作为优化参数变量。
21.在实际应用中，优化参数可以根据优化目标确定，针对不同优化参数可以设置不同的优化方法，在优化方法中可以设置有优化参数相关的目标函数。
22.当确定需要针对某一优化参数进行优化时，通过优化参数的变化，实现目标函数最大或者最小，从而确定符合优化目标的参数数值。
23.在本发明一实施例中，获取基于预设的优化参数生成的多个风扇模型，包括：获取待处理的原始风扇模型，确定针对原始风扇模型的优化参数；根据优化参数生成采样集，采样集包括多个针对优化参数的采样结果；基于采样集对原始风扇模型进行更新，生成多个风扇模型。
24.在实际应用中，可以确定初步的原始风扇模型，原始风扇模型可以是3d风扇模型，在原始风扇模型确定之后，可以以任何参数作为优化变量开展优化工作，从而可以根据本次优化的优化目标确定原始风扇模型的优化参数，进而，根据优化参数设置优化参数的参数范围，并确保采样数据，从而么可以在优化参数的参数范围内针对优化参数进行采样，生成采样集，进行针对采样集中的每个采样结果对原始风扇模型进行更新，生成多个风扇模型。
25.具体的，可以基于最优拉丁超立方采样方法确定样本点矩阵，基于样本点矩阵进行生成风扇模块，每个样本对应一组风扇参数，从而可以生成对应日风扇模型。
26.在本发明一实施例中，原始风扇模型通过下述步骤生成：响应于针对原始风扇模型的扇叶绘制操作，生成原始风扇模型的原始扇叶；响应于针对原始扇叶的绘制操作，基于原始扇叶生成原始风扇模型。
27.在实际应用中，可以基于专业旋转机械造型软件进行扇叶绘制操作，进行叶型拟合，并基于合理的径向积迭方式，将叶型积迭成三维扇叶。
28.在生成原始扇叶后，在建模软件中进行画图，以针对拟合好的扇叶安装轮毂，并完成扇叶的阵列、倒角等，从而生成完整的风扇3d模型。
29.在本发明一实施例中，在生成原始风扇模型的原始扇叶之后，还包括：提取原始扇叶的叶型参数及积迭参数；根据叶型参数及积迭参数生成叶片拟合的第一宏命令文件。
30.在本发明另一实施例中，在响应于针对原始扇叶的绘制操作，基于原始扇叶生成原始风扇模型之后，还包括：生成风扇模型拟合的第二宏命令文件。其中，第二宏命令文件可外部直接调用。
31.在本发明一实施例中，基于采样集对原始风扇模型进行更新，生成多个风扇模型，包括：基于采样集调用第一宏命令文件对原始风扇模型进行更新，生成多个目标扇叶；基于多个目标扇叶调用第二宏命令文件生成多个风扇模型。
32.在实际应用中，在生成原始风扇模型时，可以将叶片拟合以及模型拟合过程生成可调用的宏命令文件，从而以便后续调用，针对原始风尚模型的优化过程中，可以基于样本集调用第一宏命令文件进行叶片拟合生成扇叶，进而可以调用第二宏命令文件基于扇叶生成风扇模型。
33.步骤102，对多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；在获取多个风扇模型后，可以将每个风扇模型至于模型环境中进行仿真计算，以模型风扇模型的实际运行情况，进而可以生成每个风扇模型的第一pq曲线和第一噪声值。其中，pq曲线为风量风压曲线，如图1b所示，其横坐标表示风量q，纵坐标表示风压p。
34.步骤103，获取针对第一pq曲线进行整体优化的优化函数，并基于优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，优化函数用于通过对第一pq曲线进行整体平移以确定使第一pq曲线性能最佳的平移方式；为实现pq曲线的整体上移可以设置一优化函数，该优化参数通过评估pq曲线平移后的性能，确定最佳的平移方式，在优化函数中pq优化值即为每条pq曲线进行平移后的性能表征。
35.针对每个风扇模型的第一pq曲线，可以通过优化函数计算其对应的第一pq优化值，第一pq优化值用于表征第一pq曲线最佳优化方式。
36.步骤104，根据第一pq优化值和第一噪声值，更新风扇模型。
