大型高速回转装备多级失谐叶盘转子叶片排序优化方法和装置

1.本技术涉及转子平衡技术领域，尤其涉及大型高速回转装备多级失谐叶盘叶片的转子平衡技术。


背景技术：

2.发动机作为飞机上最重要的装置，其工作状态直接影响着飞机的飞行安全。发动机的动力大部分是由叶盘叶片提供的，航空发动机的叶盘为循环对称结构，但由于在实际制造加工的过程中，叶盘上的每个叶片的质量，形状均会有所差异，即失谐，破坏了原有的循环对称结构，导致在工作状态中，振动的能量集中在部分叶片上，使得这些叶片的振动幅度是正常叶片的数倍，造成这些叶片的局部高周疲劳失效，对整体结构产生了严重的威胁，因此利用转子平衡技术来减少失谐引起振动局部化现象，非常具有实际意义。
3.针对失谐叶盘叶片的排序优化问题，传统的叶片排序算法由于其本身的原因，会引入较大的随机性，因此亟需提出一种针对大型高速回转装备失谐叶盘叶片叶片排序优化模型，解决多级转子不平衡量传递不清晰的问题，通过对叶片排序顺序进行优化分析，精准调控多级转子的不平衡量大小。


技术实现要素：

4.本发明目的是为了解决现有技术由于多级转子不平衡量传递过程不清晰而导致对于多级转子不平衡量的调控精准性低的问题，提供了大型高速回转装备多级失谐叶盘转子叶片排序优化方法和装置。
5.本发明是通过以下技术方案实现的，本发明一方面，提供一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，所述方法包括：
6.根据基准轴变换原理，建立多级转子的不平衡量传递模型，获取目标函数；
7.利用云自适应遗传算法，获取优化的叶片排序顺序，具体包括：
8.将一组叶片当作一个染色体，对叶片排布进行编码；
9.设置初始种群和父代种群的大小、迭代次数；
10.利用所述目标函数，获取适应度函数、适应度相对值、交叉概率和变异概率；
11.根据所述初始种群和父代种群的大小、迭代次数、适应度函数、适应度相对值、交叉概率和变异概率，进行云自适应遗传算法的迭代计算，获取优化的叶片排序顺序。
12.进一步地，所述目标函数具体为：
13.14.其中，
15.式中，zi为第i级转子质心高度，zm为校正面m的高度，zn为校正面n的高度，q为整体不平衡量，
[0016][0017]
其中，s为叶片总数，mi为第i级转子叶盘质量，mi为第i级转子叶片质量，为以实际回转轴线为基准的第i级转子叶片的质心位置坐标，为实际回转轴线为基准的第i级转子叶盘的质心位置坐标，角标x代表x方向分量，角标y代表y方向分量，qi为第i级转子初始不平衡量，。
[0018]
进一步地，所述对叶片排布进行编码，具体包括：
[0019]
采用顺序编码作为编码方式，将叶片和安装位置进行一一对应。
[0020]
进一步地，所述安装位置的具体设置方法为：
[0021]
以叶盘的圆心为原点建立坐标系，以x轴的正方向为第一个叶片的安装位置，以逆时针旋转方向为安装正方向。
[0022]
进一步地，所述适应度函数的获取方法，具体包括：
[0023]
利用所述目标函数，获取所述适应度函数：
[0024]
。
[0025]
进一步地，所述适应度相对值的获取方法，具体包括：
[0026]
利用所述适应度函数，获取适应度相对值：
[0027][0028]
其中，pop为种群的大小，pi则为该组叶片被选中的概率，fi为第i个叶片组的适应度。
[0029]
进一步地，所述变异，具体包括：
[0030]
按照变异概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照变异概率进行变异操作，直到生成下一代种群，其中，所述变异概率的获取公式为：
[0031][0032]
其中，pm为变异概率，为平均适应度，f为变异个体适应度，f'为交叉两个体适应度的较大值，f
max
为变异个体适应度最大值，k1～k4，c1～c4为控制参数，k1～k4∈[0～1]，randn(en,he)生成期望值为en，标准偏差为he的正态随机数。
[0033]
进一步地，所述交叉，具体包括：
[0034]
按照交叉概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照交叉概率进行交叉操作，直到生成下一代种群，其中，所述交叉概率的获取公式为：
[0035][0036]
其中，pc为交叉概率。
[0037]
第二方面，本发明提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时执行如上文所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法。
[0038]
第三方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行如上文所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法。
[0039]
