CN109829248A - 水泵的性能参数的确定方法、装置和电子设备 - Google Patents
水泵的性能参数的确定方法、装置和电子设备 Download PDFInfo
- Publication number
- CN109829248A CN109829248A CN201910159726.2A CN201910159726A CN109829248A CN 109829248 A CN109829248 A CN 109829248A CN 201910159726 A CN201910159726 A CN 201910159726A CN 109829248 A CN109829248 A CN 109829248A
- Authority
- CN
- China
- Prior art keywords
- parameter
- water pump
- data
- model
- preset processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本说明书提供了一种水泵的性能参数的确定方法、装置和电子设备。其中,该方法包括:获取水泵的设计参数;利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;通过多模型融合和多个结果数据,确定出与设计参数对应的水泵的性能参数。在本说明书实施例中,通过预先利用样本数据对多个不同结构的神经网络进行模型训练,得到多个不同预设的处理模型;再利用上述多个预设的处理模型代替复杂的数值仿真运算来确定出多个结果数据;最后将多个结果数据通过多模型融合确定出水泵的性能参数,从而解决了现有方法中存在的处理效率低、误差大的技术问题。
Description
技术领域
本说明书属于机器组件设计的技术领域,尤其涉及一种水泵的性能参数的确定方法、装置和电子设备。
背景技术
在进行机器组件设计时,用户往往需要先根据具体的要求(例如耗能要求、功率要求等)等确定相应的预期的性能目标,再以预期的性能指标作为指导,先确定出初始的设计参数(例如机器组件中某个部件的高度、机器组件中某个部件的半径等);再通过对应的数值仿真软件进行数值仿真运算,得到与上述初始的设计参数对应的性能参数;进而可以根据所得到的性能参数,对之前所确定的设计参数进行优化调整,最终得到满足要求的设计参数。
但是,数值仿真运算过程通常较为复杂,会耗费掉大量的时间和资源。例如,在利用CFD(一种基于流体动力学的仿真软件)进行关于离心式水泵的速度场计算时,由于数据仿真需要根据相应的流体动力学原理,求解大量复杂的方程组,求解的复杂度相对较高,涉及到的运算量也会相对较大,导致仿真运算过程会占用掉大量的计算资源,且仿真运算的时间也会相对较长。例如,可能一次仿真运算的时间就需要十几个小时。这样导致用户基于现有方法在进行离心式水泵时,需要等候较长的时间才能得到相应的性能参数,影响了用户的工作效率,且由于处理过程复杂,计算过程也容易出现误差。可见现有方法具体实施时,往往存在处理效率低、误差大的技术问题。
针对上述问题,目前尚未提出有效的解决方案。
发明内容
本说明书目的在于提供一种水泵的性能参数的确定方法、装置和电子设备,以解决了现有方法存在处理效率低、误差大的技术问题。
本说明书提供的一种水泵的性能参数的确定方法、装置和电子设备是这样实现的:
一种水泵的性能参数的确定方法,包括:
获取水泵的设计参数;
利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;
通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
在一个实施例中,所述设计参数包括以下至少之一:叶轮进口边的径向位置、叶轮出口半径、叶轮入口半径、叶片进口宽度、叶片出口宽度、叶片进口安装角、叶片出口安装角、扩散管长度、基圆直径、涡室进口宽度、涡室隔舌安放角、涡室隔舌螺旋角、涡室出口宽度。
在一个实施例中,所述性能参数包括以下至少之一:扬程、体积流量、质量流量、转速、轴功率、效率。
在一个实施例中,所述多个预设的处理模型按照以下方式建立:
获取样本数据,其中,所述样本数据包括:多组水泵的样本设计参数,以及与所述样本设计参数对应的性能参数;
根据所述样本数据,获取多组训练数据;
利用多组训练数据对多个神经网络分别进行对应的模型训练,建立多个预设的处理模型,其中,所述多个神经网络中不同神经网络间的层数和/或节点数不同。
在一个实施例中,根据所述样本数据,获取多组训练数据,包括:
按照以下方式获取所述多组训练数据中的当前组训练数据:
根据预设的采样规则,对所述样本数据进行采样,得到预设采样组数组样本数据;
将所述预设采样组数组样本数据作为当前组训练数据。
在一个实施例中,在建立多个预设的处理模型后,所述方法还包括:
确定所述多个预设的处理模型的回归精度;
根据预设的权重规则和所述多个预设的处理模型的回归精度,确定对应所述多个预设的处理模型中的各个预设的处理模型的权重参数。
在一个实施例中,通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数,包括:
将所述多个结果数据分别与对应的预设的处理模型的权重参数相乘,得到多个加权结果数据;
将所述多个加权结果数据相加,得到与所述设计参数对应的水泵的性能参数。
在一个实施例中,在根据所述多个结果数据,通过多模型融合,确定出与所述设计参数对应的水泵的性能参数后,所述方法还包括:
根据与所述设计参数对应的水泵的性能参数,调整所述水泵的设计参数。
本申请实施例还提供了一种水泵的性能参数的确定装置,包括:
获取模块,用于获取水泵的设计参数;
第一确定模块,用于利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;
第二确定模块,用于通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
本申请实施例还提供了一种电子设备,包括处理器以及用于存储处理器可执行指令的存储器,所述处理器执行所述指令时实现获取水泵的设计参数;利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
本说明书提供的一种水泵的性能参数的确定方法、装置和电子设备,由于通过预先获取并利用包含有设计参数和性能参数的样本数据对不同结构的神经网络分别进行对应的模型训练,建立出多个具有不同计算优势的预设的处理模型;再利用上述多个预设的处理模型代替复杂的数值仿真运算确定出多个结果数据;最后再通过多模型融合,根据所述多个结果数据确定最终的水泵的性能参数,从而解决了现有方法中存在的处理效率低、误差大的技术问题,达到降低计算复杂度和对资源的占用,高效、并且高精度地确定出与设计参数对应的性能参数,以减少用户的等待时间,方便用户及时对设计参数进行有针对性的调整、修改,减少设计误差的技术效果。
附图说明
为了更清楚地说明本说明书实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本说明书实施例提供的水泵的性能参数的确定方法的流程的一种实施例的示意图;
图2是在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图;
图3是在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图;
图4是在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图;
图5是在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图;
图6是本说明书实施例提供的水泵的性能参数的确定装置的结构的一种实施例的示意图;