37.在得到第一pq优化值后，将每个风扇模型的第一pq优化值和第一噪声值关联，pq优化值用于表征pq曲线的优化，而噪声值用于表征噪声的优化效果，在整体优化时需要同时考虑pq曲线以及噪声的优化效果，从而，可以结合第一pq优化值和第一噪声值，更新风扇
模型。
38.在本发明一实施例中，根据第一pq优化值和第一噪声值，更新风扇模型，包括：获取风扇模型所处服务器的服务器配置信息；根据服务器配置信息，第一pq优化值以及第一噪声值，确定目标pq优化值和目标噪声值。
39.在实际应用中，风扇模型可以为装配在服务器上对服务器进行散热的风扇，从而需要配合服务器的相关配置，从而在优化过程中，还可以通过获取服务器的实时配置信息，结合服务器的配置需求，第一pq优化值以及第一噪声值，确定目标pq优化值和目标噪声值。
40.在本发明实施例中，通过获取基于预设的优化参数生成的多个风扇模型；对多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；获取针对第一pq曲线进行整体优化的优化函数，并基于优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，优化函数用于通过对第一pq曲线进行整体平移以确定使第一pq曲线性能最佳的平移方式；根据第一pq优化值和第一噪声值，更新风扇模型，实现了针对pq曲线整体进行优化调整，达到整个pq性能均可获得提升的优化效果。
41.参照图2a，示出了本发明一实施例提供的另一种风扇模型的生成方法的步骤流程图，具体可以包括如下步骤：步骤201，获取基于预设的优化参数生成的多个风扇模型；步骤202，对多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；步骤203，针对每条第一pq曲线进行平移，生成第一pq曲线对应的多条候选pq曲线；在针对每个风扇模型进行参数调优过程中，对第一pq曲线进行向上平移，得到第一pq曲线对应的多条候选pq曲线。
42.步骤204，按照预设采样规则，对第一pq曲线以及与其对应的候选pq曲线进行采样，确定第一pq曲线中的第一采样点的第一采样数据和候选pq曲线的第二采样点的第二采样数据；第一采样点与第二采样点一一对应；在生成候选pq曲线后，可以对第一pq曲线和每一条候选pq曲线进行采样，如图2b所示，可以预设设置采样数量、采样密度等采样规则，进行依照采样规则进行采样，在第一pq曲线上采样得到若干个第一采样点，确定第一采样点处的第一采样数据，在候选pq曲线上采样若干个第二采样点，确定第二采样点处的第二采样数据，其中，第一采样点与第二采样点一一对应。
43.步骤205，确定第一采样点的权重数据；其中，第一采样点的权重之和为1，第一采样点的权重数据根据第一采样点的仿真计算准确性确定。
44.在实际应用中，在pq曲线上，随着风量降低、风压提升，会存在不同程度的失速区，这主要是由于这类风扇在设计过程中，为了兼顾系统高风压和大风量需求，一般会将风扇设计点设置在pq的中间区域，因此，随着风压增加，扇叶叶型会出现正攻角情况，引起叶背发生大尺度分离，因而诱导了失速现象产生。
45.在进行风扇pq性能测试的过程中，失速区内存在着明显的涡流，因此对应的转速不稳，会导致失速区内的仿真结果和测试结果对比相差很多，一般pmax和qmax两点的仿真
结果是非常准确的，因此，为了尽量提高优化精度，在以整根pq为优化目标时，可以将权重大的地方置于仿真精度较高的区域。
46.例如，对于pmax这一点、以及q1~qmax区间内的点，由于仿真结果较为准确，因此会赋予较高的权重，而对于0~q1区间内的点，由于仿真精度较差，会赋予较低的权重，同时，第一pq曲线上所有第一采样点的权重相加为1。
47.步骤206，基于权重数据、第一采样数据以及第二采样数据，确定第一pq曲线的第一pq优化值。
