一种基于遗传粒子群优化的汽轮机螺栓加热分析方法技术

本发明专利技术公开了一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，该方法将有限元数值分析和优化分析相结合，采用有限元法对螺栓感应加热过程进行参数化建模及磁‑热‑固耦合分析，提取关键特征结果；采用粒子群优化控制策略，引入交叉和变异操作，得到功率‑时间优化曲线，作为热边界条件加载至数值分析中，并根据约束条件对计算结果进行判决，迭代计算输出最优加热功率调节方案，为实际拆卸作业提供指导与规范。

【技术实现步骤摘要】
一种基于遗传粒子群优化的汽轮机螺栓加热分析方法
本专利技术属于汽轮机螺栓
，特别涉及一种基于遗传粒子群优化的汽轮机螺栓加热分析方法。
技术介绍
电站进行汽轮机检修时，需要对安装在中分面法兰的螺栓进行拆卸，以分离上下汽缸。汽轮机在检修时需要首先对安装在汽缸中分面上的大螺栓进行加热拆卸，以分离并打开上下汽缸。目前新型的感应加热器，将其深入到螺栓的中心孔中，通过调节输出功率可对螺栓进行电磁感应加热以达到快速拆卸的目的。针对每个规格的螺栓，都配备有相应型号给定功率范围的加热器。但汽缸中分面螺栓众多，规格不尽相同，凭经验施加功率加热任意性大、且尚未清楚螺栓在感应加热过程中的特征变化规律，欲通过实验获得每个螺栓的特征变化规律则时间长、成本高，且只有等到检修工期是才可实施；加热操作不当可能会对工件和加热器件造成损坏，增加维修负担，耽误检修工期，造成一定的经济损失。因此，亟需提出一种汽轮机螺栓加热分析方法，得到螺栓组的最优功率适配方案以规范操作。
技术实现思路
为解决上述问题，本专利技术提出一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，该方法将有限元数值分析和优化分析相结合，采用有限元法对螺栓感应加热过程进行参数化建模及磁-热-固耦合分析，提取关键特征结果；采用粒子群优化控制策略，引入交叉和变异操作，得到功率-时间优化曲线，作为热边界条件加载至数值分析中，并根据约束条件对计算结果进行判决，迭代计算输出最优加热功率调节方案，为实际拆卸作业提供指导与规范。本专利技术采用如下技术方案实现：一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，包括以下步骤：1)数值分析通过参数化建模、网格划分，设置材料属性、电磁、热和结构边界条件和初始条件，其中热边界条件加载优化控制获得的功率-时间匹配曲线，对螺栓感应加热过程进行磁-热-固耦合分析，提取加热结束时螺栓最高温度、最大应力和伸长量关键特征；2)优化控制基于遗传优化的粒子群算法，通过初始化粒子位置和速度，引入异步学习因子和自适应权重系数对位置和速度进行更新，并执行交叉和变异操作，得到功率-时间匹配曲线，作为数值分析中的热边界条件进行计算，当提取的关键特征结果满足约束条件时，更新粒子局部最优和全局最优值迭代计算，输出最优适应度结果。本专利技术进一步的改进在于，步骤1)中，数值分析的具体步骤如下：101)首先是根据输入的螺栓关键规格尺寸进行参数化建模，得到汽轮机中分面不同规格型号螺栓的三维有限元整体数值分析模型；其中，整体数值分析模型由感应加热器模型、螺栓模型、空气模型和缸体模型组成；102)对步骤101)中得到的螺栓的三维有限元整体数值分析模型进行网格划分，除过渡圆角部分及空气模型采用四面体及四棱锥网格，感应加热器模型、螺栓主体部分、缸体模型均采用8节点六面体网格进行划分以提高计算精度，得到螺栓网格模型；其中，过渡部分的单元长度设置为0.02，主体部分的单元长度设置为0.05，螺栓模型内径网格加密，网格划分完成后检查