一种用于轴流压缩机平均线性能预测的混合数据驱动自适应校正模型 孙伟文、 王伟、 张庆华、 倪星健

《Journal of Marine Science and Engineering》:A Hybrid Data-Driven Adaptive Correction Model for Axial Compressor Meanline Performance Prediction Weiwen Sun, Wei Wang, Qinghua Zhang and Xingjian Ni

【字体: 大 中 小 】 时间:2026年05月04日 来源:Journal of Marine Science and Engineering 2.8

编辑推荐:

  摘要:为了提高船舶燃气轮机应用中压缩机性能的预测准确性,本文提出了一种数据驱动的自适应校正方法。首先开发了一维平均线模型;然而,在将其与NASA两级压缩机的实验数据进行验证时,观察到了明显的差异。为了解决这个问题,引入了两个关键的增益因子,使用数据驱动的自适应校正方法来修正偏差角

  摘要:为了提高船舶燃气轮机应用中压缩机性能的预测准确性,本文提出了一种数据驱动的自适应校正方法。首先开发了一维平均线模型;然而,在将其与NASA两级压缩机的实验数据进行验证时,观察到了明显的差异。为了解决这个问题,引入了两个关键的增益因子,使用数据驱动的自适应校正方法来修正偏差角和总压损失模型。通过粒子群优化获得的最佳增益因子与流量系数和相对转速有明显的趋势。然后使用这些运行参数作为输入,优化后的增益因子作为输出,构建了一个数据库,并训练了一个遗传算法-反向传播(GA-BP)神经网络来学习这种关系。预测了任意运行条件下的增益因子,并将其纳入平均线模型中,以建立压缩机的自适应校正模型。所提出的方法使用三个公开的压缩机数据集进行了验证,包括NASA两级、74A(3.5级)和NACA8(8级)压缩机,预测性能的平均相对差异保持在4%以下。此外,还评估了NASA两级压缩机的单级性能和可变定子特性,与实验数据吻合良好。该模型为船舶燃气轮机设计和分析中的准确快速压缩机性能预测提供了一个有效的框架。

1. 引言
船舶燃气轮机由于其高功率密度、快速启动能力和紧凑的结构,已成为现代船舶推进系统的重要动力来源[1,2]。作为船舶燃气轮机的关键部件,轴向压缩机在决定推进系统的整体性能和运行范围方面起着主导作用[3,4]。它提供了高流量容量,同时保持了相对紧凑的径向尺寸,适用于高压比应用[5]。然而,尽管其机械结构相对简单,但压缩机叶片的空气动力学设计及其相关的内部流场仍然非常复杂[6]。在高叶片载荷下,流动通常伴随着不利的压力梯度、端壁流动不稳定甚至激波效应,这些都会显著影响压缩机的性能和稳定性[7]。尽管三维计算流体动力学(CFD)方法在涡轮机械研究中得到广泛应用,但其高昂的计算成本限制了它们在初步设计阶段和系统级模拟中的应用。因此,低维预测方法对于在广泛运行条件下快速性能估计至关重要[8]。在这些方法中,一维方法因其能够提供快速且准确的性能预测而被广泛使用。在一维压缩机模型中,通过沿平均流线表示流动来简化复杂的三维流场。基于速度三角形分析,可以估计不同叶片排的气流角度和速度[9]。通常,一维预测方法主要包括级叠置方法和平均线方法[10,11]。级叠置方法严重依赖于单级性能数据,缺乏与实际内部流动过程的直接联系。相比之下,平均线方法在压缩机性能预测中更为常用。大量的级联实验为叶片流动特性和损失机制提供了许多经验相关性。这显著提高了平均线方法的准确性和适用性,因此本研究选择了该方法。平均线模型中使用的经验相关性主要来自具有不同叶片几何形状的级联实验。早期的流动偏差模型主要基于NASA SP-36报告中的实验数据[12]。后来的研究引入了校正相关性,以考虑更广泛的马赫数和轴速比范围,从而改善了实际运行条件下的偏差角预测[13]。Koch[14]在平均线框架内提出了一个相对全面的损失模型,包括叶片轮廓损失、激波损失、端壁损失和部分跨度罩损失。引入了几个与叶片扩散和边界层特性相关的参数,基于实验数据建立了经验相关性。在此基础上,Miller[15]和Bloch[16]将损失预测方法扩展到了跨音速条件。利用低维分析,他们根据流道几何形状估计了激波形成的位置和强度,并使用正常激波关系近似了激波过程,从而提高了激波损失的预测。本研究直接采用了从实验数据中得出的经验模型,其具体公式在第2节中介绍。

