[发明专利]一种无流量传感的离心泵性能神经网络预测方法

说明书

一种无流量传感的离心泵性能神经网络预测方法，包括以下步骤：步骤1.通过离心泵水力性能试验，获取不同转速下的离心泵流量、扬程、电机输入功率和工作转速频率；步骤2.建立不同转速下的离心泵流量–扬程、流量–功率多项式拟合方程，对流量–功率方程进行求导，判定其是否存在极值；步骤3.若功率不存在极值，以工作转速频率、电机输入功率作为输入参数，建立离心泵流量、扬程双神经网络预测模型；若功率存在极值，以工作转速频率、扬程作为输入参数，建立离心泵流量单神经网络预测模型；步骤4.将训练好的神经网络预测模型，植入离心泵控制器，基于实时测量数据，实现离心泵性能的准确预测。本发明保证设备运行的安全性和可靠性。

技术领域

本发明属于泵性能预测方法领域，具体涉及一种无流量传感的离心泵性能神经网络预测方法，主要用于快速精确地预测离心泵的工作性能参数，在无流量传感器的条件下对泵的流量和效率参数进行准确预测，实现设备运行状态的智能监测与诊断，保证设备运行的安全性和可靠性。

背景技术

对于离心泵系统而言，为保证系统运行的安全性和可靠性，需要实时掌握设备的运行状态、预判设备运行故障。然而，由于物理空间的限制或特殊工作环境的限制，无法在现有的系统中通过安装流量传感器来获取实际设备运行时的流量信息，由于流量信息的缺乏，将导致现场工作人员无法有效开展设备运行状态的评估和诊断。为解决该问题，一些研究人员提出了《一种基于功率和压差的离心泵流量预测方法》CN 201410538240.7，该方法通过结合流量-转矩(功率)方程和流量-压差方程预测离心泵的流量，实现了离心泵流量的预测，然而该方法在预测模型选择和流量预测精度上存在一定的缺陷。在此基础上，研究人员提出了《一种基于不确定度分析的泵与风机性能预测方法》CN201910930803.X，该方法针对无流量计条件下泵与风机的流量预测问题，通过建立流量-压差和流量-功率多项式拟合方程，并对不同模型的适应度开展不确定度分析，选择不确定度较低的预测模型，实现泵与风机性能参数的精确预测和设备运行状态的实时监测。然而，该方法在预测方式上仍采用传统的多项式拟合方程作为数学预测模型，对于波动性较大的离心泵运行数据预测效果较差。针对上述问题，本发明提出了一种无流量传感的离心泵性能神经网络预测方法，该方法摆脱了传统多项式拟合方程的束缚，借助神经网络模型，将随机的样本数据进行大规模的训练，得到精度较高、适用性更广的离心泵性能预测模型，以实现无流量传感器下离心泵性能的准确预测。

已有的无流量传感离心泵性能预测方法存在以下几类缺点：1)对于功率存在极值的离心泵模型，传统的基于功率和转速的流量预测方法存在缺陷，即在同一功率下，存在两个对应的流量值，无法实现流量的有效预测；2)传统的离心泵流量预测方法大多数借助流量–扬程多项式拟合方程或流量–功率多项式拟合方程，该模型针对波动性较大的离心泵模型，拟合方程的误差较大，在流量预测精度上存在一定的不足。

发明内容

为了克服已有技术的不足，本发明提供一种无流量传感的离心泵性能神经网络预测方法，针对特定离心泵系统，在实验室借助泵水力性能测试系统获取离心泵相关测试数据，采用神经网络模型对样本数据进行大规模的训练，通过神经网络预测模型，在无流量传感器的条件下对泵的流量和效率参数进行准确预测，实现设备运行状态的智能监测与诊断，保证设备运行的安全性和可靠性。

本发明解决其技术问题所采用的技术方案是：

一种无流量传感的离心泵性能神经网络预测方法，包括以下步骤：

步骤1.通过离心泵水力性能试验，获取不同转速下的离心泵流量Q、扬程H、电机输入功率P、工作转速频率f试验样本数据；

步骤2.建立不同转速下的离心泵流量–扬程、流量–功率多项式拟合方程，对流量–功率方程进行求导，判定其是否存在极值；

步骤3.若功率不存在极值，则以工作转速频率、电机输入功率作为输入参数，建立离心泵流量、扬程双神经网络预测模型；若功率存在极值，则以工作转速频率、扬程作为输入参数，建立离心泵流量单神经网络预测模型；