【技术实现步骤摘要】
本专利技术属于离心泵参数优化领域，具体涉及到一种基于多策略改进鲸群算法的离心泵水力优化方法。
技术介绍
1、离心泵是一种应用十分广泛的流体机械，其每年消耗大约两成的全球能源，目前市面上传统的离心泵参数优化方法主要由设计人员通过试验不断调整离心泵的几何形状以获得较优性能。这种方法极其依赖设计人员的设计经验，优化过程具有盲目性，且优化效果不稳定。传统的优化方法获取离心泵水力性能的主要手段仍是制造试验泵，并在试验台上测试，这需要消耗大量的人力物力。
2、近年来，机器学习方法迅速发展起来，woa(whale optimization algorithm，简称woa，中文鲸鱼算法)优化算法正是在这个大背景下所提出的，相较于其他优化算法，woa优化算法简练易于实现，且对目标函数条件要求宽松，参数控制较少等优点，且经过不断改进的woa已应用于许多领域，但由于其跳出局部最优能力较弱，寻优精度不足等问题，在离心泵参数优化领域应用仍旧较少。
技术实现思路
1、针对现有技术的不足，本专利技术提供一种基于多策略改进鲸群算法的离心泵水力优化方法，以改进型woa优化算法为基础，通过神经网络将离心泵水力设计参数与其性能关联起来，该方法能够依据实际需要有效优化泵内部各参数，并输出优化后参数值。
2、本专利技术的目的通过如下的技术方案来实现：
3、本申请实施例提供了一种基于多策略改进鲸群算法的离心泵水力优化方法，所述方法包括：收集数据，对所述数据构建数据集，所述数据集包括离心泵在
4、可选地，所述方法还包括：初始化所述bp神经网络的权值和阈值；计算所述多策略鲸群混合优化算法woa的决策变量长度，选取均方误差作为优化的目标函数；利用所述多策略鲸群混合优化算法优化所述神经网络中的初始权值和阈值；将优化得到的权值和阈值赋给所述bp神经网络；将优化后的bp神经网络与优化前的bp神经网络中的离心泵水力设计参数进行误差分析和精度对比。
5、可选地，所述方法还包括：采用tent映射生成[0，1]间的混沌序列，计算公式如下：
6、
7、其中，j表示为第j个权重或阈值，α为可变参数，本文中取α＝0.6，kj为混沌序列。
8、可选地，所述方法还包括：在得到所述混沌序列后，利用下式对各参数上下限范围内进行映射，获得鲸鱼种群的初始位置，产生混沌初始种群，
9、
10、其中，klb与kub分别为个体在该维度上的下限与上限，xj为鲸鱼种群的初始位置。
11、可选地，所述方法还包括：采用自适应权重系数对鲸鱼进行位置更新，对包围捕食、螺旋更新、搜索猎物阶段进行优化处理；
12、通过螺线气泡搜寻猎物并更新所述鲸鱼位置，缩小全局最优位置与当前鲸鱼所在位置之间的距离，使得鲸鱼向着全局最优位置前进。
13、可选地，所述方法还包括：采用螺旋引导跟随策略对所述鲸群进行差分变异，构建两头离群鲸鱼作为螺旋引导点，对其内部鲸鱼个体进行随机搜索引导，并添加自适应引导权重，使得woa算法在随机搜索引导上具有更强的跳出局部最优能力，随机搜索引导策略更新所述鲸鱼位置，完成一次迭代，并在迭代达到500代后，将所有解整合为解集，并取出其全部非支配解构建解集，输出所述解集。
14、本申请实施例还提供了一种神经网络结构，所述神经网络结构包括：一个输入层、六层隐藏层和一个输出层，所述输入层包括5个神经元，分别对应离心泵的叶轮出口宽度数据、叶轮叶片进口安放角数据、叶轮叶片出口安放角数据、叶轮叶片包角数据、导叶叶片进口安放角数据；所述输出层包括2个神经元，为离心泵每个水力设计参数情况下对应的扬程数据、最小能效指标系数cmei值；所述隐藏层的神经元个数分别为10，8，8，6，4，4。
15、可选地，所述神经网络的激活函数为leakyrelu函数，其表达式如下：
16、
17、其中，ai为(1,+∞)内的固定参数，1/ai为负斜率系数，取值为0.01；xi表示上一层神经元的输入量，yi表示当前层神经元的输出量。
