本發(fā)明涉及噴射器性能預(yù)測領(lǐng)域，尤其是一種噴射器性能參數(shù)預(yù)測方法。

背景技術(shù)：

噴射器由一股壓力較高的流體驅(qū)動，通過工作噴嘴產(chǎn)生真空，并吸入壓力較低的流體，混合后通過擴壓器提高流體的壓力，最終得到中等壓力的流體，即將低壓流體壓力的提升，實現(xiàn)壓縮的效果。噴射器無需消耗電力，具有良好的節(jié)能減排效果；無運動部件，造價低廉，維護方便，廣泛應(yīng)用于化工、動力工程等領(lǐng)域。

噴射器最關(guān)鍵的性能參數(shù)是臨界工作狀態(tài)下的引射系數(shù)(ε)與出口背壓(pc)。但由于噴射器內(nèi)部流動非常復(fù)雜，包括一次壅塞、兩次壅塞、超音速流動、各類激波、扇形擴散、流體混合等現(xiàn)象，采用一維物理模型對其引射系數(shù)等關(guān)鍵參數(shù)進行預(yù)測的精度較低，效果較差；而采用計算流體力學的方法則耗時過長、不適合設(shè)計及相關(guān)循環(huán)的研究。上述限制對噴射器的設(shè)計應(yīng)用、相關(guān)循環(huán)研究等工作帶來的不便。

bp(backpropagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。bp網(wǎng)絡(luò)能學習和存儲大量的輸入-輸出模式的映射關(guān)系，使用最速下降法的學習規(guī)則，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閥值，使網(wǎng)絡(luò)的誤差平方和最小。

技術(shù)實現(xiàn)要素：

為了克服已有噴射器性能參數(shù)預(yù)測方法的精度較低、效果較差、耗時較長的不足，本發(fā)明提供一種精度較高、效果較好、耗時較短的基于變學習率的bp人工神經(jīng)網(wǎng)絡(luò)的噴射器性能參數(shù)預(yù)測方法。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：

一種基于變學習率的bp人工神經(jīng)網(wǎng)絡(luò)的噴射器性能參數(shù)預(yù)測方法，所述方法包括以下步驟：

步驟一：數(shù)據(jù)的采集與處理

對于給定的噴射器收集，根據(jù)建立人工神經(jīng)網(wǎng)絡(luò)的需要，收集相關(guān)參數(shù)即引射流體壓力pe、工作流體壓力pp、出口背壓pc和引射系數(shù)ε，對引射流體壓力、工作流體壓力與出口背壓進行歸一化處理，使其到[0,1]之間，公式如下：

其中，k為歸一化后的數(shù)據(jù)，x為被歸一化數(shù)據(jù)，xmin為被歸一化數(shù)據(jù)中的最小值，xmax為被歸一化數(shù)據(jù)中最大值；

步驟二：bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

根據(jù)網(wǎng)絡(luò)的輸入輸出矢量，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，隱含層數(shù)為一層，神經(jīng)元個數(shù)根據(jù)經(jīng)驗公式：得出，其中l(wèi)、n為輸入、輸出節(jié)點數(shù)，a為常數(shù)取1～10；引射流體壓力、工作流體壓力為該神經(jīng)網(wǎng)絡(luò)的輸入，出口背壓、引射系數(shù)為該神經(jīng)網(wǎng)絡(luò)的輸出；

步驟三：變學習率的bp神經(jīng)網(wǎng)絡(luò)的訓練和測試

根據(jù)輸入向量計算人工神經(jīng)網(wǎng)絡(luò)隱含層結(jié)點的輸入值、輸出值再到輸出層結(jié)點的輸出值，根據(jù)預(yù)測值與期望值之差改變神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值，經(jīng)過若干次迭代，當訓練誤差小于二倍的訓練目標時建立可變學習率數(shù)學模型，在基于上述數(shù)學模型的基礎(chǔ)上再對神經(jīng)網(wǎng)絡(luò)進行訓練直到訓練結(jié)果滿足結(jié)束條件；該訓練完成的神經(jīng)網(wǎng)絡(luò)即為所建立的噴射器性能預(yù)測模型；

