王 磊，李雙喜，朱喬峰，李 歡

基于PSO-BP的調(diào)控型氣體密封狀態(tài)參數(shù)智能計(jì)算方法研究

王 磊，李雙喜，朱喬峰，李 歡

（北京化工大學(xué)流體密封實(shí)驗(yàn)室，北京 100029）

調(diào)控型氣體密封作為一種非接觸密封，可以提高系統(tǒng)服役過程中運(yùn)行的穩(wěn)定性，但是目前密封狀態(tài)參數(shù)的計(jì)算方法存在計(jì)算模型建立過程繁雜以及迭代計(jì)算耗時(shí)較長等缺點(diǎn)。本文采用了一種符合智能調(diào)控系統(tǒng)輸出精度及時(shí)效性要求的粒子群算法（PSO）優(yōu)化下的BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)方法，開發(fā)了基于PSO-BP的調(diào)控型氣體密封狀態(tài)參數(shù)的智能調(diào)控程序。并且對(duì)神經(jīng)網(wǎng)絡(luò)模型初始閥值與權(quán)值進(jìn)行取值優(yōu)化，討論了粒子群種群數(shù)量，隱含層數(shù)，神經(jīng)元數(shù)等參數(shù)對(duì)智能計(jì)算程序的影響。搭建了基于PSO-BP的調(diào)控型氣體密封試驗(yàn)驗(yàn)證系統(tǒng)，驗(yàn)證了密封狀態(tài)參數(shù)智能計(jì)算程序的精確度。實(shí)現(xiàn)了調(diào)控型氣體密封的智能調(diào)控，提高了調(diào)控型氣體密封抗干擾能力，促進(jìn)了大型離心壓縮機(jī)向?qū)捁r、高參數(shù)、高效率和智能化方向發(fā)展。

調(diào)控型氣體密封；神經(jīng)網(wǎng)絡(luò)；智能調(diào)控；性能參數(shù)

1 前言

典型的調(diào)控型氣體密封結(jié)構(gòu)（RGS）如圖1所示［1］，動(dòng)環(huán)隨軸旋轉(zhuǎn)，靜環(huán)浮裝于靜環(huán)座。圓周貫通的均壓槽加工在密封端面，并與調(diào)控氣引入通道末端的節(jié)流裝置（本文采用小孔節(jié)流）相連通。外部的調(diào)控氣（壓力為ps）通過節(jié)流裝置導(dǎo)入到密封間隙內(nèi)（壓力降為pd），借助靜壓效應(yīng)產(chǎn)生一定開啟力，密封運(yùn)轉(zhuǎn)時(shí)動(dòng)壓槽的動(dòng)壓效應(yīng)進(jìn)一步增大開啟效果，使靜環(huán)端面獲得穩(wěn)定的工作氣膜。

圖1 RGS工作原理示意

在密封的任何狀態(tài)都可以通過調(diào)節(jié)調(diào)控氣壓的大小而調(diào)節(jié)或設(shè)定密封的工作狀態(tài)，故這種密封稱為調(diào)控型氣體密封。當(dāng)密封狀態(tài)（如密封內(nèi)外徑處的壓力、轉(zhuǎn)速等）變化時(shí)，可以改變調(diào)控氣壓力大小，進(jìn)而改變密封的工作狀態(tài)，防止密封碰撞或泄漏過大而失效。

調(diào)控型氣體密封輔以智能調(diào)控系統(tǒng)，在密封運(yùn)行過程中采取相應(yīng)的響應(yīng)動(dòng)作，可以擴(kuò)大此種密封工作適用范圍，提高運(yùn)行穩(wěn)定性。得益于智能調(diào)控系統(tǒng)［2］，使得該種密封具備抗干擾、可調(diào)控及智能化的特點(diǎn)，有著廣泛的運(yùn)用前景［3，4］。

