基于遗传粒子群优化的汽轮机螺栓加热分析方法.pdf

《基于遗传粒子群优化的汽轮机螺栓加热分析方法.pdf》由会员分享，可在线阅读，更多相关《基于遗传粒子群优化的汽轮机螺栓加热分析方法.pdf（17页珍藏版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010554955.7 (22)申请日 2020.06.17 (71)申请人 西安交通大学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 谢永慧刘铸锋张荻叶小龙 (74)专利代理机构 西安通大专利代理有限责任 公司 61200 代理人 闵岳峰 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06F 30/23(2020.01) G06F 119/12(2020.01) G06F 119/06(202。

2、0.01) G06F 119/14(2020.01) (54)发明名称 一种基于遗传粒子群优化的汽轮机螺栓加 热分析方法 (57)摘要 本发明公开了一种基于遗传粒子群优化的 汽轮机螺栓加热分析方法， 该方法将有限元数值 分析和优化分析相结合， 采用有限元法对螺栓感 应加热过程进行参数化建模及磁热固耦合分 析， 提取关键特征结果； 采用粒子群优化控制策 略， 引入交叉和变异操作， 得到功率时间优化曲 线， 作为热边界条件加载至数值分析中， 并根据 约束条件对计算结果进行判决， 迭代计算输出最 优加热功率调节方案， 为实际拆卸作业提供指导 与规范。 权利要求书4页 说明书8页 附图4页 CN 11。

3、1859782 A 2020.10.30 CN 111859782 A 1.一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特征在于， 包括以下步骤： 1)数值分析 通过参数化建模、 网格划分， 设置材料属性、 电磁、 热和结构边界条件和初始条件， 其中 热边界条件加载优化控制获得的功率-时间匹配曲线， 对螺栓感应加热过程进行磁-热-固 耦合分析， 提取加热结束时螺栓最高温度、 最大应力和伸长量关键特征； 2)优化控制 基于遗传优化的粒子群算法， 通过初始化粒子位置和速度， 引入异步学习因子和自适 应权重系数对位置和速度进行更新， 并执行交叉和变异操作， 得到功率-时间匹配曲线， 作 为数。

4、值分析中的热边界条件进行计算， 当提取的关键特征结果满足约束条件时， 更新粒子 局部最优和全局最优值迭代计算， 输出最优适应度结果。 2.根据权利要求1所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 步骤1)中， 数值分析的具体步骤如下： 101)首先是根据输入的螺栓关键规格尺寸进行参数化建模， 得到汽轮机中分面不同规 格型号螺栓的三维有限元整体数值分析模型； 其中， 整体数值分析模型由感应加热器模型、 螺栓模型、 空气模型和缸体模型组成； 102)对步骤101)中得到的螺栓的三维有限元整体数值分析模型进行网格划分， 除过渡 圆角部分及空气模型采用四面体及四棱锥网格， 。

5、感应加热器模型、 螺栓主体部分、 缸体模型 均采用8节点六面体网格进行划分以提高计算精度， 得到螺栓网格模型； 其中， 过渡部分的 单元长度设置为0.02， 主体部分的单元长度设置为0.05， 螺栓模型内径网格加密， 网格划分 完成后检查网格质量， 要求雅可比值J0.5， 避免网格畸变影响计算收敛速度； 103)对步骤102)中得到的螺栓网格模型赋予材料属性， 包括随时间变化的热物性、 磁 性和力学性能参数； 104)对步骤103)得到的有限元分析模型设置电磁边界条件， 进行电磁场谐性分析求 解； 转换单元类型， 读入电磁分析结果， 提取涡流场的热生成率， 并设置热边界条件， 给定加 热时间，。

6、 进行瞬态温度场分析； 更新温度场相关的电磁材料信息， 并返回电磁场分析， 如此 循环完成热-磁双向耦合求解； 105)读取步骤104)得到的热分析结果， 将热单元转换为结构单元， 采用预紧截面法施 加螺栓预紧力， 并设置自由度约束条件， 进行结构场求解分析； 106)特征提取： 读取步骤104)得到的热分析结果， 提取达到加热时间ht时的螺栓内部 最高温度Tmax、 内外壁最大温差tmax； 读取步骤105)得到的结构分析文件， 提取达到加热时 间ht时的伸长量lt、 螺栓内部最大热应力 max。 3.根据权利要求2所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 步骤。

