技术领域
[0001] 本
发明属于泵优化设计领域，尤其是管道泵进口弯管及其优化办法。
背景技术
[0002] 泵是重要的通用机械，广泛应用于各行各业。据相关资料，每年消耗在
水泵机组上的
电能占全国总能耗的21％以上，在供水企业中占生产成本的30％-60％。管道泵是一种特殊结构的立式
离心泵(其结构如
附图1所示)，由于其具有体积小，安装方便等优点，因此被广泛应用于高楼供水及家用热
水循环等安装空间受限的场合。然而，由于安装空间的限制，管道泵采用肘形弯管连接进水管路和
叶轮，其内部流动状态复杂，产生了较大的水
力损失的同时也影响了后置流道内的流态，从而使得该泵种的整体效率下降。因此，对该进水流道形状进行优化对于提高该泵种的运行效率、促进节能减排具有重要意义。
[0003] 在
流体机械领域，已有相关文献对管道泵进口弯管的内部流动进行了分析，为后期的优化工作提供了理论支持。例如，DOI为10.1115/1.4038533的论文“Numerical Flow Prediction in Inlet Pipe of Vertical Inline Pump”通过数值分析研究了比转速为133的立式管道泵的进水弯管在不同工况下的流动状态。
[0004] 目前，关于管道泵进口弯管的优化工作并未见报道。
发明内容
[0005] 针对
现有技术中存在的不足，本发明提供了一种结合多目标遗传
算法(Multi-objective Genetic Algorithm,MOGA)和
人工神经网络(Artificial Neural Network,ANN)的管道泵多目标优化设计方法，以提高管道泵的运行效率和高效运行区。
[0006] 本发明是通过以下技术手段实现上述技术目的的。一种管道泵进口弯管多目标智能优化方法，其特征在于以下步骤：
[0007] (1)采用商业数学
软件MATLAB 2017b运行
遗传算法脚本主程序并设置算法参数；
[0008] (2)采用拉丁超立方抽样方法创建样本数据；
[0009] (3)将步骤(2)所得的
染色体参数代入CREO 4.0建立样本进口弯管
水体模型；
[0010] (4)将步骤(3)中所得的进口弯管水体图导入ANSYS Meshing 18.0，绘制进口管网格；
[0011] (5)将步骤(4)中所得的叶轮网格和静水域网格代入ANSYS CFX 18.0进行定常数值。
[0012] (6)读取步骤(5)所得计算结果，使用人工神经网络拟合目标函数值及设计变量。
[0013] (7)使用拉丁超立方抽样在计算域内初始化染色体；
[0014] (8)使用步骤(6)中获得的近似模型求解步骤(7)中的染色体，获得它们的目标函数值；
[0015] (9)读取步骤(8)计算结果，并求解pareto边界；
[0016] (10)判断步骤(7)中的Pareto前沿是否稳定，若否，则对染色体进行交叉、变异等操作得到新一组染色体，返回步骤(8)继续
迭代；若是，则停止迭代，输出优化结果。
[0017] 上述方案中，采用贝塞尔曲线表达进口弯管型线、截面参数的变化趋势。
[0018] 上述方案中，采用拉丁超立方抽样的方法在计算域内创建样本数据。
[0019] 上述方案中，采用BAT code和MATLAB code相结合的方法，自动化的使用CREO 4.0创建进口弯管的水
体模型。
[0020] 上述方案中，采用ANSYS WorkBench 18.0的journal code和MATLAB code实现对水体模型的
自动建模与数值计算。
[0021] 上述方案中，使用MATLAB自动读取模拟数据，并使用人工神经网络拟合目标函数值和设计变量。
[0022] 上述方案中，使用MATLAB中的拉丁超立方抽样实现多目标遗传算法的初始化；
[0023] 上述方案中，使用求得的人工神经网络模型求解染色体；
[0024] 上述方案中，根据Pareto最优前沿的定义在每次迭代的解集中更新当前解的Pareto前沿。
[0025] 上述方案中，以Pareto前沿的稳定程度作为残差收敛判定值，当Pareto前沿稳定或达到最大迭代数时，停止算法脚本并输出优化结果。
[0026] 本发明的有益效果：(1)本发明采用多目标遗传算法(MOGA)结合人工神经网络(ANN)对参数化的管道泵的进口弯管进行优化。该方法具有优化效率高，计算
精度好，优
化成功度高的优点。(2)本发明借助计算机实现对管道泵的多目标优化，使其能够更好的满足当代社会对于该类机械高效、稳定的需求。
附图说明
[0027] 图1为本发明所述管道泵结构示意图。
[0028] 图2为被优化对象管道泵的进口弯管的中心线示意图。
[0029] 图3为进口弯管截面形状及控制参数示意图。
[0030] 图4为截面参数变化趋势的贝塞尔曲线示意图。
[0031] 图5为本发明所述优化设计方法
流程图。
[0032] 图6为CREO自动生成的模型示意图。
[0033] 图7为Meshing自动生成网格示意图。
[0034] 图8为三维Pareto前沿示意图。
[0035] 图9为优化前后外特性对比图。
具体实施方式
[0036] 下面结合附图以及具体
实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
[0037] 一种管道泵进口弯管多目标智能优化方法包含以下步骤：
[0038] 1.确定优化设计变量x＝[Px,1,Py,2,...,Px,n,Py,n]及计算域Ω；
[0039] 2.采用商业数学软件MATLAB 2017b调用拉丁超立方
采样(Latin Hypercube Sampling,LHS)在计算域Ω内创建m个样本数据λ；
[0040] 3.通过MATLAB脚本程序调用商业
三维建模软件CREO 4.0自动完成对步骤2中创建的样本数据的三维建模；
