一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法与流程

1.本发明属于一种低噪声不等距离心风扇优化设计领域，尤其涉及的是一种基于径向基神经网络模型低噪声不等距小型风冷内燃机离心风扇优化设计方法。


背景技术：

2.噪声是人类环境重要污染之一，长期处于高分贝噪声环境中，不仅会降低工作效率，影响情绪，还会严重影响身体机能。随着科学技术的发展很人类生活水平的提高，噪声控制问题越来越受到人们的重视，不同国家、地区和行业都制定了严格的噪声限值标准来限制噪声污染。
3.离心风扇是小型风冷内燃机冷却系统必不可少的一个重要部件。由飞轮带动离心风扇，通过风扇旋转运动驱动冷空气克服系统阻力，使冷空气经过导风罩、导流板等引流装置，高速吹过气缸外壁及机体散热片表面，带走散出的热量实现冷却。离心风扇高速旋转运动会产生机械振动噪声和气动噪声，气动噪声是风扇驱动空气而产生的气体扰动，主要包括旋转噪声和涡流噪声。旋转噪声是由于风扇旋转叶片周期性地打击空气质点，使空气形成周期性压力脉动而产生的一系列离散的峰值频率噪声；涡流噪声是由于风扇旋转时使周围的空气产生涡流在分裂时空气发生的扰动而激发出的噪声，是连续的宽频带噪声。
4.离心风扇的气动噪声相比机械噪声要显著很多，因此降噪的主要目标是降低风扇的气动噪声，特别是降低对人体危害最大的旋转噪声的大小。影响离心风扇气动噪声大小的主要因素有扇叶结构及叶片布局方式，在不改变叶片几何参数的情况下，可以通过合理安排叶片布局，改变风扇辐射声场，达到降低噪声的目的。
5.小型风冷内燃机上大多数采用前弯叶片及叶片等高、间距均匀的布局形式，风扇转动时，叶片通过频率(bpf)及其谐波处会产生较强的离散峰值频率噪声，这些峰值组成了风扇的旋转噪声。采用不等间距风叶周向角布置，通过分散基频与谐波峰值，可以减少这一周期激励效果，能够降低风扇基频处的噪声峰值，有效降低风扇旋转噪声，从而达到降低风扇总体噪声级的目的，如cn201410379874
‑
一种柴油机用的冷却风扇，cn200610088548
‑
用于气冷式内燃机多叶式风扇等已证明该方法的有效性。
6.不等距叶片的设计在降低风扇噪声的同时还应该满足两个条件，一是叶片不等距布置后应该仍能保证气动性能要求，或者变化不大；二是叶片布置方式改变后,仍然要能够满足风扇运转时的动平衡要求。目前不等距风扇叶片布置设计通常采用分布公式或试验方法，研制周期较长，研发费用高，且有很大的随机性，设计方法与理论研究的还比较少。最常用的不等距风扇分布方式是按公式θ
′
＝θ asinnθ进行布置，n为等分组数，(当n≥2时风扇为自平衡状态，可以满足动平衡要求)，a为相位调制量。选择合适的a值与分组数n可以降低谐波振幅，进而降低风扇的总体噪声，实际上由于风扇结构参数与运转工况的影响，合适的a值与分组数n很难确定，选择不当不仅不能降低风扇噪声，甚至还会破坏风扇的气动性能。
7.随着计算机技术的发展，特别是计算流体动力学(cfd)、计算空气动声学(caa)、多
目标优化技术等的发展，为优化叶片布置，降低风扇噪声，设计高性能不等距低噪声离心风扇，提供了有效方法与手段。


技术实现要素：

8.本发明的目的是降低离心风扇噪声，改进不等距离心风扇设计方法上的不足，提供一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法。通过三维软件设计不等距离心风扇参数化三维初始模型；利用计算流体力学(cfd)及计算气动声学(caa)技术，对风扇流场进行数值模拟分析，获取原始风扇气动噪声级大小及风扇性能参数；以风扇相邻叶片间距为设计变量，采用最优拉丁超立方方法进行样本点试验设计，选用isight优化分析集成平台，批量模拟分析风扇流场，输出风扇气动噪声级大小及风扇流量、静压等性能样本数据；依据样本结果数据，构建径向基神经网络近似模型，建立离心风扇不等距布局与风扇性能及噪声级大小的量化关系，以风扇噪声声压级最小为优化目标，静压及流量为约束函数，运用存档微遗传算法(amga)对离心风扇相邻叶片间距进行优化设计，通过选取pareto解集最优解，得到最佳不等距低噪声离心风扇设计方案。