图7是本说明书实施例提供的电子设备的结构的一种实施例的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本说明书保护的范围。
考虑到基于现有方法,每次在计算水泵的性能参数时,都需要利用相应的软件,通过求解大量的基于相关理论的方程组,进行数值仿真运算。上述处理过程中由于涉及到的数据处理量相对较大,导致处理时间相对较长,处理效率相对低,使得用户需要等待很长的时间才能获得对应的性能参数,影响用户设计效率。此外,上述方法由于计算过程较为复杂,且往往是依赖一套相关理论的方程组进行数值仿真运算的,计算过程也容易出现误差,导致得到结果不够准确。因此,现有方法具体实施时往往存在处理效率低、误差大的技术问题。
针对产生上述问题的根本原因,本申请考虑可以先获包含有设计参数和性能参数的多个数据作为样本数据;再根据上述样本数据得到多组不同的训练数据,并利用多组不用的训练数据对同结构的神经网络进行模型训练,从而可以得到具有不同计算优势的预设的处理模型。在具体确定性能参数时,可以先利用上述多个预设的处理模型代替复杂的数值仿真运算确定出多个结果数据;再通过多模型融合,综合多个预设处理模型的计算优势,根据所述多个结果数据准确地确定出最终的水泵的性能参数从而能有效地降低计算的复杂度,提高处理效率,改善了计算准确度,解决了现有方法中存在的处理效率低、误差大的技术问题。
基于上述思考思路,本申请实施例提供了一种水泵的性能参数的确定方法。具体请参阅图1所示的本说明书实施例提供的水泵的性能参数的确定方法的流程的一种实施例的示意图。本申请实施例提供的水泵的性能参数的确定方法,具体实施时,可以包括以下内容。
S11:获取水泵的设计参数。
在本实施例中,上述水泵具体可以理解为用户(例如产品工程师或产品设计师等)想要通过设计优化达到预期的性能目标(例如满足某一个或几个特定性能指标)的产品对象。例如,工程师根据客户要求,想要设计优化出的扬程达到某个指标参数的水泵。当然具体实施时,根据具体应用场景和用户需求,还可以引入其他机器组件作为替换上述水泵进行性能参数的确定。对此,本说明书不作限定。
在本实施例中,上述设计参数具体可以理解为由用户提供的用于限定水泵的属性特征的参数。例如,具体可以是水泵的尺寸参数,或者水泵的材料参数等等。用户可以通过设置、调整上述设计参数的数值使得水泵的性能逐步达到预期的性能目标。
需要说明的是,对于不同类型的水泵,以及不同的预期的性能目标,上述设计参数可以具体包含有不同类型的参数数据。具体实施时,可以根据具体情况,结合水泵的具体类型和所要达到的预期的性能目标,确定所要使用的设计参数。对此,本说明书不作限定。
下面具体将具体说明如何应用本申请实施例所提供的水泵的性能参数的确定方法高效、准确地设计出符合预期的性能目标的离心式水泵。对于其他类型的水泵,可以参阅关于离心式水泵的相关描述执行,本说明书不作赘述。
在本实施例中,在水泵为离心式水泵的情况下,参阅图2所示的在一个场景示例中,以及表1所示的设计参数列表,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图,可能会影响到水泵性能的设计参数具体可以包括以下至少之一:叶轮进口边的径向位置(具体可以记为r1)、叶轮出口半径(具体可以记为r2)、叶轮入口半径(具体可以记为r3)、叶片进口宽度(具体可以记为b1)、叶片出口宽度(具体可以记为b2)、叶片进口安装角(具体可以记为β1)、叶片出口安装角(具体可以记为β2)、扩散管长度(具体可以记为L)、基圆直径(具体可以记为D3)、涡室进口宽度(具体可以记为b3)、涡室隔舌安放角(具体可以记为θ0)、涡室隔舌螺旋角(具体可以记为α0)、涡室出口宽度(具体可以记为Dd)等等。
表1设计参数列表
具体实施时,可以将上述所列举的参数中的任意一个,或者任意多个的组合作为用户提供的设计参数。当然,根据具体情况和处理需求,还可以引入除上述所列举的参数类型外其他的参数作为水泵的设计参数。对此,本说明书不作限定。
在本实施例中,具体实施时,可以为用户提供一个数据输入接口,用户可以通过该数据输入接口输入相应的设计参数,从而可以获取得到上述设计参数。
S13:利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型。
在本实施例中,上述多个结果数据中的各个结果数据可以分别理解为通过多个预设的处理模型中的各个预设的处理模型基于各自所输入的相同的设计参数,通过模型运算得到的结果数据,即是各个预设的处理模型基于所输入的设计参数分别计算出的初始的性能参数。由于不同的预设的处理模型具有不同的模型结构,且不同的预设的处理模型在训练时所使用的训练数据不同,导致不同的预设的处理模型具有不同的计算优势,所适用的场景也会存在差异。例如,可能预设的处理模型1更适合于计算A类型水泵的扬程,而预设的处理模型2则在计算B类型的转速时具有更高的精确度。因此,虽然上述多个预设的处理模型都以相同的设计参数作为输入,但得到结果数据,即初始的性能参数却可能会存在差异。例如,可能预设的处理模型1得到的初始性能参数中扬程的准确度相对更高,而预设的处理模型2得到的初始性能参数中转速的准确度相对更高。因此,为了减少计算误差,提高所确定的性能参数的精确度,上述方式利用多个预设的处理模型所得到多个结果数据可以作为初始性能参数用于后续的处理,而不直接作为提供给用户的性能参数,以便后续可以得到精确度更高的性能参数。
在本实施例中,上述初始性能参数和后续所确定的性能参数所包含的参数数据相同。其中,上述性能参数具体可以理解为用于表征水泵的性能状态的参数数据,通过上述性能参数可以判断基于相应的设计参数的水泵是否能达到预期的性能指标。
需要说明的是,上述性能参数的数值会受到设计参数的影响,与设计参数在数值上具有一定的关联性。具体的,上述性能参数可以是表征功率的参数,也可以是表征效率的参数等等。根据水泵类型的不同,以及预期的性能目标的不同,上述性能参数所包含的参数数据也可以不相同。具体的,可以根据水泵的类型,以及预期的性能目标确定合适的参数数据作为上述性能参数。
在本实施例中,在水泵为离心式水泵的情况下,参阅表2所示的性能参数列表,水泵的性能参数可以包括以下至少之一:扬程(可以记为H)、体积流量(可以记为Q)、质量流量(可以记为G)、转速(可以记为n)、轴功率(可以记为P)、效率(可以记为η)等等。
表2性能参数列表
性能参数 | 含义 |
H | 扬程(单位重量液体通过泵后所获得的能量) |
Q | 体积流量 |
G | 质量流量 |
n | 转速 |
P | 轴功率 |
η | 效率 |
具体实施时,可以将上述所列举的参数中的任意一个,或者任意多个的组合作为水泵的性能参数。当然,根据具体情况和处理需求,还可以引入除上述所列举的参数外其他类型的参数作为水泵的性能参数。对此,本说明书不作限定。
在本实施例中,上述预设的处理模型具体可以理解为一种预先通过对所分配的样本数据中的训练数据进行学习训练,所拟合得到的能够表征设计参数与性能参数的数值关系的神经网络模型。
需要说明的是,上述预设的处理模型区别于常规数值仿真中的数值模型。其中,常规数值仿真中的数值模型往往是基于相关理论(例如流体动力学理论等)的方程组所建立的数值求解模型,这类模型在运行求解过程会涉及到大量较为复杂的方程组求解,运行求解过程中涉及到的数据量相对较大,计算的复杂程度相对较高,对计算资源的占用也相对较大,导致求解过程的耗时也相对较长。而本申请实施例中所使用的预设的处理模型并不是基于相关理论的方程组所建立的,而是从另一个角度,通过对设计参数和性能参数的在数值上的相互关系进行学习训练,所建立的一种预测模型。因此,通过预设的处理模型确定设计参数所对应的水泵的性能参数时,相对于利用常规的数值仿真中的数值模型,不需要求解大量复杂的方程组,只需要根据已经训练得到的设计参数和性能参数的在数值上的相互关系,就可以预测出设计参数所对应的水泵的性能参数,从而可以有效地降低模型运行过程中的复杂程度,减少计算量,提高模型处理的效率。
