数据-机理耦合的无传感器离心泵性能参数预测方法

1.本发明属于离心泵性能参数无传感器预测技术领域，具体设计在无任何传感器的条件下，基于即时学习(jitl)中的欧式加权距离和后验概率(mepp)的高斯过程回归(gpr)模型结合离心泵机理模型预测离心泵的性能参数的方法。


背景技术：

2.离心泵的性能参数反映的是离心泵工作时的工作特性，反映了离心泵运行时的整体工作性能，另外，由于离心泵的工作环境多变，离心泵在很多情况下是在非设计工况的恶劣工况下运行，离心泵的性能参数曲线会产生突然的增大或减小，这为离心泵的性能参数的预测增大了困难。心泵的性能参数包括有动扬程阻力损失系数(k值)，流量(q值)，扬程(h值)，其中通过外特性曲线表示离心泵在不同工况下的运行状况。离心泵在工作时，由于受到外部工作环境的影响，其工作状态会发生变化，特别在非设计工况条件下，小流量段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，会发生泄露、二次流、漩涡、压力脉冲等情况，所以很难准确的预测出离心泵的性能参数。
3.目前为止，对于离心泵性能参数的主流方法主要是利用计算流体力学(cfd)进行预测，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，对于湍流模型的选取，网格的划分和边界条件的设置，都依赖于设计者的经验，且对于复杂结构的模型，高保真模拟成本高，模拟过程非常复杂，对计算平台的计算性能要求较高。同时，利用计算流体力学的数值模拟结果不具有通用性，换一个模型就需要重新建模，泛化性能查。因此，利用计算流体力学来预测离心泵的性能参数相对的费时费力。
4.目前常用的离心泵性能预测方法需要性能检测传感器，以及配套的数据采集、传输、分析系统，额外安装传感器需要电线，这会让安装更麻烦并提高成本，同时传感器可靠性较低，易受干扰，并且容易发生故障。


技术实现要素：

5.为了解决离心泵性能参数预测现有技术存在的上述问题，本发明的目的在于提供一种在无传感器模式下，基于即时欧式加权学习后验概率的高斯过程回归模型与机理模型相结合的新模型来预测离心泵的性能参数。本发明可简单描述为利用离心泵叶轮旋转频率和进口阀阀门开度来预测流量和动扬程阻力损失系数以及扬程。
6.本发明提供如下技术方案：一种数据-机理耦合的无传感器条件下离心泵性能参数预测方法，其特征在于包括以下具体步骤：
7.1)数据采集：离心泵性能试验开始前，将泵进出口阀门开至最大，电机频率设定为预设频率，调节进口阀使进出口压力表示数稳定，此阀门开度为初始阀门开度，在预设频率下，调节进口阀阀门开度，直到进口阀开度调制最大，依次记录进口阀阀门开度，进口压力，出口压力，泵出口流量；
8.2)数据处理：对所记录的离心泵性能试验数据，以及基于实验数据所获得的性能
参数：流量q值、扬程h值和动扬程阻力损失系数k值，以此作为预测模型的训练数据，其中频率n和阀门开度v作为数据特征流量q值，扬程(h值)和动扬程阻力损失系数k值分别作为数据标签；
9.3)即时学习数据处理：通过欧式加权距离相似度准则对一组待测数据特征(待测数据特征包括频率n和阀门开度v)，在所有历史数据样本特征中通过相似度度量选取8组相似样本；
10.4)后验概率数据处理：在8组相似样本中随机选取4组相似样本组合成一个新的样本集，利用后验概率mepp在所有的新的样本集中选取概率最大的一组样本集作为该待测数据特征的训练数据特征集，与训练数据特征集相对应的历史数据标签(流量q值，扬程h值和动扬程阻力损失系数k值)分别组成的新的训练数据标签集；
11.5)离心泵性能参数预测模型的建立：利用训练数据特征集分别与流量q值训练数据标签集、动扬程阻力损失系数k值训练数据标签集进行高斯过程回归(gpr)预测模型的建立，所建立的模型分别对应为流量q值jitl-mepp-gpr(简称：q-jitl-mepp-gpr)预测模型和动扬程阻力损失系数k值jitl-mepp-gpr(简称：k-jitl-mepp-gpr)预测模型；