9.本发明集成了参数化建模技术、计算流体动力学(cfd)、计算空气动声学(caa)、径向基神经网络模型、存档微遗传优化搜索技术等，能够快速、准确的建立离心风扇噪声及性能及与不等距叶片布局的关系，优化设计相邻叶片不等距角度，满足风扇性能的同时，最大限度的降低离心风扇噪声的大小。
10.本发明采取的技术方案是：
11.步骤1，确定优化方案，初始设计不等距离心风扇三维参数化数字模型。根据冷却风扇叶片总个数z，叶片均分为n(n≥2)组，分组内相邻叶片间距初步设计按等差数列进行布置,相邻叶片最大变化范围不超过等距布局时相邻叶片角度值的
±
20％，过大的角度偏差会造成风扇性能的下降。
12.步骤2，采用ansys workbench软件，通过其fluent子模块，数值模拟不等距冷却风扇工作流场，获取风扇流场性能参数与噪声仿真数据。风扇噪声模拟分析采用大涡模拟(les)与威廉姆
‑
霍金斯方程(fw
‑
h)声学模型，求解瞬态风扇压力脉动，经傅里叶变换(fft)，输出风扇噪声级大小，并进行试验验证。
13.步骤3，以相邻叶片间距为设计变量，风扇性能参数与噪声大小为输出响应，最优拉丁超立方方法进行样本点试验设计。为了得到较精确的近似模型，样本点至少大于3n个(n为分组内叶片个数)。
14.步骤4，基于isight软件搭建风扇多目标优化设计平台，集成风扇三维数字化设计软件catia与流场数值模拟软件ansys workbench，选取离心风扇分组内叶片不等间距为设计变量，创建设计风扇输入变量与风扇性能及气动噪声级大小的输出结果映射关系，批量模拟分析风扇流场，获取风扇噪声级大小，采集近似模型所需样本数据。
15.步骤5，根据样本数据，建立径向基神经网络近似模型，并进行误差分析。径向基函数是一种将样本点与待测点之间的欧氏距离当作自变量的函数，径向基函数近似模型是把径向基函数当作基函数，然后通过线性拟合构建而来的近似模型。基本表达式如下
16.17.式中：w
i
是基函数的线性叠加权系数；h
i
(r)是径向基函数；n
s
是径向基个数；r是样本点与待测点之间的欧式距离。
18.径向基神经网络近似模型采用插值方法，以样本点为中心，通过选用不同的基函数及线性叠加权系数w
i
，能够最终得到在预测域的响应的近似值，样本点处误差为零，具有将多维问题转化为一维问题的能力，并且转化后预测点与样本点之间的欧氏距离是一维问题自变量，拟合复杂非线性模型能力强、鲁棒性好、学习速度快、容错功能强等优点。
19.近似模型构建完成后必须对近似模型的精度进行验证，以保证近似模型的可信度。常用的误差评价指标有：平均绝对值误差(简称amae)、最大绝对值误差(简称mae)、均方根误差(简称rmse)与决定系数r2，各误差评价指标计算公式如下：
[0020][0021][0022][0023][0024]
式中：n
test
——样本点数目；
[0025]
yi——第i个样本点的响应值；
[0026]
——第i个样本点的数学模型近似值；
[0027]
——所有样本点响应值的平均值；对于amad、mae和rmse来说越接近于0，近似模型精度越高；r2越接近于1表明近似模型的拟合精度越高。
[0028]
步骤6，运用存档微遗传算法(amga)，以风扇噪声级最小为优化目标，静压及流量为约束函数，对不等距冷却风扇叶片间距进行优化分析，获得pareto非劣解的解集。在amga微遗传算法进化过程中，通过pareto最优关系将群体中的每个个体同目标函数的向量进行比较，最终将每个个体分为多个pareto前沿层，运用pareto优越性评价法对每层的个体进行评价，其中在pareto同层中拥有更大拥挤距离的个体更优异，进而获得pareto非劣解的解集。
[0029]
步骤7，选取pareto最优解，获取最优不等距风扇结构模型，对优化结果进行试验验证。
[0030]
本发明的有益效果：
[0031]
(1)采用径向基神经网络模型建立离心风扇不等距叶片布置与风扇性能及噪声之间近似模型，能够精确的反映出叶片布置与性能及噪声之间的关系，为不等距低噪声离心风扇设计提供一定的理论依据。
[0032]
(2)采用径向基神经网络模型近似模型进行不等距风扇设计，为改善离心风扇性能，降低离心风扇噪声提供一种可行的设计方法。
[0033]
(3)采用径向基神经网络模型近似模型进行不等距风扇设计，克服了目前不等距风扇设计的局限性，避免了大量的试算与试验工作，能缩短设计周期，减少研发成本。