調(diào)控時(shí)，需要實(shí)時(shí)確定密封的狀態(tài)參數(shù)，以往針對(duì)調(diào)控型氣體密封的研究中，已經(jīng)有大量的文獻(xiàn)表明，商業(yè)軟件（如FLUENT、CFD等）能夠很好地完成密封狀態(tài)參數(shù)計(jì)算［5］，但該類方法僅能針對(duì)具體尺寸單獨(dú)建模分析，其結(jié)果精度較高［6，7］，但時(shí)間較長。為便于研究不同結(jié)構(gòu)的密封性能，不少學(xué)者采用 MATLAB 編寫了計(jì)算程序［8，9］，實(shí)現(xiàn)參數(shù)化分析，極大地提高了分析效率，但計(jì)算時(shí)間仍在20～50m in，無法滿足調(diào)控時(shí)效性要求。因此需要一種符合智能調(diào)控系統(tǒng)輸出精度及時(shí)效性要求的密封參數(shù)計(jì)算方法。

針對(duì)這一問題，本文基于調(diào)控型氣體密封特點(diǎn)，建立了BP（BackPropagation）神經(jīng)網(wǎng)絡(luò)計(jì)算模型［10，11］，并采用粒子群算法針對(duì)神經(jīng)網(wǎng)絡(luò)模型初始閥值與權(quán)值進(jìn)行取值優(yōu)化［12］，研究了粒子群算法（英文縮寫為PSO）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)分析密封運(yùn)行狀態(tài)，分析不同算法結(jié)構(gòu)下模型精度。

2 密封狀態(tài)參數(shù)的智能計(jì)算程序

2.1 PSO-BP的工作原理

為滿足調(diào)控過程中的時(shí)效性要求，為執(zhí)行機(jī)構(gòu)提供精確的控制信號(hào)，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的狀態(tài)參數(shù)智能計(jì)算方法。該方法不僅能夠適應(yīng)調(diào)控型氣體密封各參數(shù)高度非線性的特點(diǎn)，還具備較高的時(shí)效性。為避免網(wǎng)絡(luò)出現(xiàn)過度學(xué)習(xí)及陷入局部最優(yōu)的困境，引入粒子群優(yōu)化（PSO）算法為其提供全局優(yōu)選的初始權(quán)值和閥值。優(yōu)化后的算法具備規(guī)模小、速度快及魯棒性強(qiáng)等優(yōu)點(diǎn)。

調(diào)控型氣體密封控制過程中，輸入信號(hào)有：期望膜厚hw（或期望泄漏率qiw）、壓縮機(jī)出口壓力po及轉(zhuǎn)軸轉(zhuǎn)速n，因此神經(jīng)網(wǎng)絡(luò)中輸入層具有3個(gè)神經(jīng)元分別接受被控目標(biāo)量及被控對(duì)象輸出量，輸入層單元采用線性函數(shù)；隱含層共有m層，各層含有pm個(gè)S型單元；輸出層采用2個(gè)線性單元，輸出調(diào)控氣壓力ps與期望泄漏率qiw（或期望膜厚hw）。最終建立的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 調(diào)控型氣體密封狀態(tài)參數(shù)智能計(jì)算網(wǎng)絡(luò)結(jié)構(gòu)示意

2.2 密封狀態(tài)參數(shù)的智能計(jì)算過程

針對(duì)調(diào)控型氣體密封的參數(shù)智能計(jì)算方法，其具體運(yùn)算步驟及關(guān)鍵計(jì)算如下：

（1）對(duì)系統(tǒng)程序進(jìn)行初始化，并在［-1,1］范圍內(nèi)給每個(gè)權(quán)值隨機(jī)賦值，同時(shí)輸入計(jì)算允許誤差εo和最大進(jìn)化次數(shù)K。

（2）對(duì)調(diào)控型氣體密封學(xué)習(xí)樣本進(jìn)行歸一化處理。

式中ymax，ymin——映射函數(shù)參數(shù)，分別取 -1，1

xmax，xmin——調(diào)控型氣體密封同類參數(shù)原始數(shù)據(jù)庫中最大值、最小值

（3）PSO初始化粒子群，輸入基本參數(shù)：粒子位置范圍［-5，5］、速度范圍［-1，1］；種群數(shù)量S；在限制范圍內(nèi)賦予每個(gè)粒子隨機(jī)位置Lj及速度Vj。

（4）通過BP網(wǎng)絡(luò)計(jì)算每個(gè)粒子對(duì)應(yīng)的網(wǎng)絡(luò)真實(shí)輸出Yo，計(jì)算每個(gè)粒子所處位置所取得的輸出精度，即適應(yīng)度值。