为了提高非设计条件下的预测能力,Boyer[17]和Aungier等人[18]引入了与实际入射角和设计入射角之间的偏差相关的额外损失分量。这种修改提高了压缩机在偏离设计点运行时的一维性能预测的准确性。然而,越来越多的经验相关性也引入了确定特定压缩机适当模型参数的额外不确定性。因此,需要校准和优化经验模型系数以进一步提高性能预测的可靠性。Adam等人[19]通过将校准系数引入非设计和二次流动损失模型,应用平均线方法评估了PWS31压缩机的性能,从而提高了预测与实验数据之间的一致性。Zhang等人[20]使用平行线方法探索了更合适的经验模型,通过调整模型系数并分析它们对性能预测的敏感性。这两种方法都是直接将系数引入原始模型以实现改进的结果。同时,一些学者还基于CFD模拟或更广泛的实验建立了数据库,以进一步提高计算精度。Schnoes等人[21]对NACA65和DCA级联在不同马赫数和入射角下进行了CFD模拟,并使用结果重新校准了亚音速和跨音速压缩机性能预测的损失模型。Kim等人[22]基于CFD模拟建立了一个总压损失的多项式校正方程,并将其纳入一维模型中,显著提高了在广泛旋转速度范围内的预测准确性。Yu[23]通过开发更好的流线-级性能相关性和通过数据库分析改进经验相关性,改进了轴向压缩机的平均线方法。

在其他致力于提高计算精度的领域,Liu[24]将高分辨率实际气体性质表集成到平均线方法中,以考虑非理想的热力学效应。至于这种方法的进一步应用,Sadagopan[25]将其集成到燃气轮机系统模拟中,支持船舶燃气轮机推进系统的分析和优化。KOLIAS[26]提出了一种包括阻塞在内的平均线压缩机性能计算方法,可以完全耦合到发动机模型中,从而能够准确模拟多级压缩机。本研究不仅研究了整体性能,还分析了单级性能以及在叶片几何角度调整下的性能,从而扩展了该方法的应用范围。上述研究主要集中在通过经验系数校正来改进平均线模型。尽管这些方法可以提高预测准确性,但在优化参数的选择和适用性方面仍存在局限性。大多数先前的研究主要校正总压损失和偏差角,而对这些校正参数对运行条件的依赖性关注较少。因此,当压缩机在不同流动条件下运行时,分析预测与实际压缩机性能之间的一致性仍然有限。

为了解决这些问题,本研究提出了以下研究和贡献:
(1) 提出了一种自适应校正框架,以提高压缩机平均线模型的预测能力。
(2) 引入了两个增益因子来修改计算出的偏差角和总压损失。使用粒子群优化(PSO)算法通过最小化计算性能参数与实验性能参数之间的偏差,确定了每个运行点的最佳增益因子。
(3) 采用遗传算法优化的反向传播神经网络(GA-BP)来建立增益因子与运行条件之间的关系,从而能够自适应地确定校正参数。

本文的其余部分组织如下:第2节介绍了轴向压缩机性能预测的平均线建模方法。通过与实验数据的比较评估了基线模型,并分析了其在不同运行条件下的预测差异。第3节介绍了自适应校正框架,包括使用粒子群优化(PSO)算法进行增益因子识别以及基于遗传算法优化的反向传播(GA-BP)神经网络的自适应建模。第4节展示了结果和讨论,包括自适应模型之间的比较,以及对级性能和可变几何条件的验证。最后,第5节总结了本研究的主要结论。所有程序计算都是使用MATLAB R2024b在Intel(R) Core i7-11700K CPU上进行的。数据处理和可视化使用Origin 2022和MATLAB R2024b完成。