附图说明
[0034]
图1为本发明一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法流程图；
[0035]
图2为小型发动机冷却风扇原机等距叶片布局几何结构示意图；
[0036]
图3为小型发动机冷却风扇径向基神经网络模型误差适应度分析示意图；
[0037]
图4为存档微遗传算法(amga)计算流程图；
[0038]
图5为小型发动机冷却风扇优化设计几何结构示意图；
具体实施方式
[0039]
下面结合附图以及具体实施对本发明作进一步的说明，但本发明的保护范围并不限于此。
[0040]
一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，以一台小型风冷汽油机不等距离心风扇低噪声设计为例，具体实施流程图如图1所示，具体实施步骤包括：
[0041]
步骤1，利用catia三维软件初始设计不等距离心风扇三维参数化数字模型,建立不等距离心风扇气动噪声数值分析流场域三维模型。原等距离心风扇如图2所示，包括叶盘，27个叶片及定位柱等结构。不等距叶片初始布局将叶片均分为3组，相邻叶片间距参数分布定义为ω1至ω8，分组内以相邻叶片角度最大变化值不超过等距布局时
±
10％为原则，以等差递减方式不等距布置，初始不等距离心风扇叶间距分别定义为ω1＝17
°
、ω2＝16
°
、ω3＝15
°
、ω4＝14
°
、ω5＝13
°
、ω6＝12
°
、ω7＝11
°
、ω8＝10
°
。绘制小型风冷内燃机导风罩、飞轮、主轴箱、缸盖、导风板、启动杯等离心风扇主要关联部件及试验测试风筒三维模型，根据各关联部件在整机中的位置关系进行装配，提取由离心风扇、离心风扇关联部件与测试风筒共同包围的区域，建立初始不等距离心风扇气动噪声分析流场域三维模型，并保存成*.catpart文件。
[0042]
步骤2，采用ansys workbench有限元综合分析软件，将不等距离心风扇气动噪声数值分析流场域三维模型文件导入到geometry子模块，然后通过mesh子模块对流场域模型进行网格划分，网格划分后转入到fluent子模块。在该模块下选取瞬态分析模式，大涡模拟(les)湍流求解模型；开启廉姆
‑
霍金斯方程(fw
‑
h)声学模型；设定离心风扇旋转区域为动网格形式,设置压力进出口边界条件，风扇转速设定为发动机额定转速3600转/分钟；以进口流量、进出口静压、风扇扭矩系数为参数化输出结果数据；求解方法采用piso方法，二阶迎风式，数值模拟初始不等距设计离心风扇工作流场，获取离心风扇流场进口流量、进出口静压、风扇扭矩系数等性能参数及瞬态风扇压力脉动数据；仿真计算结果不等距初始设计风扇静压pst＝204.0pa、流量q＝0.090782kg/s、风扇效率ηst＝16.87％；同方法亦可模拟计算原等距风扇风扇静压pst＝205.8pa、流量q＝0.091726kg/s、风扇效率ηst＝16.99％；在结果分析选项中选择傅里叶变换(fft)，按照往复式内燃机声压法声功率级的测定标准，设置噪声测试观测点，对瞬态风扇压力脉动结果进行换算，得到不等距初始风扇观测点产
生的气动脉冲噪声级大小最大值为76.8db，原等距风扇噪声级在观测点出最大值为78.1db，并将模拟分析结果保存成*.wbpj文件格式。快速成型制作初始不等距离心风扇，经风扇性能与噪声综合试验平台验证，在转速3600转/分钟发动机额定转速下倒拖试验中，实测噪声观察点位置采用不等距初始设计风扇整机噪声最大值78.3db，采用原等距风扇整机噪声最大值79.8db，去除发动机机械噪声等影响因素，风扇噪声模拟分析精度满足要求。
[0043]