本发明的有益效果：
[0040]
由于加工误差和材料性质引起的叶盘叶片产生失谐问题，导致原有的结构对称性被破坏，造成局部叶片的高周疲劳失效，对整体结构的正常运行产生威胁，本发明提出了考虑使用基准变换作为目标函数，利用遗传算法作为优化方法，实现对大型高速回转装备失谐叶盘叶片排列顺序优化分析。
[0041]
首先，本发明提出了考虑使用基准变换作为目标函数，基准变换将不平衡量的各个传递过程变得更加准确，因此基于基准变换推导出来的目标函数就更加精准，进而实现多级转子不平衡量的调控精准性的提升；
[0042]
其次，本发明将使用基准变换获取的目标函数与云自适应遗传算法进行结合，利
用云自适应遗传算法的特性，如有助于将定性信息和定量信息进行结合，最终实现对大型高速回转装备失谐叶盘叶片排序的优化，最终得到多级叶盘叶片装配后所有种群中不平衡量最小的叶盘叶片排序，进而实现多级转子不平衡量的精准调控。
[0043]
本发明适用于大型高速回转装备多级失谐叶盘叶片的排序。
附图说明
[0044]
为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1为本发明方法的遗传算法流程示意图；
[0046]
图2为本发明方法的遗传算法搜索下的转子系统不平衡量。
具体实施方式
[0047]
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0048]
云自适应遗传算法基于云理论模型，通过判断种群中不同个体的适应度大小，选择其中适应度较大的个体，x云条件发生器模型是一个遵循正太分布规律的具有稳定规律的随机数集合，通过期望值ex、熵en以及超熵he对集合进行表征。云模型基于其语言性的定性和定量之间具有着不确定性转换模型，可以同时保证随机性和模糊性，有助于将定性信息和定量信息进行结合。模型通过判断个体的适应度，并利用模型生成理论对算法的变异算子以及交叉算子进行修改，确定种群中需要保留的个体。不断重复迭代过程，直到满足收敛指标，其流程如图1所示。
[0049]
实施方式一、一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，所述方法包括：
[0050]
根据基准轴变换原理，建立多级转子的不平衡量传递模型，获取目标函数；
[0051]
需要说明的是，传统的装配方法是以过第一级转子下端面为基准面的圆心且垂直于它的轴线作为基准轴线，然而在实际航空发动机装配时是以多级转子两端轴承中心连线作为基准轴线，因此首先在前者作为基准轴线下进行求取，然后在进行旋转变换，得到以多级转子两端轴承中心连线作为基准轴线的条件下多级转子的不平衡量传递方程。
[0052]
利用云自适应遗传算法，获取优化的叶片排序顺序，具体包括：
[0053]
将一组叶片当作一个染色体，对叶片排布进行编码；
[0054]
设置初始种群和父代种群的大小、迭代次数；
[0055]
利用所述目标函数，获取适应度函数、适应度相对值、交叉概率和变异概率；
[0056]
根据所述初始种群和父代种群的大小、迭代次数、适应度函数、适应度相对值、交叉概率和变异概率，进行云自适应遗传算法的迭代计算，获取优化的叶片排序顺序。
[0057]
本实施方式中，首先，本实施方式提出了考虑使用基准变换作为目标函数，基准变换将不平衡量的各个传递过程变得更加准确，因此基于基准变换推导出来的目标函数就更加精准，进而实现多级转子不平衡量的调控精准性的提升；
[0058]
其次，本实施方式将使用基准变换获取的目标函数与云自适应遗传算法进行结合，利用云自适应遗传算法的特性，如有助于将定性信息和定量信息进行结合，最终实现对大型高速回转装备失谐叶盘叶片排序的优化，最终得到多级叶盘叶片装配后所有种群中不平衡量最小的叶盘叶片排序，进而实现多级转子不平衡量的精准调控。
[0059]
需要说明的是，本实施方式可以遵循一般的遗传算法的设计过程，对叶片组进行选择、交叉、变异和适应度设计。通过设定初始种群和父代种群的大小、交叉概率和变异概率的值以及迭代次数，在计算机上进行迭代计算，获得最佳的叶片排序顺序。
[0060]
需要说明的是，本实施方式中的迭代次数为方法的结束条件，即云自适应遗传算法达到设置好的迭代次数时，获得的叶片排序顺序结果为最终结果，停止计算。
[0061]
实施方式二，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述目标函数，做了进一步限定，具体包括：
[0062]
所述目标函数具体为：
[0063][0064]
其中，
[0065]
式中，zi为第i级转子质心高度，zm为校正面m的高度，zn为校正面n的高度，q为整体不平衡量，校正面m可以设定为距离多级转子下端面40mm处的平面，校正面n可以设定为距离多级转子下端面80mm处的平面，
[0066][0067]