令其為個(gè)體最優(yōu)值Fjb及Ljb的初始值，選取群體中最小適應(yīng)度值為群體最優(yōu)適應(yīng)度值Fs及Ls的初始值。

（5）對(duì)粒子速度及位置進(jìn)行更新尋優(yōu)：

式中j ——下標(biāo)，j=1,2,3,…,n

d ——下標(biāo)，d=1,2,3，…，D

ω——慣性權(quán)重，ω=1

c1，c2——加速度因子，c1=c2=1.495

r1，r2——分布與［0，1］間的隨機(jī)數(shù)

（6）計(jì)算更新后的粒子適應(yīng)度函數(shù)值Fj并進(jìn)行最優(yōu)值遴選與替換，比較適應(yīng)度值或搜索次數(shù)是否達(dá)到要求：若達(dá)到停止條件繼續(xù)步驟（7），否則為進(jìn)入步驟（5）。

（7）將全局最優(yōu)位置 Ls=（ls1,ls2,ls3，···，lsD）T作為BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值閥值。

（8）計(jì)算各層神經(jīng)元輸出。

式中j ——第j層神經(jīng)元

f——該層響應(yīng)函數(shù)

n——該層神經(jīng)元含有節(jié)點(diǎn)數(shù)

若為中間神經(jīng)元時(shí)，該層輸出即為下一層輸入：xj+1i=yji。當(dāng)該層為輸出層時(shí)，yji為反饋輸出參數(shù)yoi。

（9）根據(jù)梯度下降法計(jì)算網(wǎng)絡(luò)層間反饋參數(shù)δωj。

（10）進(jìn)行權(quán)值修正。

式中k ——當(dāng)前進(jìn)化次數(shù)

η ——學(xué)習(xí)速率

（11）根據(jù)網(wǎng)絡(luò)輸出Yo與期望輸出Eo計(jì)算網(wǎng)絡(luò)輸出誤差ε。

（12）判斷是否達(dá)到停止條件，若不符合要求則進(jìn)入步驟（8），若符合要求則完成網(wǎng)絡(luò)訓(xùn)練。此后即可讀取預(yù)處理后的輸入?yún)?shù)，及時(shí)輸出密封調(diào)控參數(shù)。

完成關(guān)鍵計(jì)算后，形成基于PSO-BP的調(diào)控型氣體密封參數(shù)智能計(jì)算程序，其流程如圖3所示。

圖3 調(diào)控型氣體密封狀態(tài)參數(shù)智能計(jì)算

3 密封狀態(tài)參數(shù)的智能計(jì)算程序的學(xué)習(xí)和訓(xùn)練

針對(duì)不同的調(diào)控目標(biāo)，智能計(jì)算程序的輸入?yún)?shù)與輸出參數(shù)有所不同，具體設(shè)定見表1。為提高程序普遍適用性及數(shù)值關(guān)聯(lián)性，定義以下2組控制參數(shù)。（1）密封調(diào)控比：調(diào)控氣壓力ps按比例轉(zhuǎn)換：

表1 不同目標(biāo)參數(shù)監(jiān)控參數(shù)分

（2）密封壓力比：密封介質(zhì)壓力po轉(zhuǎn)換：

為讓學(xué)習(xí)樣本在全面有效的基礎(chǔ)上盡量減少學(xué)習(xí)樣本數(shù)量，樣本針對(duì)壓縮機(jī)開、停車過程中可能出現(xiàn)的各種狀態(tài)，其根據(jù)調(diào)控比Λ、密封介質(zhì)壓力po和轉(zhuǎn)軸速度n3個(gè)實(shí)際變量劃分?jǐn)?shù)據(jù)分布。其取值見表2。

表2 學(xué)習(xí)樣本變量取值

根據(jù)表2變量取值，進(jìn)而取得其唯一對(duì)應(yīng)的氣膜厚度h及泄漏率qi參數(shù)。將以上一一對(duì)應(yīng)的調(diào)控比Λ、密封介質(zhì)壓力po、轉(zhuǎn)軸速度n、氣膜厚度h及泄漏率qi作為學(xué)習(xí)樣本，最終選取了學(xué)習(xí)樣本共350組。