7、104)的热边界条件采用多段式功率调节曲线进行加载， 对应加载时间分别为 加速升温阶段t1、 减速降应力阶段t2、 减速升温阶段t3和加速伸长阶段t4。 4.根据权利要求2所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 步骤2)中， 优化控制的具体步骤如下： 201)在搜索空间中随机初始化种群ht(ht1 ht2htN),hti0， 每个粒子由四个时间段 组成hti(ti1 ti2 ti3 ti4)T,tij0,i1,N,j1,4， N为加热时间方案的数目； 同理 初始化粒子的初始速度v(v1 v2vN),vi(vi1 vi2 vi3 vi4)T； 粒子位置区间tmin。

8、,tmax， 权利要求书 1/4 页 2 CN 111859782 A 2 速度区间vmin,vmax； 202)选取螺栓加热的适应度函数为其中P为功率常数矩阵； 初始化粒子个体最优位置粒子群全局最优位置 个体最佳适应度值为全局最佳适应度值 203)将初始化的种群随机划分为4个分种群， 不同种群的粒子赋予异步学习因子c1与 c2: 种群1: 种群2: 种群3: 种群4: 其中k为当前迭代次数， Kmax为最大迭代次数； 惯性权重系数服从自适应权重更新： 其中， max和min分别表示的最大值和最小值， f表示微粒当前的目标函值， favg和 fmin分别表示当前所有粒子的平均目标值和最小目标值。

9、； 204)粒子速度更新： 位置更新： hti,j(k)hti,j(k-1)+vi,j(k) 其中r1和r2为0,1之间的随机数， i1,N； j1,4； k1,Kmax， Kmax为进化最 大次数； 205)设置交叉概率pc0.7， 在每个分种群中采用轮盘赌选择法， 选中M个父代个体随机 进行两两配对， 并随机选择交叉位置q， q1,4， 以概率pc执行交叉操作， 得到的子代个 体的位置分别为： 速度分别为： 权利要求书 2/4 页 3 CN 111859782 A 3 其中rc为0,1之间的随机数， 下标p1、 p2表示被选中进行交叉的两个父代个体的编号， k表示进化次数， 检查交叉后染色。

10、体是否超出变量取值范围， 若超过则重新执行步骤205)， 若满足范围则转下一步； 206)设置变异概率pm0.3， 对步骤205)完成交叉操作后的个体， 随机选择变异的位置 s， s1,4， 以概率pm执行变异操作： 其中rm为0,1之间的随机数， 下标c表示执行过交叉操作的个体编号， k表示进化次数， Kmax表示最大进化次数， 检查变异后染色体是否超出变量取值范围， 若超过则重新执行步骤 206)， 若满足范围则转下一步； 207)将步骤206)得到的hti与加热功率Pi进行匹配； 加热功率曲线采用多段式功率调节 曲线进行加载， 对应加载时间分别为加速升温阶段t1、 减速降应力阶段t2、 。

11、减速升温阶段t3 和加速伸长阶段t4； 对于编号为i的个体， 其功率-时间匹配表达式为： 其中i1,N， 对编号为i的个体， Pi1、 Pi2、 Pi3为给定值， 由此可得到第k次迭代的N条 加热功率曲线P-t， 代入作为步骤104)的热边界条件进行热分析计算； 208)对步骤106)获得的计算结果与安全阈值和规定值比较， 若满足有限元约束条件 TmaxTreg， tmaxtreg， maxl0， 其中Treg、 Treg、 和l0分别为规定的最高允许温 度、 最大温度差、 安全许用应力及规定伸长量， 则按下式更新 同时更新适应度值并返回步骤203)进行迭代计算， 满足收敛精度 要求时结束， 。

12、输出该螺栓最优适应度结果； 若不满足有限元约束条件， 则说明初始化种群选 择不当， 返回步骤201)重新初始化开始计算； 209)更新螺栓编号， 重复上述优化计算， 获得螺栓组的最优电力方案， 优化结束。 5.根据权利要求4所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 针对同一个优化目标， 采用多样的种群组合， 使得不同种群基于自身与全局最优值 权利要求书 3/4 页 4 CN 111859782 A 4 采用不同的寻优路径进行寻优计算， 获得更加高效的定向搜索能力。 6.根据权利要求4所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 初始化时按。