48.在本发明一实施例中，步骤206可以包括以下子步骤：确定第一采样数据和第二采样数据的目标偏差数据；根据目标偏差数据和权重数据，确定每条候选pq曲线对应的候选pq优化值；在多个候选优化值中确定第一pq曲线的第一pq优化值。
49.在实际应用中，针对每一条候选pq曲线，可以将第二采样数据与第一采样数据相减，得到目标偏差数据，进而将每个第一采样点的目标偏差数据与对应权重相乘后累加，得到候选pq优化值。
50.针对多条候选pq曲线分别依照上述过程计算出其对应的候选pq优化值后么可以从中确定最佳的优化方式对应的第一pq优化值。
51.具体的，可以将多个候选优化值中的最大值确定为第一pq曲线的第一pq优化值。
52.例如：可以定义pq曲线的优化函数如下：（1）其中，如下图2b所示，n表示在一根pq曲线上通过插值获取n个点，i表示第i个点，pq_i表示获得的新pq曲线（候选pq曲线），pq_oi表示原始pq曲线（第一pq曲线），pqtarget表示优化值，其中，ki表示pq上第i个点的权重取值，i可以根据需求进行取值。
53.在公式（1）中取不同权重值的原则如下：对于pmax这一点、以及q1~qmax区间内的点，由于仿真结果较为准确，因此会赋予较高的权重，而对于0~q1区间内的点，由于仿真精度较差，会赋予较低的权重；在进行优化过程中，目的是使得pq_i位于pq_oi之上，因此，在程序中会自动设置判断，对于pq_i-pq_oi小于0的工况，目标选择的时候会将其剔除掉。
54.其中，q1代表失速和非失速区的大致分界点。如图1所示，左边的pq点出现了驼峰区，也就是p不再随着q的减小增加，而是p一直处于一个值上不去，从而可以判断在q1点处发生了失速。对于风量处于0~q1的这段区域，对于风扇来说属于正攻角比较大、叶背流动分离较为严重的工况，通常将其称为失速区，该区域内流动非常不稳定，涡流分离严重，cfd仿真结果和测试结果差距比较大，即仿真准确性较低。
55.步骤207，根据第一pq优化值和第一噪声值，更新风扇模型。
56.在本发明实施例中，通过对pq曲线进行平移得到候选pq曲线，进而通过采样赋权重的方式计算每条候选pq曲线的优化值，以评估pq曲线优化效果，从而可以实现针对整体pq曲线的精准优化。
57.参照图3，示出了本发明一实施例提供的另一种风扇模型的生成方法的步骤流程图，具体可以包括如下步骤：步骤301，获取基于预设的优化参数生成的多个风扇模型；步骤302，对多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和
第一噪声值；步骤303，获取针对第一pq曲线进行整体优化的优化函数，并基于优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，优化函数用于通过对第一pq曲线进行整体平移以确定使第一pq曲线性能最佳的平移方式；步骤304，获取基于预设的预测模型；预测模型用于针对输入的任一优化参数输出预测的pq优化值和噪声值；在实际应用中，多目标优化可以通过重复迭代实现，而重复迭代的过程中需要耗费大量时间，为了缩短优化时间，提高优化效率，可以设置一预测模型，该预设模型可以针对输入的优化参数，输出不同优化方式下对应的pq优化值和噪声值，从而实现代替大量的数值仿真进行寻优工作。
58.步骤305，基于第一pq优化值和第一噪声值对预测模型进行训练，以更新预测模型的模型参数；第一pq优化值和第一噪声值为基于仿真计算得到的相关数据，将预设的优化参数、第一pq曲线、第一pq优化值以及第一噪声值所构成数据组，作为训练数据，对预测模型进行训练。
59.在训练过程中，可以根据将优化参数作为输入值，得到预测模型所预测的pq优化值和噪声值，进而对比预测值与实际的第一pq优化值以及第一噪声值，对预测模型的模型参数进行调整，直到预测误差在预测范围内时，结束模型训练。