3.1 智能計(jì)算程序關(guān)鍵參數(shù)的設(shè)定、優(yōu)化

針對(duì)種群數(shù)量S、隱含層節(jié)點(diǎn)數(shù)nH及隱含層層數(shù)J進(jìn)行優(yōu)化，擇優(yōu)中以網(wǎng)絡(luò)訓(xùn)練精度和訓(xùn)練時(shí)間為參考量。

（1）種群數(shù)量S

在隱含層數(shù)J=1，隱含層節(jié)點(diǎn)數(shù)nH=6時(shí)，網(wǎng)絡(luò)精度及訓(xùn)練時(shí)間隨種群數(shù)量S的變化如圖4所示。隨著S增大，程序精度ε先快速減小，然后變化趨于平穩(wěn)；而訓(xùn)練時(shí)間t隨著種群數(shù)量S增加基本呈線性遞增。因?yàn)樗惴ㄇ蠼獾螖?shù)隨著種群數(shù)量增加而線性增加，因此計(jì)算時(shí)間與基本S呈正比例關(guān)系；但S較小時(shí)，各粒子群中個(gè)體靠近最優(yōu)位置的概率及數(shù)量大大降低，然而當(dāng)種群數(shù)量S增加時(shí)，粒子靠近最優(yōu)位置的概率先快速增加，但達(dá)到一定數(shù)量時(shí)，粒子由于具有c1加速度因子控制的社會(huì)習(xí)性，搜索最優(yōu)位置的效率便趨于穩(wěn)定，即精度趨于平穩(wěn)。因此由圖4（a）可取得較優(yōu)的種群數(shù)量S=30。

圖4 種群數(shù)量S對(duì)密封程序性能的影響（J=1,nH=6）

（2）隱含層節(jié)點(diǎn)數(shù)nH

節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)不能很好的學(xué)習(xí)，需要訓(xùn)練的次數(shù)及樣本數(shù)量增加，且精度也受影響；但節(jié)點(diǎn)數(shù)太多，訓(xùn)練時(shí)間將大大增加，網(wǎng)絡(luò)容易過擬合；一般問題神經(jīng)網(wǎng)絡(luò)的誤差具有隨著隱含層節(jié)點(diǎn)數(shù)增加呈現(xiàn)先減小后增加的趨勢(shì)。

在隱含層數(shù)J=1，種群數(shù)量S=30時(shí)，網(wǎng)絡(luò)精度及訓(xùn)練時(shí)間隨隱含層節(jié)點(diǎn)數(shù)nH的變化如圖5所示。從圖中可以看出，精度ε隨隱含層節(jié)點(diǎn)數(shù)nH先提高再降低，因而可選擇隱含層節(jié)點(diǎn)數(shù)為nH=10。

圖5隱含層節(jié)點(diǎn)數(shù)nH對(duì)網(wǎng)絡(luò)性能的影響（J=1,S=30）

（3）隱含層層數(shù)J

在種群數(shù)量S=30，隱含層節(jié)點(diǎn)數(shù)nH=8時(shí)，網(wǎng)絡(luò)精度及訓(xùn)練時(shí)間隨種群數(shù)量S的變化如圖6所示。從圖中可以看出，隨之隱含層層數(shù)J增大，程序精度ε略微減小，但總體變化不大；而訓(xùn)練時(shí)間t隨著隱含層層數(shù)J增加基本呈線性遞增。因?yàn)樗惴ㄇ蠼獾螖?shù)隨著隱含層層數(shù)J增加而線性增加，因此計(jì)算時(shí)間與基本S呈正比例關(guān)系；但網(wǎng)絡(luò)結(jié)構(gòu)在一定神經(jīng)元節(jié)點(diǎn)數(shù)時(shí)已經(jīng)具有較好的計(jì)算精度，因此隱含層層數(shù)的增加對(duì)預(yù)測(cè)精度提高并不明顯故圖6（b）可取得較優(yōu)的隱含層層數(shù)J=1。

