本發明涉及葉輪機械性能評估，具體為一種葉輪機械葉型幾何偏差性能不確定性量化評估方法。
背景技術：
1、風扇、壓氣機及渦輪等葉輪機械是各類動力與工業能量轉化裝置的核心部件，其氣動性能直接關系到整機的運行效率與可靠性。經過良好設計的葉輪機械在實際測試及使用過程中會暴露出性能不達標問題。究其根源，是設計、生產、制造、裝配乃至使用過程中的各個環節為葉輪機械的設計幾何引入了不確定性因素。參照附圖11，圖中橫軸表示性能，縱軸表示概率分布，受不確定性因素影響，葉輪機械的實際性能呈現出偏離設計性能的分布規律，部分情況下的性能數據會低于需求性能的界限，進而落入性能不達標區域。傳統的確定性設計無法充分考量諸多不確定性因素，增加了葉輪機械以及裝置整機的設計迭代周期以及投產后的制造、維護成本。
2、現有針對葉型的氣動性能不確定性量化方法通常基于二維葉柵模型仿真開展。此類分析方法在進行葉型性能不確定性量化時，輸入葉型截面的前尾緣形狀、厚度、安裝角等誤差特征，在輸入上述誤差特征的基礎上，通過獨立的二維葉柵仿真計算來獲取氣動性能分散度。
3、這種將研究對象從真實運行環境中剝離的不確定性分析方式存在客觀局限。該方法忽略了所研究葉型的幾何偏差在真實葉輪機械三維環境下引起的壓力梯度場改變，進而無法考量與之伴隨的流動徑向重分布等三維空間積分效應。上述局限導致現有的量化結果無法真實反映葉型偏差對三維葉片整體宏觀性能分散的影響，且無法準確識別導致性能退化的敏感偏差參數。因此，發展一種基于三維葉片運行環境以精準考慮三維效應影響的幾何偏差性能不確定性量化評估方法是本領域需要解決的問題。
技術實現思路
1、針對現有技術的不足，本發明提供了一種葉輪機械葉型幾何偏差性能不確定性量化評估方法，解決了現有基于二維葉柵模型的量化評估方法忽略幾何偏差在真實三維環境下引起的流動徑向重分布等三維空間積分效應，導致量化結果無法客觀反映幾何偏差對三維葉片整體氣動性能分散度的影響，且無法識別導致性能波動的對氣動性能高敏感的幾何特征的問題。
2、為解決上述問題，本發明提供如下技術方案：
3、本發明提供一種葉輪機械葉型幾何偏差性能不確定性量化評估方法，采用如下的技術方案：
4、一種葉輪機械葉型幾何偏差性能不確定性量化評估方法，包括以下步驟：
5、對葉輪機械葉型的幾何偏差特征進行參數化建模提取幾何偏差參數并抽樣構建幾何偏差參數樣本，基于所述幾何偏差參數樣本對原始設計葉型進行偏差造型，生成三維葉片仿真模型；
6、對所述三維葉片仿真模型進行氣動仿真計算，采用工況控制策略提取所述幾何偏差參數樣本在相同工況下的氣動指標，構建幾何偏差與氣動指標映射數據庫；
7、利用所述幾何偏差與氣動指標映射數據庫訓練代理模型，建立所述幾何偏差參數與所述氣動指標之間的非線性映射關系；
8、利用所述代理模型對隨機生成的幾何偏差參數樣本進行氣動性能推斷完成不確定性量化評估，并結合可解釋性機器學習方法計算所述隨機生成的幾何偏差參數樣本中各項所述幾何偏差參數的貢獻度，識別對氣動性能高敏感的幾何特征。
9、通過采用上述技術方案，由于采用參數化建模與代理模型相結合的方式，降低了氣動評估的時間成本與算力消耗；采用所述工況控制策略排除了變工況運行對氣動指標的干擾，保證性能退化源于幾何偏差；結合所述可解釋性機器學習方法，在實現氣動性能推斷的同時，量化各項所述幾何偏差參數對性能波動的貢獻度。因此，獲得識別高敏感偏差特征、兼顧量化評估計算效率與預測精度的效果，為葉輪機械的設計及加工公差制定提供了指導。
10、進一步的，所述對葉輪機械葉型的幾何偏差特征進行參數化建模提取幾何偏差參數并抽樣構建幾何偏差參數樣本具體包括：
11、提取真實運行環境下的幾何偏差特征作為所述葉輪機械葉型的幾何偏差特征，對所述葉輪機械葉型的幾何偏差特征進行數學參數化建模構建幾何偏差輸入參數向量作為所述幾何偏差參數；
12、確定所述幾何偏差輸入參數向量中的各項參數的取值范圍，在所述各項參數的取值范圍內利用隨機采樣方法進行抽樣構建包含多組所述幾何偏差參數樣本的幾何偏差參數樣本集。
