[发明专利]一种基于机器学习的涡轮气动-动态响应智能优化设计方法

权利要求书

1.一种基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，所述智能优化设计方法至少包括以下步骤：

SS1.对涡轮进行全参数建模，根据运行工况，采用抽样算法，获得涡轮的几何参数、气动性能参数、动态过程中转速超调量Δn，构成样本数据集；

SS2.采用基于机器学习的数据降维方法，对步骤SS1中的样本数据集进行分析处理，提取涡轮设计变量主因素；

SS3.基于步骤SS2中提取的涡轮设计变量主因素，继续采用抽样方法，进一步形成训练样本和测试样本集，采用人工神经网络算法对样本进行进一步训练和分析，构建涡轮设计变量-气动性能-转速超调量的涡轮性能预测模型；

SS4.基于步骤SS2中提取的涡轮设计变量主因素，采用抽样方法形成样本数据库，根据实际需要通过加权方式构成多目标优化函数；

SS5.结合步骤SS3中的涡轮性能预测模型，采用优化模型，完成涡轮优化设计方案；

SS6.基于步骤SS3获得的涡轮性能预测模型以及步骤SS4获得的涡轮优化设计方案，构成涡轮设计准则函数关系式。

2.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS1中，所述几何参数至少包括涡轮外径D₂、静叶出口气流角α₁、动叶出口气流角β₂、叶片高度l；所述气动性能参数至少包括涡轮效率η、涡轮功率W。

3.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS1中，所述动态过程中转速超调量的求解计算方法，包括但不限于：集中参数连续系统模型、连续时间系统模型等。

4.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS2中，所述数据降维方法，包括但不限于：主成分分析算法(PCA)、LDA(Linear Discriminant Analysis)算法、局部线性嵌入(LLE)算法。

5.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS3中，所述人工神经网络算法，包括但不限于ART网络、LVQ网络、Kohonen网络Hopfield网络。

6.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS3中，所述涡轮性能预测模型，包括但不限于：

式中，D₂表示涡轮外径，α₁表示静叶出口气流角，β₂表示动叶出口气流角，l表示叶片高度，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，t_reg表示涡轮动态调节时间，f_i为第i个性能指标函数关系式。

7.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS4中，所述多目标优化函数，包括但不限于涡轮的气动性能(效率、功率等)及其动态响应过程中的超调量(转速、响应时间等)：

式中，I表示加权多目标优化函数，w_i表示第i个性能指标的权值，i＝1,2,3,4….，η表示涡轮效率，W表示涡轮功率，Δn表示涡轮转速动态超调量，t_reg表示涡轮动态调节时间。

8.根据上述权利要求所述的基于机器学习的涡轮气动性能-动态响应智能优化设计方法，其特征在于，步骤SS5中，所述优化模型为：

其中，为涡轮优化过程中流量，为涡轮的设计流量；σ为涡轮优化过程中的应力，σ_material为涡轮材料许用应力。