13、多样的种群组合划分并提出一种异步学习因子赋予方法： c1随k单调减 少， c2随k单调增加。 7.根据权利要求4所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 惯性权重系数服从自适应权重更新， 通过种群粒子间的适应度值相对大小来判 定权重系数的大小。 8.根据权利要求4所述的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 优化控制在粒子群算法基础上引入了遗传优化采用的选择、 交叉和变异算子操作， 通过概率的方式直接对适应度函数进行搜索， 避免早熟现象， 增强了粒子群优化的全局寻 优能力， 加快了算法的进化速度， 提高了收敛精度。 9.根据权利要求1所述。

14、的一种基于遗传粒子群优化的汽轮机螺栓加热分析方法， 其特 征在于， 采用有限元方法对螺栓加热过程进行数值模拟， 给定螺栓规格、 相应功率作为输入 参数即可参数化建模分析求解， 并结合优化控制策略进行迭代寻优计算， 两个模块协同并 行， 获得各螺栓最优功率适配方案。 权利要求书 4/4 页 5 CN 111859782 A 5 一种基于遗传粒子群优化的汽轮机螺栓加热分析方法 技术领域 0001 本发明属于汽轮机螺栓技术领域， 特别涉及一种基于遗传粒子群优化的汽轮机螺 栓加热分析方法。 背景技术 0002 电站进行汽轮机检修时， 需要对安装在中分面法兰的螺栓进行拆卸， 以分离上下 汽缸。 汽轮机在。

15、检修时需要首先对安装在汽缸中分面上的大螺栓进行加热拆卸， 以分离并 打开上下汽缸。 目前新型的感应加热器， 将其深入到螺栓的中心孔中， 通过调节输出功率可 对螺栓进行电磁感应加热以达到快速拆卸的目的。 针对每个规格的螺栓， 都配备有相应型 号给定功率范围的加热器。 但汽缸中分面螺栓众多， 规格不尽相同， 凭经验施加功率加热任 意性大、 且尚未清楚螺栓在感应加热过程中的特征变化规律， 欲通过实验获得每个螺栓的 特征变化规律则时间长、 成本高， 且只有等到检修工期是才可实施； 加热操作不当可能会对 工件和加热器件造成损坏， 增加维修负担， 耽误检修工期， 造成一定的经济损失。 因此， 亟需 提出一。

16、种汽轮机螺栓加热分析方法， 得到螺栓组的最优功率适配方案以规范操作。 发明内容 0003 为解决上述问题， 本发明提出一种基于遗传粒子群优化的汽轮机螺栓加热分析方 法， 该方法将有限元数值分析和优化分析相结合， 采用有限元法对螺栓感应加热过程进行 参数化建模及磁-热-固耦合分析， 提取关键特征结果； 采用粒子群优化控制策略， 引入交叉 和变异操作， 得到功率-时间优化曲线， 作为热边界条件加载至数值分析中， 并根据约束条 件对计算结果进行判决， 迭代计算输出最优加热功率调节方案， 为实际拆卸作业提供指导 与规范。 0004 本发明采用如下技术方案实现： 0005 一种基于遗传粒子群优化的汽轮机。

17、螺栓加热分析方法， 包括以下步骤： 0006 1)数值分析 0007 通过参数化建模、 网格划分， 设置材料属性、 电磁、 热和结构边界条件和初始条件， 其中热边界条件加载优化控制获得的功率-时间匹配曲线， 对螺栓感应加热过程进行磁- 热-固耦合分析， 提取加热结束时螺栓最高温度、 最大应力和伸长量关键特征； 0008 2)优化控制 0009 基于遗传优化的粒子群算法， 通过初始化粒子位置和速度， 引入异步学习因子和 自适应权重系数对位置和速度进行更新， 并执行交叉和变异操作， 得到功率-时间匹配曲 线， 作为数值分析中的热边界条件进行计算， 当提取的关键特征结果满足约束条件时， 更新 粒子局。

18、部最优和全局最优值迭代计算， 输出最优适应度结果。 0010 本发明进一步的改进在于， 步骤1)中， 数值分析的具体步骤如下： 0011 101)首先是根据输入的螺栓关键规格尺寸进行参数化建模， 得到汽轮机中分面不 同规格型号螺栓的三维有限元整体数值分析模型； 其中， 整体数值分析模型由感应加热器 说明书 1/8 页 6 CN 111859782 A 6 模型、 螺栓模型、 空气模型和缸体模型组成； 0012 102)对步骤101)中得到的螺栓的三维有限元整体数值分析模型进行网格划分， 除 过渡圆角部分及空气模型采用四面体及四棱锥网格， 感应加热器模型、 螺栓主体部分、 缸体 模型均采用8节点。