所述噴射器性能預(yù)測模型得到的輸出值為歸一化的值，再對其進行反歸一化處理，轉(zhuǎn)化為真實輸出值，其公式如下：

x＝k·(xmax-xmin)+xmin

步驟四：采集給定噴射器的實測數(shù)據(jù)，包括引射流體壓力pe、工作流體壓力pp，按步驟一的方法將數(shù)據(jù)進行歸一化處理，然后再輸入到建立完成的變學習率的bp神經(jīng)網(wǎng)絡(luò)中，得到輸出向量出口背壓pc和引射系數(shù)ε，再將出口背壓進行反歸一化處理，即得到預(yù)測值。

再進一步，所述步驟二中，構(gòu)建bp人工神經(jīng)網(wǎng)絡(luò)，輸入層、隱含層和輸出層各層之間的連接權(quán)值初始化值隨機取[-1,1]，用ωij、ωjk表示；學習率η一般取0.1～0.2，訓練目標一般取10^-3～10^-6，循環(huán)次數(shù)n(n>200)次。

更進一步，所述步驟三中，輸入訓練樣本對神經(jīng)網(wǎng)絡(luò)進行訓練的過程如下：

3.1)隱含層的計算：其中l(wèi)、m、n分別表示輸入層節(jié)點數(shù)，隱含層節(jié)點數(shù)與輸出層節(jié)點數(shù)，f(x)為傳遞函數(shù)取s型函數(shù)，x為輸出層輸入的數(shù)據(jù)；

隱含層節(jié)點的輸入

隱含層節(jié)點的輸出hj＝f(sj)

3.2)輸出層的計算：其中yb為神經(jīng)網(wǎng)絡(luò)建立過程中的預(yù)測輸出；

輸出層節(jié)點的輸出

3.3)誤差計算：神經(jīng)網(wǎng)絡(luò)輸出層第k個神經(jīng)元預(yù)測輸出為ybk，yk為第k個神經(jīng)元的期望輸出，它們之間存在誤差ek，公式如下：

ek＝y(tǒng)k-ybk

3.4)權(quán)值的更新：根據(jù)誤差ek更新網(wǎng)絡(luò)輸入層與隱含層之間的權(quán)值ωij，隱含層和輸出層之間的權(quán)值ωjk公式如下：

ωjk＝ωjk+ηhjek

3.5)閾值的更新：根據(jù)誤差e更新網(wǎng)絡(luò)節(jié)點閾值a，b；

bk＝bk+ek

3.6)調(diào)整后的權(quán)值、閾值重新賦予bp神經(jīng)網(wǎng)絡(luò)，重復(fù)步驟3.1)-3.5)當計算誤差為兩倍訓練目標時記錄此時循環(huán)步數(shù)st，此時循環(huán)第m次時學習率η計算公式如下所示：

3.7)重復(fù)步驟3.1)-3.6)繼續(xù)進行訓練，當訓練誤差低于訓練目標或者循環(huán)次數(shù)超過設(shè)置上限為止，該bp神經(jīng)網(wǎng)絡(luò)訓練完成。

本發(fā)明的技術(shù)構(gòu)思為：本發(fā)明提出一種變學習率的bp神經(jīng)網(wǎng)絡(luò)，在訓練誤差接近訓練目標時，可根據(jù)數(shù)學模型減少神經(jīng)網(wǎng)絡(luò)的學習率使得權(quán)值的調(diào)整量變小，從而減少預(yù)測中的振蕩或者發(fā)散等問題，實現(xiàn)快速而有效的學習收斂過程，從而得到更為精確的解，因此具有比傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)更優(yōu)秀的性能。所建立的變學習率的bp神經(jīng)網(wǎng)絡(luò)模型包括其輸入輸出模型、作用函數(shù)模型、誤差計算模型和自學習模型。

基于此，本發(fā)明進一步提出采用變學習率的bp人工神經(jīng)網(wǎng)絡(luò)的方法預(yù)測噴射器的引射系數(shù)(ε)與出口背壓(pc)等關(guān)鍵參數(shù)，無需考慮復(fù)雜的流動機理，即可方便快速地獲得高精度的預(yù)測結(jié)果，為噴射器相關(guān)的設(shè)計制造、循環(huán)研究等提供依據(jù)。

本發(fā)明的有益效果主要表現(xiàn)在：方便快捷的對噴射器性能進行預(yù)測，有效解決傳統(tǒng)方法誤差普遍較大的問題，提高預(yù)測精度；為噴射器相關(guān)的設(shè)計制造、循環(huán)研究等提供依據(jù)。