[0041] 4.通过MATLAB脚本程序调用ANSYS Workbench 18.0读取步骤3中得到的三维模型并通过ANSYS Meshing 18.0自动完成网格划分；
[0042] 5.将步骤4中所得的网格导入至商业CFD(Computational Fluid Dynamics，计算
流体力学)软件中进行定常数值模拟；
[0043] 6.使用MATLAB脚本程序提取步骤5的计算结果作为目标函数：0.5倍设计工况下的效率η1，1.0倍设计工况下的效率η2，1.5倍设计工况下的效率η3；
[0044] 7.使用MATLAB人工神经网络工具箱训练双层前馈ANN模型来建立步骤6中所得的目标函数值ηi和步骤2中的样本设计参数λ之间的函数关系ηi＝fi(λ)
[0045] 8.使用MATLAB编写多目标遗传算法计算脚本主程序并填写遗传算法运行所需要的参数(可采用默认设置)。
[0046] 9.调用算法脚本，代入步骤1中所输入的参数，使用拉丁超立方抽样(LHS)在计算域Ω初始化种群染色体χini，以使种群在计算域内具有多样性。
[0047] 10.使用步骤7中所得近似模型求步骤9所得的染色体χini所对应的各个目标函数值，并求出该次迭代的Pareto解集ParetoBoundsini；
[0048] 11.通过交叉、变异和精英选择操作生成新一代染色体χj；
[0049] 12.使用步骤7中所得近似模型求步骤9所得的染色体χj所对应的各个目标函数值，更新当前的Pareto边界得到新的ParetoBoundsj；
[0050] 13.判断Pareto边界是否稳定，若是，则输出优化结果；若否，则回到步骤11继续进行迭代计算。
[0051] 14.通过数值模拟验证迭代计算所得到的Pareto前沿(Pareto Frontiers)准确性，并根据需求选择最优结果。
[0052] 进一步的，进口弯管的形状可通过其中心线(如图2所示)和各截面形状(参数化表达如图3所示)控制。
[0053] 进一步的，进口弯管的形状优化过程中，设计变量x＝[Px,1,Py,2,...,Px,n,Py,n]，其中Px,n指第n个控制点的横坐标，Py,n指第n个控制点的纵坐标。
[0054] 进一步的，进口弯管形状优化过程中，由于其截面面积沿中心线线性缩减(或线性增大)，其截面参数(如图3所示)L可由下式求得：
[0055]
[0056] 其中：
[0058] lm:中线总长；
[0059] Dpi:进水弯管进口直径；
[0060] Dpo:进水弯管出口直径；
[0061]
[0062] 式中：
[0063] L,l,D:进口弯管截面设计参数，如图3所示；
[0064] Ax:进口弯管截面面积，如式1所示。
[0065] 进一步的，在进口弯管的形状的优化过程中，其中心线形状及各截面参数的变化趋势以贝塞尔曲线表示：
[0066]
[0067]
[0068] 其中 为二项式系数，变量t的取值范围为[0,1]。Px,i和Py,i为第i个控制点的坐标(步骤1中优化变量定义与此处相同)。
[0069] 进一步的，进口弯管形状的优化过程中，分别以五阶，三阶，三阶贝塞尔曲线来拟合进口弯管中心线(如图2所示)，截面参数D和l的变化趋势(如图4所示)。
[0070] 进一步的，步骤1中所述的计算域Ω具体指由各设计变量上下限组成的多维空间，维数为2n。
[0071] 进一步的，步骤2中的样本数据具体指m组不同的设计变量：
[0072]
[0073] 上式为m×2n矩阵，其中，每一行代表一组设计变量(格式同步骤1中的设计变量)，上标代表样本数据编号。
[0074] 进一步的，结合MATLAB程序和BAT脚本使CREO和ANSYS Workbench运行于batch模式下，以实现自动建模和前处理。
[0075] 进一步的，步骤6中目标函数具体形式如下：
[0076]
[0077] 该式为m行1列矩阵，下标表示不同工况下的效率，上标表示样本编号。
[0078] 进一步的，所述的遗传算法所需参数包括：种群规模(Population)、交叉率(Crossover Probability)、变异率(Mutating Probability)、代沟率(Gap Probability)、最大遗传代数(Maximum Generation)，变量上下限(Upper and Lower Bounds)，收敛精度(Tolerance)，Pareto前沿总数(Size of Pareto Frontiers)。
[0079] 进一步的，考虑到管道泵结构的限制以及实际安装需求，维持进口管的入口直径Ds，出口直径D1，进口管的入口的水平位置及出口位置不变。
[0080] 进一步的，所述的判断优化结果的方法是，Pareto解集达到收敛精度或迭代数达到上限，满足上述其一则停止迭代。
[0081] 具体实施例：本实施例所用管道泵结构示意图如图1所示，计算流程如图5所示，首先确定设计参数及计算域，根据实际情况，其参数如下表所示(控制点序号如图2、图4所示)：
[0082]
[0083]
[0084] 然后，使用LHS生成149组样本变量λ，通过自动建模(示意图如图6)、网格划分(示意图如图7)和数值模拟获得该149变量所对应的外特性参数η1、η2、η3。随后，使用人工神经网络建立外特性参数与设计变量之间的函数关系：
[0085]
[0086] 接着，使用MATLAB 2017b软件录入遗传算法参数：
[0087]
[0088]
[0089] 确定参数后，使用该MOGA算法对前述所得的ANN模型(7)求Pareto解集(Pareto前沿示意图如图8所示)。
[0090] 最后，根据需求选择模型。本例中，选择三个工况点都有所提高的模型为最终优化结果，优化前后的外特性对比如图9所示。