其中，s为叶片总数，mi为第i级转子叶盘质量，mi为第i级转子叶片质量，为以实际回转轴线为基准的第i级转子叶片的质心位置坐标，为实际回转轴线为基准的第i级转子叶盘的质心位置坐标，角标x代表x方向分量，角标y代表y方向分量，qi为第i级转子初始不平衡量。
[0068]
本实施方式中，优化目标是降低叶盘系统的受迫振动赋值和减轻系统的局部振动化，系统振动产生的原因是在进行多级转子装配时，转子的不平衡量误差过大，目前不平衡量传递原理及其复杂，受到叶盘和叶片等多种因素的影响，需要考虑到发动机的实际装配情况，以公共轴线为基准，建立多级转子的装配后的不平衡量传递模型，因此本实施方式以基准轴变换为原理，建立多级转子多个叶片的传递模型并建立目标函数。
[0069]
本实施方式的目标函数精准性较高，进而实现多级转子不平衡量的调控精准性的提升。
[0070]
需要说明的是，根据公式(3)得到各级转子的不平衡量后，将它们投影到m、n两个校正面上(分别为距离多级转子下端面40mm和80mm处的平面)，则位于这两个校正面的不平衡量表达式分别为公式(2)中的两个式子，然后根据公式(2)可以获取到最后整体的多级转
子不平衡量表达式(3)。
[0071]
实施方式三，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述对叶片排布进行编码，做了进一步限定，具体包括：
[0072]
采用顺序编码作为编码方式，将叶片和安装位置进行一一对应。
[0073]
需要说明的是，本实施方式中，将一组叶片当作一个染色体，则每个叶片可视为染色体的一个基因。如随机生成200组叶片组作为初始种群，设定种群大小为100组。在进行叶盘叶片排序前需要对叶片排布进行编码操作，本实施方式采用顺序编码作为编码方式，即叶片和安装位置是一一对应的。
[0074]
本实施方式根据叶片的安装位置进行顺序编码，便于大型高速回转装备失谐叶盘叶片的排序。
[0075]
实施方式四，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述安装位置的具体设置方法，做了进一步限定，具体包括：
[0076]
以叶盘的圆心为原点建立坐标系，以x轴的正方向为第一个叶片的安装位置，以逆时针旋转方向为安装正方向。
[0077]
本实施方式结合大型高速回转装备失谐叶盘叶片的实际情况，如叶盘的形状为圆形，进行安装位置的设置，可以有效实现大型高速回转装备失谐叶盘叶片的排序。
[0078]
实施方式五，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述适应度函数的获取方法，做了进一步限定，具体包括：
[0079]
利用所述目标函数，获取所述适应度函数：
[0080][0081]
本实施方式中的适应度函数能够使遗传算法的搜索朝着最优的方向进行，并且也能获得足够高的运算精度。
[0082]
适应度函数是遗传算法进化的基础，选择合适的适应度函数能够使遗传算法的搜索朝着最优的方向进行，并且也能获得足够高的运算精度。考虑到叶盘无初始不平衡量，叶片仅存在由质量矩导致的不平衡量，因此采用本实施方式给出的适应度函数。
[0083]
实施方式六，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述适应度相对值的获取方法，做了进一步限定，具体包括：
[0084]
利用所述适应度函数，获取适应度相对值：
[0085][0086]
其中，pop为种群的大小，pi则为该组叶片被选中的概率，fi为第i个叶片组的适应度。
[0087]
本实施方式中，采用轮盘赌法作为算法的选择算子，适应度大的叶片组被选择的
概率高，将第i个叶片组的适应度设定为fi。
[0088]
将上述适应度相对值作为该种群被选择的概率，可以提高运算精度。
[0089]
需要说明的是，第i个叶片组的适应度fi可由公式(4)获取。
[0090]
实施方式七，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述变异，做了进一步限定，具体包括：
[0091]
按照变异概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照变异概率进行变异操作，直到生成下一代种群，其中，所述变异概率的获取公式为：
[0092][0093]
其中，pm为变异概率，为平均适应度，f为变异个体适应度，f'为交叉两个体适应度的较大值，f
max
为变异个体适应度最大值，k1～k4，c1～c4为控制参数，k1～k4∈[0～1]，randn(en,he)生成期望值为en，标准偏差为he的正态随机数。
[0094]
本实施方式的变异操作采用两元素优化变异算子，可以恢复叶片组未开发或者失去的遗传物质，以防止种群在寻找最优解的过程中过早的收敛。
[0095]
实施方式八，本实施方式是对实施方式一所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的进一步限定，本实施方式中，对所述交叉，做了进一步限定，具体包括：
