微小型涡喷发动机基于BP神经网络叶轮优化方法与流程

本发明涉及涡喷发动机，尤其涉及微小型涡喷发动机基于bp神经网络叶轮优化方法。

背景技术：

1、微小型离心压气机作为微型涡喷发动机的重要部件，因其结构紧凑、单级压比高、小流量和可以轴向排气的特点在军事和能源等方面有着广泛应用。叶轮是离心压气机中高速转动的核心部件，叶轮的结构设计的优劣直接关系到叶轮的使用寿命长短、产生正弦波形的准确度以及电能的消耗等，因此，在现代高性能微小型离心压气机的设计中，对离心叶轮结构进行优化设计具有重大意义。压气机叶轮进口轮毂半径、轮缘半径、出口半径和高度等主要结构尺寸的设计方案不仅可以优化叶轮自身设计过程，同时，也为整机配合设计提供了便利。

2、ga算法采用适者生存、优胜劣汰的进化原则，对包含可能解的群体不断进化，同时以全局并行搜索技术来搜索群体中的最优个体，以求得满足要求的最优解或者准最优解，但在实际应用中仍然存在早熟、局部搜索能力差等问题。

3、pso算法是一种基于群智能的演化计算技术。与ga算法类似，也是一种基于群体的优化工具，在给定的解空间内随机初始化粒子群，通过赋予种群个体位置和速度信息，迭代寻优，每个个体通过跟踪位置和速度极值在迭代过程中不断更新优化。收敛速度快，容易实现，局部寻优能力强。

4、pso-ga混合算法在叶轮优化领域逐步受到大家的关注，利用各自优势、取长补短完成叶轮优化，但具体的算法实现过程与优化结果的优劣息息相关。

5、因此，亟需提供微小型涡喷发动机基于bp神经网络叶轮优化方法，相对于现有技术，高效、精确、复杂度低的进行叶轮优化设计。

技术实现思路

1、本发明解决现有技术存在的技术问题，本发明提供了微小型涡喷发动机基于bp神经网络叶轮优化方法。

2、为实现上述目的，本发明采用的技术方案如下：

3、微小型涡喷发动机基于bp神经网络叶轮优化方法，包括以下步骤：

4、s1、构建样本库，样本库包括训练样本库和测试样本库；

5、s2、使用训练样本库训练初始的bp网络模型，使用测试样本库对训练后的初始的bp网络模型进行验证，初始的bp网络模型中设有初始权值和初始阈值；

6、s3、使用pso-ga相耦合算法对初始的bp网络模型中的权值和阈值进行寻优；得到当前最优权值和当前最优阈值；

7、s4、将当前最优权值和当前最优阈值输入至初始的bp网络模型中，更新bp网络模型，得到最终的bp网络模型；

8、s5、向最终的bp网络模型中输入优化目标，输出待优化变量，根据待优化变量完成叶轮的结构设计。

9、进一步地，s3具体包括以下步骤：

10、s31、初始化种群，完成种群分割，得到子种群a和子种群b；

11、s32、对子种群a和子种群b中的个体分别进行基因重组和基因突变；

12、s33、对经过s32步骤后的子种群a和子种群b中的个体进行适应度计算，进行适应度局部寻优，当满足约束条件时，将子种群a和子种群b进行群聚，形成总种群，反之，重新进行s32步骤；

13、s34、将s33步骤中群聚后的总种群，再次进行基因重组和基因突变，然后进行适应度全局寻优，得到当前最优权值和当前最优阈值。

14、更进一步地，s32步骤中个体的基因重组方式为：将个体进行实值解码，采用归一化方法给每个个体分配与其适应度相关联的权重系数，基因重组后的个体表示为：

15、

16、上式中，表示重组后的个体的速度向量，表示重组后的个体的位置向量，wbest表示重组前个体所在群体中最优个体对应的权重值，表示重组前个体的速度向量，表示重组前个体所在群体中最优个体对应的速度向量，表示重组前个体的位置向量。

17、更进一步地，个体的基因突变方式为：个体以概率pm产生如下基因突变：

18、

19、上式中，δx表示区间为上均匀分布的随机数，表示待变异个体的适应度值，favg表示待变异个体所在群体中的平均适应度值，pm1＝0.1，pm2＝0.001，fmax表示待变异个体所在群体中最大的适应度值。

20、更进一步地，s31具体包括以下步骤：

21、s311、随机产生初代种群，对所有初代种群的个体进行二进制编码，对初代种群中每两个个体进行不放回式异或运算；

22、s312、设置临界值，初代种群中不同位个数大于临界值的个体分割到子种群a，其余个体分割到子种群b，计算子种群a和子种群b中的每个个体的误差范数，将每个误差范围输入至适应度函数中，得到每个个体的适应度；

23、s313、对子种群a和子种群b中的个体分别进行精英保存式基因选择操作，按照轮盘赌选择方法分别对子种群a和子种群b执行ga算法的选择操作，然后将子种群a、子种群b中适应度最高的个体保留到下一代。

24、进一步地，s4步骤还包括：迭代s3-s4步骤，满足结束条件时，输出当前最优权值和当前最优；在s4步骤中，设置权值误差设定值和阈值误差设定值，计算当前最优权值与初始权值之间的差值、当前最优阈值与初始阈值之间的差值，设置当前最优权值与初始权值之间的差值为权值误差，当前最优阈值与初始阈值之间的差值为阈值误差，结束条件为：权值误差小于权值误差设定值，且阈值误差小于阈值误差设定值。

25、进一步地，bp网络模型为三层网络结构，包括输入层、隐含层和输出层，结构表示为：

26、m1-m2+1；

27、其中，m1表示输入层的节点个数即待优化变量的个数；m2表示隐含层的节点数；输出层的节点数为待优化目标的个数。

28、更进一步地，隐含层的节点数的表达式为：

29、m2＝2×m1+1。

30、更进一步地，bp网络模型中权值、阈值的表达式分别为：

31、m3＝m1×m2+m2×2；

32、m4＝m2+2；

33、上式中，m3表示权值，m4表示阈值。

34、进一步地，s1包括以下步骤：

35、s11、使用当前设计软件，设置不同的优化目标的数值，将各个待优化变量输入当前设计软件中进行完成优化目标的性能预测；待优化变量包括叶轮的进口轮毂半径、轮缘半径、出口半径和高度、叶顶间隙、叶片厚度、入口攻角和后弯角；优化目标包括叶轮效率和总压比；

36、s12、在每个优化目标的性能预测中，根据相关性，对于每个优化目标都设置一个相关性设定值，选出对该优化目标的相关性大于对应相关性设定值的待优化变量，所选出的待优化变量和其对应的优化目标作为一个样本对，全部样本对组成样本库；

37、s13、将样本库分为训练样本库和测试样本库。

38、与现有技术相比，本发明的有益效果为：

39、(1)本发明将bp神经网络、ga算法、pso算法相结合，具有种群多样性、高适应度，使用精英保存等原则，达到全局寻优的目的。与现有其他混合算法相比，实现过程简单，复杂度低，优化高效准确，在微小型涡喷发动机设计时，可以规避叶轮与其他零组件安装配合度高的限制性，大大缩短涡喷发动机设计周期，提高叶轮自身优化的独立性，具有极其重要的意义。