在本实施例中,为能够适用多种不同场景类型的水泵的性能参数的确定,提高所确定的性能参数的准确度,具体实施时可以使用多个预设的处理模型。其中,上述多个预设的处理模型由于所使用的训练数据,以及所基于的神经网络的结构参数不同,导致多个预设的处理模型相互之间也具有不同的模型结构,针对不同的场景类型或者数值关系能够表现出不同的计算优势。
在本实施例中,具体实施时,可以将上述水泵的设计参数作为多个预设的处理模型共同的模型输入,分别输入至多个预设的处理模型中的各个预设的处理模型;进而可以分别运行各个预设的处理模型,得到各个预设的处理模型基于同一个设计参数的模型输出,并将上述模型输出作为该预设的处理模型的结果数据,从而得到了多个结果数据。其中,所述多个结果数据中的各个结果数据分别与生成该结果数据的预设的处理模型对应。由于生成不同结果数据的预设的处理模型的结构不同,因此不同的结果数据的数值也可能不相同。
例如,可以将水泵的设计参数分别输入至3个已经训练好的预设的处理模型(即预设的处理模型1、预设的处理模型2和预设的处理模型3)中,得到3个结果数据分别结果数据1、结果数据2和结果数据3。其中,结果数据1是基于预设的处理模型1得到的,因此与预设的处理模型1对应。结果数据2是基于预设的处理模型2得到的,因此与预设的处理模型2对应。结果数据3是基于预设的处理模型3得到的,因此与预设的处理模型3对应。
S15:通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
在本实施例中,在得到多个结果数据后,由于不同的结果数据是基于不同的预设的处理模型得到的,而不同的预设的处理模型的模型结构往往不同,导致在基于不同的预设的处理模型所得到结果数据在不同层面各自具有相对的计算优势。例如,可能结果数据1在性能参数中的参数a的计算上具有相对优势,有更高的精度;而结果数据2则可能在性能参数中的参数b的计算上具有相对优势,有更高的精度。因此,为了能够使得最终确定的性能参数的精确度较高,可以综合利用不同的预设的处理模型的计算优势,通过模型融合,来综合利用基于多个不同的预设的处理模型所得到的多个结果数据,共同计算出精确度更高的性能参数。
在本实施例中,具体实施时,上述通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数,具体实施时,可以包括:根据生成结果数据的对应的预设的处理模型的模型特点,对所述多个结果数据进行加权求平均,计算出所述性能参数。当然,需要说明的是,上述所列举的多模型融合方式只是一种示意性说明。具体实施时,根据具体情况和精度要求,也可以采用其他合适的多模型融合方式来确定性能参数。对此,本说明书不作限定。
在本申请实施例中,相较于现有方法,由于通过预先获取并利用包含有设计参数和性能参数的样本数据对不同结构的神经网络分别进行对应的模型训练,建立出多个具有不同计算优势的预设的处理模型;再利用上述多个预设的处理模型代替复杂的数值仿真运算确定出多个结果数据;最后通过多模型融合,根据所述多个结果数据确定最终的水泵的性能参数,从而解决了现有方法中存在的处理效率低、误差大的技术问题,达到降低计算复杂度和对资源的占用,高效、并且高精度地确定出与设计参数对应的性能参数,以减少用户的等待时间,方便用户及时对设计参数进行有针对性的调整、修改,减少设计误差的技术效果。
在一个实施例中,为了能够得到上述不依赖基于相关原理复杂的方程组求解但能够准确地表征出水泵的设计参数与性能参数数值相关性的预设的处理模型,具体实施时,可以按照以下方式,通过模型训练,建立上述多个预设的处理模型。
S1:获取样本数据,其中,所述样本数据包括:多组水泵的样本设计参数,以及与所述样本设计参数对应的性能参数。
在本实施例中,上述样本数据具体可以包括有多组数据,其中,上述多组数据中的各组数据分别包含有水泵的设计参数,以及与该设计参数对应的水泵的性能参数。需要说明的是,样本数据中所包含的设计参数与性能参数,与用户所提供的设计参数,以及用户想要确定的性能参数分别对应。上述样本数据后续可以用于模型训练。
在本实施例中,在水泵为离心式水泵的情况下,如果用户想要确定的设计参数包括:叶轮进口边的径向位置、叶轮出口半径、叶轮入口半径、叶片进口宽度、叶片出口宽度、叶片进口安装角、叶片出口安装角、扩散管长度、基圆直径、涡室隔舌安放角、涡室隔舌螺旋角、涡室进口宽度、涡室出口宽度总共13个不同类型的参数数据,则上述样本数据中的每组数据也需要包含有相同的13个参数数据。类似的,如果用户所关注、想要确定的用于表征水泵的性能状态的性能参数包括:扬程、体积流量、质量流量、转速、轴功率、效率总共6个不同类型的参数数据,则上述样本数据中的每组数据也需要包含有上述相同的6个参数数据。
具体的,上述样本数据中的多组数据中的第i组数据可以表示为以下形式(其中,设计参数具体可以使用带有下标的x表示,性能参数具体可以使用带有下标的y标识):
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)i
其中,xk具体可以表示为设计参数中编号为k参数数据,与上述13个设计参数对应,其中,k为大于等于1,且小于等于13的整数;y1、y2、y3、y4、y5、y6具体可以分别表示上述5个性能参数;i具体可以表示为样本数据中的数据组的编号,i为大于等于1,且小于等于样本数据中所包含的数据组的组数的整数。
在一个实施例中,上述获取样本数据,具体实施时,可以包括以下内容:通过实验获取样本设计参数,以及与所述样本设计参数对应的性能参数;和/或,通过数值仿真获取样本设计参数,以及与所述样本设计参数对应的性能参数。
在本实施例中,上述通过实验获取样本设计参数,以及与所述样本设计参数对应的性能参数,具体实施时,可以根据相应的设计参数制作对应的水泵;再对该水泵进行实验测试,根据实验测试得到结果数据,确定出对应的性能参数,进而可以将该设计参数,与对应的性能参数作为一组样本数据。
在本实施例中,上述通过数值仿真获取样本设计参数,以及与所述样本设计参数对应的性能参数,具体实施时,可以通过使用相关的数值仿真软件(例如CFD)根据相应的设计参数进行数值仿真运算,得到运算结果,并根据运算结果,确定出对应的性能参数,进而可以将该设计参数,与对应的性能参数作为另一组样本数据。
在本实施例中,还可以通过查询历史数据,获取历史设计案例,将历史设计案例中所包含的设计参数和对应的性能参数作为一组样本数据。其中,上述历史设计案例具体可以是用户从历史数据中筛选出的水泵,以及性能参数与当前所要达到的预期的性能目标近似度较高的设计案例。此外,还可以根据用户的工程经验,获取设计参数,以及对应的性能参数作为一组样本数据等等。
当然,需要说明的是,上述所列举的获取样本数据的方式只是一种示意性说明。具体实施时,可以单独使用上述某一种方式获取样本数据,也可以将上述多种方式组合获取样本数据,还可以根据具体的情况,引入其他合适的方式获取样本数据。对此,本说明书不作限定。
在一个实施例中,为了使得后续建立的预设的处理模型更加准确,可以获取更多的样本数据进行后续的模型训练。具体实施,可以通过综合上述多种获取方式来获取更多的样本数据。还可以通过对已经获取的样本数据进行数据扩充,得到更多样本数据。
在一个实施例中,在获取样本数据后,所述方法具体实施时,还可以包括以下内容:对所述样本数据进行插值拟合,以扩充样本数据。
在本实施例中,具体可以采用差值拟合的方式根据已有的样本数据,生成新的样本数据,以实现样本数据的扩充。
具体的,例如,可以先构造一个多维的拉格朗日多项式作为拟合算式;再根据已有的样本数据中的某一组样本数据的设计参数,均匀地构造出新的设计参数;利用上述拟合算式,根据新的设计参数,计算出对应的新的性能参数;进而可以将新的设计参数,与对应的新的性能参数作为一组新扩充的样本数据。例如,根据p组样本数据,通过上述方式进行样本数据扩充可以得到p+q组的样本数据,可以表示为:
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)1
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)2
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)3
……
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)p
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)p+1
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)p+2
……
(x1/x2/x3/x4/...xk.../x13,y1/y2/y3/y4/y5/y6)p+q
其中,上述数据中下标为1至p的为原本的样本数据,下标为p+1至p+q的为扩充得到的新的样本数据。通过上述方式可以快速地实现样本数据的扩充,得到更加丰富的样本数据。
当然,需要说明的是,上述所列举的样本数据的扩充方式只是一种示意性说明。具体实施时,根据具体情况,也可以采用其他合适的扩充方式进行样本数据的扩充。对此,本说明书不作限定。
S2:根据所述样本数据,获取多组训练数据。
在本实施例中,在得到上述数量足够多的样本数据后,为了训练出多个不同的预设的处理模型,可以先根据上述样本数据,获得用于训练不同预设的处理模型的多组训练数据。
在一个实施例中,上述根据所述样本数据,获取多组训练数据,具体实施时,下面仅以获取所述多组训练数据中的当前组训练数据为例说明如何获取对应多个不同预设的处理模型的多组训练数据:
S2-1:根据预设的采样规则,对所述样本数据进行采样,得到预设采样组数组样本数据;
S2-2:将所述预设采样组数组样本数据作为当前组训练数据。
在本实施例中,上述预设的采样规则具体可以理解为一种支持可重复采样的采样规则。其中,上述可重复采样具体可以理解为在每一次采样都是随机抽取样本数据中的一组数据作为采样数据,并且在完成该次采样后,还会将本次所采样得到的该组样本数据重新放回样本数据,参与下一次的采样。基于上述可重复采样,在所采样得到的多组样本数据中允许出现被重复采样的相同的样本数据。
在本实施例中,上述预设采样组数据具体可以根据具体情况以及精度要求灵活设定。例如,可以将上述预设采样组数的数值设置为一个小于或等于样本数据所包含的数据组数的数值。此外,由于在本实施例中,所使用的预设的采样规则为支持可重复采样的采样规则,因此,基于上述预设采样规则,上述预设的采样组数的数值也可以设置为一个大于或等于样本数据所包含的数据组数的数值。
在本实施例中,上述根据预设的采样规则,对所述样本数据进行采样,得到预设采样组数组样本数据,具体实施时可以包括以下内容:根据预设采样组数确定预设采样次数;每次从所述样本数据中随机抽取一组样本数据作为一个采样数据,完成本次采样;在完成本次采样后,可以按照上述方式进行下一次采样,得到下一个采样数据,其中,上一次被采样的样本数据也会参与下一次的采样;按照上述方式进行预设采样次数的采样后,得到预设采样组数样本数据,其中,上述预设采样组数样本数据中允许存在相同的采样数据。例如,第一次采样得到的第一组样本数据和第三次采样得到的第三组样本数据可以是相同的数据。进而可以将上述预设采样组数组样本数据作为当前组训练数据。
按照上述方式可以分别通过对样本数据进行采样得到对应多个预设处理模型的多组训练数据。
在本实施例中,需要说明的是,上述多组训练数据中的不同组的训练数据的预设采样组数数值可以相同也可以不同。例如,可以是第一组训练数据包含有5组样本数据,第二组训练数据包含有6组样本数据,第三组训练数据包含有4组样本数据。具体实施时,可以根据对应的预设的处理模型的特点和精度要求,灵活设置对应各个预设的处理模型的预设采样组组数。对此,本说明书不作限定。
在本实施例中,具体地,按照上述方式,根据样本数据(可以记为数据集D),可以获取n组不同的训练数据(可以记为训练数据集:D1、D2、D3、…、Dn)。其中,每组训练数据都包括p+q组样本数据。
以采样得到第一组训练数据集D1为例,对数据集D进行了p+q次采样。每次采样都会随机从数据集D中挑选一个样本数据,将其拷贝放入D1中,再将该样本数据放回至数据集D中,使得该样本数据在下次采样中仍有可能被采集到。这个过程重复执行p+q次。这样得到训练数据集D1就会包含有p+q个样本数据。显然数据集D中有一部分的样本数据可能会在D1中多次出现,而另一部分样本数据可能没有出现。
按照类似的方式,得到其他组的训练数据集D2、D3、…、Dn。其中,上述每个训练数据集中都包含有p+q个样本数据。可以做一个估计,数据集D中的样本数据在p+q次采样中始终不被采到的概率为(1-1/p+q)p+q,取极限则等于0.368。即通过一次上述采样,对于D1、D2、D3、…、Dn中的每个的训练数据集来说,数据集D中大约会有36.8%的样本数据没有出现在各自的训练数据集中。这样,对于每个预设的处理模型的训练而言从数据集D中未提取到的训练数据为36.8%,因此整体未提取的训练数据则为(36.8%)n。如果n=3时,该数值仅为5%。属于可容忍的阈值范围。
S3:利用多组训练数据对多个神经网络分别进行对应的模型训练,建立多个预设的处理模型,其中,所述多个神经网络中不同神经网络间的层数和/或节点数不同。
在本实施例中,具体实施时,可以利用上述得到的多组训练数据对多个神经网络分别进行对应的模型训练,以训练得到多个预设的处理模型。
在本实施例中,需要说明的是,上述多个预设的处理模型所基于的神经网络的网络机构可以是不同的。具体的,所述多个神经网络中不同神经网络间的网络层数,或者每层网络所包含的节点数可以是不相同的。例如,用于训练预设的处理模型1的神经网络可以是包含有10层网络的神经网络。而用于训练预设的处理模型2的神经网络则可以是包含有21层网络的神经网络。由于用于训练预设的处理模型的神经网络的网络结构不同,导致后续训练得到的预设的处理模型在具体计算性能参数时对于不同场景类型中的不同种类的性能参数的计算精度也会存在差异。
在本实施例中,利用上述多组训练数据对不同的神经网络分别进行模型训练过程相近。下面仅以利用其中某一组训练数据对对应的神经网络进行模型训练,以建立用于确定离心式水泵的性能参数的预设的处理模型为例,说明如何利用多组训练数据对多个神经网络分别进行对应的模型训练,建立多个预设的处理模型。具体可以参阅图3所示的在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图,上述神经网络可以包括:输入层、输出层和隐含层。其中,输入层中包含有13个输入参数,对应设计参数所包含的13个参数数据。输出层中包含有6个输出参数,对应性能参数所包含的6个参数数据。隐含层具体可以包括多个隐含层(例如L-1层),也可以包括一个隐含层,其中,每个隐含层中可以多个节点(其中,每个节点可以认为是一个神经元)。具体实施时,可以根据具体情况和精度要求,设置隐含层的层数(可以记为layers),以及各隐含层中的节点数(nodes)。
对于上述神经网络中的任意一个隐含层,例如,对于第k层的隐含层,该隐含层包含有的节点数量为Nk,其中,uk(i)表示该隐含层中的第i个节点的输入,wk(i,j)表示第k-1层中的第j个节点到第k层中的第i个节点的权重,ak(i)表示第k层中的第i个节点的输出,θk(i)表示第k层中第i个节点的偏置。其中,输入层可以理解为第0层,所包含的节点数量N0=13,输出层可以理解为第L层,所包含的节点数量NL=6。
对应的,上述神经网络中各层之间的节点的输入和输出的数值关系,可以表示为以下形式:
a1(i)=f(u1(i)),1≤i≤N1,
a2(i)=f(u2(i)),1≤i≤N2,
......