12.6)离心泵性能参数预测：将待测数据特征带入上述q-jitl-mepp-gpr预测模型和k-jitl-mepp-gpr预测模型中，分别预测出流量和动扬程阻力损失系数，最后利用离心泵的机理公式，可以求出离心泵的扬程。
13.进一步的，步骤2)中，根据实验所得到参数求动扬程阻力损失系数k值和扬程q值公式如下：
[0014][0015]
其中：h表示泵的总扬程，m；
[0016]hst
表示泵得静扬程，m；
[0017]
p
out
表示泵出口压力，pa；
[0018]
p
in
表示泵进口压力，pa；
[0019]
ρ表示传质的密度，kg/m3(ρ
水
＝1000kg/m3)。
[0020][0021]
其中：h表示泵的总扬程，m；
[0022]hst
表示泵得静扬程，m；
[0023]
q表示泵的流量，m3/h。
[0024]
进一步的，步骤3)中，采用欧式加权距离公式作为相似性度量的准则，其公式表达为：
[0025][0026]
其中：{nm，vm}表示历史数据样本特征；
[0027]
{nn，vn}表示待测数据特征；
[0028]
0.01
×
nm表示权重。
[0029]
进一步的，步骤4)中，后验概率具体过程为：分别将所有的新的样本集和所对应的
流量集输入到不同的gpr模型中，根据不同gpr模型的预测方差结合贝叶斯定理制定标准度量待测数据特征的近似性。
[0030]
4.1)将待测数据特征输入到训练好的gpr模型中，其预测输出集预测方差的计算公式如下：
[0031][0032][0033]
其中：k
t,i
＝[c(x
t,i
,x1),c(x
i,i
,x2),
…
,c(x
t,i
,xn)]
t
是新输入数据和训练数据的协方差向量；
[0034]kt,i
＝c(x
t,i
,x
t,i
)是新输入数据的协方差；
[0035]
是gpr模型输出的预测方差；
[0036]
4.2)根据不同gpr的预测方差，将预测方差与贝叶斯后验概率相结合得到度量不同转速下的新的样本集的相似的标准，选取概率最大的一组样本集作为该待测数据特征的训练数据特征集，与训练数据特征集相对应的历史数据标签(流量q值，扬程h值和动扬程阻力损失系数k值)分别组成的新的训练数据标签集，其公式如下：
[0037][0038][0039][0040]
其中：n
l
表示训练样本子集的样本个数；
[0041]nt
表示测试集的样本个数；
[0042]
表示gpr模型对x
t,i
的预测不确定度；
[0043]
mepp表示表示后验概率的平均值，其值越高即为训练样本子集与测试集的相似度越高，反而反之。
[0044]
进一步的，步骤6)中，利用离心泵的机理公式预测扬程(h值)的公式如下：
[0045]
h＝h
st
kq2[0046]
其中:h表示泵的总扬程，m；
[0047]hst
表示泵的静扬程，m；
[0048]
k表示动扬程阻力系数；
[0049]
q表示泵的流量，m3/h。
[0050]
本发明具有以下有益的技术效果：
[0051]
1)本发明涉及离心泵在无传感器状态下，利用离心泵的转动频率和阀门开度两个参数，运用一种数据-机理耦合的无传感器条件下离心泵性能参数预测方法，在改善计算流体力学费时费力的缺点同时，极大的提高了预测的精度和模型的泛化性能。
[0052]
2)本发明构建预测模型的前提是不使用任何传感器的情况下来预测的离心泵性
能参数，因此，在整个离心泵性能参数预测的过程中，减少了离心泵的传感器的使用，可以极大的减少了传感器费用的支出。
[0053]
3)本发明构建预测模型一次仅预测一个频率和阀门开度所对应的性能参数，因此不会受离心泵性能曲线突然急剧变化的影响，拥有较好的泛化性能，能够准确的预测出曲线急剧变化处的性能参数。
附图说明
[0054]
图1为本发明的离心泵性能参数预测模型建模流程图；
