CN107977733A - 一种透平动叶片排序方法 - Google Patents
一种透平动叶片排序方法 Download PDFInfo
- Publication number
- CN107977733A CN107977733A CN201711104022.2A CN201711104022A CN107977733A CN 107977733 A CN107977733 A CN 107977733A CN 201711104022 A CN201711104022 A CN 201711104022A CN 107977733 A CN107977733 A CN 107977733A
- Authority
- CN
- China
- Prior art keywords
- group
- packet
- sequence
- sample
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012163 sequencing technique Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 9
- 230000002068 genetic effect Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种透平动叶片排序方法,包括以下步骤:1)分组,以所有动叶片作为原始样本,分为若干组;2)组内最优排序,对各组的样本通过枚举法进行优化排序;3)分组间最优排序,各分组之间通过枚举法进行优化排序,确定原始样本的最终排序。本发明力求在合理的计算量下,确定透平动叶片的装配顺序,将动叶片产生的不平衡量控制在极小水平,通过分组,先优化组内叶片顺序,然后分组之间再次优化排序,消减不平衡量,使得最终得到的总的不平衡量很小,即使对于叶片数量多,对不平衡量有较为严格要求的场合,也可以运用本发明方法进行叶片排序。
Description
技术领域
本发明属于机械装配技术领域,涉及透平机械中动叶片的安装,为一种透平动叶片排序方法。
背景技术
由于加工误差,材料不均匀,叶片间结构差异等因素的影响,透平机械中的各动叶片的重量(或相对转轴的重量矩)不可避免的会有不同。按照一定顺序装配好的一圈动叶片会产生一个不平衡量。透平机械正常工作时,透平转子通常高速旋转,而转子的剩余不平衡会引起振动。为了透平机械安全稳定的运行,就要控制好各种原始不平衡量。而要控制动叶片产生的不平衡量,则需要确定动叶片合适的装配顺序。
现有技术中,对动叶片排序的装配顺序问题都是用优化算法来求解。各种优化算法中,枚举法列举所有可能,然后一个个去验证,得到最优的结果,得到的最优解肯定是最好的,但也是效率最低的;而由于动叶片往往整体样本数量大,枚举法被认为效率极其低下,因此都认为无法使用枚举法,而多是是采用遗传算法来进行优化,如1)戴义平,江才俊,卢世明,《基于遗传算法的叶片安装排序优化***的开发及应用》(《汽轮机技术》,2003年5期),2)唐绍军,王旭,朱斌,《遗传算法对压气机叶片排序的应用》(航空动力学报;2005年03期),3)贾金鑫,李全通,高星伟,陈卫,《叶片质量矩优化排序中遗传算法的应用》(《航空动力学报》2011年01期)等。遗传算法初始是一个较差解的解集种群,通过遗传交叉繁殖出下一代的解集种群。在交叉的过程中,有一定的概率发生基因突变。在下一代的解集种群中,通过适者生存的自然选择,淘汰那些较差的解(个体),只让较好的解(个体)繁殖后代,这样产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境。经过许多代的繁殖和自然选择后,就能得到接近于真正最优解的解。然而和枚举法相比,显然如果能使用枚举法,得到最优解会更好。
本发明的目的是研究更好的优化方法,来解决动叶片的装配顺序问题。
发明内容
本发明要解决的问题是:提供一种透平动叶片排序的方法,力求在合理的计算量下,确定透平动叶片的装配顺序,将动叶片产生的不平衡量控制在极小水平。
本发明的技术方案为:一种透平动叶片排序方法,包括以下步骤:
1)分组,以所有动叶片作为原始样本,分为若干组;
2)组内最优排序,对各组内的样本通过枚举法进行优化排序;
3)分组间最优排序,各分组之间通过枚举法进行优化排序,确定原始样本的最终排序。
进一步的,步骤1)中,对原始样本进行1次分组或多次分组,所述1次分组指一次性分为若干组,多次分组指1次分组后对1次分组得到的组,组内再分小组。
对于多次分组,在完成每个小组内的最优排序后,将排序后的每个小组视为一个小组样本,根据1次分组的组,由小组得到若干小组集合,在小组集合内通过枚举法对各小组样本进行优化排序,确定各小组样本间的优化排序,得到小组集合内的最优排序,再对小组集合通过枚举法进行优化排序,最终得到原始样本的最终优化排序。
由于在动叶片装配过程中,要考虑的问题是所有叶片的产生的不平衡量问题,因此目前所有的研究方法都是以所有叶片作为整体来研究,而由于整体样本数量大,技术人员都不会考虑去使用枚举法。在将所有动叶片作为一个整体分析的前提下,动叶片的总数又是受客观条件确定的,因此并没有技术人员想到要去减少样本数量。本发明创造性的采用了分组最优排序法:通过先分组,降低了分组内的样本数量,枚举法面对的唯一难题——计算量的问题,就在各分组内得到有效的控制,就可以通过枚举法求出分组内最优解,对分组内的样本排序而言,枚举法遍历了分组内样本的所有排序,是最优解,所以优于其它任何方法。之后,本发明把优化排序后的各分组作为新的样本,由于所有分组的总数可控,对于叶片数量过多的情况,可以分成多组或多次分组,即新的样本数量可控,依然可以通过枚举法求出分组间的最优解,基于相同原因,对分组间的样本排序而言,枚举法优于其它任何方法。采用分组最优排序法,经过两次或多次优化和消减,终得到的总的不平衡量极小。
本发明的有益效果是:本发明的计算量不大,而且计算量可以通过对分组的控制来控制;本发明通过分组,先优化组内叶片顺序,然后分组之间再次优化排序,消减不平衡量,使得最终得到的总的不平衡量很小,即使对于叶片数量多,对不平衡量有较为严格要求的场合,也可以运用本发明方法进行叶片排序。本发明克服了现有技术中普遍认为无法使用枚举法解决动叶片排序优化的技术偏见,枚举法能得到最好的最优解,本发明的方法得到的优化排序结果能够比现有遗传算法等优化方法获得排序结果获得更小的不平衡量。
具体实施方式
本发明的理论基础如下:
整圈叶片的不平衡量U为各叶片的不平衡量Ui的矢量和,其在x和y方向的分量可表示为:
式中:n为叶片数量,αi为叶片角度。
最终不平衡量的大小可表示为:
本发明的技术方案如下:
对整圈叶片通过枚举法求最优解,此时由于叶片总数大导致计算量太大,因而无法实现。如果叶片总数不太大,枚举法的计算量就可以接受,但实际上叶片总数是不能减少的。本发明提出了一种可以控制叶片数量的方法,即分组,具体排序步骤如下:
1)分组,以所有动叶片作为原始样本,分为若干组;各分组各组内的样本数量以适合枚举法求解的计算量为依据。
2)组内最优排序,对各组的样本通过枚举法进行优化排序;
3)分组间最优排序,各分组之间通过枚举法进行优化排序,确定原始样本的最终排序。
根据排序步骤及原理,可将此种排序方法命名为分组最优排序法。
其中,根据叶片数量以及枚举法的计算量约束,可以选择对原始样本进行1次分组或多次分组,所述1次分组指一次性分为若干组,多次分组指1次分组后对1次分组得到的组,组内再分小组。
对于1次分组,组内排序后再进行组间排序即可,对于多次分组,在完成每个小组内的最优排序后,将排序后的每个小组视为一个小组样本,根据1次分组的组,由小组得到若干小组集合,在小组集合内通过枚举法对各小组样本进行优化排序,确定各小组样本间的优化排序,得到小组集合内的最优排序,再对小组集合通过枚举法进行优化排序,最终得到原始样本的最终优化排序。
本发明创造性的采用了分组最优排序法,通过枚举法求出分组内最优解,对分组内的样本排序而言,枚举法遍历了分组内样本的所有排序,是最优解,所以优于其它任何方法。之后,把优化排序后的各分组作为新的样本,由于所有分组的总数可控,即新的样本数量可控,可以继续通过枚举法求出分组间的最优解,基于相同原因,对分组间的样本排序而言,枚举法优于其它任何方法。本发明首先分组对最小分组的叶片根据质量进行优化排序,然后将优化排序后的组作为一个整体,将这些组的质量再进行枚举法优化排序,直至最终完成所有分组的优化排序,本发明采用分组最优排序法,经过两次或多次优化和消减,终得到的总的不平衡量极小,这一点通过与其它方法对比已验证。
与其它方法对比:以参考文献3“贾金鑫,李全通,高星伟,陈卫,《叶片质量矩优化排序中遗传算法的应用》《航空动力学报》2011年01期”为例,按照“表2优化后的排序情况”,文献得到的不平衡量为0.4709g.mm,同样对于此篇论文中的原始叶片和转子数据,采用本发明分组最优排序法得到的最终的不平衡量为0.0301g.mm,较之小了一个数量级,具体的排序如下:
可见本发明与参考文献的优化结果相比取得了更好的排序结果。同时,本次实施例在i7-7500U CPU,8GB内存,WIN10操作***的电脑配置下进行,此例排序约耗时11分钟,效率得到保障。
Claims (3)
1.一种透平动叶片排序方法,其特征是包括以下步骤:
1)分组,以所有动叶片作为原始样本,分为若干组;
2)组内最优排序,对各组内的样本通过枚举法进行优化排序;
3)分组间最优排序,各分组之间通过枚举法进行优化排序,确定原始样本的最终排序。
2.根据权利要求1所述的一种透平动叶片排序方法,其特征是步骤1)中,对原始样本进行1次分组或多次分组,所述1次分组指一次性分为若干组,多次分组指1次分组后对1次分组得到的组,组内再分小组。
3.根据权利要求2所述的一种透平动叶片排序方法,其特征是对于多次分组,在完成每个小组内的最优排序后,将排序后的每个小组视为一个小组样本,根据1次分组的组,由小组得到若干小组集合,在小组集合内通过枚举法对各小组样本进行优化排序,确定各小组样本间的优化排序,得到小组集合内的最优排序,再对小组集合通过枚举法进行优化排序,最终得到原始样本的最终优化排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104022.2A CN107977733A (zh) | 2017-11-10 | 2017-11-10 | 一种透平动叶片排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711104022.2A CN107977733A (zh) | 2017-11-10 | 2017-11-10 | 一种透平动叶片排序方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107977733A true CN107977733A (zh) | 2018-05-01 |
Family
ID=62013346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711104022.2A Pending CN107977733A (zh) | 2017-11-10 | 2017-11-10 | 一种透平动叶片排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107977733A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190278A (zh) * | 2018-09-17 | 2019-01-11 | 西安交通大学 | 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法 |
CN109522590A (zh) * | 2018-12-07 | 2019-03-26 | 中国人民解放军第五七九工厂 | 一种发动机叶片频率排序方法 |
CN112819206A (zh) * | 2021-01-19 | 2021-05-18 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335059A (zh) * | 2013-06-09 | 2013-10-02 | 余科洋 | 风力发电机叶片分组配重*** |
CN104504282A (zh) * | 2014-12-31 | 2015-04-08 | 上海致远绿色能源股份有限公司 | 一种基于最小聚合的叶片分组算法 |
-
2017
- 2017-11-10 CN CN201711104022.2A patent/CN107977733A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103335059A (zh) * | 2013-06-09 | 2013-10-02 | 余科洋 | 风力发电机叶片分组配重*** |
CN104504282A (zh) * | 2014-12-31 | 2015-04-08 | 上海致远绿色能源股份有限公司 | 一种基于最小聚合的叶片分组算法 |
Non-Patent Citations (1)
Title |
---|
