[发明专利]变学习率网络建模的风机设计二代算法多目标优化方法

说明书

一种变学习率网络建模的风机设计二代算法多目标优化方法，包括以下步骤：步骤一：风压和风量为给定值，效率和成本为目标变量，其中结构变量和目标变量的数据样本通过实验获得；步骤二：令结构变量为输入变量、目标变量为输出变量，对数据样本进行训练，完成变学习率网络模型的建立，其中采用变学习率方法更新权值和阈值；步骤三：建立二代算法模型，其中采用非支配排序算子和精英策略设计算子；步骤四：通过所建立的变学习率网络对风机的能耗和成本进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿。最后将反归一化后的结构变量值应用于风机的实际设计中。本发明目标全面、精度较高。

技术领域

本发明属于风机的运行参数设计技术和工业过程的模拟仿真领域，涉及一种变学习率网络建模的风机设计二代算法多目标优化方法。

背景技术

风机属于流体机械，其作用是对气体压缩和气体运输属于流体机械。风机的运行过程是一个紊乱的流体流动过程和复杂的能量传递过程。

风机各结构变量的改变会对风机产生综合效应。即当结构变量发生改变时，风机各目标变量(一般选用效率和成本)的变化趋势并不一致。而我们不仅是对效率的优化，同时也是对成本的优化。所以，我们需要在满足实际工作的条件下，获得一组最优的设计变量组合。

传统的多目标计算实际是对单目标计算的加权计算，权值的取值与工作人员经验有很大关联，难以实现精确、有效的设计。若通过CFD方法即计算流体力学，以电子计算机为工具，应用各种离散化的数学方法，对流体力学的问题进行模拟分析，其精确度不高，并不适用。而目前的智能优化算法包括遗传算法、粒子群算法等拥有快速的全局寻优能力，已广泛用于解决多目标优化问题。

发明内容

为了克服已有风机多目标优化设计方法的目标不全面、精度较低等不足之处，本发明提供一种目标全面、精度较高的基于变学习率网络建模的风机设计的基于二代算法的多目标优化方法。

本发明解决其技术问题所采用的技术方案是：

一种变学习率网络建模的风机设计二代算法多目标优化方法，包括以下步骤：

步骤一：收集对风机运行效率和成本影响非常大的结构变量，而风压和风量为给定值，效率和成本为目标变量，其中结构变量和目标变量的数据样本可通过实验获得；

步骤二：令结构变量为输入变量、目标变量为输出变量，对数据样本进行训练，完成变学习率网络模型的建立，其中采用变学习率方法更新权值和阈值；

步骤三：建立二代算法模型，其中采用非支配排序算子和精英策略设计算子；

步骤四：通过所建立的变学习率网络对风机的能耗和成本进行预测，并将预测值用于二代遗传算法模型中目标函数值的求取，来获得pareto前沿。最后将反归一化后的结构变量值应用于风机的实际设计中。

所述步骤一中，所述的输入变量选取如下：选择叶片出口安装角、叶片数、叶轮出口宽度作为结构变量，并令为神经网络模型的输入变量；将效率和成本这一组目标变量，令为神经网络模型的输出变量。

所述步骤二中，对变学习率网络模型的建立、初始化、训练过程如下：先对样本数据进行处理；然后，再通过处理后的数据来计算神经网络隐含层结点和输出层结点分别对应输入值和输出值；最后，根据变学习率网络中权值与阈值的更新公式，在训练误差接近训练目标时，可根据数学模型减少神经网络的学习率使得权值的调整量变小；若误差低于训练目标，则变学习率网络完成建模。

所述步骤二的处理步骤如下：

2.1数据处理

收集步骤一中相关参数即叶轮出口安装角、叶片数、叶轮出口宽度、效率、风压或风量，对叶轮出口安装角、叶片数、叶轮出口宽度、全压进行归一化处理，使其到[0,1]之间，公式如下：