圖6隱含層層數(shù)J對(duì)網(wǎng)絡(luò)性能的影響（nH=8,S=30）

根據(jù)以上分析可確定狀態(tài)參數(shù)智能計(jì)算程序結(jié)構(gòu)見表3，并利用此程序結(jié)構(gòu)進(jìn)行最終學(xué)習(xí)訓(xùn)練，對(duì)調(diào)控型氣體密封進(jìn)行參數(shù)計(jì)算。

表3 密封狀態(tài)參數(shù)智能計(jì)算程序結(jié)構(gòu)

隱含層節(jié)點(diǎn)數(shù)nH（個(gè)） 10隱含層層數(shù)J（層） 1

3.2 調(diào)控型氣體密封狀態(tài)參數(shù)智能的計(jì)算精度

參數(shù)計(jì)算可分為以氣膜厚度或泄漏率為目標(biāo)參數(shù)進(jìn)行檢驗(yàn)，本文選取泄漏率作為檢驗(yàn)參數(shù)，對(duì)比計(jì)算值與非學(xué)習(xí)樣本的實(shí)際工況數(shù)據(jù)組，完成智能計(jì)算程序?qū)嶋H工況檢驗(yàn)。

其計(jì)算檢驗(yàn)結(jié)果如圖7所示?？梢钥闯龀绦蚰軌?qū)?shí)際工作狀態(tài)進(jìn)行精確控制參數(shù)輸出。以泄漏率為目標(biāo)時(shí)，第2組調(diào)控氣壓力輸出誤差僅為1.13%，泄漏率輸出誤差為1.31%。除第2組樣本外，其他組輸出誤差都控制在1.00%以下，達(dá)到了實(shí)際工程要求。通過對(duì)學(xué)習(xí)后的密封狀態(tài)參數(shù)智能計(jì)算程序進(jìn)行實(shí)際工況參數(shù)檢驗(yàn)，程序具有很好的參數(shù)計(jì)算精度。

圖7 以泄漏率為目標(biāo)的實(shí)際工況參數(shù)計(jì)算結(jié)果

3.3 調(diào)控型氣體密封狀態(tài)參數(shù)智能的計(jì)算速度在調(diào)控型氣體密封的調(diào)控中，指導(dǎo)信號(hào)的時(shí)效性同樣值得關(guān)注。將訓(xùn)練好的智能計(jì)算程序與依靠純流體機(jī)理數(shù)值計(jì)算方法迭代求解進(jìn)行對(duì)比［13，14］，計(jì)算所需時(shí)間如表 4 所示。

表4 不同方法計(jì)算所用時(shí)間

從以上計(jì)算時(shí)間對(duì)比結(jié)果可以看出，采用智能計(jì)算方法所用的計(jì)算時(shí)間均在0.013s以下，該值遠(yuǎn)小于數(shù)值計(jì)算方法所需時(shí)間。由此可以看出雖然智能計(jì)算程序需要一定時(shí)間進(jìn)行邏輯訓(xùn)練，但是完成訓(xùn)練的程序計(jì)算速度能夠迅速地輸出指導(dǎo)信號(hào)；并且完成訓(xùn)練的程序，其后續(xù)學(xué)習(xí)與計(jì)算輸出能夠同時(shí)進(jìn)行，并不會(huì)增大控制信號(hào)輸出計(jì)算所需時(shí)間。

4 計(jì)算程序的試驗(yàn)驗(yàn)證

4.1 試驗(yàn)系統(tǒng)

圖8所示為密封狀態(tài)調(diào)控系統(tǒng)流程。在密封智能調(diào)控系統(tǒng)工作時(shí)，離心壓縮機(jī)轉(zhuǎn)速n或出口壓力po發(fā)生變化，調(diào)控型氣體密封氣膜厚度和泄漏率隨之發(fā)生變化，通過光電轉(zhuǎn)速傳感器和電渦流位移傳感器等設(shè)備將物理信號(hào)轉(zhuǎn)化為與之成比例變化的電壓信號(hào)，經(jīng)過信號(hào)調(diào)理、A/D轉(zhuǎn)換后進(jìn)入計(jì)算機(jī)，將采集目標(biāo)量與期望值比較，并經(jīng)過密封參數(shù)計(jì)算程序輸出控制信號(hào)，通過D/A轉(zhuǎn)換控制電磁閥開關(guān)，進(jìn)而調(diào)節(jié)平衡罐內(nèi)壓力ps，最終實(shí)現(xiàn)調(diào)控型氣體密封膜厚（或泄漏率）的控制。