2. 基线一维平均线模型
一维平均线方法将轴向压缩机中的三维流动简化为沿平均半径的准一维流动,从而能够高效预测压缩机性能。在这种方法中,每排叶片的空气动力学行为通过螺距直径处的级联特性来表示,同时引入经验校正来考虑三维效应。使用欧拉方程(方程(1)计算转子上的焓升。一排叶片的出口参数作为下一排的入口条件。从压缩机入口开始,依次解决每个阶段,包括转子和定子。然后通过逐级积分分析整个压缩机的性能。
(1) 其中h是比焓,U是叶片速度,Ct表示绝对速度的切向分量。下标1和2分别代表叶片入口和叶片出口。
该模型需要几何参数,包括轮毂半径和叶尖半径、弦长、错开角和叶片 solidity。它还需要入口空气动力学条件,如质量流量、总压力、总温度和流动角度。典型阶段的计算过程如图1所示。图1. 轴向压缩机一维性能预测模型的流程图。平均线方法的准确性取决于所采用的经验子模型。这些包括流动角度模型(入射角和偏差角)、总压损失模型和失速边界模型[27]。在评估了收敛性、适用性和计算复杂性后,本研究选择了从实验数据中得出的经典经验模型。

2.1. 偏差和入射角模型
在平均线计算中,出口流动角的预测至关重要。偏差角决定了叶片出口处的实际流动方向,而入射角描述了入口流动角与叶片金属角度之间的不匹配。准确估计这两个参数对于构建速度三角形和预测压缩机性能至关重要。Johnsen等人基于NASA SP-36实验建立了一个经典的参考入射角模型[14],如方程(2)所示。在这个模型中,参考入射角对应于NACA-65系列中相对厚度为10%的直叶片。它表示为入口流动角的函数。
(2) 校正因子Ksh考虑了不同类型的机翼。对于C系列机翼,Ksh设置为1.1;对于NACA-65机翼,Ksh设置为1.0;对于双弧线机翼,Ksh设置为0.7。因子Kt用于校正叶片相对厚度偏离10%时的影响。因子n用于考虑机翼弯度不为零时的影响。
由于原始模型是基于低速实验(Ma ≈ 0.1)开发的,因此需要引入马赫数校正以适用于跨音速压缩机。在本研究中,采用了Aungier[20]提出的马赫数校正。相应的计算过程在方程(3)–(7)中描述。
(3) (4) (5) (6) (7) 其中θ是叶片弯度角,γ是叶片安装角,tmax是最大叶片厚度,c是弦长。
参考偏差角模型也是从NASA SP-36数据库中得出的,并结合了Carter的弯度校正[28]。其公式与参考入射角类似,如方程(8)所示。在这个方程中,参考偏差角对应于NACA-65系列中相对厚度为10%的直叶片。进一步校正参考偏差角以获得实际偏差角。这些校正考虑了入射角、三维流动[29]、马赫数和轴速比[20]的影响。这些校正项在方程(8)–(12)中定义。最终偏差角是通过将所有修正项叠加到参考偏差角上得到的。(8) (9) (10) (11) (12) 2.2. 总压损失模型总压损失表示为叶片轮廓损失、激波损失、二次损失以及对轮廓损失的偏离设计修正(称为偏离设计损失)之和[19],如方程(13)所示。(13) 叶片轮廓损失是使用Koch和Smith提出的经验模型[16]计算的。该模型考虑了入口马赫数、通道高度比和雷诺数的影响。通过拟合实验数据获得等效吸力面扩散参数。然后建立形状因子H、动量厚度比与之间的关系,以确定设计入射角下的参考轮廓损失。相应的公式在方程(14)–(16)中给出。(14) (15) (16) 激波损失是基于叶片通道内的最大马赫数来评估的。一条垂直于叶片前缘的线被延伸到相邻叶片的吸力面上。该交点的局部马赫数是使用Prandtl–Meyer函数与马赫数之间的热力学关系确定的,并被视为通道中的最大马赫数。激波损失预测的上游马赫数则定义为这个最大马赫数和入口马赫数的平均值。相应的激波损失模型在方程(17)中给出[18]。