60.步骤306，获取针对风扇模型进行优化的目标优化参数；在模型训练完成后，可以获取目标优化参数，以使用目标优化参数在风扇模型中进行大批量的采样预测。
61.步骤307，将目标优化参数输入到更新后的预测模型中，输出目标优化参数对应的第二pq优化值和第二噪声值；将目标优化参数输入预设模型后，可以对应生成第二pq优化值和第二噪声值。第二pq优化值和第二噪声值分别表征pq曲线与噪声的优化效果。
62.步骤308，基于第二pq优化值和第二噪声值，确定目标pq优化值和目标噪声值；在得到第二pq优化值和第二噪声值，可以第二pq优化值与第二噪声值一一对应，则将二者拟合曲线，以从拟合曲线中确定符合优化目标的目标pq优化值和目标噪声值。
63.步骤309，按照目标pq优化值和目标噪声值更新风扇模型。
64.在本发明一实施例中，该方法还包括：以第二pq优化值为横轴坐标，第二噪声值为纵轴坐标，生成优化曲线；对优化曲线进行采样，确定第三采样数据；根据第三采样数据对预测模型进行验证；在实际应用中，为了确保预测模拟的准确性，还可以针对预测模型进行验证，具体的，可以以第二pq优化值为横轴坐标，第二噪声值为纵轴坐标，拟合生成优化曲线，优化曲线上每个数值对应一组优化结果，从而针对优化曲线进行采样若干个数据，得到第三采样数据，进行针对第三采样数据，可以确定其与实际仿真计算过程得到的数据是否存在较大差异，当存在较大差异，则确定预测模型不可靠，当差异在预设误差阈值范围内，则确定预测模型为可靠模型，以此实现针对预测模型的验证。
65.在本发明一实施例中，第三采样数据包括预测pq优化值和对应的预测噪声值，根
据第三采样数据对预测模型进行验证，包括：确定第三采样数据的预测pq曲线和预测优化参数；基于预测优化参数生成预测风扇模型；根据预测风扇模型对预测模型进行验证。
66.在实际应用过程中，第三采用数据可以对应有输入值预测模型的预测优化参数以及在预测过程中生成的预测pq曲线，进而，可以基于预测优化参数进行风扇建模并进行仿真计算，风扇建模并进行仿真计算参考步骤301至步骤304，进而可以对比预测模型所输出的数据与仿真计算输出的数据，以对预测模型进行验证，判断预测模型是否可靠。
67.在本发明一实施例中，根据预测风扇模型对预测模型进行验证，包括：对预测风扇模型进行仿真计算，生成仿真pq曲线和仿真噪声值；判断仿真pq曲线和仿真噪声值，与预测pq曲线和预测噪声值是否匹配；在判定仿真pq曲线和仿真噪声值，与预测pq曲线和预测噪声值匹配时，确定验证成功；在判定仿真pq曲线和仿真噪声值，与预测pq曲线和预测噪声值不匹配时，确定验证失败。
68.在实际应用中，在生成预测风扇模型后么可以进行仿真计算生成仿真pq曲线和仿真噪声值，进行可以判断pq曲线以及噪声值的匹配性确定预测模型的验证是否成功。
69.在本发明一实施例中，在验证失败时，基于优化曲线对预测模型进行重新训练。在验证成功时，执行基于第二pq优化值和第二噪声值，确定目标pq优化值和目标噪声值。
70.在实际应用中，在验证失败的情况下，说明当前预测模型不可靠，则可以继续进行模型训练，在验证成功的情况下，则确定当前预测模型可靠，则可以基于该预测模型生成第二pq优化值和第二噪声值，确定目标pq优化值和目标噪声值。
71.在本发明实施例中，通过少量数据进行仿真计算，得到的第一pq数据和第一噪声值对预测模型进行训练，进行在训练完成后，可以基于优化参数进行大批量数据的优化，从而实现了以更短的时间、更少的迭代步骤、更高的精度直接获得目标pq值，避免了当前以pq曲线上单一工作点作为优化目标的多次迭代步骤操作，从而有效提高风扇扇叶的优化迭代时间以及风扇优化设计精度。
72.以下结合图4a至图4c对本发明上述实施例进行示例性说明：在实际应用中，风扇建模过程可以包括以下几个步骤：s11，基于专业旋转机械造型软件，进行叶型拟合，并基于合理的径向积迭方式，将叶型积迭成三维扇叶，提取出扇叶对应叶型及积迭参数，及叶片拟合的宏命令脚本文件，或者直接基于初步设计方案提取出叶型参数。
