(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111252959.0 (22)申请日 2021.10.27 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市下沙高教园区 学源街258号 (72)发明人 吴登昊　吴天鑫　吴跃忠　黄海鸣　 任芸　谷云庆　邱士军　林仁勇　 牟介刚　 (74)专利代理 机构 杭州斯可 睿专利事务所有限 公司 33241 代理人 王利强 (51)Int.Cl. F04D 15/00(2006.01) F04D 29/00(2006.01) G06F 30/27(2020.01) (54)发明名称 一种无流量传感的离心泵性能神经网络预 测方法 (57)摘要 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。 权利要求书3页 说明书9页 附图6页 CN 114109859 A 2022.03.01 CN 114109859 A 1.一种无流量传感的离心泵性能神经网络预测方法， 其特征在于， 所述方法包括以下 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； 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。 2.如权利要求1所述的一种无流量传感的离心泵性 能神经网络预测方法， 其特征在于， 所述步骤1中， 在实验室条件下， 开展离心泵特性试验， 借助离心泵水力性能测试系统获取 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测量值， 整理测试数据， 绘制不同转速下的离心泵流 量–扬程曲线和流 量–功率曲线。 3.如权利要求1或2所述的一种无流量传感的离心泵性能神经网络预测方法， 其特征在 于， 所述步骤2中， 根据不同转速下的流量Q、 扬程H、 功率P、 工作转速频率f测量值， 采用多项 式拟合方程建立离心泵扬程与流量、 转速频率近似方程， 如公 式(1)所示； 功 率与流量、 转速 频率近似方程， 如公式(2)所示； H＝a00+a10f+a01Q+a20f2+a11fQ+a02Q2+a21f2Q+a12fQ2+a03Q3+a30f3   (1) P＝b00+b10f+b01Q+b20f2+b11fQ+b02Q2+b21f2Q+b12fQ2+b03Q3+b30f3   (2) 式中， Q为泵的流量， P为电机输入功率， f为水泵的工作转速 频率， H为泵的扬程， a00至a30 为扬程近似方程的系数， b00至b30为功率近似方程的系数； 固定转速不变， 即工作转速频率 f为一恒定的值， 对功率 –流量近似方程进行求导， 计算 公式如公式(3)所示； 式中， c00至c02为功率导数方程的系数； 在规定转速频率下， 将流量区间范围内的值， 即Q∈[0,Qmax]， 带入公式(3)中， 判断是否 存在零值， 即是否存在极值。 4.如权利要求1或2所述的一种无流量传感的离心泵性能神经网络预测方法， 其特征在 于， 所述步骤3的过程如下： 首先， 基于步骤2的判定结果， 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， 神经网络预测模型采用三层 逆向 传播BP神经网络方法， 分别为输入层， 隐藏层和输出层； 其中离心泵流量神经网络预测模型 定义为QNN1， 其输入层包含2个神经元， 分别为电机输入功率和 工作转速频率， 隐藏层包含 10个神经元， 输出层包含1个神经元， 为流量输出； 扬程神经网络预测模 型定义为HNN1， 其输 入层包含2个神经元， 分别为流量和工作转速频率， 隐藏层 包含10个神经元， 输出层 包含1个 神经元， 为扬程输出； 具体双神经网络预测模型的结构如图6所示； 若功 率存在极值， 则以工权　利　要　求　书 1/3 页 2 CN 114109859 A 2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， 神经网络预测模型 同样采用三层 逆向传播BP神经网络方法， 分别为输入层， 隐藏层和输出层； 离心泵流量神经 网络预测模型定义为QNN2， 其输入层包含2个神经元， 分别为扬程和 工作转速频率， 隐藏层 包含10个神经元， 输出层包含1个神经元， 为流量输出； 具体单神经网络预测模型的结构如 图7所示； 其次， 将步骤1获取的试验测量样本值作为神经网络训练的初始样本， 针对功率无极值 的条件， 分别对流量神经网络预测 模型QNN1和扬程神经网络预测 模型HNN1进行训练； QNN1 训练时， 以工作转速频率、 电机输入功率为训练输入样本， 流量为训练输出目标结果， 采用 样本随机 分配方法将训练样 本按照80％、 10％、 10％的比例分配为训练样 本数据集、 验证样 本数据集和测试样本数据集， 神经网络训练算法采用贝叶斯正则化算法， 训练的迭代次数 设置为5000， 学习率设置为0.1， 目标误差设置为0.00001； 训练完成后， 分别对训练结果、 验 证结果和测试结果进行目标值和输出值之间的相关性分析， 即R值分析， R值越接近1， 说明 训练好的模型越准确； HNN1训练时， 以工作转速频率、 流量为训练输入样本， 扬程为训练输 出目标结果， 采用样 本随机分配方法将训练样 本按照80％、 10％、 10％的比例分配为训练样 本数据集、 验证样本数据集和测试样本数据集， 神经网络训练算法采用贝叶斯正则化算法， 训练的迭代次数设置为5000， 学习率设置为0.1， 目标误差设置为0.00001； 训练完成后， 分 别对训练结果、 验证结果和测试结果进 行目标值和输出值之 间的相关性分析， 即R值分析， R 值越接近1， 说明训练好的模型越准确； 针对功率有极值的条件， 对流量神经网络预测模型QNN2进行训练； 以工作转速频率、 扬 程为训练输入样本， 流量为训练输出目标结果， 采用样本随机分配方法将训练样本按照 80％、 10％、 10％的比例分配为训练样本数据集、 验证样本数据集和测试样本数据集， 神经 网络训练算法采用贝叶斯正则化算法， 训练的迭代次数设置为5000， 学习 率设置为0.1， 目 标误差设置为0.00001； 训练完成后， 分别对训练结果、 验证结果和测试结果进行目标值和 输出值之间的相关性分析， 即R值分析， R值越接 近1， 说明训练好的模型越准确。 5.如权利要求1或2所述的一种无流量传感的离心泵性能神经网络预测方法， 其特征在 于， 所述步骤4中， 通过步骤3最终确定离心泵在不同的功率特性下所选用的神经网络预测 模型， 将该训练好的神经网络预测模型， 植入到离心泵控制器中， 控制器可以是标准的可编 程逻辑控制器PLC， 也可以是定制式的单片机控制器， 分别采用功率传感器、 压力传感器以 及转速传感器实时测量设备工作时的电机输入功 率P、 压差Δp和转速n数据， 分别利用公式 (4)和(5)将测量的压差值和转速值转换成扬程值H和工作转速频率值f； 利用神经网络预测 模型， 实现当前状态下流量值的预测， 同时， 通过公式(6)计算当前状态下设备的运行效率 η， 实现设备性能的准确预测 和设备运行状态的智能监测与诊断； 式中， Δp为测量的压 差值， ρ 为介质的密度， g为重力加速度； 式中， n为测量的转速值；权　利　要　求　书 2/3 页 3 CN 114109859 A 3