附圖說明

圖1是bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖；

圖2是變學習率的bp神經(jīng)網(wǎng)絡(luò)預(yù)測噴射器性能流程圖；

圖3是變學習率的bp神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果誤差圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作進一步描述。

參照圖1～圖3，一種基于變學習率的bp人工神經(jīng)網(wǎng)絡(luò)的噴射器性能參數(shù)預(yù)測方法，所述方法包括以下步驟：

步驟一：數(shù)據(jù)的采集與處理：對于給定的噴射器數(shù)據(jù)進行收集，根據(jù)建立人工神經(jīng)網(wǎng)絡(luò)的需要，收集相關(guān)參數(shù)即引射流體壓力(pe)、工作流體壓力(pp)、出口背壓(pc)和引射系數(shù)(ε)。為加快神經(jīng)網(wǎng)絡(luò)的收斂和減少訓練時間，需要對引射流體壓力、工作流體壓力與出口背壓進行歸一化處理，使其到[0,1]之間，公式如下：

其中，k為歸一化后的數(shù)據(jù)，x為被歸一化數(shù)據(jù)，xmin為被歸一化數(shù)據(jù)中的最小值，xmax為被歸一化數(shù)據(jù)中最大值。

步驟二：bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定：根據(jù)網(wǎng)絡(luò)的輸入輸出矢量，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層神經(jīng)元為2個，輸出層神經(jīng)元為2個，隱含層數(shù)為一層，神經(jīng)元個數(shù)為5。其中引射流體壓力、工作流體壓力為該神經(jīng)網(wǎng)絡(luò)的輸入，出口背壓、引射系數(shù)為該神經(jīng)網(wǎng)絡(luò)的輸出。

步驟三：變學習率的bp神經(jīng)網(wǎng)絡(luò)的訓練和測試：根據(jù)輸入向量計算人工神經(jīng)網(wǎng)絡(luò)隱含層結(jié)點的輸入值、輸出值再到輸出層結(jié)點的輸出值，根據(jù)預(yù)測值與期望值之差改變神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值，經(jīng)過若干次迭代，當訓練誤差小于二倍的訓練目標時建立可變學習率數(shù)學模型，在基于上述數(shù)學模型的基礎(chǔ)上再對神經(jīng)網(wǎng)絡(luò)進行訓練直到訓練結(jié)果滿足結(jié)束條件。該訓練完成的神經(jīng)網(wǎng)絡(luò)即為本發(fā)明所建立的噴射器性能預(yù)測模型。

另外，得到的輸出值為歸一化的值，再對其進行反歸一化處理，轉(zhuǎn)化為真實輸出值，從而可以更加直觀的看出該神經(jīng)網(wǎng)絡(luò)的預(yù)測效果，其公式如下：

x＝k·(xmax-xmin)+xmin

步驟四：在工程實際應(yīng)用中，采集給定噴射器的實測數(shù)據(jù)，包括引射流體壓力(pe)、工作流體壓力(pp)；按步驟(1)的方法將數(shù)據(jù)進行歸一化處理，然后再輸入到建立完成的變學習率的bp神經(jīng)網(wǎng)絡(luò)中，得到輸出向量出口背壓(pc)和引射系數(shù)(ε)，再將出口背壓進行反歸一化處理，即得到預(yù)測值。

所述步驟二中，構(gòu)建bp人工神經(jīng)網(wǎng)絡(luò)

根據(jù)神經(jīng)網(wǎng)絡(luò)輸入樣本(引射流體壓力、工作流體壓力)，輸出樣本(出口背壓，引射系數(shù))，確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層神經(jīng)元為2個，輸出層神經(jīng)元為2個，隱含層數(shù)為一層，神經(jīng)元個數(shù)為5。輸入層、隱含層和輸出層各層之間的連接權(quán)值初始化值隨機取[-1,1]，用ωij、ωjk表示。學習率η取0.1，訓練目標取10-⁴，循環(huán)次數(shù)500次。

所述步驟三中，輸入訓練樣本對神經(jīng)網(wǎng)絡(luò)進行訓練的過程如下：

3.1)隱含層的計算：其中i、j、k分別表示輸入層節(jié)點數(shù)，隱含層節(jié)點數(shù)與輸出層節(jié)點數(shù)，f(x)為傳遞函數(shù)取s型(sigmoid)函數(shù)，x為輸出層輸入的數(shù)據(jù)。

