[发明专利]基于人工神经网络的多级轴流压气机一维设计方法

权利要求书

1.基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：包括以下步骤：

步骤1：建立多级轴流压气机总体方案神经网络；

步骤2：利用多级轴流压气机总体参数经验数据训练总体方案神经网络；

步骤3：为步骤2训练后的总体方案神经网络提供总体设计参数，得到多级轴流压气机性能参数，根据性能参数与多级轴流压气机的设计要求值的差异修正总体设计参数，直到得到满足要求的多级轴流压气机性能参数；

步骤4：建立叶排模型神经网络；

步骤5：利用叶排气动特性经验数据训练叶排模型神经网络；

步骤6：为步骤5训练后的叶排模型神经网络提供叶排的几何特性和工作状态，得到叶排的流动损失和落后角。

2.根据权利要求1所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：步骤1中采用包括输入层、隐含层和输出层的BP神经网络建立总体方案神经网络。

3.根据权利要求2所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络的前向传播过程如下：

a)隐含层第i个节点的输入net_i为：

其中，x_j表示输入层第j个节点的输入值，j＝1,······,M，M为输入节点数；w_ij表示隐含层第i个节点到输入层第j个节点之间的权值，i＝1,······,q，q为隐含节点数；θ_i表示隐含层第i个节点的阈值；

b)隐含层第i个节点的输出y_i为：

其中，φ(x)表示隐含层的激励函数；

c)输出层第k个节点的输入net_k为：

其中，w_ki表示输出层第k个节点到隐含层第i个节点之间的权值，a_k表示输出层第k个节点的阈值，k＝1,······,L，L为输出节点数；

d)输出层第k个节点的输出o_k为：

其中，ψ(x)表示输出层的激励函数。

4.根据权利要求3所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络的误差反向传播过程如下：

对于每一个样本p的二次型误差准则函数E_P为：

其中，T_k为根据经验数据获得的期望输出值；系统对P个训练样本的总误差准则函数为：

通过误差梯度下降法依次修正输出层权值的修正量Δw_ki，输出层阈值的修正量Δa_k，隐含层权值的修正量Δw_ij，隐含层阈值的修正量Δθ_i；得到：

输出层权值调整公式为：

输出层阈值调整公式为：

隐含层权值调整公式为：

隐含层阈值调整公式为：

又因为，

得到如下公式：

利用经验数据进行反复训练得出最小误差相对应的隐含层第i个节点到输入层第j个节点之间的权值w_ij、隐含层第i个节点的阈值θ_i、输出层第k个节点到隐含层第i个节点之间的权值w_ki以及输出层第k个节点的阈值a_k，完成训练过程。

5.根据权利要求3所述的一种基于人工神经网络的多级轴流压气机一维设计方法，其特征在于：所述总体方案神经网络包括3个隐含层，每个隐含层的隐含节点数q＝10；所述输入节点数M＝5，分别用来输入多级轴流压气机的相似转速、相似流量、轮毂比、静叶角度和级数；输出节点数L＝3，分别用来输出压比、喘振裕度和效率。