(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211008642.7 (22)申请日 2022.08.22 (71)申请人 西安交通大 学 地址 710049 陕西省西安市碑林区咸宁西 路28号 (72)发明人 汪祺能　宋立明　郭振东　李军　 丰镇平　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 高博 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/20(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 基于全局灵敏度分析的多级叶轮机械优化 方法 (57)摘要 基于全局灵敏度分析的多级叶轮机械优化 方法， 包括以下步骤： 建立 设计空间； 在建立的设 计空间中获得分布均匀的若干个样 本； 建立一个 记录所有变量数据两两间交互关系的数据表； 根 据全局灵敏度分析结果， 初筛出若干组较可能有 相关性的变量组合， 由此在初步 分解方案的基础 上生成r个子任务， 对r个子问题分别进行优化； 更新子问题的搜索边界， 在子问题中验证被初筛 出来的变量组合， 在优化结束后根据优化得到的 子问题代理模 型确认两个变量的相关性； 重复上 述步骤， 直到所有样本评估次数达到设置的上 限。 本发明有效提升了优化的效率； 而优化过程 逐步地对设计空间进行探索 的方式也使得数据 挖掘的结果相对于一次性的数据挖掘具有更高 的鲁棒性和准确性。 权利要求书3页 说明书6页 附图1页 CN 115481500 A 2022.12.16 CN 115481500 A 1.基于全局灵敏度分析的多 级叶轮机 械优化方法， 其特 征在于， 包括以下步骤： 以多级叶轮机 械部件为设计对象， 得到各三维叶片的调整参数， 建立设计空间； 在建立的设计空间中获得分布均匀的若干个样本坐标， 对其进行性能评估获得这若干 个设计样本的优化目标评估值； 使用获得的样本坐标和优化目标评估值建立全局混沌多项式PCE拟合模型； 建立一个 记录所有变量数据两 两间交互关系的交 互数据表； 根据当前的交互数据表， 生成初步分解方案； 根据由全局混沌多项式PCE模型提供的敏 感度数值， 在 初步分解方案的基础上生成r个子任务， 对r个子问题分别进行优化； 更新子问题 的搜索边界， 在子问题中验证被初筛出来的变量组合， 在优化结束后根据 优化得到的子问题 代理模型确认两个 变量的交 互关系； 重复上述步骤， 直到所有样本评估次数达到设置的上限， 从样本数据集合中选择样本 值最优的样本作为优化的结果， 从交 互数据集 合中获取 该设计任务的交 互信息知识。 2.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 在建立的设计空间中使用拉丁超立方LHS采样方法获得分布较为均匀的若干个样本坐标； 在设计空间中， 一组确定的设计参数对应获得一个几何设计。 3.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 使用获得的样本坐标和优化目标评估值建立PCE拟合模型 PCE拟合模型的系数即 代表了该项的Sobol敏感度的数值大小， 提取其中所有二次项的系数记为Sjk(1≤j<k≤D)， 代表了变量xj和变量xk在整个空间中的交 互程度。 4.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 建立一个记录所有变量数据两两间交互关系的交互数据表， 对于D维问题共存在D(D ‑1)/2 组两两交互关系； 其中Ijk(1≤j<k≤D)代.表了优化过程中识别到在变量xj和变量xk之间是 否存在交互关系； 如果存在交互关系则Ijk＝1； 如果不存在交互关系Ijk＝0； 在初始状态下 默认所有变量之间不相关， 均记录为0 。 5.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 根据当前的交互数据I， 生成初步分解方案： 将D个变量分配到子问题中， 如 果两个变量xa和 xb之间已确认有交互关系， 即Iab＝1， 则将这两个变量分配到同一个子问题中， 此时D个变量 被分解为rtemp组。 6.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 将代表变量间交互程度的S 中的元素按从大到小的顺序进行排列， 选出符合要求的成对变 量： 1)这对变量在初步分解方案中并不同组； 2)将这对变量分别所在的两个子问题的维度 相加后不超过5； 按顺序筛选出[D/5]对初筛交互变量， 将这些成对变量所在的两个子问题 聚合为一个子问题， 得到这 一轮优化的最终分解方案， 此时D个 变量被分解 为r组。 7.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 生成r个子任务： 选择当前已经评估的所有样本中目标性能最优的样本坐标作为核心点x*， 根据最终分解方案将高维全局问题分解为r个低维问题， 假设变量x1,x2,x3被分在同一组 中， 则其对应的子问题为： 权　利　要　求　书 1/3 页 2 CN 115481500 A 28.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 对r个子问题分别使用EGO算法进行优化： 使用Kriging代理模型和最大期望提升加点准则 EI在子问题空间内完成一次完整独立的优化搜索， 优化得到的结果为xbest,j， 在优化结束时 的Kriging模型为 在优化结束后将所有子任务优化过程中产生的样本保存到样本数 据集合中； 更新子问题的搜索边界： 首先在当前边界范围内采 集Ntest个样本， 获得样本集合X， 分别 求这些样本的预测值 选出评估值最优的[Ntest·ω]个样本集合Xs； 新的搜索上下边界U， L分别为： 均为集合Xs中的样本， Ntest和ω的取值分别 设为10000和0.5； 采样所使用的方法为 拉丁超立方采样。 9.根据权利要求1所述的基于全局灵敏度分析的多级叶轮机械优化方法， 其特征在于， 在子问题中验证被初筛出来的变量组合； 在优化结束后需要根据优化得到的子问题代理模 型确认两个 变量的交 互关系； 使用减一交叉验证分析代理模型的精度； 其中， 表示使用除了第i个样本以外的样本所建立的模型； 使用摄动法来确认两个 变量之间的相关性关系； 其中， Ntest和h的取值分别设为10000和0.0001； 采样所使用的方法为拉丁超立方采样； 当代理模 型的R2值大于0.8且Hij值大于0.2时则确认 这两个变量之间存在交互关系， 将这个 结果存入记录所有变量数据两 两间交互关系的数据表中。 10.基于全局灵敏度分析的多 级叶轮机 械优化系统， 其特 征在于， 包括： 设计空间模块， 用于以叶轮机械部件为设计对象， 得到三维叶片的调整参数， 建立设计 空间； 性能评估模块， 用于在建立的设计空间中获得分布均匀的若干个样本坐标， 对其进行 性能评估获得这若干个设计样本的优化目标评估值； 模型建立模块， 用于使用获得的样本坐标和优化目标评估值建立全局混沌多项式PCE 拟合模型； 建立 一个记录所有变量数据两 两间交互关系的交 互数据表；权　利　要　求　书 2/3 页 3 CN 115481500 A 3