隱含層節(jié)點的輸入

隱含層節(jié)點的輸出hj＝f(sj)

3.2)輸出層的計算：其中yb為神經(jīng)網(wǎng)絡(luò)建立過程中的預(yù)測輸出。

輸出層節(jié)點的輸出

3.3)誤差計算：神經(jīng)網(wǎng)絡(luò)輸出層第k個神經(jīng)元預(yù)測輸出為ybk，yk為第k個神經(jīng)元的期望輸出，它們之間存在誤差ek，公式如下：

ek＝y(tǒng)k-ybk

3.4)權(quán)值的更新：根據(jù)誤差ek更新網(wǎng)絡(luò)輸入層與隱含層之間的權(quán)值ωij，隱含層和輸出層之間的權(quán)值ωjk公式如下：

ωjk＝ωjk+ηhjek

3.5)閾值的更新：根據(jù)誤差e更新網(wǎng)絡(luò)節(jié)點閾值a，b。

bk＝bk+ek

3.6)調(diào)整后的權(quán)值、閾值重新賦予bp神經(jīng)網(wǎng)絡(luò)，重復(fù)步驟3.1)-3.5)當計算誤差為兩倍訓練目標時記錄此時循環(huán)步數(shù)st，此時循環(huán)第m次時學習率η計算公式如下所示：

3.7)重復(fù)步驟3.1)-3.6)繼續(xù)進行訓練，當訓練誤差低于訓練目標或者循環(huán)次數(shù)超過設(shè)置上限為止，該bp神經(jīng)網(wǎng)絡(luò)訓練完成。

實例：為更好的體現(xiàn)本發(fā)明的效果，現(xiàn)將本發(fā)明的方法進行實際運行。采用文獻1(iw.eamesetal.atheoreticalandexperimentalstudyofasmall-scalesteamjetrefrigerator.internationaljournalofrefrigeration,18(6):378-386,1995，即iw.eames等.小型蒸汽噴射制冷機的理論與實驗研究.國際制冷學報,18(6):378-386,1995)中的方法獲得引射流體壓力在706pa-2339pa的110組數(shù)據(jù)，從其中隨機選取80組數(shù)據(jù)作為訓練樣本，運用本專利所述方法進行多次訓練得到變學習率的bp神經(jīng)網(wǎng)絡(luò)。剩下的30組數(shù)據(jù)用來驗證神經(jīng)網(wǎng)絡(luò)的可靠性，選取輸入樣本(引射流體壓力pe、工作流體壓力pp)采用訓練完畢的變學習率的bp神經(jīng)網(wǎng)絡(luò)進行出口背壓pc和引射系數(shù)ε的預(yù)測，將預(yù)測的結(jié)果與文獻結(jié)果進行比較，計算誤差，公式如下所示：

其中，μ是預(yù)測值與文獻值的誤差，神經(jīng)網(wǎng)絡(luò)預(yù)測值為yb，y是文獻值。

具體預(yù)測結(jié)果與文獻值如表1以及圖3所示，

表1

其中，最后預(yù)測結(jié)果的平均誤差為0.12％，最大誤差為0.81％，采用變學習率的bp神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果較為精確。變學習率的bp神經(jīng)網(wǎng)絡(luò)完成的噴射器引射系數(shù)與出口背壓的預(yù)測方法和傳統(tǒng)方法如文獻2(w.chenetal.theoreticalanalysisofejectorrefrigerationsystemperformanceunderoverallmodes.appliedenergy,185-2:2074-2084,2016，即w.chen等.全工況下噴射制冷系統(tǒng)性能的理論分析.應(yīng)用能源,185-2:2074-2084,2016.)以及文獻3(jm.cardemiletal.ageneralmodelforevaluationofvaporejectorsperformanceforapplicationinrefrigeration.energyconversionandmanagement,64:79-86,2012，即jm.cardemil等.一個用于制冷用蒸汽噴射器性能評估的模型.能量轉(zhuǎn)換與管理,64:79-86,2012.)中的方法進行比較可以發(fā)現(xiàn)，采用傳統(tǒng)模型的平均誤差多在5-10％，而最大誤差可達15％以上?？梢姴捎帽緦＠姆椒ㄔ诒ＷC快速預(yù)測的前提下，可以大大提升預(yù)測精度。