19、六面体网格进行划分以提高计算精度， 得到螺栓网格模型； 其中， 过渡部 分的单元长度设置为0.02， 主体部分的单元长度设置为0.05， 螺栓模型内径网格加密， 网格 划分完成后检查网格质量， 要求雅可比值J0.5， 避免网格畸变影响计算收敛速度； 0013 103)对步骤102)中得到的螺栓网格模型赋予材料属性， 包括随时间变化的热物 性、 磁性和力学性能参数； 0014 104)对步骤103)得到的有限元分析模型设置电磁边界条件， 进行电磁场谐性分析 求解； 转换单元类型， 读入电磁分析结果， 提取涡流场的热生成率， 并设置热边界条件， 给定 加热时间， 进行瞬态温度场分析； 更新温度场相。

20、关的电磁材料信息， 并返回电磁场分析， 如 此循环完成热-磁双向耦合求解； 0015 105)读取步骤104)得到的热分析结果， 将热单元转换为结构单元， 采用预紧截面 法施加螺栓预紧力， 并设置自由度约束条件， 进行结构场求解分析； 0016 106)特征提取： 读取步骤104)得到的热分析结果， 提取达到加热时间ht时的螺栓 内部最高温度Tmax、 内外壁最大温差tmax； 读取步骤105)得到的结构分析文件， 提取达到加 热时间ht时的伸长量lt、 螺栓内部最大热应力 max。 0017 本发明进一步的改进在于， 步骤104)的热边界条件采用多段式功率调节曲线进行 加载， 对应加载时间分。

21、别为加速升温阶段t1、 减速降应力阶段t2、 减速升温阶段t3和加速伸 长阶段t4。 0018 本发明进一步的改进在于， 步骤2)中， 优化控制的具体步骤如下： 0019 201)在搜索空间中随机初始化种群ht(ht1 ht2htN),hti0， 每个粒子由四个 时间段组成hti(ti1 ti2 ti3 ti4)T,tij0,i1,N,j1,4， N为加热时间方案的数 目； 同理初始化粒子的初始速度v(v1 v2 vN) ,vi(vi1 vi2 vi3 vi4)T； 粒子位置区间 tmin,tmax， 速度区间vmin,vmax； 0020202)选取螺栓加热的适应度函数为其中P为功率常数矩 。

22、阵 ； 初 始 化 粒 子 个 体 最 优 位 置粒 子 群 全 局 最 优 位 置 个体最佳适应度值为全局最佳适应度值 0021 203)将初始化的种群随机划分为4个分种群， 不同种群的粒子赋予异步学习因子 c1与c2: 0022种群1: 0023种群2: 0024种群3: 说明书 2/8 页 7 CN 111859782 A 7 0025种群4: 0026 其中k为当前迭代次数， Kmax为最大迭代次数； 惯性权重系数服从自适应权重更 新： 0027 0028 其中， max和min分别表示的最大值和最小值， f表示微粒当前的目标函值， favg 和fmin分别表示当前所有粒子的平均目标值。

23、和最小目标值； 0029 204)粒子速度更新： 0030 0031 位置更新： 0032 hti,j(k)hti,j(k-1)+vi,j(k) 0033 其中r1和r2为0,1之间的随机数， i1,N； j1,4； k1,Kmax， Kmax为进 化最大次数； 0034 205)设置交叉概率pc0.7， 在每个分种群中采用轮盘赌选择法， 选中M个父代个 体随机进行两两配对， 并随机选择交叉位置q， q1,4， 以概率pc执行交叉操作， 得到的 子代个体的位置分别为： 0035 0036 0037 速度分别为： 0038 0039 0040 其中rc为0,1之间的随机数， 下标p1、 p2表示。

24、被选中进行交叉的两个父代个体的 编号， k表示进化次数， 检查交叉后染色体是否超出变量取值范围， 若超过则重新执行步骤 205)， 若满足范围则转下一步； 0041 206)设置变异概率pm0.3， 对步骤205)完成交叉操作后的个体， 随机选择变异的 位置s， s1,4， 以概率pm执行变异操作： 0042 0043 其中rm为0,1之间的随机数， 下标c表示执行过交叉操作的个体编号， k表示进化 次数， Kmax表示最大进化次数， 检查变异后染色体是否超出变量取值范围， 若超过则重新执 行步骤206)， 若满足范围则转下一步； 0044 207)将步骤206)得到的hti与加热功率Pi进行。