13、通過采用上述技術方案，基于真實運行環境界定所述各項參數的取值范圍并進行抽樣，保證了生成的所述幾何偏差參數樣本集具備物理意義與代表性，為后續所述代理模型的模型訓練建立了輸入數據基礎。
14、進一步的，所述基于所述幾何偏差參數樣本對原始設計葉型進行偏差造型，生成三維葉片仿真模型具體包括：
15、針對所述幾何偏差參數樣本集中的每一組所述幾何偏差參數樣本，在所述原始設計葉型的目標葉高截面處實施偏差葉型造型生成真實葉型；
16、將所述真實葉型與除所述目標葉高截面之外的其余葉高處的所述原始設計葉型沿葉片徑向進行積疊，重構出三維葉片幾何模型，并將所述三維葉片幾何模型輸出為所述三維葉片仿真模型。
17、通過采用上述技術方案，針對所述目標葉高截面實施偏差葉型造型并沿葉片徑向進行積疊，實現了局部幾何偏差的準確還原，保證建立的所述三維葉片仿真模型能夠反映葉片在服役過程中的空間形態變異。
18、進一步的，所述真實運行環境下的幾何偏差特征包括因積垢引起的真實幾何形狀偏離，所述幾何偏差輸入參數向量包含積垢增厚起始位置與增厚強度；
19、在所述沿葉片徑向進行積疊的過程中，在所述目標葉高截面的鄰近范圍內采用平滑過渡處理形成幾何偏差的平滑過渡區，保證所述三維葉片幾何模型的表面光滑連續。
20、通過采用上述技術方案，由于采用平滑過渡處理消除了所述真實葉型與所述原始設計葉型交接處的幾何突變，避免了氣動仿真計算過程中因表面不連續引發的三維網格畸變，保障了計算過程的穩定性與收斂精度。
21、進一步的，所述對所述三維葉片仿真模型進行氣動仿真計算，采用工況控制策略提取所述幾何偏差參數樣本在相同工況下的氣動指標，構建幾何偏差與氣動指標映射數據庫具體包括：
22、在設計轉速下對所述原始設計葉型進行全工況掃描獲取最高效率點，提取所述最高效率點對應的基準工況參數；
23、針對所述幾何偏差參數樣本集中的每一組所述幾何偏差參數樣本分別進行cfd計算作為所述氣動仿真計算，在保持與獲取所述基準工況參數時相同的進口邊界條件的基礎上，通過動態調節每一組所述幾何偏差參數樣本對應的出口背壓作為所述工況控制策略，強制每一組所述幾何偏差參數樣本的實際氣動參數等于所述基準工況參數；
24、在滿足所述相同工況后提取每一組所述幾何偏差參數樣本對應的所述氣動指標構成氣動指標輸出向量，將所有的所述幾何偏差參數樣本對應的所述幾何偏差輸入參數向量與所述氣動指標輸出向量進行一一對應組合，構建出所述幾何偏差與氣動指標映射數據庫。
25、通過采用上述技術方案，由于采用動態調節出口背壓強制所述實際氣動參數等于所述基準工況參數的所述工況控制策略，消除了單一背壓設定下流量偏移導致的運行誤差，保證所有的所述氣動指標提取均建立在一致的氣動工作點上，提升了所述幾何偏差與氣動指標映射數據庫中輸入與輸出對應關系的物理嚴謹性。
26、進一步的，所述基準工況參數包括進口相對馬赫數基準值與相對氣流角基準值；所述氣動指標包括等熵效率與壓比。
27、通過采用上述技術方案，選用空氣動力學氣動熱力學參數作為判定工況和評估性能的基準，使得評估方法能夠應用于葉輪機械常規設計與考核體系，增強了方法的通用性。
28、進一步的，所述利用所述幾何偏差與氣動指標映射數據庫訓練代理模型，建立所述幾何偏差參數與所述氣動指標之間的非線性映射關系具體包括：
29、選用全連接神經網絡作為所述代理模型，設定所述全連接神經網絡的輸入層為所述幾何偏差輸入參數向量，設定所述全連接神經網絡的輸出層為所述氣動指標輸出向量；
30、將所述幾何偏差與氣動指標映射數據庫劃分為訓練集與驗證集，將所述幾何偏差與氣動指標映射數據庫作為數據源輸入所述全連接神經網絡中進行模型訓練；
31、在所述模型訓練過程中，采用k折交叉驗證方法對所述全連接神經網絡的網絡超參數進行尋優驗證，篩選出在所述驗證集上具有最高預測精度的最優網絡超參數，建立基于數據驅動的所述非線性映射關系。