网格质量，要求雅可比值J>0.5，避免网格畸变影响计算收敛速度；103)对步骤102)中得到的螺栓网格模型赋予材料属性，包括随时间变化的热物性、磁性和力学性能参数；104)对步骤103)得到的有限元分析模型设置电磁边界条件，进行电磁场谐性分析求解；转换单元类型，读入电磁分析结果，提取涡流场的热生成率，并设置热边界条件，给定加热时间，进行瞬态温度场分析；更新温度场相关的电磁材料信息，并返回电磁场分析，如此循环完成热-磁双向耦合求解；105)读取步骤104)得到的热分析结果，将热单元转换为结构单元，采用预紧截面法施加螺栓预紧力，并设置自由度约束条件，进行结构场求解分析；106)特征提取：读取步骤104)得到的热分析结果，提取达到加热时间ht时的螺栓内部最高温度Tmax、内外壁最大温差Δtmax；读取步骤105)得到的结构分析文件，提取达到加热时间ht时的伸长量lt、螺栓内部最大热应力σmax。本专利技术进一步的改进在于，步骤104)的热边界条件采用多段式功率调节曲线进行加载，对应加载时间分别为加速升温阶段t1、减速降应力阶段t2、减速升温阶段t3和加速伸长阶段t4。本专利技术进一步的改进在于，步骤2)中，优化控制的具体步骤如下：201)在搜索空间中随机初始化种群ht＝(ht1ht2…htN),hti>0，每个粒子由四个时间段组成hti＝(ti1ti2ti3ti4)T,tij>0,i＝1,…,N,j＝1,…,4，N为加热时间方案的数目；同理初始化粒子的初始速度v＝(v1v2…vN),vi＝(vi1vi2vi3vi4)T；粒子位置区间[tmin,tmax]，速度区间[vmin,vmax]；202)选取螺栓加热的适应度函数为其中P为功率常数矩阵；初始化粒子个体最优位置粒子群全局最优位置个体最佳适应度值为全局最佳适应度值203)将初始化的种群随机划分为4个分种群，不同种群的粒子赋予异步学习因子c1与c2:种群1:种群2:种群3:种群4:其中k为当前迭代次数，Kmax为最大迭代次数；惯性权重系数ω服从自适应权重更新：其中，ωmax和ωmin分别表示ω的最大值和最小值，f表示微粒当前的目标函值，favg和fmin分别表示当前所有粒子的平均目标值和最小目标值；204)粒子速度更新：位置更新：hti,j(k)＝hti,j(k-1)+vi,j(k)其中r1和r2为[0,1]之间的随机数，i＝1,…,N；j＝1,…,4；k＝1,…,Kmax，Kmax为进化最大次数；205)设置交叉概率pc＝0.7，在每个分种群中采用轮盘赌选择法，选中M个父代个体随机进行两两配对，并随机选择交叉位置q，q＝1,…,4，以概率pc执行交叉操作，得到的子代个体的位置分别为：速度分别为：其中rc为[0,1]之间的随机数，下标p1、p2表示被选中进行交叉的两个父代个体的编号，k表示进化次数，检查交叉后染色体是否超出变量取值范围，若超过则重新执行步骤205)，若满足范围则转下一步；206)设置变异概率pm＝0.3，对步骤205)完成交叉操作后的个体，随机选择变异的位置s，s＝1,…,4，以概率pm执行变异操作：其中rm为[0,1]之间的随机数，下标c表示执行过交叉操作的个体编号，k表示进化次数，Kmax表示最大进化次数，检查变异后染色体是否超出变量取值范围，若超过则重新执行步骤206)，若满足范围则转下一步；207)将步骤206)得到的hti与加热功率Pi进行匹配；加热功率曲线采用多段式功率调节曲线进行加载，对应加载时间分别为加速升温阶段t1、减速降应力阶段t2、减速升温阶段t3和加速伸长阶段t4；对于编号为i的个体，其功率-时间匹配表达式为：其中i＝1,…,N，对编号为i的个体，Pi1、Pi2、P本文档来自技高网...