步骤3，基于isight软件搭建不等距离心风扇优化集成平台，选用最优拉丁超立方方法进行样本点试验设计，批量求解近似模型样本点数据。在isight软件中选择试验设计(doe)模块，依次添加catia、ansys workbench、caculator等应用组件，集成catia、ansys workbench等应用程序。利用catia组件解析不等距离心风扇流场域三维模型*.catpart文件，将不等距风扇离心风扇分组内叶片间距设置为输入变量，相邻叶片间距变量从大到小，分别用ω1至ω8表示；由ansys workbench组件解析不等距离心风扇气动噪声分析*.wbpj文件，将流场模拟分析结果数据风扇流量、进出口静压、风扇扭矩系数、噪声级大小等设置为输出变量；将catia中不等距离心风扇流场域三维模型存档文件*.catpart指定为ansys workbench中风扇气动噪声流场分析的几何模型输入文件，建立设计不等距离心风扇输入变量与风扇气动噪声分析输出结果之间的映射关系。在试验设计(doe)模块中，选用最优拉丁超立方方法进行样本点试验设计，样本点采集个数为30个，相邻叶片间距参数ω1至ω8为设计因子，初始不等间距为基准线，因子以基准线
±
20％变化，试验设计样本矩阵如表1所示；由流场模拟分析结果风扇流量、进出口静压、风扇扭矩、噪声级大小经caculator应用组件计算处理后的结果数据风扇流量q、风扇静压pst、风扇效率ηst、风扇噪声级db等变量为响应参数；建立设计风扇输入变量与风扇性能及气动噪声级大小的输出结果之间映射关系，批量集成分析风扇流场，获取不同试验设计样本矩阵点风扇噪声级大小与风扇性能参数。
[0044]
表1.试验设计样本矩阵
[0045][0046]
步骤4，将样本点输出结果数据如表2所示保存成文本格式，在isight集成软件中选择优化分析(optimization)模块，将近似模型approximation组件添加到该组件中，选择近似模型建模方法为径向基神经网络(rbf)近似模型，载入样本点数据，选择径向基函数，以待测点与样本点之间的欧几里德距离为自变量，以样本点为中心进行插值，建立径向基近似模型。近似模型构建完成后必须对近似模型的精度进行验证，以保证近似模型的可信度，分析表明风扇静压pst、流量q、风扇噪声级db、风扇效率ηst等响应参数，平均绝对值误差(简称amae)分别为0.05701、0.0585、0.03374、0.05662；最大绝对值误差(简称mae)分别为0.17641、0.15535、0.10183、0.17029；均方根误差(简称rmse)分别为0.06754、0.06812、0.04163、0.06729；决定系数r2分别为0.94154、0.94299、0.97697、0.94274，四项误差指标
均满足要求，近似模型响应适应度如图3所示，可以看出样本点响应值均在对角线附近，拟合精度较高。
[0047]
表2.样本点结果数据
[0048][0049]
步骤5，径向基模型创建之后，在优化分析(optimization)模块中，选取如图4所示的存档微遗传算法(amga)，以风扇噪声级db最小、流量q最大、风扇效率ηst最大为目标，扇静压pst不低于200pa为限制条件，对不等距冷却风扇叶片间距ω1至ω8进行寻优探索分析。设置交叉概率为0.9，变异概率0.05，初始种群大小40，父种群大小40，档案种群大小为5000，最大评价次数为5000，amga算法的计算流程如图5所示，经5001次循环探索后最终得到优化目标函数的pareto最优解，如表3所示。
[0050]
表3.pareto最优解集
[0051][0052]
步骤6，综合考虑选取表3中循环数为4702的一组pareto最优解，生成最终冷却风扇三维结构优化设计模型，如图5所示，该处风扇噪声级大小近似模型输出数值为73.3db,较优化前下降了3.5db,较原等距风扇噪声级下降4.8db，风扇流量、静压、功率等性能参数基本维持不变，进一步通过快速成型制作不等距离心风扇，经风扇性能测试平台测试，在转速3600转/分钟发动机额定转速下倒拖试验中，实测噪声观察点位置不等距初始设计风扇整机噪声最大值74.2db，风扇静压pst＝201.2pa、流量q＝0.0906kg/s、风扇静压效率ηst＝16.12％，与近似模型优化结果基本一致；在转速3600转/分钟额定工况下，通过发动机台架试验测试，离心风扇优化前小型风冷汽油机整机在额定转速额定载荷下噪声级92.3db，采用不等距叶片布局优化后实测整机噪声值90.2db，降低了2.1db，且发动机机油温度基本保持不变，油耗与功率也有所改善，说明了通过本发明方法，在不改变风扇性气动性能的前提下，通过合理叶片不等距布置可以减小发动机整体噪声。
[0053]