18、可选地，依据数据集训练所述神经网络包括：将所述数据集划分为训练集与测试集输入至构建好的所述神经网络结构中，并对所述数据集进行训练得到训练模型，在训练至损失函数达到0.001以下时，停止训练；输入所述测试集至所述训练模型进行测试，当测试平均误差达到7％以内时，停止测试并输出预测模型，否则重新开始训练。
19、可选地，所述神经网络结构包括信号在所述神经网络结构的正向传播和反向传播，正向传播是从输入层经过隐含层，最后到达输出层；误差的反向传播，是从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
20、本专利技术的有益效果如下：
21、(1)本专利技术的基于多策略鲸群混合优化算法的离心泵作透平性能预测方法相较于传统的nsga-ii-bp或woa-bp算法收敛速度更快且寻优精度更高，算法有效性及运算效率均有提高。
22、(2)本专利技术的基于多策略鲸群混合优化算法的离心泵水力设计参数优化方法采用的自适应权重策略及螺旋引导跟随策略能够在一定程度上提高该算法的收敛速度与跳出局部最优的能力，进一步提高算法的有效性。
23、(3)本专利技术的基于多策略鲸群混合优化算法的离心泵水力设计参数优化方法相对于现有的仿真方法使用更简便，计算更快捷，且优化效果更好。
本文档来自技高网...【技术保护点】
1.一种基于多策略改进鲸群算法的离心泵水力优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在得到所述混沌序列后，利用下式对各参数上下限范围内进行映射，获得鲸鱼种群的初始位置，产生混沌初始种群，
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.一种神经网络结构，其特征在于，所述神经网络结构包括：一个输入层、六层隐藏层和一个输出层，所述输入层包括5个神经元，分别对应离心泵的叶轮出口宽度数据、叶轮叶片进口安放角数据、叶轮叶片出口安放角数据、叶轮叶片包角数据、导叶叶片进口安放角数据；所述输出层包括2个神经元，为离心泵每个水力设计参数情况下对应的扬程数据、最小能效指标系数CMEI值；所述隐藏层的神经元个数分别为10，8，8，6，4，4。
8.根据权利要求7所述的神经网
9.根据权利要求7所述的神经网络结构，其特征在于，依据数据集训练所述神经网络包括：将所述数据集划分为训练集与测试集输入至构建好的所述神经网络结构中，并对所述数据集进行训练得到训练模型，在训练至损失函数达到0.001以下时，停止训练；输入所述测试集至所述训练模型进行测试，当测试平均误差达到7％以内时，停止测试并输出预测模型，否则重新开始训练。
10.根据权利要求7所述的神经网络结构，其特征在于，所述神经网络结构包括信号在所述神经网络结构的正向传播和反向传播，正向传播是从输入层经过隐含层，最后到达输出层；误差的反向传播，是从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。
...【技术特征摘要】
1.一种基于多策略改进鲸群算法的离心泵水力优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在得到所述混沌序列后，利用下式对各参数上下限范围内进行映射，获得鲸鱼种群的初始位置，产生混沌初始种群，
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
7.一种神经网络结构，其特征在于，所述神经网络结构包括：一个输入层、六层隐藏层和一个输出层，所述输入层包括5个神经元，分别对应离心泵的叶轮出口宽度数据、叶轮叶片进口安放角数据、叶轮叶片出口安放角数据、叶轮叶片包角数据、导叶叶片进口安放角数据；所述输出层包括2个神经元，为离心泵每个水力设计参数情况下对应的扬程...
【专利技术属性】
技术研发人员：周佩剑，余文进，温在鹏，林桂炫，周兴，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。