[0096]
按照交叉概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照交叉概率进行交叉操作，直到生成下一代种群，其中，所述交叉概率的获取公式为：
[0097][0098]
其中，pc为交叉概率。
[0099]
本实施方式的交叉操作可以保持叶片组的子代更新，以保证出现更合适的叶片组的可能性，为减少计算过程，节约时间，本发明采用变异的方式来代替交叉过程。根据生物
进化的基本原则，选择保留适应度大的种群，并汰掉适应度小的种群。
[0100]
需要说明的是，上述变异概率和交叉概率均由云条件发生器给出。
[0101]
实施方式九，本实施方式是基于如上文所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法的具体实施例，具体包括：
[0102]
本实施例的优化目标是降低叶盘系统的受迫振动赋值和减轻系统的局部振动化，系统振动产生的原因是在进行多级转子装配时，转子的不平衡量误差过大，目前不平衡量传递原理及其复杂，受到叶盘和叶片等多种因素的影响，需要考虑到发动机的实际装配情况，以公共轴线为基准，建立多级转子的装配后的不平衡量传递模型，因此本实施例以基准轴变换为原理，建立多级转子的不平衡量传递模型并建立目标函数，具体为：
[0103][0104]
式中mi为第i级转子叶盘质量；mi为第i级转子叶片质量；
[0105]
为以实际回转轴线为基准的第i级转子叶片的质心位置坐标；
[0106]
为实际回转轴线为基准的第i级转子叶盘的质心位置坐标；
[0107]
qi为第i级转子初始不平衡量；s为叶片总数；
[0108]
得到各级转子的不平衡量后，将它们投影到m、n两个校正面上(分别为距离多级转子下端面40mm和80mm处的平面)，则位于这两个校正面的不平衡量表达式分别为：
[0109][0110][0111]
最后整体的多级转子不平衡量表达式为：
[0112][0113]
式中，zi为第i级转子质心高度，zm为校正面m的高度，zn为校正面n的高度，q为整体不平衡量，校正面m为距离多级转子下端面40mm处的平面，n为距离多级转子下端面80mm处的平面。
[0114]
将一组叶片当作一个染色体，则每个叶片可视为染色体的一个基因。随机生成200组叶片组作为初始种群，设定种群大小为100组。在进行叶盘叶片排序前需要对叶片排布进行编码操作，本实施例采用顺序编码作为编码方式，即叶片和安装位置是一一对应的。由于叶盘的形状为圆形，则以该圆形的圆心为原点建立坐标系，以x轴的正方向为第一个叶片的安装位置，以逆时针旋转为安装正方向。
[0115]
适应度函数是遗传算法进化的基础，选择合适的适应度函数能够使遗传算法的搜索朝着最优的方向进行，并且也能获得足够高的运算精度。考虑到叶盘无初始不平衡量，叶片仅存在由质量矩导致的不平衡量，因此本实施例给出的适应度函数如下：
[0116][0117]
本实施例遵循一般的遗传算法的设计过程，对叶片组进行选择、交叉、变异和适应度设计。
[0118]
采用轮盘赌法作为算法的选择算子，适应度大的叶片组被选择的概率高，将第i个叶片组的适应度设定为fi。
[0119]
则它的适应度相对值如下：
[0120][0121]
pop为种群的大小，pi则为该组叶片被选中的概率，fi为第i个叶片组的适应度。
[0122]
变异操作用来恢复叶片组未开发或者失去的遗传物质，以防止种群在寻找最优解的过程中过早的收敛，采用两元素优化变异算子，即按照变异概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照变异概率进行变异操作，直到生成下一代种群。
[0123]
交叉操作的目的是保持叶片组的子代更新，以保证出现更合适的叶片组的可能性，为减少计算过程，节约时间，本实施例采用变异的方式来代替交叉过程。根据生物进化的基本原则，选择保留适应度大的种群，并汰掉适应度小的种群。由变异概率和交叉概率均由云条件发生器给出，其表达式分别如下：
[0124][0125][0126]
式中为平均适应度；f为变异个体适应度；f'为交叉两个体适应度的较大值；k1～k4，c1～c4为控制参数，k1～k4∈[0～1]，randn(en,he)生成期望值为en，标准偏差为he的正态随机数。
[0127]
通过设定初始种群和父代种群的大小、交叉概率和变异概率的值以及迭代次数，在计算机上进行迭代计算，获得最佳的叶片排序顺序。
[0128]
以相同的参数利用云自适应遗传算法对多级盘片分离转子系统不平衡量进行寻优，设定云自适应遗传算法参数k1＝k3＝0.9,k2＝k4＝0.4,c1＝2.8,c3＝3.1,c2＝c4＝9，得到不平衡量与迭代次数关系如图2所示。从图中可知，云自适应遗传算法具有较快的适应度更新速度，在到达第100代子种群时，种群中最优的不平衡量值已经降低为345.62g