25、匹配； 加热功率曲线采用多段式功率 调节曲线进行加载， 对应加载时间分别为加速升温阶段t1、 减速降应力阶段t2、 减速升温阶 说明书 3/8 页 8 CN 111859782 A 8 段t3和加速伸长阶段t4； 对于编号为i的个体， 其功率-时间匹配表达式为： 0045 0046 其中i1,N， 对编号为i的个体， Pi1、 Pi2、 Pi3为给定值， 由此可得到第k次迭代的 N条加热功率曲线P-t， 代入作为步骤104)的热边界条件进行热分析计算； 0047 208)对步骤106)获得的计算结果与安全阈值和规定值比较， 若满足有限元约束条 件TmaxTreg， tmaxtreg， maxl。

26、0， 其中Treg、 Treg、 和l0分别为规定的最高允许 温度、 最大温度差、 安全许用应力及规定伸长量， 则按下式更新 0048 0049 0050同时更新适应度值并返回步骤203)进行迭代计算， 满足收敛 精度要求时结束， 输出该螺栓最优适应度结果； 若不满足有限元约束条件， 则说明初始化种 群选择不当， 返回步骤201)重新初始化开始计算； 0051 209)更新螺栓编号， 重复上述优化计算， 获得螺栓组的最优电力方案， 优化结束。 0052 本发明进一步的改进在于， 针对同一个优化目标， 采用多样的种群组合， 使得不同 种群基于自身与全局最优值采用不同的寻优路径进行寻优计算， 获得。

27、更加高效的定向搜索 能力。 0053 本发明进一步的改进在于， 初始化时按多样的种群组合划分并提出一种异步学习 因子赋予方法： c1随k单调减少， c2随k单调增加。 0054 本发明进一步的改进在于， 惯性权重系数服从自适应权重更新， 通过种群粒子 间的适应度值相对大小来判定权重系数的大小。 0055 本发明进一步的改进在于， 优化控制在粒子群算法基础上引入了遗传优化采用的 选择、 交叉和变异算子操作， 通过概率的方式直接对适应度函数进行搜索， 避免早熟现象， 增强了粒子群优化的全局寻优能力， 加快了算法的进化速度， 提高了收敛精度。 0056 本发明进一步的改进在于， 采用有限元方法对螺栓。

28、加热过程进行数值模拟， 给定 螺栓规格、 相应功率作为输入参数即可参数化建模分析求解， 并结合优化控制策略进行迭 代寻优计算， 两个模块协同并行， 获得各螺栓最优功率适配方案。 0057 本发明至少具有如下有益的技术效果： 0058 针对每一个加热螺栓进行参数化建模及磁-热-固耦合有限元分析， 快速精准地获 取每个螺栓关键特征结果的变化规律， 克服了实验数量多、 时间长、 成本高的缺点； 通过遗 传粒子群优化得到螺栓加热最佳功率适配曲线， 进而获得螺栓组的最省电力方案， 克服了 说明书 4/8 页 9 CN 111859782 A 9 实际作业中凭经验施加、 操作任意性大、 精准度差的缺点， 。

29、为实际螺栓加热操作提供了指导 与规范， 提高了工件的寿命及加热器件的使用效率， 节省电力及维护成本。 附图说明 0059 图1为本发明提出的分析方法总体流程图； 0060 图2为数值分析的流程图； 0061 图3为数值分析模型剖面示意图； 0062 图4为优化控制的流程图； 0063 图5为本发明提出的多段式功率调节曲线； 0064 图6为采用本发明优化方法的计算示例:(a)为某加热螺栓的适应度优化曲线， (b) 为该螺栓经优化后的多段式功率调节曲线。 具体实施方式 0065 以下结合附图对本发明做出进一步的说明。 0066 请参阅图2所示， 本发明提供的一种基于遗传粒子群优化的汽轮机螺栓加热。

30、分析 方法， 数值分析主要包括以下步骤： 0067 (1)首先是根据螺栓关键规格尺寸进行参数化建模， 得到汽轮机中分面不同规格 型号螺栓的三维有限元数值分析模型； 其中， 整体数值分析模型主要由感应加热器模型、 螺 栓模型、 空气模型和缸体模型组成。 0068 (2)对步骤(1)中得到的螺栓分析模型进行网格划分， 除过渡圆角部分及空气模型 采用四面体及四棱锥网格， 感应加热器模型、 螺栓主体部分、 缸体模型均采用8节点六面体 网格进行划分以提高计算精度； 其中， 过渡部分的单元长度设置为0.02， 主体部分的单元长 度设置为0.05， 螺栓模型内径网格加密， 网格划分完成后检查网格质量， 要求。

