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

本发明专利技术公开了基于机理增强神经网络模型的离心泵性能参数预测方法，属于预测离心泵性能参数预测的技术领域。它包括以下过程：1)数据采集；2)数据处理；3)数据集划分；4)机理增强神经网络模型建模；5)离心泵性能参数预测。本发明专利技术将离心泵机理公式作为神经网络最后一层隐藏层

【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网络模型预测离心泵的性能参数。
[0008]本专利技术提供如下技术方案：
[0009]基于机理增强神经网络模型的离心泵性能参数预测方法，包括以下具体步骤：
[0010]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；
[0011]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；
[0012]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；
[0013]4)机理增强神经网络模型建立：建立普通的神经网络模型，选择合适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；
[0014]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。
[0015]进一步的，步骤2)中，根据实验所测量的参数计算离心泵的扬程H和效率η公式如下：
[0016][0017]其中：H表示泵的总扬程，m；
[0018]H
st
表示泵得静扬程，m；
[0019]P
out
表示泵出口压力，Pa；
[0020]P
in
表示泵进口压力，Pa；
[0021]ρ表示传质的密度，kg/m3(ρ
水
＝1000kg/m3)。
[0022][0023]其中：N表示离心泵输入功率，W；
[0024]Q表示流量，m3/h；
[0025]g表示重力加速度，g＝9.81m/s2[0026]进一步的，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。
[0027]进一步的，步骤4)中，神经网络隐藏层的节点数量由如下公式确认：
[0028][0029]其中：n表示隐藏层节点数；
[0030]m表示输入层的节点数；
[0031]p表示输出层的节点数；
[0032]α表示0～10之间的常数。
[0033]进一步的，步骤4)中，神经网络层与层之间的连接函数如下所示：
[0034]a
[l]＝σ(w
[l]a
[l
‑
1]+b
[l])
[0035]其中：a
[l]表示所求层神经元的值；
[0036]σ(Z
[l])表示神经元的激活函数，Z
[l]＝w
[l]a
[l]+b
[l]；
[0037]w
[l]表示连接函数的权重系数；
[0038]b
[l]表示连接函数的偏置；
[0039]a
[l
‑
1]表示上一层神经元的值。
[0040]进一步的，步骤4)中，利用离心泵的机理公式替代神经网络最后一层隐藏层与输出层之间的连接函数。神经网络最后一层隐藏层节点的数量与离心泵机理公式所需参数的数量一致，且将机理输出的离心泵性能参数作为神经网络的输出值，并对输出值进行监督训练。对于离心泵的性能参数来说，对应的性能参数机理公式有如下所示：
[0041][0042]H＝KQ2+H
st
[0043]其中：K表示离心泵的动扬程系数。
[0044][0045]η＝η
m
η
v
η
h
[0046]其中：η
m
表示机械效率；
[0047]η
v
表示容积效率；
[0048]η
h
表示水力效率。
[0049]进一步的，步骤4)中，建立的神经网络对离心泵性能参数监督并误差反向传播，对于输出层与最后一层隐藏层之间的误差分配，由性能公式分别对每个参数求偏导，计算出每个参数的贡献权重。根据贡献权重，将性能参数误差分配到神经网络最后一层隐藏层每个节点中。然后按照正常的神经网络参数修正方式对神经网络中的每一个参数进行修正。
[0050]本专利技术的有益效果如下：
[0051]1)本专利技术涉及离心泵的性能参数预测，为减少离心泵工作环境对传感器的干扰，仅利用离心泵电机频率f和阀门开度V两个参数，运用一种机理增强神经网络的离心泵性能预测模型，改善计算流体力学预测的不足。
[0052]2)本专利技术将离心泵的机理公式作为神经网络最后一层隐藏层与输出层之间的线性连接函数，利用离心泵的机理对神经网络进行约束，进一步增强神经网络的预测性能。
[0053]3)本专利技术对神经网络中，采用各个参数求偏导，计算出每个参数在机理公式中所占的权重，将神经网络的输出层(性能参数)的误差分配到最后一层隐藏层，以此达到误差反向传播修正神经网络参数的需求。
[本文档来自技高网...

【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：