·
mm，搜索时间为355.27s，本实施例通过种群适应度来不断变化选择保留子代适应度的阈值，改善了种群遗传的搜索效果，并最终找到了多级叶盘叶片装配后所有种群中不平衡量最小的叶盘叶片排序。

技术特征：
1.一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述方法包括：根据基准轴变换原理，建立多级转子的不平衡量传递模型，获取目标函数；利用云自适应遗传算法，获取优化的叶片排序顺序，具体包括：将一组叶片当作一个染色体，对叶片排布进行编码；设置初始种群和父代种群的大小、迭代次数；利用所述目标函数，获取适应度函数、适应度相对值、交叉概率和变异概率；根据所述初始种群和父代种群的大小、迭代次数、适应度函数、适应度相对值、交叉概率和变异概率，进行云自适应遗传算法的迭代计算，获取优化的叶片排序顺序。2.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述目标函数具体为：其中，式中，z
i
为第i级转子质心高度，z
m
为校正面m的高度，z
n
为校正面n的高度，q为整体不平衡量，其中，s为叶片总数，m
i
为第i级转子叶盘质量，m
i
为第i级转子叶片质量，为以实际回转轴线为基准的第i级转子叶片的质心位置坐标，为实际回转轴线为基准的第i级转子叶盘的质心位置坐标，角标x代表x方向分量，角标y代表y方向分量，q
i
为第i级转子初始不平衡量。3.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述对叶片排布进行编码，具体包括：采用顺序编码作为编码方式，将叶片和安装位置进行一一对应。4.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述安装位置的具体设置方法为：以叶盘的圆心为原点建立坐标系，以x轴的正方向为第一个叶片的安装位置，以逆时针旋转方向为安装正方向。5.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述适应度函数的获取方法，具体包括：利用所述目标函数，获取所述适应度函数：。6.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方
法，其特征在于，所述适应度相对值的获取方法，具体包括：利用所述适应度函数，获取适应度相对值：其中，pop为种群的大小，p
i
则为该组叶片被选中的概率，f
i
为第i个叶片组的适应度。7.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述变异，具体包括：按照变异概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照变异概率进行变异操作，直到生成下一代种群，其中，所述变异概率的获取公式为：其中，p
m
为变异概率，为平均适应度，f为变异个体适应度，f'为交叉两个体适应度的较大值，f
max
为变异个体适应度最大值，k1～k4，c1～c4为控制参数，k1～k4∈[0～1]，randn(en,he)生成期望值为en，标准偏差为he的正态随机数。8.根据权利要求1所述的一种大型高速回转装备多级失谐叶盘转子叶片排序优化方法，其特征在于，所述交叉，具体包括：按照交叉概率选择一个叶片组，随机使得叶片组中的两个叶片交换位置，形成新的叶片组，对所有的父节点按照交叉概率进行交叉操作，直到生成下一代种群，其中，所述交叉概率的获取公式为：其中，p
c
为交叉概率。9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，其特征在于，当所述处理器运行所述存储器存储的计算机程序时执行权利要求1至8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1至8中任一项所述的方法。

技术总结
大型高速回转装备多级失谐叶盘转子叶片排序优化方法和装置，属于转子平衡技术领域，解决对于多级转子不平衡量的调控精准性低的问题。本发明的方法包括：根据基准轴变换原理，建立多级转子多个叶片的不平衡量传递模型，获取目标函数；利用云自适应遗传算法，获取优化的叶片排序顺序，具体包括：将一组叶片当作一个染色体，对叶片排布进行编码；设置初始种群和父代种群的大小、迭代次数；利用目标函数，获取适应度函数、适应度相对值、交叉概率和变异概率；进行云自适应遗传算法的迭代计算，获取优化的叶片排序顺序。本发明适用于大型高速回转装备失谐叶盘叶片的排序。转装备失谐叶盘叶片的排序。转装备失谐叶盘叶片的排序。


技术研发人员：谭久彬 刘文韬 李泽霖 孙传智 刘永猛
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.05.25
技术公布日：2023/9/14