[0055]
图2为模型预测流程图；
[0056]
图3为四组测试集样本的预测流量q值图；
[0057]
图4为四组测试集样本的预测流量q值的相对误差图；
[0058]
图5为四组测试集样本的预测动扬程阻力损失系数k值图；
[0059]
图6为四组测试集样本的预测动扬程阻力损失系数k值的相对误差图；
[0060]
图7为四组测试集样本的预测扬程h值对比图；
[0061]
图8为四组测试集样本的预测扬程h值的相对误差图。
具体实施方式
[0062]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明附图及实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
[0063]
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
[0064]
实施例:
[0065]
请参阅图1-2，一种数据-机理耦合的无传感器离心泵性能参数预测方法，所述方法包括以下步骤：
[0066]
步骤1)：获取离心泵不同转速下的性能参数数据集，过程如下：
[0067]
离心泵性能试验开始前，将泵进口阀门开至最大，电机频率设定为预设频率，调节进口阀使进出口压力表示数稳定，此阀门开度为初始阀门开度，在预设频率下，调节进口阀门开度，直到进口阀开度调制最大，依次记录进口阀门开度v，进口压力pi，出口压力po，泵出口流量q。
[0068]
步骤2)：数据处理，过程如下：
[0069]
由记录的进口阀门开度v，进口压力p
in
，出口压力p
out
，泵出口流量q通过如下公式得到动扬程阻力损失系数(k值)和扬程(h值)，
[0070][0071]
其中：h表示泵的总扬程，m；
[0072]hst
表示泵得静扬程，m；
[0073]
p
out
表示泵出口压力，pa；
[0074]
p
in
表示泵进口压力，pa；
[0075]
ρ表示传质的密度，kg/m3(ρ
水
＝1000kg/m3)。
[0076][0077]
其中：h表示泵的总扬程，m；
[0078]hst
表示泵得静扬程，m；
[0079]
q表示泵的流量，m3/h。
[0080]
并以此作为预测模型的训练数据，其中频率n和阀门开度v作为数据特征流量(q值)、扬程(h值)，动扬程阻力损失系数(k值)分别作为数据标签，记作{{nm,vm},{qm}}和{{nm,vm},{km}}。
[0081]
步骤3)：即时学习数据处理，过程如下：
[0082]
首先，通过欧式加权距离相似度准则，公式如下所示，对一组待测数据特征(待测数据特征包括频率n和阀门开度v记作{nn,vn})进行相似性度量，在所有历史数据样本特征中通过相似度度量选取8组相似样本，记作
[0083]
c＝{{n1，v1},{n2，v2},
…
,{n8，v8}}。
[0084][0085]
其中：{nm，vm}表示历史数据样本特征；
[0086]
{nn，vn}表示待测数据特征；
[0087]
0.01
×
nm表示权重
[0088]
步骤4)：后验概率数据处理，过程如下：
[0089]
步骤4.1)：在8组相似样本c＝{{n1，v1},{n2，v2},
…
,{n8，v8}}中随机选取4组相似样本组成一个新的样本集，记作sk＝{{na,va},{nb,vb},{nc,vc},{nd,vd}}，其中k＝1，2，
…
，70(70为随机组合的样本集的总个数)；1≤a、b、c、d≤8，且a≠b≠c≠d。利用后验概率公式，分别求出每个样本集sk的概率。
[0090]
后验概率具体过程为：
[0091]
将待测数据特征输入到训练好的gpr模型中，其预测输出集预测方差的计算公式如下：
[0092][0093][0094]
其中：k
t,i
＝[c(x
t,i
,x1),c(x
t,i
,x2),
…
,c(x
t,i
,xn)]
t