圖8 密封狀態(tài)調(diào)控系統(tǒng)流程

4.2 試驗(yàn)驗(yàn)證

本文以氣膜厚度h為目標(biāo)參數(shù)，通過改變?cè)囼?yàn)密封裝置的操作參數(shù)，通過比較目標(biāo)參數(shù)與期望值符合程度，以此驗(yàn)證智能計(jì)算方法的精確性。

試驗(yàn)中，密封介質(zhì)壓力設(shè)為0.3MPa，取其中一組作為分析對(duì)象，依次以3組不同氣膜厚度作為試驗(yàn)調(diào)控目標(biāo)。

由圖9表明，實(shí)際監(jiān)測(cè)膜厚和期望膜厚有較好的匹配。試驗(yàn)中由于密封實(shí)際閉合力以及加工運(yùn)轉(zhuǎn)等因素導(dǎo)致膜厚結(jié)果稍有偏差，監(jiān)測(cè)的實(shí)際膜厚稍大于期望膜厚。由此體現(xiàn)出參數(shù)智能計(jì)算程序輸出的調(diào)控氣壓力psw值能夠較好地指導(dǎo)調(diào)控密封，保證密封氣膜厚度的穩(wěn)定，驗(yàn)證了狀態(tài)參數(shù)智能計(jì)算程序的精確性。

圖9 智能計(jì)算程序驗(yàn)證

如圖10所示，試驗(yàn)從工程現(xiàn)試驗(yàn)證了本文圖3所示的調(diào)控型密封調(diào)控技術(shù)路線，直接驗(yàn)證了前文調(diào)壓供氣系統(tǒng)分析的正確性和參數(shù)智能計(jì)算方法的可行性與精確性。在調(diào)控過程中，系統(tǒng)反應(yīng)時(shí)間為 Δt=t2-t1=0.8s。

圖10 以氣膜為目標(biāo)參數(shù)的智能計(jì)算方法驗(yàn)證試驗(yàn)

5 結(jié)論

（1）本文建立了基于PSO-BP的智能計(jì)算程序，依據(jù)研究結(jié)果綜合考慮，對(duì)智能計(jì)算程序進(jìn)行了優(yōu)化取值：粒子群種群數(shù)量S=30，隱含層數(shù)J=1，神經(jīng)元數(shù)nH=10。

（2）通過30個(gè)學(xué)習(xí)樣本和10個(gè)非學(xué)習(xí)樣本對(duì)智能計(jì)算程序進(jìn)行誤差檢驗(yàn)，結(jié)果表明，智能計(jì)算程序計(jì)算精度均在允許范圍，達(dá)到了智能化要求。

（3）采用智能計(jì)算方法對(duì)調(diào)控型氣體密封參數(shù)計(jì)算，所用的計(jì)算時(shí)間均在0.013s以下，遠(yuǎn)小于數(shù)值計(jì)算方法所需時(shí)間，計(jì)算結(jié)果快速、準(zhǔn)確，符合實(shí)際工程要求。

（4）依靠基于PSO-BP的密封狀態(tài)參數(shù)智能計(jì)算方法，實(shí)現(xiàn)了智能調(diào)控，以氣膜厚度為目標(biāo)的調(diào)控反映了調(diào)控系統(tǒng)的響應(yīng)時(shí)間是可接受的，同時(shí)試驗(yàn)證明了技術(shù)路線及軟件的可行性。

［1］李雙喜.動(dòng)靜壓混合自愈調(diào)控氣膜端面密封原理及關(guān)鍵技術(shù)［D］.北京 :北京化工大學(xué) ,2011.

［2］朱亮,李雙喜,張秋翔,等.主動(dòng)調(diào)控型氣體密封調(diào)控試驗(yàn)研究［J］.流體機(jī)械 ,2012,40（7）:1-6.

［3］ Nau B S. Observations and analysis of mechanical seal film characteristics ［J］. ASME Journal of Lubrication Technology, 1980, 102（3）: 341-346.

