[发明专利]一种基于GA优化理论公式的离心泵性能曲线预测方法

说明书

本发明公开一种基于GA优化理论公式的离心泵性能曲线预测方法，首先分析对离心泵特性曲线，对流量‑扬程、流量‑功率、流量‑效率之间的关系进行建模；基于建模的理论公式和离心泵流量、扬程、效率之间的关系，得到实际扬程与流量关系式、实际功率与流量的关系式、实际效率与流量的关系式；针对建模的理论公式的局限性，在实际功率的表达式中引入修正项；然后待测离心泵的额定工况的性能参数代入修正后的的表达式中，并将得到的实际扬程、功率、效率与额定工况的轴功率的对应值最小作为目标函数，导入遗传算法优化，得到各项系数的值；最后计算待测离心泵不同流量下的扬程、功率、效率，绘制待测离心泵性能曲线。本发明计算简单，预测准确率高。

技术领域

本发明涉及离心泵性能预测领域，尤其涉及一种基于GA优化理论公式的离心泵性能曲线预测方法。

背景技术

离心泵在各行各业中都应用广泛，它主要依靠叶轮将输入的机械能转换为我们所需要的流体的动能。提高离心泵运行的性能则是广大研发人员所不断追求的目标。性能预测能够帮助研发人员有效的判断设计产品的好坏，并且能够缩短研发时间、节约开发成本。目前，要想获得试验泵的完整性能曲线，常常需要进行耗时和昂贵的实验研究，这种方法不仅消耗大量的人力物力，也阻碍了离心泵的发展。

为了缩短设计周期，降低设计成本，使用Fluent、CFX等商业软件来对离心泵内部流动进行数值模拟，从而预测离心泵的性能是目前应用最多的手段。但是，这种方法仅在额定工况下具有一定的精度，在非设计工况下，预测的性能往往存在一定误差。此外，依靠这种性能预测方法消耗大量的计算时间，并且需要工作人员根据具体情况选择合适的湍流模型以及边界条件，对网格质量也有较高的要求。以神经网络为主的机器学习方法近年来在泵行业得到应用发展，不过机器学习方法依赖大量的试验数据，对于工业行业来说获取大量产品数据是十分困难的，并且机器学习方法仅仅对训练范围内的产品能进行较准确的预测，超出训练数据的范围，预测效果较差。

基于理论经验公式的水力损失模型法可以较为准确的预测全流场下离心泵的性能，但是碍于离心泵种类结构繁杂，针对不同的离心泵要作不同的简化假设，并且需要丰富的设计开发经验，所以不具有普遍性。因此，充分的考虑离心泵运行过程中普遍存在的损失，并结合离心泵性能曲线的内在关系进行建模，找到一个可扩展性强的预测框架来对不同型号的离心泵进行预测是理论模型的发展方向之一。

发明内容

针对目前不能有效预测离心泵不同工况下性能的不足，本发明提供一种基于GA优化理论公式的离心泵性能曲线预测方法，此方法在已知额定工况性能的基础上，结合离心泵内部流动机理以及GA优化算法，能找出一个具体的性能预测公式对离心泵不同流量下的性能进行预测，从而得出性能曲线，可以帮助研发人员设计优化离心泵的结构参数。

本发明的目的通过如下的技术方案来实现：

一种基于GA优化理论公式的离心泵性能曲线预测方法，包括以下步骤：

步骤一：根据对离心泵特性曲线的分析，分别对流量-扬程、流量-功率、流量-效率之间的关系进行建模，基于建模的理论公式和离心泵流量、扬程、效率之间的关系，得到实际扬程与流量关系式、实际功率与流量的关系式、实际效率与流量的关系式；建模时需考虑：

(1)有限叶片数导致的扬程与流量之间的影响；

(2)从离心泵进口到出口流道的摩擦损失，离心泵叶轮、导叶或涡轮内部流动扩散和弯曲损失，这两部分损失导致的扬程损失；

(3)离心泵叶轮、导叶的冲击造成的扬程损失；

(4)密封性所导致的容积损失；

(5)机械损失，表现为轴功率与输入功率之间的损失；

步骤二：针对建模的理论公式的局限性，在实际功率的表达式中引入修正项；