(17) 二次损失是使用Howell模型[12]计算的,如方程(18)所示。(18) 偏离设计损失考虑了运行入射角与设计入射角之间的偏差[30]。它表示为入射角差的函数,并且也与入口马赫数相关。公式在方程(19)中给出。(19) 在确定了流场和各个损失分量之后,使用总压损失系数来更新叶片出口处的总压和静压。然后根据总损失系数获得级压比和效率,如方程(20)和(21)所示。(20) (21) 2.3. 激荡边界模型Aungier基于二维扩散器的极限速度比和长宽比提出了一个激荡边界准则,该准则是从实验数据中得出的[31]。激荡边界与叶片几何参数(包括叶片厚度、 solidity、弯度和安装角)之间的相关性在方程(22)中给出。当等效速度比低于这个临界值时,假设会发生激荡。(22) 在这个模型中,叶片弦长与喉部宽度的比率被视为二维扩散器的长宽比。喉部宽度是使用弯度和安装角来近似的。为了减少马赫数效应,使用相对动压来评估等效速度比,如方程(23)所定义。(23) 2.4. 基线模型预测和差异分析为了评估 baseline 均线模型的固有预测能力,使用了文献中记录良好的NASA两级轴流压缩机[32]作为验证案例。其设计参数在表1中给出。这种配置有大量的实验数据,并且已被广泛用于压缩机研究。表1. NASA两级压缩机的设计参数。Baseline 均线模型再现了压缩机性能的基本特性,预测曲线展示了轴流压缩机图的典型形状。计算结果与文献中的实验数据进行了比较。图2a,b显示了在不同转速下质量流量函数的总压比和等熵效率的比较。实验数据点被叠加在预测曲线上,以便直接直观评估模型的准确性。图2. NASA两级压缩机性能的比较:(a) 总压比比较;(b) 等熵效率比较;(c) 总压比的相对差异等高线;(d) 等熵效率的相对差异等高线。图2c,d进一步展示了在由质量流量和转速定义的操作范围内两个性能参数的相对差异分布。在这些图中,质量流量对于每个转速都是标准化的,其中失速流量定义为0,堵塞流量定义为1。这种标准化使得可以在统一的流动范围内比较不同转速下的预测差异。通过比较相同质量流量下的预测值和实验值来评估相对差异。结果表明,在大多数操作条件下,相对预测差异保持在10%以内,表明baseline模型提供了对压缩机整体特性的合理估计。然而,在极端操作条件下,压力比的最大相对差异达到了42%,效率的最大相对差异达到了26%,这两种情况都发生在最高转速和最大质量流量时。相对差异倾向于随着转速的增加而增加。对于给定的转速,通常在接近堵塞的区域观察到更大的差异。这些结果表明,在高速和高流量条件下,baseline 均线模型的准确性会降低。应该注意的是,这些差异并不一定表明经验相关性本身存在缺陷。大多数偏差和损失相关性是基于特定的级联或压缩机实验开发的,并已在许多工程研究中成功应用。然而,由于实际压缩机遇到的操作条件范围广泛,单一套经验相关性很难在所有操作范围内保持最佳准确性。因此,引入适当的修正策略以适应不同的操作条件对于提高整体预测准确性是必要的。3. 基于神经网络的自适应修正模型在均线框架中,预测的压缩机性能对偏差角和损失相关性非常敏感,这些相关性决定了叶片排中的流动转向和能量耗散。因此,即使这些经验模型中的小差异也可能通过逐级计算传播,导致预测的压力比和等熵效率出现明显偏差。为了在保持原始模型物理结构的同时提高预测准确性,引入了一种基于增益因子的修正策略来修正偏差和损失相关性。使用线性增益公式是因为它保留了原始经验相关性的基本结构和物理一致性,同时只引入了少量的额外参数。这使得修正可以融入现有的均线框架中,而不影响其数值稳定性或计算效率,同时有效调整预测偏差和损失的幅度。然而,预测差异的幅度随操作条件而变化,表明最佳增益因子不太可能保持不变。