【技术实现步骤摘要】
基于机理增强神经网络模型的离心泵性能参数预测方法
[0001]本专利技术涉及离心泵性能预测的
,具体涉及基于机理增强神经网络模型的离心泵性能参数预测方法。
技术介绍
[0002]离心泵的性能状态可以反应出离心泵是否在正常运行,具体的性能指标有扬程H和效率η。
[0003]在实际生活中,并不能保证离心泵完全在设计工况下运行,有时运行于非设计工况的小流量段,此时的离心泵拥有较大的压力脉冲,对离心泵的流场产生较大的影响。同时由于离心泵在工作时,会发生泄漏、二次脉冲、漩涡、压力脉冲等情况,所以很难预测出离心泵的性能。
[0004]同时,离心泵的工作环境可能比较恶劣,例如高温、高湿、高盐等极端环境,传感器可能在这种情况下的测量精度有较大的偏差甚至失效,同时增加传感器以及配套的器材,使本就狭小的空间更加拥挤,还增加成本。
[0005]目前,常常利用计算流体力学(CFD)的方法来预测离心泵的性能,但是由于计算流体力学所预测的结果相对误差较大,同时在使用计算流体力学时,对于模型的选取,网格划分和边界条件的设置,都依赖于设计者的经验,且对相对复杂的模型,高保真模拟成本高,另外,模拟的数据结果不具有通用性,换一个模型就需要重新建模,泛化性能差。
[0006]另一方面,数据驱动预测方法不涉及几何建模,一旦建立可以批量化迅速预测离心泵性能,因此得到了越来越广泛地关注。
技术实现思路
[0007]为了解决离心泵性能参数预测现有技术上存在的上述问题,本专利技术的目的在于提供了一种机理增强神经 ...
【技术保护点】
【技术特征摘要】
1.基于机理增强神经网络模型的离心泵性能参数预测方法,其特征在于,包括如下步骤:1)数据采集:在离心泵性能实验开始前,打开离心泵进出口阀门调至最大,变频电机频率调制离心泵额定频率;随后通过调节变频电机频率和进口阀门的阀门开度大小,得到不同工况下的实验数据,记录频率f、出口阀阀门开度V、进口压力P
in
、出口压力P
out
、流量Q和输入功率f;2)数据处理:利用所记录的实验数据,通过计算,得到离心泵性能参数扬程H和效率η;3)数据集划分:在全转速的历史数据中,选择多组覆盖低、中、高转速的数据集作为测试数据集,其余数据作为训练数据集;4)机理增强神经网络模型建立:建立神经网络模型,选择相应的离心泵性能参数机理公式,作为神经网络的最后一层隐藏层与输出层之间的线性连接函数;5)离心泵机理增强神经网络模型预测性能参数:将训练数据集代入机理增强BP模型中训练模型,测试数据代入训练完成的机理增强BP模型来预测离心泵的性能参数。2.根据权利要求1所述的基于机理增强神经网络模型的离心泵性能参数预测方法,其特征在于,步骤2)中,计算离心泵的扬程H和效率η公式如下:其中:H表示泵的总扬程,m;H
st
表示泵得静扬程,m;P
out
表示泵出口压力,Pa;P
in
表示泵进口压力,Pa;ρ表示传质的密度,kg/m3;其中:N表示离心泵输入功率,W;Q表示流量,m3/h;g表示重力加速度,g=9.81m/s2。3.根据权利要求1所述的基于机理增强神经网络模型的离心泵性能参数预测方法,其特征在于,步骤3)中,根据步骤2)获得全阶段转速数据集T={T1,T2,
…
,T
14
,T
15
};其中,数据集转速由低到高排列,T
15
为离心泵额定转速下的数据集,选择T3、T6、T9和T
12
,覆盖离心泵的低、中、高转速。4.根据权利要求1所述的基于机理增强神经网络模型的离心泵性能参数预测方法,其特征在于,步骤4)中,神经网络隐藏层的节点数量由如下公式确认:其中:n表示隐藏层节点数;m表示输入层的节点数;p表...
【专利技术属性】
技术研发人员:郑水华,张威威,柴敏,黄庆,贺智财,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。