［4］ Green I, Roger M B. A simultaneous numerical solution for the lubrication and dynamic stability of noncontacting dry gas seal ［J］. ASME Journal of Transactions, 2001, 123（4）: 388-394.

［5］李雙喜,宋文博,張秋翔，等.干式氣體端面密封的開啟特性［J］.化工學(xué)報(bào) ,2011,62（3）:765-772.

［6］張樹強(qiáng),李雙喜 ,蔡紀(jì)寧 ,等 .動(dòng)靜壓混合式氣體密封追隨性及主動(dòng)調(diào)控振動(dòng)特性數(shù)值分析［J］.航空學(xué)報(bào) ,2012（7）:1336-1346.

［7］馮向忠,彭旭東.螺旋槽干式氣體端面密封性能的數(shù)值分析［J］.潤滑與密封 ,2004（6）:41-43.

［8］ZhangHJ,M illerBA,LandersRG.Non linearm odelingo fm echanicalgasfacesealsystem susingp ropero rthogonaldecom position［J］.Journalo fTribo logy,2006,128（4）:817-827.

［9］戚社苗,耿海鵬,虞烈.擾動(dòng)頻率對(duì)動(dòng)壓氣體軸承動(dòng)態(tài)剛度和阻尼系數(shù)的影響［J］.西安交通大學(xué)學(xué)報(bào) ,2006,40（3）:270-274.

［10］王志斌 ,陳文梅,褚良銀 ,等.基于 MATLAB的BP神經(jīng)網(wǎng)絡(luò)在旋流器模擬設(shè)計(jì)中的應(yīng)用［J］.流體機(jī)械,2007,35（10）:20-24.

［11］王偉,姚楊,馬最良.基于BP神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)性能預(yù)測(cè)模型的建立［J］.流體機(jī)械 ,2005，33（9）:21-24.

［12］劉振全,佘莉芳.基于粒子群算法的渦旋壓縮機(jī)渦旋盤優(yōu)化的研究［J］.流體機(jī)械，2006,34（12）:25-28.

［13］彭斌，朱兵國.渦旋型線對(duì)渦旋壓縮機(jī)性能的影響［J］.流體機(jī)械，2016，44（6）：17-23.

［14］朱喬峰.調(diào)控型氣膜端面密封擾動(dòng)性能與智能調(diào)控技術(shù)研究［D］.北京 :北京化工大學(xué) ,2016.

Intelligent Computing Method of State Parameters for RGS Based on PSO-BP

WANG Lei, LI Shuang-xi, ZHU Qiao-feng, LI Huan
（Fluid Seal Laboratory of Beijing University of Chemical Technology, Beijing 100029, China）

As a non-contact seal，using regulatable gas seal can improve the running stability in the process of service by the introduction of intelligent control system. But the existing calculation method has many shortcomings, such as cumbersome process of establishing the calculation model or consuming time of iterative calculation. This paper proposes a BP （Back Propagation） neural network method optimized by particle swarm algorithm （PSO）, which conforms to the requirements of output accuracy and timeliness for the intelligent control system. This paper developed intelligent control procedure based on PSO-BP to control type sealing state parameter. Then optimized thresholds and weight value of neural network, and discussed impact on parameters of intelligent computing procedure such as the particle swarm population, hidden layer, and neurons several. Finally, set up the test system. The test results verified the accuracy of intelligent computing procedure of the regulatable gas seal parameters. The research realizes the intelligent control of RGS, improves anti-interference ability of RGS and contributes the large centrifugal compressor to the direction of wide working condition, high parameters, high efficiency and intelligence.

regulatable gas seal; neural network; intelligent control; state parameter

TH136；T42

A

10.3969/j.issn.1005-0329.2017.11.003

1005-0329（2017）11-0010-07

2016-07-25

2017-07-10

國家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃（973）項(xiàng)目（2012CB026000）

王磊（1989-），男，碩士研究生，主要從事流體密封技術(shù)方面研究，E-m ail：jasonw ang310@outlook.com。

李雙喜（1977-），男，副教授，研究方向?yàn)樘胤N密封技術(shù)，通訊地址：100029北京市朝陽區(qū)北三環(huán)東路15號(hào)北京化工大學(xué) 36 號(hào)信箱，E-m ail:buctlsx@126.com。