aL(i)=f(uL(i)),1≤i≤NL
其中,上述f(x)具体可以表示一种激活函数。在本实施例中,为了避免在模型训练过程中出现梯度爆炸或者梯度小时等问题,同时也为兼顾模型的复杂度,简化模型训练,具体实施时,可以使用Relu函数作为激活函数。其中,上述Relu函数可以表示为以下形式:
当然,需要说明的是,上述所列举的激活函数只是一种示意性说说明。具体实施时,根据具体情况,也可以采用其他合适的函数作为激活函数。对此,本说明书不作限定。
在本实施例中,利用所述样本数据,对神经网络模型进行训练,可以理解为通过输入样本数据,确定出包含有各个隐含层中节点的权重和偏置的具体数值的网络参数。具体的,可以先确定出各个层中节点的权重和偏置的初始数值(即初始网络参数,或称初始权矩阵);再多次输入不同的样本数据,并根据输入的样本数据不断地对各个层中节点的权重和偏置进行多次修正,使得各个层中节点的权重和偏置趋近于较为准确的数值,最终得到准确度较高的网络参数,训练得到了符合要求的预设的处理模型。
在本实施例中,具体实施时,可以通过采用反向传播算法(BP,Back Propagation)根据输入的样本数据不断地对各个层中节点的权重和偏置进行多次修正。
具体实施时,可以按照以下方式,对权重和偏置进行修正:
其中,E具体可以表示为误差函数,p具体可以表示样本数据中的样本数据组数。
在每一次输入样本数据进行模型训练,按照梯度下降,对应的权重迭代公式可以表示为以下形式:
其中,wl(p)(i,j)具体可以表示为第l-1层隐含层中第j个节点对第l层中第i个节点的第p次迭代时的权重。
δL (p)(i)=(t(p)(i)-aL (p)(i))f′(uL (p)(i))
1≤l≤L-1
其中,f′()具有可以表示为对激活函数求导,δL (p)(i)具体可以表示为误差函数对权重求偏导。
具体的,δL (p)(i)可以按照以下公式确定:
1≤i≤nl,1≤j≤nl-1
其中,η具体可以表示为学习率,取值范围在0到1之间,用于控制着算法每次更新的权重的步长;t(p)(i)具体可以表示为第p次迭代时,神经网络的期望输出(即根据样本数据给出的已知的值);aL (p)(i)具体可以表示为神经网络对训练数据的输入值产生的实际输出。
在一个实施例中,为了进一步简化预设的处理模型,降低模型的复杂度,提高后续模型运行效率,上述利用所述样本数据,对神经网络模型进行训练,建立所述预设的处理模型,参阅图4所示的在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图,具体实施时,还包括以下内容:
S1:将所述训练数据划分为第一训练数据和第二训练数据;
S2:利用所述第一训练数据,对神经网络模型进行训练,建立第一处理模型;
S3:根据所述第一处理模型的网络参数,确定设计参数与性能参数的相关性;
S4:根据所述设计参数与性能参数的相关性,剔除第一处理模型中相关性小于预设的相关性阈值的设计参数,得到第二处理模型;并剔除所述第二训练数据中相关性小于预设的相关性阈值的设计参数,得到第三训练数据;
S5:利用所述第三训练数据,对所述第二处理模型进行训练,建立所述预设的处理模型。
在本实施例中,上述建立的第一处理模型并不是最终的,精确度较高的模型,但是通过第一处理模型中的网络参数中的权重和/或偏置,可以分析出输入的设计参数和输出性能参数在数值上的相关性。例如,可以通过分析第一处理模型中网络参数中各个层的节点的权重值大小,发现设计参数中可能有些数据对性能参数的数值影响相对较大,则相关性也相对较大;而有些数据可能对性能参数的数值影响相对较小,则相关性也相对较小。
为了简化模型,降低模型的复杂度,进一步提高处理效率,可以根据上述第一处理模型的网络参数,分别出表征各个设计参数与性能参数的相关性;再与预设的相关性阈值作比较,将相关性小于预设的相关性阈值的设计参数确定为对性能参数影响相对较小的设计参数。即,该类型设计参数的改变往往不会对性能参数产生较为明显的影响。因此,在模型训练时,可以忽略该类型设计参数的影响,简化模型训练过程。具体的,可以从第一处理模型中剔除出上述类型的设计参数,即相关性小于预设的相关性阈值的设计参数,得到简化了的第二处理模型;同时,可以从第二训练数据中剔除出上述类型的设计参数,得到数据量相对更少的第三训练数据;进而可以只利用上述剔除后的第三训练数据,对剔除后的第二处理模型进行训练,从而可以更加高效地得到符合要求的预设的处理模型。其中,上述预设的相关性阈值的取值可以根据精度要求灵活设定。对此,本说明书不作限定。
在本实施例中,具体实施时,可以将相对较为简单、数据量相对较少的样本数据划分为第一训练数据;将相对较为复杂、数据量相对较多的样本数据划分为第二训练数据。此外,具体实施时,也可以不对样本数据进行划分,例如,也可以先利用训练数据对神经网络模型进行训练,建立第一处理模型;根据所述第一处理模型的网络参数,确定设计参数与性能参数的相关性;据所述设计参数与性能参数的相关性,剔除第一处理模型中相关性小于预设的相关性阈值的设计参数,得到第二处理模型;并剔除所述训练数据中相关性小于预设的相关性阈值的设计参数,得到剔除后的训练数据;利用所述剔除后的训练数据,对所述第二处理模型进行训练,建立所述预设的处理模型。
在本实施例中,可以参照上述方式,分别利用多组的训练数据,对对应的神经网络进行训练,得到对应的多个预设的处理模型。
在本实施例中,具体实施时,为了进一步提高模型的准确度,可以先利用利用上述多组训练数据对多个神经网络分别进行对应的模型训练,以训练得到多个神经网络模型分别作为多个对应的初始预设的处理模型;再将样本数据中除每组训练数据以外的数据作为对应预设的处理模型的测试数据,得到多组测试数据;再利用多组测试数据对多个初始预设的处理模型分别进行测试校正,得到多个精度更高的预设的处理模型。
具体的,例如,对于预设的处理模型1、预设的处理模型2、…、预设的处理模型n而言,对应的训练数据分别可以表示为:D1、D2、…、Dn;对应的测试数据分别可以表示为:D1\D(表示在D中除了D1以外的其它数据)\D2\D、…、Dn\D。
在一个实施例中,在建立多个预设的处理模型后,所述方法具体实施时,还可以包括以下内容:
S1:确定所述多个预设的处理模型的回归精度;
S2:根据预设的权重规则和所述多个预设的处理模型的回归精度,确定对应所述多个预设的处理模型中的各个预设的处理模型的权重参数。
在本实施例中,具体实施时,可以通过利用多个预设的处理模型对同一组样本设计参数进行计算,根据各个预设的处理模型得到的性能参数与该样本设计参数对应的实际的性能参数的差异值,确定各个预设的处理模型的回归精度。其中,预设的处理模型得到的性能参数与实际的性能参数的差异值越小,对应的回归精度就相对越高,预设的处理模型得到的性能参数与实际的性能参数的差异值越大,对应的回归精度就相对越低。当然,上述所列举的确定预设的处理模型的回归精度的方式只是一种示意性说明。具体实施时,根据具体情况也可以采用其他合适的方式来确定预设的处理模型的回归精度。对此,本说明书不作限定。
在本实施例中,上述根据预设的权重规则和所述多个预设的处理模型的回归精度,确定对应所述多个预设的处理模型中的各个预设的处理模型的权重参数,具体实施时,可以包括:根据多个预设的处理模型的回归精度,将多个预设的处理模型按照回归精度进行排序;将排序较高的预设的处理模型的权重参数的数值设置得相对较高。
例如,预设的处理模型1、预设的处理模型2和预设的处理模型3按照回归精度排序为:预设的处理模型2、预设的处理模型3、预设的处理模型1;相应的,预设的处理模型2的权重参数可以设置为3/6,预设的处理模型3的权重参数可以设置为2/6,预设的处理模型1的权重参数可以设置为1/6。当然,需要说明的是,上述所列举的预设的处理模型的权重参数的确定方式只是一种示意性说明。具体实施时,根据具体情况,也可以采用其他合适的方式确定预设的处理模型的权重参数。对此,本说明书不作限定。
在一个实施例中,上述通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数,具体实施时,可以包括以下内容:将所述多个结果数据分别与对应的预设的处理模型的权重参数相乘,得到多个加权结果数据;将所述多个加权结果数据相加,得到与所述设计参数对应的水泵的性能参数。通过上述方式可以融合多个预设的处理模型的计算优势,综合多个结果数据,完成多模型融合,得到准确度相对更高的性能参数。