是新输入数据和训练数据的协方差向量；
[0095]kt,i
＝c(x
t,i
,x
t,i
)是新输入数据的协方差；
[0096]
是gpr模型输出的预测方差。
[0097]
根据不同gpr的预测方差，将预测方差与贝叶斯后验概率相结合得到度量不同转速下的新的样本集的相似的标准，选取概率最大的一组样本集作为该待测数据特征的训练数据特征集，与训练数据特征集相对应的历史数据标签(流量(q值)，扬程(h值)和动扬程阻
力损失系数(k值))分别组成的新的训练数据标签集，其公式如下：
[0098][0099][0100][0101]
其中：n
l
表示训练样本子集的样本个数；
[0102]nt
表示测试集的样本个数；
[0103]
表示gpr模型对x
t,i
的预测不确定度；
[0104]
表示gpr模型对x
t,i
的预测值；
[0105]
mepp表示表示后验概率的平均值，其值越高即为训练样本子集与测试集的相似度越高，反而反之。
[0106]
步骤4.2)：利用步骤4.1)所求出来的所有样本集合的后验概率平均值，选最大的后验概率平均值最大的样本子集作为预测模型的训练样本数据的特征，并与之对应的流量(q值)和动扬程阻力损失系数(k值)分别组成新的训练样本集合，记为：
[0107][0108][0109]
步骤5)：离心泵性能参数预测模型的建立，过程如下：
[0110]
利用训练样本集合和训练进行高斯过程回归(gpr)预测模型的建立，所建立的模型分别对应为流量(q值)jitl-mepp-gpr(简称：q-jitl-mepp-gpr)预测模型和动扬程阻力损失系数(k值)jitl-mepp-gpr(简称：k-jitl-mepp-gpr)预测模型；
[0111]
步骤6)：离心泵性能参数的预测，过程如下：
[0112]
将待测数据特征{nn,vn}带入q-jitl-mepp-gpr预测模型和k-jitl-mepp-gpr预测模型中，分别预测出流量(q值)和动扬程阻力损失系数(k值)，最后利用离心泵的机理公式，可以求出离心泵的扬程，其中离心泵的机理公式如下所示：
[0113]
h＝h
st
kq2[0114]
其中:h表示泵的总扬程，m；
[0115]hst
表示泵的静扬程，m；
[0116]
k表示动扬程阻力系数；
[0117]
q表示泵的流量，m3/h。
[0118]
以上过程可求出一个频率和阀门开度下对应的标签值，如此重复该过程，可以求出其他频率或者其他阀门开度下的标签值。
[0119]
选择四组转速测试集样本进行预测，四组测试转速包含了高、中、低三个段位的转速值，将四组转速测试集带入到本发明所构建的预测模型中，预测的流量(q值)、动扬程阻
力损失系数(k值)和扬程(h值)的结果如图3、5、7所示，其中q、k、h分别表示实验的真值，q
p
,k
p
,h
p
表示预测结果。
[0120]
最后，根据所预测的一个完整测试转速的标签值，可以求出预测结果的相对误差(re)和均方根误差(rmse)，公式如下所示：
[0121][0122][0123]
其中：y
p
表示模型预测结果；
[0124]
y表示离心泵实验结果；
[0125]
n表示预测样本的总数。
[0126]
则四组测试转速预测的流量(q值)、动扬程阻力损失系数(k值)和扬程(h值)的相对误差结果如图4、6、8所示。四组测试转速预测的流量(q值)、动扬程阻力损失系数(k值)和扬程(h值)的均方根误差结果如表1所示。
[0127]
表1
[0128][0129]
通过图3-8以及表1可以看出，本发明的离心泵性能参数预测模型具有较好的准确率。
[0130]
通过四组测试转速所包含中、高、低三个挡位的转速，其预测结果的准确度均较好，表明本发明所述的模型有较好的泛化性能。
[0131]
以上所述仅为本发明的较佳实施例而已，并不以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。