本发明属于离心泵优化设计领域，特别是涉及一种实时降维的离心泵优化方法。
背景技术：
1、离心泵性能的提高有助于减少能源消耗，在“双碳”战略背景下，性能提升的需求则更为迫切。水力模型优化设计是提升离心泵性能的重要手段。随着计算流体力学(cfd)技术的迅猛发展，大规模模型计算成为可能，为优化设计提供了有力支撑。
2、现代各种优化方法中，以代理模型方法应用最为广泛。姚金结[1]通过建立克里金模型对泥浆泵的机械密封结构进行优化，提升了密封环的强度性能。王春林等[2]则采用径向基神经网络模型优化了双叶片泵的水力性能。王俊等[3]结合人工神经网络和遗传算法，对喷水推进泵叶轮和导叶的匹配进行了优化研究。这种方法主要是通过确定设计变量及边界，采用试验设计方法在设计空间内获得不同的设计方案，利用cfd技术完成计算后，获取所需要的性能值。再采用多种代理模型拟合出变量与目标之间的非线性数学关系，再采用优化算法进行寻优以获得最优解。
3、这种方法能利用较少的样本点训练出高精度非线性数学模型，对计算资源要求相对不高，实际应用中较为方便。但当设计变量数量增多时，代理模型维度随之增加，拟合难度大幅增长，极易出现过拟合或欠拟合状态，甚至拟合不成功，导致优化失败。因此，如何在多设计变量情况下降低代理模型的维数，成为离心泵优化是否成功的关键。
技术实现思路
1、本发明提供了一种实时降维的离心泵优化方法，旨在离心泵优化过程中提升代理模型拟合成功率，提升优化效率。
2、本发明实施例提出的实时降维的离心泵优化方法包括：
3、明确优化目标，根据设计经验确定初始设计变量，明确设计变量的上下边界；
4、采用试验设计方法在设计空间内均匀抽取变量组合方案，形成初始样本库；
5、对每个方案分别完成三维造型、网格划分、数值计算等一系列自动数值计算程序，获取方案目标值，完善样本库；
6、利用完善的样本库训练代理模型，并用优化算法进行寻优；
7、根据样本库对设计变量进行敏感性分析，剔除影响小的设计变量，利用剩余变量重复上述过程；
8、获取最优结果后，结束循环，输出结果。
9、进一步的，所述试验设计方法有均匀设计、正交试验设计、拉丁超立方试验设计。
10、进一步的，所述代理模型有响应面模型、径向基函数模型、克里金模型、人工神经网络模型；首次循环使用人工神经网络模型进行拟合，在后续循环中不继续使用。
11、进一步的，所述优化算法有遗传算法、引力搜索算法、粒子群算法。
12、进一步的，所述影响小的设计变量为在进行敏感性分析后，对目标性能影响不大的变量，取舍程度视具体情况定义。
13、进一步的，所述最优结果为目标性能得到一定提升的结果，视具体情况自行定义，首次循环跳过判断步骤。
14、本发明的技术效果为：
15、本发明利用实时降维方法增强了代理模型在离心泵优化中的拟合成功率，提升了优化效率，为设计出性能更好的水力模型助力。
1.一种实时降维的离心泵优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述试验设计方法有均匀设计、正交试验设计、拉丁超立方试验设计。
3.根据权利要求1所述的方法，其特征在于，所述代理模型有响应面模型、径向基函数模型、克里金模型、人工神经网络模型；首次循环使用人工神经网络模型进行拟合，在后续循环中不继续使用。
4.根据权利要求1所述的方法，其特征在于，所述优化算法有遗传算法、引力搜索算法、粒子群算法。
5.根据权利要求1所述的方法，其特征在于，所述影响小的设计变量为在进行敏感性分析后，对目标性能影响不大的变量，取舍程度视具体情况定义。
6.根据权利要求1所述的方法，其特征在于，所述最优结果为目标性能得到一定提升的结果，视具体情况自行定义，首次循环跳过判断步骤。
