压缩机仿真学习：离心压缩机参数辨识

离心压缩机在进行仿真时，仅仅使流量变化，而固定了其它的入口条件，如温度、压力、介质成分、转速等。测试时，随机取一段时间段的过程数据，虽然测试点与机理模型的距离很大，但测试点应该在稳定工况范围内，该机理模型中的一些参数值的选择对模型影响较大，和实际情况难免有不同程度的偏差。因此，在获得现场大量数据的基础上，采用遗传算法辨识这些参数，以得到更加准确的模型。

1.遗传算法

遗传算法是借鉴生物自然选择和遗传机制的随机搜寻优算法，其之所以能够增强解决问题的能力，是因为其自然演化过程就是一个学习与优化的过程，其核心思想是生物进化过程，本身是一个自然的，并行发生的、稳健的优化过程。

遗传算法对于一个复杂的问题，将问题域中的可能解看做是群体的个体或染色体，并将每一个个体编码成符号串形式，根据预定的目标适应度函数对每个可能解进行评价，来确定搜索方向；借用生物遗传学的观点和基本术语：基因、个体、群体、适应度、编码、解码等，通过对群体反复进行选择、交叉、变异等遗传学操作，不断得到更优的群体，同时以全局并行搜索方式来搜索优化群体中的最优个体，得到满足要求的最优解。

2.参数辨识

辨识就是在输入和输出数据的基础上，从一组给定的模型中，确定一个与所测系统等价的模型，实质就是从一组模型类中选择 一个模型，按照某种准则，使之能最好地拟合所关心的实际过程。以离心压缩机参数辨识的数据预处理一般包括数据校正、数据集成和数据归约。

数据校正主要是处理空缺值，平滑噪声数据，识别，删除孤立点。其方法有空缺值处理和误差处理。

数据集成是将众多数据源中的数据进行合并处理，解决语义模糊性并整合成一致的数据进行存储，一是模式集成，将小同信息源中实体匹配来进行模式集成；通常借助数据库的数据进行模式识别；二是冗余数据集成往往导致数据冗余；三是数据量纲的冲突，由于工业工程中出现的工程单位不同或数值上相差几个数量级的测量数据，需要选择适当的因子进行标度，可以有效地改善建模的效果。

数据归约技术可以用来得到数据集的归约表示，与非归约数据比较，接近于保持原数据的完整性，其处理数据所需的时间和内存资源更少，并产生相同或者几乎相同的分析结果。

过程数据的预处理主要分为三个步骤：第一步是将排除压缩机启动和停机等非正常数据；第二步是将DCS系统读数的数据转换成能够读取利用的数据；第三步是选取稳定的工况数据。在这些数据中，有很多信息重复的地方，需要进一步的选取。流量要覆盖所有工况的测点，尤其极端工况，要特别注意流量选择时，要取相同数目的流量值，保证流量范围的平均性，避免参数辨识时产生的数据偏重。

3.参数分析

（1）叶轮叶片安装角

离心压缩机的叶轮是离心压缩机中唯一对气流做功的元件。气体在叶轮叶片的作用下，做高速旋转，受旋转离心力的作用以及在叶轮里的扩压流动，使它通过叶轮后的压力得到提高，对叶轮的要求之一是当气体流过叶轮时，气体在叶轮上的冲击损失要小，而叶轮叶片安装角的大小对冲击损失影响较大，会影响到压缩机的模型。

（2）扩压器叶片安装角

扩压器在压缩机中是一个与叶轮几乎同等重要的部件，其叶片安装角对于提高压缩机级效率和级压比、改变最佳工况点位置以及扩大稳定工作范围起着十分重要的作用。

（3）冲击损失系数

当流量大于设计流量时，一般边界层不易分离，冲击损失小，当流量小于设计流量时，边界层易分离，冲击损失大，所以，冲击损失的大小与冲角的正负关系很大。

（4）叶轮面积调节系数

高压比、高转速离心叶轮是离心压缩机的关键部位，具有单级压比高、体积小的特点。离心叶轮是环列叶栅，黏性、扩压引起的分离和二次流使叶轮内气体的流动变得复杂，由于叶轮是一个整体，各几何参数的变化均反映在面积的变化上。

（5）压比调节系数

由于现场的工况随时改变，仅仅通过机理推导并不能准确得出实际压比与入口质量流量的关系，因此，需要根据获得的大量实测数据辨识压比系数的大小，以获得准确的模型和性能曲线。

4.遗传算法的设计

用遗传算法进行系统辨识，就是在已知模型结构的基础上，用遗传算法来优化模型参数。选择操作采取随机均匀分布的方法，交叉操作采用分散的方法，变异操作采用高斯变异算子。

设计遗传算子的步骤中，第一步进行初始化，设置进化代数计数器，最大进化代数；随机生成相应系统模型参数，形成初始群体；第二步进行个体评价，根据适应度函数计算群体中，一组参数的适应度值，经过遗传操作，将选择、交叉、变异算子作用于群体，经过运算后得到下一代群体，以算法进行过程中得到的具有最大适应度的个体作为最优解输出，终止计算，该最优解就是所要辨识的系统模型参数。

文章来源：压缩机网