相反,它们预计会依赖于操作参数,如转速和流量系数。因此,采用了一种数据驱动的方法来学习操作条件与相应增益因子之间的关系,从而实现baseline 均线模型的自适应修正。所提出方法的总体技术框架在图3中说明。图3. 压缩机性能预测的混合数据驱动自适应修正模型的计算流程图。3.1. 使用PSO确定最佳增益因子为了提高均线模型的预测准确性,引入了两个线性增益系数k1和k2来调整计算出的偏差角和总压损失,如方程(24)和(25)所示。这些系数,此后称为增益因子,直接应用于相应子模型的输出。使用粒子群优化(PSO)来搜索最佳增益组合(k1, k2)。每个粒子代表一对候选的增益系数,使用方程(26)中定义的目标函数来评估适应度值。粒子位置迭代更新,直到收敛。选择与最小目标函数值对应的增益组合作为最终解决方案。(24) (25) (26) 优化后,每个操作点计算出的总压比和等熵效率与相应的实验值几乎完全一致。由于这种逐点校准策略,在优化条件下,数值预测与实验测量之间的差异几乎可以忽略不计。这个结果表明,两个增益因子提供了足够的灵活性来局部补偿主要的建模偏差。PSO是一种随机优化算法。因为粒子位置和速度是随机初始化的,多次运行可能会得到略有不同的解决方案。在这项研究中,多次PSO运行之间的差异在10?3的 order 上,与参数幅度相比可以忽略不计。当在相同的操作条件下重复优化五次时,适应度值F始终高于105,如图4所示。这表明优化过程具有很好的重复性,并表明缩减的参数空间条件良好,可能由单一的全局最优解主导。尽管PSO的随机性质无法完全消除,但两参数公式避免了高维优化中常见的歧义,并确保了稳定的校准结果。图4. 五次重复优化运行下的适应度曲线。然而,不应仅通过逐点一致性来评判修正策略。为了检查校准参数的物理一致性,分析了在整个操作范围内优化的增益因子与流量系数和转速的关系。如图5所示,两个增益因子在由操作条件和增益幅度定义的三维空间中显示出连续且清晰的趋势。这种行为表明,优化后的参数不是任意拟合值,而是反映了不同空气动力状态下的baseline模型的不足。基于这种趋势,使用GA-BP神经网络在整个操作范围内推广增益因子,允许在任意操作条件下进行自适应修正。图5. 流量系数–转速空间中优化增益因子的分布:(a) 偏差角增益因子分布;(b) 总压损失增益因子分布。3.2. 用于增益因子预测的GA-BP神经网络为了捕捉操作条件与最佳增益系数之间的关系,采用了GA-BP神经网络来学习它们之间的映射。由于原始操作点的数量有限,在训练前将数据集从21个样本扩展到75个样本,以提高泛化能力。图6a和图7b分别显示了偏差角和总压损失的预测值与优化后增益因子的对比图。预测值紧密跟随对角线,R2超过0.95,RMSE低于0.1,适用于训练和测试数据集。这表明网络准确捕捉了操作范围内两个增益因子的变化,仅在增益因子高或损失高的区域有轻微偏差。图7展示了预测误差的分布。大多数误差集中在零附近,表明网络为未见过的操作条件提供了可靠的增益预测。图6. 训练集和测试集的增益因子对比图:(a) 偏差角增益的对比图;(b) 损失增益的对比图。图7. 增益系数的预测误差直方图:(a) 偏差角增益预测的相对误差分布;(b) 损失增益预测的相对误差分布。一旦GA-BP网络训练完成,它就可以为任意操作条件预测增益因子。网络使用流量系数和相对转速作为输入。在下一节中,然后将这些预测的增益应用于baseline 均线模型,以获得总压比和等熵效率的修正预测。通过这个框架,增益系数从固定的经验参数转换为依赖于操作条件的变量。这提高了分析预测与实际压缩机行为之间的一致性,同时保持了良好的计算效率。4. 结果和讨论 4.1.**具有自适应校正模型的性能预测**