32、通過采用上述技術方案，利用所述全連接神經網絡的擬合能力替代計算密集的cfd求解過程，并通過k折交叉驗證方法優化所述網絡超參數，抑制了所述全連接神經網絡的過擬合傾向，構建了具備泛化能力的所述代理模型。
33、進一步的，所述利用所述代理模型對隨機生成的幾何偏差參數樣本進行氣動性能推斷完成不確定性量化評估具體包括：
34、在給定的幾何偏差概率分布條件下，利用蒙特卡洛方法生成包含各項所述幾何偏差參數的所述隨機生成的幾何偏差參數樣本；
35、將所述隨機生成的幾何偏差參數樣本輸入所述全連接神經網絡中，得到所述隨機生成的幾何偏差參數樣本對應的氣動性能預測結果；
36、統計所有的所述隨機生成的幾何偏差參數樣本的所述氣動性能預測結果并計算所述氣動性能預測結果的均值，對比所述原始設計葉型的設計點性能與所述氣動性能預測結果的均值，計算所述原始設計葉型與所述隨機生成的幾何偏差參數樣本之間的性能退化量，完成所述不確定性量化評估。
37、通過采用上述技術方案，利用蒙特卡洛方法結合所述全連接神經網絡執行多組數據的推斷，能夠統計多維隨機變量共同作用下的氣動性能概率分布特征，實現了所述性能退化量的定量測算。
38、進一步的，所述結合可解釋性機器學習方法計算所述隨機生成的幾何偏差參數樣本中各項所述幾何偏差參數的貢獻度具體包括：
39、選用shap可解釋性機器學習方法作為所述可解釋性機器學習方法，對所述全連接神經網絡的所述氣動性能預測結果進行數學分解，計算輸入所述全連接神經網絡中的各個所述幾何偏差參數對應的邊際貢獻度作為所述貢獻度；
40、利用所述shap可解釋性機器學習方法將單一的所述隨機生成的幾何偏差參數樣本對應的所述氣動性能預測結果分解為氣動性能預測結果基準值與各個所述幾何偏差參數對所述氣動性能預測結果的所述邊際貢獻度之和。
41、通過采用上述技術方案，引入所述shap可解釋性機器學習方法解析所述全連接神經網絡，明確了單一預測結果的內部量化構成，實現了各個所述幾何偏差參數對所述氣動性能預測結果影響程度的解耦與計算。
42、進一步的，所述識別對氣動性能高敏感的幾何特征具體包括：
43、在計算出各個所述幾何偏差參數的所述邊際貢獻度之后，統計并評估所有的所述隨機生成的幾何偏差參數樣本中各個所述幾何偏差參數對應的所述邊際貢獻度的全局權重大小，輸出包含特征邊際貢獻度數值的條形圖，定位導致性能波動的高敏感幾何特征作為所述對氣動性能高敏感的幾何特征，并生成包含所述對氣動性能高敏感的幾何特征的敏感度分析報告。
44、通過采用上述技術方案，通過統計所述全局權重大小并輸出所述條形圖，鎖定了導致性能波動的所述對氣動性能高敏感的幾何特征，為修改加工公差或制定清洗維護方案提供了量化決策依據。
45、本發明提供了一種葉輪機械葉型幾何偏差性能不確定性量化評估方法。具備以下有益效果：
46、1、本發明通過在原始設計葉型的目標葉高截面處實施偏差葉型造型生成真實葉型，并將真實葉型與其余葉高處的原始設計葉型沿葉片徑向進行積疊以重構出三維葉片仿真模型，克服了基于二維葉柵的評估方法無法考慮徑向流動效應的缺陷，從而客觀反映因積垢引起的真實幾何形狀偏離對葉片整體性能分散度的影響，提升了葉輪機械葉型幾何偏差性能不確定性量化評估方法的工程適用性。
47、2、本發明通過對三維葉片仿真模型進行氣動仿真計算，采用動態調節出口背壓作為工況控制策略以強制每一組幾何偏差參數樣本的實際氣動參數等于基準工況參數，消除了單一背壓設定下流量偏移導致的運行誤差，進而保證所有的氣動指標提取均建立在一致的氣動工作點上，客觀反映了單純由幾何偏差特征引起的不確定性以及對原始設計葉型性能退化量的影響，保障了評估數據的物理嚴謹性。
48、3、本發明通過利用全連接神經網絡作為代理模型對隨機生成的幾何偏差參數樣本進行氣動性能推斷，并結合shap可解釋性機器學習方法計算各個幾何偏差參數對應的邊際貢獻度，在完成不確定性量化評估的同時統計全局權重大小以定位導致性能波動的對氣動性能高敏感的幾何特征，實現了各個幾何偏差參數對氣動性能預測結果影響程度的解耦與計算，為制定清洗維護方案提供了量化決策依據。