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。

技术特征：
1.一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，包括如下步骤：s1，初始设计不等距离心风扇三维参数化数字模型；s2，基于计算流体与计算声学方法数值模拟不等距离心风扇工作流场，获取风扇流场性能参数与噪声级大小；s3，以相邻叶片间距为设计变量，风扇性能参数与噪声级大小为输出响应，最优拉丁超立方方法进行不等距叶片布局样本点设计；s4，通过集成优化分析平台isight，根据样本点数据，建立径向基神经网络近似模型；s5，运用存档微遗传算法amga，以风扇噪声级最小为优化目标，静压及流量等风扇性能参数为约束函数，对不等距冷却风扇叶片间距进行优化分析，获得pareto最优解集；s6，选取pareto最优解，获取最优不等距风扇结构模型。2.根据权利要求1所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述s1的具体实现包括：s1.1，设计等距离心风扇，包括叶盘、27个叶片及定位柱；s1.2，设计不等距叶片初始布局：将叶片均分为3组，相邻叶片间距参数分布定义为ω1至ω8，分组内以相邻叶片角度最大变化值不超过等距布局时
±
10％为原则，以等差递减方式不等距布置，初始不等距离心风扇叶间距分别定义为ω1＝17
°
、ω2＝16
°
、ω3＝15
°
、ω4＝14
°
、ω5＝13
°
、ω6＝12
°
、ω7＝11
°
、ω8＝10
°
；s1.3，绘制小型风冷内燃机导风罩、飞轮、主轴箱、缸盖、导风板、启动杯等离心风扇主要关联部件及试验测试风筒三维模型，根据各关联部件在整机中的位置关系进行装配，提取由离心风扇、离心风扇关联部件与测试风筒共同包围的区域，建立初始不等距离心风扇气动噪声分析流场域三维模型。3.根据权利要求1所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述s2的具体实现包括：s2.1，采用ansys workbench有限元综合分析软件，将不等距离心风扇气动噪声数值分析流场域三维模型文件导入到geometry子模块，然后通过mesh子模块对流场域模型进行网格划分，网格划分后转入到fluent子模块。在该模块下选取瞬态分析模式，大涡模拟(les)湍流求解模型；开启廉姆
‑
霍金斯方程(fw
‑
h)声学模型；设定离心风扇旋转区域为动网格形式，设置压力进出口边界条件，风扇转速设定为发动机额定转速3600转/分钟；以进口流量、进出口静压、风扇扭矩系数为参数化输出结果数据；求解方法采用piso方法，二阶迎风式，数值模拟初始不等距设计离心风扇工作流场，获取离心风扇流场进口流量、进出口静压、风扇扭矩系数等性能参数及瞬态风扇压力脉动数据；仿真计算结果不等距初始设计风扇静压pst＝204.0pa、流量q＝0.090782kg/s、风扇效率ηst＝16.87％；s2.2，采用上述方法模拟计算原等距风扇风扇静压pst＝205.8pa、流量q＝0.091726kg/s、风扇效率ηst＝16.99％；s2.3，在结果分析选项中选择傅里叶变换(fft)，按照往复式内燃机声压法声功率级的测定标准，设置噪声测试观测点，对瞬态风扇压力脉动结果进行换算，得到不等距初始风扇观测点产生的气动脉冲噪声级大小最大值为76.8db，原等距风扇噪声级在观测点出最大值为78.1db，将模拟分析结果保存成*.wbpj文件格式。
4.根据权利要求1所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述s3的具体实现包括：s3.1，在isight软件中选择试验设计模块，依次添加catia、ansys workbench、caculator应用组件，以集成catia、ansys workbench应用程序；利用catia组件解析不等距离心风扇流场域三维模型*.catpart文件，将不等距风扇离心风扇分组内叶片间距设置为输入变量，相邻叶片间距变量从大到小，分别用ω1至ω8表示；s3.2由ansys workbench组件解析不等距离心风扇气动噪声分析*.wbpj文件，将流场模拟分析结果数据风扇流量、进出口静压、风扇扭矩系数、噪声级大小等设置为输出变量；将catia中不等距离心风扇流场域三维模型存档文件*.catpart指定为ansys workbench中风扇气动噪声流场分析的几何模型输入文件，建立设计不等距离心风扇输入变量与风扇气动噪声分析输出结果之间的映射关系；s3.3在试验设计模块中，采用最优拉丁超立方方法进行样本点试验设计，样本点采集个数为30个，相邻叶片间距参数ω1至ω8为设计因子，初始不等间距为基准线，因子以基准线