73.s12，拟合好的扇叶，直接进入到通用建模软件中进行画图，以针对拟合好的扇叶安装轮毂，并完成扇叶的阵列、倒角等，最终生成完整的风扇3d模型，针对本部分操作可建立可外部直接调用的宏命令脚本。
74.s12，根据优化目标确定最终选取的优化参数变量，基于最优拉丁超立方采样方法确定样本点矩阵，其中，优化参数可以为各个截面安装角、径向积迭线对应的弯角及掠角。在该过程可以编辑生成矩阵脚本，如图4a所示，为风扇几何体自动建模流程。
75.s13，基于通用编程语言进行代码撰写，这部分主要目的和功能是将各个部分软件的宏命令集成到一起，同时集成上述步骤中所提到样本点矩阵，基于样本点矩阵去调用步骤（1）中所提到宏命令，拟合出来新的扇叶，再执行上述步骤（2），生成最优超拉丁方方法生成样本点所对应的几何模型，截止该步骤，自动建模流程结束。
76.如图4b所示，为代理模型的优化过程，可以包括以下几个步骤：
s21，定义优化变量以范围，并采用拉丁方立体采样随机组合，并针对样本点进行仿真计算。
77.针对步骤s11至步骤13生成的所有几何模型（每个采样点生成一个几何模型），进行网格划分并进行仿真计算。
78.基于仿真会获得所有样本点计算所得到的pq曲线及qmax下的噪声值，比如之前拉丁方立体采样设计了20个样本点，此时会计算出20根pq区间及20组噪声值，根据优化函数，得到这20根pq的pq优化值。
79.s22，基于最优拉丁超立方方法获得的样本点进行代理模型训练，将风扇qmax下的气动噪声与整根pq性能目标当量值pqtarget作为响应输出，批量模拟分析风扇性能，拟合样本分析结果，构建径向基神经网络/模型。
80.其中，所选取的代理模型可以为径向基神经网络。实际上还可以进行不同代理模型对比，哪种模型的拟合精度最高，即可选取哪种代理模型作为最终预测模型，代理模型具体包含支持向量基、人工神经网络等。
81.s23，基于训练获得代理模型代替大量的数值仿真进行寻优工作。
82.寻优算法可选取多岛遗产算法等，基于多目标优化完成会生成帕累托函数曲线，该曲线表示的是在噪声和pq之间进行取舍的最优解集。
83.根据对于噪声和pq需求，在该曲线上选取几个点进行cfd及caa数值仿真验证，如果结果表明预测结果和仿真结果吻合度较高，说明训练获得代理模型预测准确，可输出，如果预测与仿真结果吻合度较低，将帕累托解集投入到训练样本中，重复代理模型训练及优化步骤，直到获得预测准确代理模型为止，而后输出优化结果。
84.其中，帕累托前沿解集如图4c所示，可以看出，纵轴表示噪声值（即目标2），横轴表示pq当量值变化量（即目标1），即这个变化量越大，pq性能提高程度越小，从图中可明显看出，从左到右，噪声逐渐降低，pq优化程度逐渐降低，即pq及噪声的优化效果是相互矛盾的，选取优化目标方案时根据需求选取即可，如果要pq性能比较好的优化模型，则在左边区域选取样本点，如果要选取噪声比较低的优化模型，那就在右边区域选取样本点。
85.需要说明的是，对于方法实施例，为了简单描述，故将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
86.参照图5，示出了本发明一实施例提供的一种风扇模型的生成装置的结构示意图，具体可以包括如下模块：风扇模型获取模块501，用于获取基于预设的优化参数生成的多个风扇模型；仿真计算模块502，用于对所述多个风扇模型分别进行仿真计算，生成每个风扇模型的第一pq曲线和第一噪声值；整体优化模块503，用于获取针对第一pq曲线进行整体优化的优化函数，并基于所述优化函数，分别确定多条第一pq曲线各自的第一pq优化值；其中，所述优化函数用于通过对所述第一pq曲线进行整体平移以确定使所述第一pq曲线性能最佳的平移方式；风扇更新模块504，用于根据所述第一pq优化值和所述第一噪声值，更新所述风扇
