题目：离心通风机叶轮结构的气动参数优化研究

离心通风机是一种提供气体形式能量的通用动力机械，是设备系统的关键动力驱动组成部分，其在国民经济各领域中应用广泛。在能源日益紧缺的现在及将来，通过研究新技术、新方法以开发出高效和高可靠性的风机，提高通风机的性能和设计水平，对发展国民经济和节能减排意义重大。

离心通风机叶轮参数多，与风机性能的关系一般呈现非线性，所以传统的优化方法往往不能很好的解决其多目标优化的问题。鉴于离心通风机优化问题的复杂性，本文在计算流体力学（Computational Fluid Dynamics，CFD）数值模拟研究和样机试验的基础上，结合代理模型进行了离心通风机叶轮结构参数的气动优化设计，主要研究内容如下：

1.  采用CFD技术对9-19.4A型离心通风机进行了数值计算，同时，通过对比验证了仿真模型与试验结果吻合较好。通过流场分析发现叶片叶型有待完善，由此指出了9-19.4A型离心通风机叶型优化的必要性。

2.  研究了优化设计中几种代理模型的构建。首先，比较了四种常用的代理模型（二次响应面法、BP神经网络、径向基神经网络和Kriging模型）的优缺点和精度；其次，提出了均方根误差、样本决定系数和相对最大绝对误差用于定量评估代理模型的精度；最后，分别创建一维函数、二维函数和三维函数并从图形误差和评估误差两个方面对上面代理模型进行了精度评估，通过分析得出了Kriging模型相比其它三种代理模型的优缺点。

3.  为了提高Kriging模型的精度，研究了改进的Kriging代理模型。分析了样本数量与精度的关系，得出了样本点的数目与模型精度密切相关。详细研究了三种样本点添加方法，确定了一次添加预测方差最大点和最优目标点的加点原则，并用测试函数进行了样本点添加后的拟合分析，其结果表明所提出的加点原则能提高模型的拟合精度。此外，提出了基于遗传算法（Genetic Algorithm，GA）和粒子群算法（Particle Swarm Optimization，PSO）相结合的GA-PSO联合优化方法，该方法除了能快速确定上述样本点，还能对Kriging代理模型的相关函数参数进行优化，试验结果表明改进后的Kriging代理模型的精度得到了提高。

4.  将改进的Kriging代理模型方法和GA-PSO联合优化算法用于9-19.4A型离心通风机叶型的优化设计。首先，运用四阶Bezier曲线对其叶型进行参数化表达；其次，通过均匀试验设计，并利用优化后相关函数参数搭建Kriging代理模型以确定Bezier参数变量与目标响应之间的非线性关系；最后，通过GA-PSO联合优化算法对Kriging代理模型寻优，得出最佳的叶型Bezier参数，采用该优化叶型的9-19.4A型离心通风机在满足工况条件下，提高了效率。在优化过程中，还研究了ICEM网格自动化划分和CFX边界条件的自动化设置。

5.  在离心通风机进口和出口结构参数研究的基础上，设计出一款5-42型离心通风机，用仿真模拟和试验分析两个方法分别对其性能参数分别进行了验证研究，所得结果具有较好的一致性；随后采用灰关联技术和方差分析来研究叶轮结构参数对气动性能的影响；最后将改进的Kriging代理模型和GA-PSO联合优化算法运用于5-42型离心通风机叶轮结构参数的优化中，优化后提高了该风机的效率。