[发明专利]离心泵性能曲线样本获取方法及其在机器学习中的应用

说明书

本发明公开一种离心泵性能曲线样本获取方法及其在机器学习中的应用，该方法首先收集多种离心泵的其中一个性能参数随流量变化的数据；再对另外两个未知性能参数进行数学建模，得到这未知性能参数的简化公式；然后基于性能参数之间的关系以及未知性能参数的简化公式，计算得到已知性能参数的计算值；最后将已知性能参数真实值与计算值的均方差作为差分进化优化算法的目标函数，优化得到两个未知性能参数计算公式的系数；最后计算得到不同流量下的未知性能参数值。该方法能够快速便捷地获取大量的性能参数样本。将该方法进一步和机器学习模型相结合，能够基于离心泵几何参数获得不同离心泵性能预测结果，计算时间短，实施方便，从而加快研发进度。

技术领域

本发明涉及离心泵性能曲线预测领域，尤其涉及一种离心泵性能曲线样本获取方法及其在机器学习中的应用。

背景技术

离心泵是一种将原动机的机械能转化为液体能量的流体机械，广泛应用于石化、核电、灌溉、城市供水和供暖系统。但是，离心泵的内部流动十分复杂，一款泵产品的研发，需要经过设计、试制、试验、改进等繁琐的流程，会消耗大量的时间、人力和物力。因此，离心泵性能预测研究成为产品研发的关键。叶轮和蜗壳是离心泵重要的过流部件，如果能够依据叶轮、蜗壳的关键设计几何参数准确地预测出离心泵的性能曲线，就能够大幅地减少泵的模型制作、试制、试验的费用并缩短设计和制造周期。

基于计算流体动力学方法对离心泵内部流动进行数值模拟，从而预测离心泵的性能是目前应用较多的手段。但是，依靠这种方法要消耗大量的计算时间，并且需要工作人员根据具体情况选择合适的湍流模型以及边界条件，对网格质量也有较高的要求。此外，在非设计工况下，预测的性能往往存在较大误差。基于理论经验公式的水力损失模型法可以预估离心泵的性能，但是碍于离心泵种类结构繁杂，针对不同的离心泵需要作不同的简化假设，相关公式系数的选取区间较大，依赖于丰富的设计开发经验，且不具有普遍性。

近年来，机器学习方法迅速发展起来，在泵的性能预测方面也有了一定应用。大多数机器学习模型经过模型的调整与数据处理后，都能有较高的预测精度，该方法具有巨大的应用潜力。机器学习方法需要以泵的性能试验数据作为训练样本，并对样本的规模和数据质量有一定的要求。而在离心泵使用现场，往往难以通过测试手段获取完整的离心泵性能曲线，无法得到全面的试验数据。因此，如何处理离心泵不完整的性能曲线数据样本，帮助机器学习研发人员获取更多可靠的样本具有十分重要意义。

发明内容

针对现有的离心泵的性能预测模型样本缺乏的不足、性能预测模型计算量大的问题，本发明提出一种离心泵性能曲线样本获取方法，该方法基于已知的单个性能参数，即可计算得到另外两个性能参数，能够大大地降低完整的离心泵性能曲线训练样本的获取难度，并在此基础上，将该方法和机器学习模型相结合，提出一种离心泵的性能预测方法，仅基于离心泵的几何参数，就能快速得到对应的性能参数，计算时间短，实施方便。

本发明的目的通过如下的技术方案来实现：

一种离心泵性能曲线样本获取方法，所述离心泵的性能参数包括扬程、功率和效率；该方法包括以下步骤：

步骤一：收集多种不同型号离心泵的扬程、功率和效率三个性能参数其中一个随流量变化的数据；

步骤二：对另外两个未知性能参数进行数学建模，得到这两个未知性能参数的简化公式；

步骤三：基于三个性能参数之间的计算公式以及步骤二的两个未知性能参数的简化公式，计算得到已知的这个性能参数随流量变化的计算值；

步骤四：将步骤一收集的已知性能参数的真实值与步骤三计算得到的已知性能参数的计算值的均方差作为差分进化优化算法的目标函数，优化得到两个未知性能参数计算公式的系数，从而得到两个未知性能参数计算公式；

步骤五：根据两个未知性能参数计算公式，计算得到不同流量下的未知性能参数的值，从而绘制两个未知性能参数的曲线。

进一步地，所述功率的建模公式为：