模型。
87.在本发明一实施例中，所述整体优化模块503包括：候选pq曲线生成子模块，用于针对每条第一pq曲线进行平移，生成第一pq曲线对应的多条候选pq曲线；曲线采样子模块，用于按照预设采样规则，对第一pq曲线以及与其对应的候选pq曲线进行采样，确定所述第一pq曲线中的第一采样点的第一采样数据和所述候选pq曲线的第二采样点的第二采样数据；所述第一采样点与所述第二采样点一一对应；权重数据确定子模块，用于确定所述第一采样点的权重数据；第一pq优化值确定子模块，用于基于所述权重数据、所述第一采样数据以及所述第二采样数据，确定所述第一pq曲线的第一pq优化值。
88.在本发明一实施例中，所述第一pq优化值确定子模块可以包括：目标偏差数据确定单元，用于确定所述第一采样数据和第二采样数据的目标偏差数据；候选pq优化值确定单元，用于根据所述目标偏差数据和所述权重数据，确定每条候选pq曲线对应的候选pq优化值；第一pq优化值确定单元，用于在多个候选优化值中确定所述第一pq曲线的第一pq优化值。
89.在本发明一实施例中，所述第一pq优化值确定单元在用于所述在多个候选优化值中确定所述第一pq曲线的第一pq优化值时，具体用于：将所述多个候选优化值中的最大值确定为所述第一pq曲线的第一pq优化值。
90.在本发明一实施例中，风扇更新模块504包括：预测模型获取子模块，用于获取基于预设的预测模型；所述预测模型用于针对输入的任一优化参数输出预测的pq优化值和噪声值；预测模型训练子模块，用于基于所述第一pq优化值和所述第一噪声值对所述预测模型进行训练，以更新所述预测模型的模型参数；目标优化参数确定子模块，用于获取针对所述风扇模型进行优化的目标优化参数；数据预测子模块，用于将所述目标优化参数输入到更新后的预测模型中，输出所述目标优化参数对应的第二pq优化值和第二噪声值；目标pq优化值确定子模块，用于基于所述第二pq优化值和所述第二噪声值，确定目标pq优化值和目标噪声值；风扇模型更新子模块，用于按照所述目标pq优化值和目标噪声值更新所述风扇模型。
91.在本发明一实施例中，优化曲线生成子模块，用于以所述第二pq优化值为横轴坐标，所述第二噪声值为纵轴坐标，生成优化曲线；第三采样数据生成子模块，用于对所述优化曲线进行采样，确定第三采样数据；模型验证子模块，用于根据所述第三采样数据对所述预测模型进行验证；模型重训练模块，用于在验证失败时，基于所述优化曲线对所述预测模型进行重
新训练。
92.在本发明一实施例中，风扇更新模块504还包括：执行子模块，用于在验证成功时，执行所述基于所述第二pq优化值和所述第二噪声值，确定目标pq优化值和目标噪声值。
93.在本发明一实施例中，所述第三采样数据包括预测pq优化值和对应的预测噪声值，模型验证子模块包括：预测优化参数确定单元，用于确定所述第三采样数据的预测pq曲线和预测优化参数；预测风扇模型生成单元，用于基于所述预测优化参数生成预测风扇模型；验证单元，用于根据所述预测风扇模型对所述预测模型进行验证。
94.在本发明一实施例中，验证单元包括：仿真计算子单元，用于对所述预测风扇模型进行仿真计算，生成仿真pq曲线和仿真噪声值；匹配判断子单元，用于判断所述仿真pq曲线和所述仿真噪声值，与所述预测pq曲线和所述预测噪声值是否匹配；匹配成功子单元，用于在判定所述仿真pq曲线和所述仿真噪声值，与所述预测pq曲线和所述预测噪声值匹配时，确定验证成功；匹配失败子单元，用于在判定所述仿真pq曲线和所述仿真噪声值，与所述预测pq曲线和所述预测噪声值不匹配时，确定验证失败。
95.在本发明一实施例中，所述风扇更新模块504包括：服务器配置信息获取子模块，用于获取所述风扇模型所处服务器的服务器配置信息；优化值筛选子模块，用于根据所述服务器配置信息，所述第一pq优化值以及所述第一噪声值，确定目标pq优化值和目标噪声值。