具体的,例如,可以将预设的处理模型2得到的结果数据与预设的处理模型2的权重参数3/6相乘,将得到的乘积作为该预设的处理模型得到的加权结果数据。类似的,将预设的处理模型3得到的结果数据与预设的处理模型3的权重参数2/6相乘,将得到的乘积作为该预设的处理模型得到的加权结果数据。将预设的处理模型1得到的结果数据与预设的处理模型1的权重参数1/6相乘,将得到的乘积作为该预设的处理模型得到的加权结果数据。再将上述3个加权结果数据相加,将得到和作为最终的性能参数。当然,需要说明的是,上述所列举多模型融合确定性能参数的方式只是一种示意性说明。具体实施时,根据具体情况也可以采用其他合适的方式进行多模型融合来计算最终的性能参数。对此,本说明书不作限定。
在一个实施例中,参阅图4所示,在根据所述多个结果数据,通过多模型融合,确定出与所述设计参数对应的水泵的性能参数后,所述方法具体实施时,还可以包括以下内容:根据与所述设计参数对应的水泵的性能参数,调整所述水泵的设计参数。
在本实施例中,在获取得到了用户提供的设计参数,并确定出对应的性能参数,还可以根据上述性能参数和用户的预期的性能指标进行比较,确定当前得到的与所述设计参数对应的水泵的性能参数是否满足用户的预期的性能指标;在确定当前得到的性能参数不满足预期的性能指标的情况,可以根据上述性能参数,有针对性地对上述设计参数进行调整,以使得基于调整后的设计参数得到性能参数能够更加接近预期的性能指标。再获取调整后的设计参数,并确定出与调整后的设计参数对应的水泵的调整后的性能参数。再将调整后的性能参数和预期的性能指标进行比较,确定基于调整后的设计参数所得到的调整后的性能参数是否满足预期的性能目标。如果调整后的性能参数满足预期的性能指标,则可以将对应调整后的设计参数确定最终的水泵的设计参数,完成了对水泵的优化设计,得到了相对较佳的设计方案。如果调整后的性能参数仍不满足预期的性能指标,则可以再对调整后的设计参数再次进行针对性的调整,以得到更好的设计参数,最终得到满足要求的最佳的设计方案。
具体的,以水泵中的离心式水泵为例,可以参阅图5所示的在一个场景示例中,应用本说明书实施例提供的水泵的性能参数的确定方法的一种实施例的示意图,通过上述方式进行多次调整后,可以快速得到较为准确的,符合预期性能指标的优化设计参数。通过对比基于优化设计的设计参数得到的优化设计速度场图,和基于未优化的原设计的设计参数得到原设计的速度场图可知:预期的性能目标是要求目标为降低轴功以提升效率,基于该优化设计参数,经过优化后,在保证流量扬程不变的情况下,轴功率显著下降6%。具体的,通过对比原设计和优化设计的速度场对比图可以看出:优化设计后,叶轮出口的速度场明显更加均匀,耗散减少,有利于减少轴功率,进而提高水泵效率。通过对比原设计和优化设计的叶轮表面扭矩分布图,可以看出:优化后,扭矩(其中扭矩乘以转速即轴功率)明显降低。
在一个实施例中,用户在利用上述预设的处理模型,得到了与设计参数对应的水泵的性能参数后,具体实施时,还可以将该组设计参数和性能参数作为一组新的样本数据,对多个预设的处理模型分别进行训练,以便多个预设的处理模型都可以根据实时处理的数据,对各自模型进行实时地更新训练,以便可以自动实时地对各自模型中的网络参数进行修正,进一步提高各个预设的处理模型的模型精度。
在一个实施例中,为了进一步提高用户体验,提高处理效率,上述获取水泵的设计参数,具体实施时,还可以包括:获取包含有多个水泵的设计参数的扫描数据;按照上述方式通过多个预设的处理模型以及多模型融合,确定出与多个对应的水泵的性能参数。
在本实施例中,用户可以根据具体情况和需求设置上述扫描数据的扫描范围和扫描步长,进而后续根据扫描范围和扫描步长可以确定出多个设计参数,并根据上述多个设计参数,通过预设的处理模型计算出对应的性能参数。
例如,用户可能对设计参数中的某一个参数A感兴趣,想要进一步确定下参数A对性能参数的影响大小。这时,用户可以保持设计参数中的其他参数不变,只设置参数A的初始值和终止值作为扫描范围,同时设置参数A的间隔精度作为扫描步长,得到上述扫描数据;再将上述扫描数据作为模型输入,输入至预设的处理模型中,得到多个不同参数A数值所对应的性能参数。进而用户可以通过比较对应不同参数A的性能参数,确定出参数A对性能参数的影响大小。
在一个实施例中,所述水泵具体可以包括:离心式水泵等。当然,上述所列举的离心式水泵只是一种示意性说明。具体实施时,根据具体情况和处理需求还可以引入其他类型的水泵进行优化处理。对此,本说明书不作限定。
在一个实施例中,所述设计参数具体可以包括以下至少之一:r1、叶轮出口半径、叶轮入口半径、叶片进口宽度、叶片出口宽度、叶片进口安装角、叶片出口安装角、扩散管长度、基圆直径、涡室进口宽度、涡室隔舌安放角、涡室隔舌螺旋角、涡室出口宽度等。当然,上述所列举的设计参数只是一种示意性说明。具体实施时,根据具体情况和处理要求,还可以引入其他类型的参数作为设计参数。对此,本说明书不作限定。
在一个实施例中,所述性能参数具体可以包括以下至少之一:扬程、体积流量、质量流量、转速、轴功率、效率等。当然,上述所列举的性能参数只是一种示意性说明。具体实施时,根据具体情况和处理要求,还可以引入其他类型的参数作为性能参数。对此,本说明书不作限定。
从以上的描述中,可以看出,本申请实施例提供的水泵的性能参数的确定方法,通过预先获取并利用包含有设计参数和性能参数的样本数据对不同结构的神经网络分别进行对应的模型训练,建立出多个具有不同计算优势的预设的处理模型;再利用上述多个预设的处理模型代替复杂的数值仿真运算确定出多个结果数据;最后通过多模型融合,根据所述多个结果数据确定最终的水泵的性能参数,从而解决了现有方法中存在的处理效率低、误差大的技术问题,达到降低计算复杂度和对资源的占用,高效、并且高精度地确定出与设计参数对应的性能参数,以减少用户的等待时间,方便用户及时对设计参数进行有针对性的调整、修改,减少设计误差的技术效果;还通过根据不同预设的处理模型的回归精度,准确地计算出对应各个预设的处理模型的权重参数;再利用结果数据和对应的预设的处理模型的权重参数通过加权求和的方式进行多模型融合,进一步降低了计算误差,提高了所确定的性能参数的准确度。
基于同一发明构思,本申请实施例中还提供了一种水泵的性能参数的确定装置,如下面的实施例所述。由于水泵的性能参数的确定装置解决问题的原理与水泵的性能参数的确定方法相似,因此水泵的性能参数的确定装置的实施可以参见水泵的性能参数的确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。请参阅图6所示的本说明书实施例提供的水泵的性能参数的确定装置的结构的一种实施例的示意图,是本申请实施例提供的水泵的性能参数的确定装置的一种组成结构图,该装置具体可以包括:获取模块61、第一确定模块62和第二确定模块63,下面对该结构进行具体说明。
获取模块61,具体可以用于获取水泵的设计参数;
第一确定模块62,具体可以用于利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型。
第二确定模块63,具体可以用于通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
在一个实施例中,所述水泵具体可以包括:离心式水泵等。当然,上述所列举的离心式水泵只是一种示意性说明。具体实施时,根据具体情况和处理需求还可以引入其他类型的水泵进行处理。对此,本说明书不作限定。
在一个实施例中,所述设计参数具体可以包括以下至少之一:r1、叶轮出口半径、叶轮入口半径、叶片进口宽度、叶片出口宽度、叶片进口安装角、叶片出口安装角、扩散管长度、基圆直径、涡室进口宽度、涡室隔舌安放角、涡室隔舌螺旋角、涡室出口宽度等。当然,上述所列举的设计参数只是一种示意性说明。具体实施时,根据具体情况和处理要求,还可以引入其他类型的参数作为设计参数。对此,本说明书不作限定。
在一个实施例中,所述性能参数具体可以包括以下至少之一:扬程、体积流量、质量流量、转速、轴功率、效率等。当然,上述所列举的性能参数只是一种示意性说明。具体实施时,根据具体情况和处理要求,还可以引入其他类型的参数作为性能参数。对此,本说明书不作限定。
在一个实施例中,所述装置具体还可以包括建立模块,其中,所述建立模块具体可以包括以下的结构单元:
第一获取单元,具体可以用于获取样本数据,其中,所述样本数据包括:多组水泵的样本设计参数,以及与所述样本设计参数对应的性能参数;
第二获取单元,具体可以用于根据所述样本数据,获取多组训练数据;
训练单元,具体可以用于利用多组训练数据对多个神经网络分别进行对应的模型训练,建立多个预设的处理模型,其中,所述多个神经网络中不同神经网络间的层数和/或节点数不同。
在一个实施例中,为了能够根据所述样本数据,获取多组训练数据,所述第二获取单元具体实施时,可以按照以下方式获取所述多组训练数据中的当前组训练数据:根据预设的采样规则,对所述样本数据进行采样,得到预设采样组数组样本数据;将所述预设采样组数组样本数据作为当前组训练数据。
在一个实施例中,所述建立模块具体还可以包括第一确定单元,具体可以用于在建立多个预设的处理模型后,确定所述多个预设的处理模型的回归精度;根据预设的权重规则和所述多个预设的处理模型的回归精度,确定对应所述多个预设的处理模型中的各个预设的处理模型的权重参数。
在一个实施例中,为了能够通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数,所述第二确定模块63具体可以包括以下结构单元:
第一运算单元,具体可以用于将所述多个结果数据分别与对应的预设的处理模型的权重参数相乘,得到多个加权结果数据;
第二运算单元,具体可以用于将所述多个加权结果数据相加,得到与所述设计参数对应的水泵的性能参数。
在一个实施例中,所述装置具体还可以包括调整模块,具体可以用于在根据所述多个结果数据,通过多模型融合,确定出与所述设计参数对应的水泵的性能参数后,根据与所述设计参数对应的水泵的性能参数,调整所述水泵的设计参数。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,上述实施方式阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,在本说明书中,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
此外,在本说明书中,诸如第一和第二这样的形容词仅可以用于将一个元素或动作与另一元素或动作进行区分,而不必要求或暗示任何实际的这种关系或顺序。在环境允许的情况下,参照元素或部件或步骤(等)不应解释为局限于仅元素、部件、或步骤中的一个,而可以是元素、部件、或步骤中的一个或多个等。
从以上的描述中,可以看出,本申请实施例提供的水泵的性能参数的确定装置,通过建立模块预先获取并利用包含有设计参数和性能参数的样本数据对不同结构的神经网络分别进行对应的模型训练,建立出多个具有不同计算优势的预设的处理模型;再通过第一确定模块利用上述多个预设的处理模型代替复杂的数值仿真运算确定出多个结果数据;最后通过第二确定模块利用多模型融合,根据所述多个结果数据确定最终的水泵的性能参数,从而解决了现有方法中存在的处理效率低、误差大的技术问题,达到降低计算复杂度和对资源的占用,高效、并且高精度地确定出与设计参数对应的性能参数,以减少用户的等待时间,方便用户及时对设计参数进行有针对性的调整、修改,减少设计误差的技术效果;还通过建立模块根据不同预设的处理模型的回归精度,准确地计算出对应各个预设的处理模型的权重参数;再通过第二确定模块利用结果数据和对应的预设的处理模型的权重参数通过加权求和的方式进行多模型融合,进一步降低了计算误差,提高了所确定的性能参数的准确度。
本申请实施例还提供了一种电子设备,具体可以参阅图7所示的基于本申请实施例提供的水泵的性能参数的确定方法的电子设备组成结构示意图,所述电子设备具体可以包括输入设备71、处理器72、存储器73。其中,所述输入设备71具体可以用于获取水泵的设计参数。所述处理器72具体可以用于利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。所述存储器73具体可以用于存储处理器72所基于的指令程序。
在本实施方式中,所述输入设备具体可以是用户和计算机系统之间进行信息交换的主要装置之一。所述输入设备可以包括键盘、鼠标、摄像头、扫描仪、光笔、手写输入板、语音输入装置等;输入设备用于把原始数据和处理这些数的程序输入到计算机中。所述输入设备还可以获取接收其他模块、单元、设备传输过来的数据。所述处理器可以按任何适当的方式实现。例如,处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。所述存储器具体可以是现代信息技术中用于保存信息的记忆设备。所述存储器可以包括多个层次,在数字系统中,只要能保存二进制数据的都可以是存储器;在集成电路中,一个没有实物形式的具有存储功能的电路也叫存储器,如RAM、FIFO等;在系统中,具有实物形式的存储设备也叫存储器,如内存条、TF卡等。
在本实施方式中,该电子设备具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
本申请实施例还提供了一种基于水泵的性能参数的确定方法的计算机存储介质,所述计算机存储介质存储有计算机程序指令,在所述计算机程序指令被执行时实现:获取水泵的设计参数;利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
在本实施方式中,上述存储介质包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。所述存储器可以用于存储计算机程序指令。网络通信单元可以是依照通信协议规定的标准设置的,用于进行网络连接通信的接口。
在本实施方式中,该计算机存储介质存储的程序指令具体实现的功能和效果,可以与其它实施方式对照解释,在此不再赘述。
尽管本申请内容中提到不同的具体实施例,但是,本申请并不局限于必须是行业标准或实施例所描述的情况等,某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例,仍然可以属于本申请的可选实施方案范围之内。
虽然本申请提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的装置或客户端产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境,甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。
上述实施例阐明的装置或模块等,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,移动终端,服务器,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例采用递进的方式描述,各个实施例之间相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
虽然通过实施例描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的实施方式包括这些变形和变化而不脱离本申请。
Claims (10)
1.一种水泵的性能参数的确定方法,其特征在于,包括:
获取水泵的设计参数;
利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;
通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
2.根据权利要求1所述的方法,其特征在于,所述设计参数包括以下至少之一:叶轮进口边的径向位置、叶轮出口半径、叶轮入口半径、叶片进口宽度、叶片出口宽度、叶片进口安装角、叶片出口安装角、扩散管长度、基圆直径、涡室进口宽度、涡室隔舌安放角、涡室隔舌螺旋角、涡室出口宽度。
3.根据权利要求1所述的方法,其特征在于,所述性能参数包括以下至少之一:扬程、体积流量、质量流量、转速、轴功率、效率。
4.根据权利要求1所述的方法,其特征在于,所述多个预设的处理模型按照以下方式建立:
获取样本数据,其中,所述样本数据包括:多组水泵的样本设计参数,以及与所述样本设计参数对应的性能参数;
根据所述样本数据,获取多组训练数据;
利用多组训练数据对多个神经网络分别进行对应的模型训练,建立多个预设的处理模型,其中,所述多个神经网络中不同神经网络间的层数和/或节点数不同。
