[发明专利]一种离心泵叶轮主尺寸设计方法和装置

说明书

本发明提供了一种离心泵叶轮主尺寸设计方法和装置，建立离心泵高效水力模型库，利用高效水力模型的性能参数和尺寸参数建立数据库，搭建全连接神经网络与双向LSTM神经网络，利用数据库对所述两个神经网络模型进行训练；需设计的离心泵设计参数作为全连接神经网络模型的输入，输出叶轮进口直径无量纲经验系数、叶轮出口直径无量纲经验系数以及叶轮出口宽度无量纲经验系数，计算离心泵叶轮主尺寸和叶轮理论出口直径，将叶轮理论出口直径与叶轮初步出口直径之间的数值n等分，作为双向LSTM神经网络模型的输入，输出叶轮出口直径。本发明避免设计人员设计效率低的问题，同时大大减少设计人员的计算量，加快离心泵叶轮新产品的设计速度。

技术领域

本发明涉及离心式旋转机械的过流部件设计技术领域，更具体的说，是一种基于机器学习的离心泵叶轮主尺寸设计方法和装置。

背景技术

泵是一种重要的能量转换和流体输送装备，其种类繁多、产量大，作为一种通用机械，已经广泛应用于国民经济各个部门。而我国离心泵工作耗电量约占全国电力消耗的10％，耗电量巨大，节能形势十分严峻。离心泵这一类叶轮机械的能量消耗主要发生在叶轮中，因此在设计过程中，提高叶轮的工作效率就可以降低离心泵的能量消耗，对于我国普及节能工作开展具有重要意义。同时，离心泵叶轮传统设计方法的理论基础是一元设计理论，传统设计方法具有较强的经验性，因此也存在许多的不足，主要是：(1)设计过程中的经验公式与半经验公式较多，设计人员经验不足会导致设计出的模型效率较低；(2)设计过程中的迭代精确计算较多，人为计算的计算量大且很难达到精确点；(3)设计理论基于相似理论，在没有优质模型泵的情况下设计周期较长，相似设计效果较差。

发明内容

针对现有技术中存在不足，本发明提供了一种基于机器学习的离心泵叶轮主尺寸设计方法和装置，提高叶轮主尺寸的设计效率及水力性能。

本发明是通过以下技术手段实现上述技术目的的。

一种离心泵叶轮主尺寸设计方法，具体为：

建立离心泵高效水力模型库，利用高效水力模型的性能参数和尺寸参数建立数据库，搭建全连接神经网络与双向LSTM神经网络，利用数据库对所述两个神经网络模型进行训练；将需设计的离心泵参数输入训练后全连接神经网络，预测出叶轮主尺寸计算中的无量纲经验系数，进而计算出叶轮进口直径D_j、叶轮初步出口直径和叶轮出口宽度b₂，再通过训练后双向LSTM神经网络预测计算出精确的叶轮出口直径D₂，完成叶轮主尺寸设计；所述性能参数包括流量、扬程和比转速，所述尺寸参数包括叶轮进口直径D_j、叶轮出口直径D₂和叶轮出口宽度b₂，所述需设计的离心泵参数包括流量、扬程、比转速，所述无量纲经验系数包括叶轮进口直径无量纲经验系数叶轮出口直径无量纲经验系数和叶轮出口宽度无量纲经验系数

进一步的技术方案，建立数据库时，利用性能参数和尺寸参数逆向计算出无量纲经验系数，作为数据库一部分，结合性能参数训练全连接神经网络；利用性能参数计算得到叶轮初步出口直径和叶轮理论出口直径D₂′，作为数据库一部分，训练双向LSTM神经网络。

更进一步的技术方案，将所述与D₂′之间的数值n等分，得到n+1个数据点，作为双向LSTM神经网络模型的输入，训练得到精确的叶轮出口直径D₂；其中5≤n≤7。

更进一步的技术方案，所述n取6。

进一步的技术方案，所述双向LSTM神经网络模型，共有8层；第一层为输入层，第二层为正向LSTM神经网络层，共7个神经元；第三层为逆向LSTM神经网络层，共7个神经元；第四层为数据合并层，将第二层正向LSTM层的输出和第三层逆向LSTM层的输出相加并平均；第五层为正向LSTM层，共7个神经元；第六层为全链接神经网络层，共128个神经元；第七层为Leaky ReLU激活函数层；第八层为输出层。