【技术保护点】
1.一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，其特征在于，包括以下步骤：/n1)数值分析/n通过参数化建模、网格划分，设置材料属性、电磁、热和结构边界条件和初始条件，其中热边界条件加载优化控制获得的功率-时间匹配曲线，对螺栓感应加热过程进行磁-热-固耦合分析，提取加热结束时螺栓最高温度、最大应力和伸长量关键特征；/n2)优化控制/n基于遗传优化的粒子群算法，通过初始化粒子位置和速度，引入异步学习因子和自适应权重系数对位置和速度进行更新，并执行交叉和变异操作，得到功率-时间匹配曲线，作为数值分析中的热边界条件进行计算，当提取的关键特征结果满足约束条件时，更新粒子局部最优和全局最优值迭代计算，输出最优适应度结果。/n

【技术特征摘要】
1.一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，其特征在于，包括以下步骤：
1)数值分析
通过参数化建模、网格划分，设置材料属性、电磁、热和结构边界条件和初始条件，其中热边界条件加载优化控制获得的功率-时间匹配曲线，对螺栓感应加热过程进行磁-热-固耦合分析，提取加热结束时螺栓最高温度、最大应力和伸长量关键特征；
2)优化控制
基于遗传优化的粒子群算法，通过初始化粒子位置和速度，引入异步学习因子和自适应权重系数对位置和速度进行更新，并执行交叉和变异操作，得到功率-时间匹配曲线，作为数值分析中的热边界条件进行计算，当提取的关键特征结果满足约束条件时，更新粒子局部最优和全局最优值迭代计算，输出最优适应度结果。


2.根据权利要求1所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，其特征在于，步骤1)中，数值分析的具体步骤如下：
101)首先是根据输入的螺栓关键规格尺寸进行参数化建模，得到汽轮机中分面不同规格型号螺栓的三维有限元整体数值分析模型；其中，整体数值分析模型由感应加热器模型、螺栓模型、空气模型和缸体模型组成；
102)对步骤101)中得到的螺栓的三维有限元整体数值分析模型进行网格划分，除过渡圆角部分及空气模型采用四面体及四棱锥网格，感应加热器模型、螺栓主体部分、缸体模型均采用8节点六面体网格进行划分以提高计算精度，得到螺栓网格模型；其中，过渡部分的单元长度设置为0.02，主体部分的单元长度设置为0.05，螺栓模型内径网格加密，网格划分完成后检查网格质量，要求雅可比值J>0.5，避免网格畸变影响计算收敛速度；
103)对步骤102)中得到的螺栓网格模型赋予材料属性，包括随时间变化的热物性、磁性和力学性能参数；
104)对步骤103)得到的有限元分析模型设置电磁边界条件，进行电磁场谐性分析求解；转换单元类型，读入电磁分析结果，提取涡流场的热生成率，并设置热边界条件，给定加热时间，进行瞬态温度场分析；更新温度场相关的电磁材料信息，并返回电磁场分析，如此循环完成热-磁双向耦合求解；
105)读取步骤104)得到的热分析结果，将热单元转换为结构单元，采用预紧截面法施加螺栓预紧力，并设置自由度约束条件，进行结构场求解分析；
106)特征提取：读取步骤104)得到的热分析结果，提取达到加热时间ht时的螺栓内部最高温度Tmax、内外壁最大温差Δtmax；读取步骤105)得到的结构分析文件，提取达到加热时间ht时的伸长量lt、螺栓内部最大热应力σmax。


3.根据权利要求2所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，其特征在于，步骤104)的热边界条件采用多段式功率调节曲线进行加载，对应加载时间分别为加速升温阶段t1、减速降应力阶段t2、减速升温阶段t3和加速伸长阶段t4。


4.根据权利要求2所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法，其特征在于，步骤2)中，优化控制的具体步骤如下：
201)在搜索空间中随机初始化种群ht＝(ht1ht2…htN),hti>0，每个粒子由四个时间段组成hti＝(ti1ti2ti3ti4)T,tij>0,i＝1,…,N,j＝1,…,4，N为加热时间方案的数目；同理初始化粒子的初始速度v＝(v1v2…vN),vi＝(vi1vi2vi3vi4)T；粒子位置区间[tmin,tmax]，速度区间[vmin,vmax]；
202)选取螺栓加热的适应度函数为其中P为功率常数矩阵；初始化粒子个体最优位置粒子群全局最优位置个体最佳适应度值为全局最佳适应度值
203)将初始化的种群随机划分为4个分种群，不同种群的粒子赋予异步学习因子c1与c2:
种群1:
种群2:
种群3:
种群4:
其中k为当前迭代次数，Kmax为最大迭代次数；惯性权重系数ω服从自适应权重更新：



其中，ωmax和ωmin分别表示ω的最大值和最小值，f表示微粒当前的目标函值，favg和fmin分别表示当前所有...

【专利技术属性】
技术研发人员：谢永慧，刘铸锋，张荻，叶小龙，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61