96.在本发明一实施例中，所述风扇模型获取模块501可以包括：原始风扇模型获取子模块，用于获取待处理的原始风扇模型，优化参数确定子模块，用于确定针对所述原始风扇模型的优化参数；采样集生成子模块，用于根据所述优化参数生成采样集，所述采样集包括多个针对优化参数的采样结果；风扇模型生成子模块，用于基于所述采样集对所述原始风扇模型进行更新，生成多个风扇模型。
97.在本发明一实施例中，所述原始风扇模型获取子模块可以包括：原始扇叶生成单元，用于响应于针对原始风扇模型的扇叶绘制操作，生成所述原始风扇模型的原始扇叶；原始风扇模型生成单元，用于响应于针对所述原始扇叶的绘制操作，基于所述原始扇叶生成原始风扇模型。
98.在本发明一实施例中，所述原始风扇模型获取子模块可以包括：扇叶参数提取单元，用于提取所述原始扇叶的叶型参数及积迭参数；第一宏命令文件生成单元，用于根据所述叶型参数及积迭参数生成叶片拟合的第
一宏命令文件。
99.在本发明一实施例中，所述原始风扇模型获取子模块还可以包括：第二宏命令文件生成单元，用于生成风扇模型拟合的第二宏命令文件。
100.在本发明一实施例中，风扇模型生成子模块可以包括：目标扇叶生成单元，用于基于所述采样集调用所述第一宏命令文件对所述原始风扇模型进行更新，生成多个目标扇叶；风扇模型生成单元，用于基于所述多个目标扇叶调用第二宏命令文件生成多个风扇模型。
101.在本发明一实施例中，所述优化参数包括以下任一项或多项：截面安装角、径向积迭线对应的弯角、径向积迭线对应的掠角。
102.在本发明一实施例中，所述第一采样点的权重之和为1，所述第一采样点的权重数据根据所述第一采样点的仿真计算准确性确定。
103.本发明一实施例还提供了一种服务器，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上风扇模型的生成方法。
104.本发明一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上风扇模型的生成方法。
105.对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
106.本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
107.本领域内的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
108.本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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。
109.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
110.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终端设备上，使得在计算机或其他可编程终端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终端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。
111.尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做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实施例范围的所有变更和修改。
112.最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
113.以上对所提供的一种风扇模型的生成方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。