±
20％变化，设计的样本点如下表1所示：表1
5.根据权利要求1所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述s4的具体实现包括：s4.1，将样本点数据按照如表2所示格式保存成文本；表2
s4.2，在isight集成软件中选择优化分析模块，将近似模型approximation组件添加到该组件中，选择近似模型建模方法为径向基神经网络(rbf)近似模型，载入s4.1的样本点数据，选择径向基函数，以待测点与样本点之间的欧几里德距离为自变量，以样本点为中心进行插值，建立径向基模型。6.根据权利要求5所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述建立的径向基模型满足以下条件：风扇静压pst、流量q、风扇噪声级db、风扇效率ηst，四个参数的平均绝对值误差分别为0.05701、0.0585、0.03374、0.05662；最大绝对值误差分别为0.17641、0.15535、0.10183、0.17029；均方根误差分别为0.06754、0.06812、0.04163、0.06729；决定系数r2分别为0.94154、0.94299、0.97697、0.94274。7.根据权利要求5所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化
设计方法，其特征在于，所述s5的具体实现包括：在优化分析模块中，选取存档微遗传算法，以风扇噪声级db最小、流量q最大、风扇效率η
st
最大为目标，扇静压pst不低于200pa为限制条件，对不等距冷却风扇叶片间距ω1至ω8进行寻优探索分析：设置交叉概率为0.9，变异概率0.05，初始种群大小40，父种群大小40，档案种群大小为5000，最大评价次数为5000，经5001次循环探索后最终得到优化目标函数的pareto最优解集。8.根据权利要求7所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述最优解集如表3所示：表39.根据权利要求8所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，其特征在于，所述s6中的最优解为权利要求7中对应的循环次数在4702时对应的参数值。10.根据权利要求9所述的一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法制作的不等距离心风扇，其特征在于，在转速3600转/分钟发动机额定转速下，不等距初始设计风扇整机噪声最大值74.2db，风扇静压pst＝201.2pa、流量q＝0.0906kg/s、风扇静压效率ηst＝16.12％，整机噪声值90.2db。
技术总结
本发明公开了一种基于径向基神经网络模型的低噪声不等距离心风扇优化设计方法，包括：参数化设计不等距离心风扇三维初始模型；数值分析风扇流场域，获取原始风扇气动噪声级大小及风扇性能参数；以风扇相邻叶片间距为设计变量，最优拉丁超立方方法进行样本点试验设计；选用优化分析集成平台，批量模拟分析风扇流场，风扇气动噪声与风扇性能为响应输出，采集样本数据；拟合样本分析结果，构建径向基神经网络近似模型；以风扇噪声级最小为优化目标，静压及流量为约束函数，基于近似模型，运用存档微遗传算法(AMGA)对冷却风扇相邻叶片间距进行优化设计，通过选取帕雷托(Pareto)解集最优解，得到最优不等距低噪声离心风扇优化设计方案。计方案。计方案。


技术研发人员：刘东雷 刘胜吉 王建
受保护的技术使用者：江苏大学
技术研发日：2021.03.18
技术公布日：2021/6/29