31、雅可比值J 0.5,避免网格畸变影响计算收敛速度。 0069 (3)对步骤(2)中得到的螺栓网格模型赋予材料属性， 主要包括随时间变化的热物 性、 磁性和力学性能参数。 0070 (4)对步骤(3)得到的有限元分析模型赋予电磁和传热单元类型并加载相应的边 界条件： 设置电磁边界条件： 对空气模型外界面设置通量平行边界条件， 对感应加热器模型 施加给定的电流密度， 进行电磁场谐性分析求解； 转换单元类型， 读入电磁分析结果， 提取 涡流场的热生成率， 并设置热边界条件： 对螺栓模型外表面设置对流边界条件， 对整体设置 初始温度条件为室温， 给定加热时间， 进行瞬态温度场分析； 加载热分析结果， 。

32、更新温度场 相关的电磁材料信息， 并返回电磁场分析， 如此循环完成热-磁双向耦合求解。 0071 (5)读取步骤(4)得到的热分析结果， 将热单元转换为结构单元， 采用预紧截面法， 在缸体中分面对应的螺栓界面处施加给定的预紧力， 并设置自由度约束条件： 以栽丝螺栓 为例， 螺栓底面设置轴向约束。 设置载荷时间， 读取热分析结果文件， 进行热-结构场单向耦 合求解分析。 0072 (6)特征提取:读取步骤(4)得到的热分析结果， 提取达到加热时间ht时的螺栓内 部最高温度Tmax、 内外壁最大温差tmax； 读取步骤(5)得到的结构分析文件， 提取达到加热 时间ht时的伸长量lt、 螺栓内部最大。

33、热应力 max。 说明书 5/8 页 10 CN 111859782 A 10 0073 请参阅图3所示， 整体数值分析模型主要由感应加热器模型1、 螺栓模型2、 空气模 型3和缸体模型4组成： 感应加热器模型1为铁芯11和线圈12组成的圆柱体， 安装在螺栓内孔 5中； 螺栓部分主要由光杆螺柱部分21、 安装定位部分22和螺母部分23连接组成， 螺母23与 螺柱21之间由螺纹6连接， 螺柱21和定位部分22之间由过渡圆角衔接； 空气模型3为包围螺 栓的圆柱体区域； 缸体部分由上缸体41和下缸体42组成， 对于定位螺栓， 其定位部分外径面 与缸体内孔面设置接触； 对于双头螺栓， 其上下螺母表面与。

34、对应上下缸表面设置接触； 对于 栽丝螺栓， 其螺栓底面与缸体内表面、 螺母表面与缸体表面设置接触。 螺栓关键规格尺寸包 括感应加热器有效加热长度l、 安装高度t、 直径dl； 螺柱高度L、 螺柱外径d0、 内孔径dc、 螺母 外径D、 螺母高度h； 上下缸体高度C1、 C2。 0074 请参阅图4所示， 加热功率采用多段式功率调节曲线， 对编号为i的加热螺栓， 对应 感应加热器功率范围一定， Pi1、 Pi2、 Pi3分别为选定常数， 对应加载时间分别为加速升温阶段 t1、 减速降应力阶段t2、 减速升温阶段t3和加速伸长阶段t4。 t1阶段功率高， 使螺栓迅速升温 伸长； t2阶段调节功率降。

35、低， 避免长时间高功率加热使螺栓内部热应力过大， 超过安全许用 值； t3阶段继续缓慢调低功率， 使热量保持并在螺栓内部均匀传导， 减小内外径温差； t4阶段 恒定低功率加热， 在此前加热基础上螺栓已摆脱预紧力约束， 位移由压缩变为拉伸， 伸长速 度变快， 低功率扩展伸长量至规定值， 加热结束。 将匹配得到的功率-时间函数输入至感应 加热器的功率调节程序中， 作业时即可调出程序对螺栓按计划加热。 采用多段式功率调节 方案可使螺栓在安全条件下快速达到拆卸作业要求， 克服了凭经验手动调节功率、 精准度 差的缺点， 提高螺栓和感应加热器的使用寿命， 节省电力及维修成本。 0075 请参阅图5所示， 。