5.根据权利要求4所述的方法,其特征在于,根据所述样本数据,获取多组训练数据,包括:
按照以下方式获取所述多组训练数据中的当前组训练数据:
根据预设的采样规则,对所述样本数据进行采样,得到预设采样组数组样本数据;
将所述预设采样组数组样本数据作为当前组训练数据。
6.根据权利要求4所述的方法,其特征在于,在建立多个预设的处理模型后,所述方法还包括:
确定所述多个预设的处理模型的回归精度;
根据预设的权重规则和所述多个预设的处理模型的回归精度,确定对应所述多个预设的处理模型中的各个预设的处理模型的权重参数。
7.根据权利要求6所述的方法,其特征在于,通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数,包括:
将所述多个结果数据分别与对应的预设的处理模型的权重参数相乘,得到多个加权结果数据;
将所述多个加权结果数据相加,得到与所述设计参数对应的水泵的性能参数。
8.根据权利要求1所述的方法,其特征在于,在根据所述多个结果数据,通过多模型融合,确定出与所述设计参数对应的水泵的性能参数后,所述方法还包括:
根据与所述设计参数对应的水泵的性能参数,调整所述水泵的设计参数。
9.一种水泵的性能参数的确定装置,其特征在于,包括:
获取模块,用于获取水泵的设计参数;
第一确定模块,用于利用多个预设的处理模型分别以所述设计参数作为模型输入,确定出多个结果数据,其中,所述多个预设的处理模型分别为多个预先训练好的不同结构的神经网络模型;
第二确定模块,用于通过多模型融合,根据所述多个结果数据,确定出与所述设计参数对应的水泵的性能参数。
10.一种电子设备,包括处理器以及用于存储处理器可执行指令的存储器,其特征在于,所述处理器执行所述指令时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159726.2A CN109829248A (zh) | 2019-03-04 | 2019-03-04 | 水泵的性能参数的确定方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910159726.2A CN109829248A (zh) | 2019-03-04 | 2019-03-04 | 水泵的性能参数的确定方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829248A true CN109829248A (zh) | 2019-05-31 |
Family
ID=66865204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910159726.2A Pending CN109829248A (zh) | 2019-03-04 | 2019-03-04 | 水泵的性能参数的确定方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829248A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537460A (zh) * | 2021-06-29 | 2021-10-22 | 哈尔滨工业大学 | 一种适用于耀斑预报问题的多线程神经网络模型的构建方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
-
2019
- 2019-03-04 CN CN201910159726.2A patent/CN109829248A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598686A (zh) * | 2015-01-24 | 2015-05-06 | 安徽大学 | 基于电磁计算及神经网络的水泵电机建模与优化方法 |
Non-Patent Citations (6)
Title |
---|
丛小青 等: "基于改进BP 神经网络的离心泵性能预测", 《农业机械学报》 * |
刘志淼等: "水泵水轮机全特性的集成PSO_BP神经网络模型", 《中国农村水利水电》 * |
吕雁飞等: "多分类BP-AdaBoost算法研究与应用", 《高技术通讯》 * |
朱艳姝等: "基于遗传算法和BP神经网络的离心泵性能预测", 《机械科学与技术》 * |
李君等: "基于小波神经网络的轴流泵性能预测", 《农业工程学报》 * |
袁寿其等: "基于改进BP神经网络的复合叶轮离心泵性能预测", 《农业机械学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537460A (zh) * | 2021-06-29 | 2021-10-22 | 哈尔滨工业大学 | 一种适用于耀斑预报问题的多线程神经网络模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11651259B2 (en) | Neural architecture search for convolutional neural networks | |
CN108133258B (zh) | 一种混合全局优化方法 | |
Mengistu et al. | Aerodynamic optimization of turbomachinery blades using evolutionary methods and ANN-based surrogate models | |
CN109213805A (zh) | 一种实现模型优化的方法及装置 | |
CN106709565A (zh) | 一种神经网络的优化方法及装置 | |
CN106528989B (zh) | 一种分布式并行sph仿真方法 | |
CN106650920A (zh) | 一种基于优化极限学习机的预测模型 | |
CN107229995A (zh) | 实现游戏业务量预估的方法、装置和计算机可读存储介质 | |
CN104504292A (zh) | 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法 | |
Usman et al. | Machine learning computational fluid dynamics | |
CN112922582B (zh) | 基于高斯过程回归的气井井口油嘴气体流量分析预测方法 | |
CN109707658A (zh) | 风机的性能参数的确定方法、装置和电子设备 | |
CN108921288A (zh) | 神经网络激活处理装置和基于该装置的神经网络处理器 | |
CN109492213A (zh) | 句子相似度计算方法和装置 | |
CN106503365B (zh) | 一种用于sph算法的分区搜索方法 | |
CN109784365A (zh) | 一种特征选择方法、终端、可读介质及计算机程序 | |
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
CN106485030B (zh) | 一种用于sph算法的对称边界处理方法 | |
CN109829248A (zh) | 水泵的性能参数的确定方法、装置和电子设备 | |
CN110349675A (zh) | 一种心血管疾病预测设备及装置 | |
CN116562156B (zh) | 一种控制决策模型的训练方法、装置、设备及存储介质 | |
CN117272868A (zh) | 基于rbf-ann和遗传算法的喷嘴优化方法、装置及计算机存储介质 | |
Georgopoulou et al. | A multi-objective metamodel-assisted memetic algorithm with strength-based local refinement | |
CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
CN109635999B (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190531 |