训练好的GA-BP神经网络被嵌入到基线的一维平均线程序中,用于预测NASA两级压缩机的性能。图8a和b显示了从自适应校正模型获得的总压比和等熵效率特性。与图2中的基线预测相比,自适应模型在整个运行范围内显示出显著的准确性提升。图8展示了NASA两级压缩机的性能在自适应校正模型和实验结果之间的比较,包括:(a) 总压比的比较;(b) 等熵效率的比较;(c) 总压比的相对差异等高线;(d) 等熵效率的相对差异等高线。图8c和d展示了相应的差异热图。最大相对差异降低到3%以下,而平均差异保持在1.5%以下。大多数预测差异集中在高转速或大流量情况下,这反映了在一维建模和基线模型中使用的经验相关性所固有的局限性。

为了进一步证明所提出方法的通用性,还选择了另外两种公开可用的压缩机——74A压缩机(具有3.5级[33])和NACA8压缩机(具有8级[34,35]),使用相同的自适应校正框架进行性能预测。这两种压缩机的设计参数列在表2中。表2列出了74A和NACA8压缩机的设计参数。计算得到的特性曲线分别显示在图9和图10中。由于所有阶段都应用了相同的增益因子,而运行条件在不同阶段之间有所变化,因此预测差异倾向于随着压缩机级数的增加而增加。尽管如此,较大的差异仅出现在少数运行点上,平均相对差异仍保持在5%以下,如差异热图所示。

**4.2 单级性能预测**

在海洋燃气轮机中,准确的级性能预测对于设计控制策略(如确定放气位置和定子叶片设置)非常重要。虽然简单的插值或直接神经网络训练可以提供合理的整体压缩机性能预测,但所提出的方法能够提供更深入的级特性洞察。为了说明这一能力,提取了NASA两级压缩机的单级性能,并与实验测量结果进行了比较,如图11所示。单级水平的相对差异略高于整体压缩机的差异,但平均相对差异仍保持在4%以下。这表明所提出的框架能够捕捉到传统插值或直接神经网络方法无法实现的级性能细节。

**4.3 变化定子条件下的性能预测**

此外,所提出的方法还可以用于估计在变化定子条件下的压缩机性能。对于NASA两级压缩机,在80%和100%的设计速度下,分别将第一级定子设置为10°开放,第二级定子设置为5°关闭,并进行了计算,如图12所示。结果表明,该方法能够捕捉到变化几何形状对性能的影响。此外,与实验数据相比,平均相对差异保持在3%以下,显示出在变化几何形状条件下的高预测准确性。

**5. 结论**

本研究提出了一种混合建模框架,以提高在不同运行条件下压缩机平均线分析的预测准确性。该方法结合了基于物理的平均线模型与优化和机器学习技术,以实现偏差角和损失的自适应校正。所提出的方法使用三种不同配置的压缩机进行了验证,包括NASA两级压缩机、74A压缩机和NACA8压缩机。主要结论总结如下:
(1) 基线平均线模型能够再现压缩机性能的一般趋势;然而,在某些运行条件下仍存在显著的定量偏差。压力比和效率的最大相对差异分别可能超过40%和25%,表明了经典经验相关性在偏差角和总压损失方面的局限性。
(2) 引入了两个增益因子来校正偏差角和总压损失模型。粒子群优化确定了每个运行点上模型的最优值,使预测性能与实验数据高度匹配。然后使用GA-BP神经网络学习这种关系,并为任意运行条件预测增益因子。这种混合框架提高了预测准确性,将NASA两级压缩机的最大相对差异降低到1%以下。
(3) 为了证明所提出方法的通用性,还对74A和NACA8级压缩机的性能进行了预测,相对差异均在3%以内。考虑到海洋燃气轮机设计中常用的放气和变定子控制策略,进一步比较了在不同级和变化几何形状条件下的压缩机性能。对于NASA两级压缩机,与实验数据相比,平均相对差异低于4%。

总之,所提出的混合建模框架结合了平均线分析的物理可解释性和数据驱动方法的适应性。该方法为压缩机性能预测和偏离设计分析提供了一个有效且计算效率高的工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号