36、以某核电汽轮机高压缸汽缸中分面大螺栓为例进行优化控制说 明。 主要包括以下步骤： 0076 (201)， 以加热时间方案作为优化变量， 选择种群数量N30。 随机初始化种群ht (ht1ht2ht30),hti0， 每个粒子由四个时间段组成hti(ti1 ti2 ti3 ti4)T,tij0,i1, 30,j1,4。 同理初始化粒子的初始速度v(v1 v2 v30),vi(vi1 vi2 vi3 vi4)T。 粒子 位置区间300ti1600,100ti2300,100ti3300， 100ti4300， 速度区间-1,1。 0077 (202)本优化的目标是使加热螺栓的耗功最小， 因此选取螺。

37、栓加热的适应度函数 为其中Pi j为给定功率常数。 初始化粒子个体最优位置 粒子群全局最优位置个体最佳适应度值 为全局最佳适应度值 0078 (203)将初始化的种群随机划分为4个分种群， 不同种群的粒子赋予异步学习因子 c1与c2: 0079种群1: 0080种群2: 0081种群3: 说明书 6/8 页 11 CN 111859782 A 11 0082种群4: 0083 其中k为当前迭代次数， 取最大迭代次数为100。 权重系数服从自适应权重更新： 0084 0085 其中， f表示微粒当前的目标函值， favg和fmin分别表示当前所有粒子的平均目标值 和最小目标值。 0086 (20。

38、4)粒子速度更新： 0087 0088 位置更新： 0089 hti,j(k)hti,j(k-1)+vi,j(k) 0090 其中r1和r2为0,1之间的随机数， i1,30； j1,4； k1,100。 0091 (205)设置交叉概率pc0.7,在每个分种群中采用轮盘赌选择法， 选中M个父代个 体随机进行两两配对， 并随机选择交叉位置q(q1,4)， 以概率pc执行交叉操作， 得到的 子代个体的位置分别为： 0092 0093 0094 速度分别为： 0095 0096 0097 其中rc为0,1之间的随机数， 下标p1、 p2表示被选中进行交叉的两个父代个体的 编号， k表示进化次数。 。

39、检查交叉后染色体是否超出变量取值范围， 若超过则重新执行步骤 (205)， 若满足范围则转下一步。 0098 (206)设置变异概率pm0.3， 对步骤(205)完成交叉操作后的个体， 随机选择变异 的位置s(s1,4)， 以概率pm执行变异操作： 0099 0100 其中rm为0,1之间的随机数， 下标c表示执行过交叉操作的个体编号， k表示进化 次数。 检查变异后染色体是否超出变量取值范围， 若超过则重新执行步骤(206)， 若满足范 围则转下一步。 0101 (207)将步骤(206)得到的hti与加热功率Pi进行匹配。 由此可得到第k次迭代的加 热功率曲线P-t， 代入作为权利要求2中。

40、步骤(4)的热边界条件进行热分析计算。 0102 (208)对步骤(6)获得的计算结果与安全阈值和规定值比较， 若满足表1规定的约 束条件Tmax400， tmax150， max1.36mm， 则按下式更新 说明书 7/8 页 12 CN 111859782 A 12 0103 0104 0105同时更新适应度值并返回步骤(203)进行迭代计算， 满足收敛 精度要求时结束。 本例通过迭代100次计算， 达到收敛精度1e-6， 适应度函数优化过程如图6 (a)所示， 结果表明： 采用本发明提出的异步学习因子法， 使得迭代后期c1c2， 改善了陷入局 部极值寻优的问题， 在迭代结束时获得了全局最。

41、优解。 功率曲线如图6(b)所示， 表达式如 下： 0106 0107 结果表明， 经过优化该螺栓最终加热761s， 耗电4.22kWh(15.22106J)。 与根据实 验测得的该规格螺栓在感应加热器维持22kW恒定功率加热14min达到规定值相比， 节省能 量18， 节省时间9， 说明优化效果良好。 说明书 8/8 页 13 CN 111859782 A 13 图1 图2 说明书附图 1/4 页 14 CN 111859782 A 14 图3 图4 说明书附图 2/4 页 15 CN 111859782 A 15 图5 图6(a) 说明书附图 3/4 页 16 CN 111859782 A 16 图6(b) 说明书附图 4/4 页 17 CN 111859782 A 17 。