耿炎: "一种发动机转子叶片简易排序的新方法", 《航空维修与工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190278A (zh) * | 2018-09-17 | 2019-01-11 | 西安交通大学 | 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法 |
CN109522590A (zh) * | 2018-12-07 | 2019-03-26 | 中国人民解放军第五七九工厂 | 一种发动机叶片频率排序方法 |
CN109522590B (zh) * | 2018-12-07 | 2023-07-28 | 中国人民解放军第五七一九工厂 | 一种发动机叶片频率排序方法 |
CN112819206A (zh) * | 2021-01-19 | 2021-05-18 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
WO2022156509A1 (zh) * | 2021-01-19 | 2022-07-28 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
CN112819206B (zh) * | 2021-01-19 | 2023-08-22 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107977733A (zh) | 一种透平动叶片排序方法 | |
Rizk-Allah et al. | Chaos-opposition-enhanced slime mould algorithm for minimizing the cost of energy for the wind turbines on high-altitude sites | |
Mohamed et al. | Optimization of blade pitch angle of an axial turbine used for wave energy conversion | |
JP7349178B2 (ja) | 波力エネルギー装置のパラメータ設定の最適化システム及び方法 | |
CN107223206A (zh) | 疲劳测试 | |
CN109190278B (zh) | 一种基于蒙特卡洛树搜索的透平转子动叶片的排序方法 | |
CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
Liu et al. | Clustering methods of wind turbines and its application in short-term wind power forecasts | |
CN111339713A (zh) | 风电场的优化设计方法、***、电子设备和存储介质 | |
Song et al. | Optimization design for tandem cascades of compressors based on adaptive particle swarm optimization | |
CN111046490B (zh) | 一种外物损伤缺口分析中的网格尺寸反演方法 | |
Qi et al. | Establishment of an open 3D steam turbine flutter test case | |
CN110889244B (zh) | 一种基于质量矩极小化的大型高速回转装备叶片的排序方法 | |
Zheng et al. | Numerical investigations of coupled aeroelastic performance of wind turbines by elastic actuator line model | |
CN105354346B (zh) | 一种风电机组参数辨识方法 | |
CN111125904B (zh) | 一种基于多目标调控的大型高速回转装备叶片排序方法 | |
Allen et al. | Helicopter rotor blade multiple-section optimization with performance considerations | |
CN106228241A (zh) | 适应性人工蜂群优化的矿岩强度软测量方法 | |
Sun et al. | Optimization Design of Wind Turbine Blade Based on an Improved Particle Swarm Optimization Algorithm Combined with Non‐Gaussian Distribution | |
Amir Nazmi Afshar et al. | Starting improvement of micro-wind turbines operating in low wind speed regions | |
Guo et al. | Research on meta-model based global design optimization and data mining methods | |
Kumar et al. | Metaheuristic Optimization of Dual-Element Vertical Axis Wind Turbine Using Genetic Algorithm | |
Jinxin et al. | Aerodynamic optimization design of compressor blades based on improved artificial bee colony algorithm | |
Wiratama et al. | Optimal design of wind turbine blades equipped with flaps | |
Mohamed et al. | Automatic blade shape optimization of a three-bladed modified Savonius turbine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180501 |
|
RJ01 | Rejection of invention patent application after publication |