[发明专利]改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法

说明书

本发明公开了一种改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法，包括：选取导叶与蜗壳匹配设计参数作为初步优化参数进行Plackett‑Burman筛选试验；对各筛选试验方案进行回归方程系数分析，通过改进了拉丁超立方采样法的最优拉丁超立方采样方法在筛选后的优化参数范围内进行采样；搭建自动数值模拟优化平台实现对各方案的自动化CFD计算，基于各方案所得数据，采用多层前馈神经网络建立优化参数和优化目标之间的关系，结合粒子群优化算法，实现全局范围内的自动寻优，通过训练好的神经网络不断更新粒子的速度和最优粒子位置，通过多次迭代计算，找到最优粒子位置对应的优化参数值，输出优化结果。本方法提高了设计工况下的泵效率并改善了驼峰不稳定性。

技术领域

本发明属于泵优化设计领域，尤其是改善了大型立式离心泵性能与驼峰不稳定性的一种水力部件匹配优化方法。

背景技术

人类不断的开发地球上的自然资源，能源消耗巨大；要实现能源的可持续发展，有两个关键问题，一是开发新型可再生能源，另一个则是尽力去节约能源和减少排放。据相关资料，泵机组消耗的电能占全国总能耗的21％以上，其中大型立式离心泵的能源消耗占主导地位。大型立式离心泵三个特点为流量大、扬程高、功率大，广泛应用于长距离、高扬程调水和灌溉工程，目前我国实际工程应用中功率最大的大型立式离心泵功率达到22MW。高性能大型立式离心泵关键研发技术被外国垄断，从国外进口设备价格昂贵，因此亟需我国自主研发大型立式离心泵机组关键技术，其中研发高性能、运行稳定的大型立式离心泵水力模型是关键，这对于促进我们的节能减排工作具有重要意义。

在流体机械领域，已有相关理论为优化离心泵叶轮提供了理论依据。例如，专利号为201810025636.X的专利“一种基于遗传算法的离心泵叶轮多目标智能优化方法”提出了通过贝塞尔曲线拟合叶片型线，实现叶轮参数化建模并结合遗传算法优化了叶轮，提高泵的运行效率，以减少能耗。

目前，在泵优化设计领域，多侧重于对单个水力部件的优化设计且多以性能参数为优化目标，对多个水力部件进行匹配优化设计并同时提高其性能与水力稳定性的研究较少。大型立式离心泵为带径向导叶的离心泵，径向导叶在过流部件中起到承上启下的作用，其与叶轮和蜗壳的匹配性是影响该类泵性能与驼峰不稳定性的一大重要因素，从径向导叶与其他水力部件的匹配性着手对其进行优化设计从而改善其性能与驼峰不稳定性的研究还十分匮乏。

发明内容

针对现有技术的不足，本发明提供了一种改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法，提高了设计工况下的泵效率并改善了驼峰不稳定性。

为实现上述发明目的，本发明采取的技术方案为：一种改善大型立式离心泵性能与驼峰不稳定性的匹配优化方法，包括以下步骤：(1)从水力部件匹配性会对其性能及驼峰不稳定性产生影响方面考虑，选取大型立式离心泵径向导叶与蜗壳匹配设计参数作为初始优化设计参数；(2)采用商业数学软件Mintab进行Plackett-Burman筛选试验设计；(3)对步骤(2)所得结果进行回归方程系数分析，减少优化设计参数；(4)对步骤(3)中所得的优化设计参数进行最优拉丁超立方采样建立样本数据库；(5)将步骤(4)中所得的样本数据代入CFturbo进行导叶与蜗壳的参数化建模；(6)将步骤(5)中所得的导叶与蜗壳水体计算域导入ANSYS ICEM CFD，进行网格划分；(7)将步骤(6)中所得的导叶与蜗壳和其他水力部件水体计算域网格导入ANSYS CFX进行定常数值模拟计算，得到各样本对应的优化目标值；(8)对步骤(7)中所得计算结果，使用多层前馈神经网络拟合优化参数和优化目标值；(9)采用步骤(8)中的多层前馈神经网络结合粒子群优化算法，通过迭代计算不断更新粒子的移动速度和最佳粒子位置，当粒子达到全局最优位置时，停止迭代，输出优化结果。

上述方案中，选取导叶与蜗壳的十个设计参数进行Plackett-Burman筛选试验，分别为导叶进口宽度、导叶进口直径、导叶出口直径、导叶进口安放角、导叶出口安放角、导叶包角、蜗壳进口宽度、蜗壳扩散管高度、蜗壳出口直径、蜗壳第八断面面积。