CN111985725A - 一种基于改进bp神经网络的离心泵性能参数预测方法 - Google Patents

一种基于改进bp神经网络的离心泵性能参数预测方法 Download PDF

Info

Publication number
CN111985725A
CN111985725A CN202010891239.8A CN202010891239A CN111985725A CN 111985725 A CN111985725 A CN 111985725A CN 202010891239 A CN202010891239 A CN 202010891239A CN 111985725 A CN111985725 A CN 111985725A
Authority
CN
China
Prior art keywords
centrifugal pump
neural network
output
data
improved
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
Application number
CN202010891239.8A
Other languages
English (en)
Inventor
颜朝寿
史棋棋
黄斌
李亚飞
夏轲
蔡姚杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010891239.8A priority Critical patent/CN111985725A/zh
Publication of CN111985725A publication Critical patent/CN111985725A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Control Of Non-Positive-Displacement Pumps (AREA)

Abstract

一种基于改进BP神经网络的离心泵性能参数预测方法，属于离心泵性能预测技术领域。它包括以下步骤：一、确认输入、输出参数个数，建立离心泵参数训练样本；二、根据经验公式结合试凑法确定BP网络结构；三、输入训练样本对BP网络进行训练；四、采集离心泵的实测数据，按步骤一将数据进行归一化处理，然后再将处理数据输入到步骤三中已完成的训练的改进BP神经网络中，得到输出值并对其进行反归一化处理即可。本发明采用与BP神经网络相结合的离心泵性能预测方法，使得离心泵的性能参数预测更加快速，精度更高，为离心泵的工程应用以及理论设计提供更准确高效的数据基础；解决了目前离心泵性能测试的费时费力以及数值模拟计算精度不高问题。

Description

一种基于改进BP神经网络的离心泵性能参数预测方法
技术领域
本发明属于离心泵性能预测技术领域，具体涉及一种基于改进BP神经网络的离心泵性能参数预测方法。
背景技术
离心泵是一种流体机械，在国民的生产生活中扮演着重要角色，因此对于离心泵性能的预测，在工作过程与理论设计中都是关键环节，直接实测的方法会消耗大量时间与人力，尤其对于大型离心泵的实测对实验要求更加苛刻。
水力能量损失法和流场数值模拟法是常用的预测方法，但它们计算过程复杂、精度有待提高；而将神经网络应用于离心泵的性能预测，可以简化其内部复杂的流场运动，实现快速精确的计算。
BP神经网络是一种采用误差反向传播算法的多层前馈网络，是目前应用最为广泛的神经网络模型之一，具有较强的非线性映射能力。传统BP在用梯度下降法对权重进行更新时，可能会存在局部最优问题，且学习速率慢。在众多梯度下降算法中，Adam算法是一种较好的算法，Adam通过计算梯度的一阶矩估计和二阶矩估计而为不同的参数设计独立的自适应性学习率，它的收敛速度更快、学习效果更好。
发明内容
针对现有技术中存在的上述问题，本发明的目的在于提供一种基于改进BP神经网络来预测离心泵的性能参数的方法，能够快速准确的预测待测离心泵的目标性能，收敛速度更快，提高预测效率和精度，有效解决传统方法误差较大的问题，提高预测精度。
本发明提供如下技术方案：一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于包括以下步骤：
步骤一：确认输入、输出参数的个数，建立离心泵参数训练样本，将训练数据归一化处理；
步骤二：根据经验公式结合试凑法确定BP网络结构；
步骤三：输入训练样本对BP网络进行训练；
步骤四：采集离心泵的实测数据，按步骤一将数据进行归一化处理，然后再将归一化处理后的数据输入到步骤三中已完成的训练的改进BP神经网络中，得到输出值并对其进行反归一化处理，即得到预测的离心泵性能参数。
所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤一中，为加快神经网络的收敛和减少训练时间，将训练数据归一化，使其在[0,1]之间，公式如下：
Figure BDA0002657064700000021
其中，x′为归一化后的数据，x为被训练数据，xmin为训练数据中的最小值，xmax为训练数据中最大值。
所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤二中，经验公式如下所示：
Figure BDA0002657064700000022
其中，l为输入层神经元个数，即输入的个数，m为输出层神经元个数，即输出的个数，隐含层数为一层，神经元个数为a，将各个层的连接权值阈值随机初始化，用wij，wjk表示，i，j，k分别表示输入、隐含、输出层的神经元。
所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤三中，计算过程如下：
1)隐含层的计算：设f(x)为隐含层的激活函数，取S型函数，x为输入层输出的数据，b1为隐含层阈值，隐含层各神经元的输入为：
Figure BDA0002657064700000031
隐含层各神经元输出为：Hj＝f(Sj)；
2)输出层的计算：b2为输出层阈值，输出层各神经元的输出为：
Figure BDA0002657064700000032
3)误差计算：神经网络输出层第k个神经元预测输出为Yk，
Figure BDA0002657064700000033
为第k个神经元的期望输出，它们之间的误差为ek，公式如下：
Figure BDA0002657064700000034
4)权值阈值的更新：根据误差ek和Adam优化算法更新各个权值阈值，过程如下：
mt＝β1mt-1+(1-β1)gt
Figure BDA0002657064700000035
其中，gt是其中一个权值或者阈值在第t次迭代时误差对其的梯度，mt和vt分别是梯度的一阶矩和二阶矩估计；
5)将更新的权值阈值赋予BP神经网络，重复步骤1)至步骤4)直到误差低于训练目标误差或者迭代次数达到最大值，则改进BP神经网络训练完成。
所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述mt、vt的计算公式如下：
Figure BDA0002657064700000041
Figure BDA0002657064700000042
取θt为第t次迭代时的权值或阈值：
Figure BDA0002657064700000043
通过采用上述技术，与现有技术相比，本发明的有益效果如下：
本发明提供了一种与BP神经网络相结合的离心泵性能预测方法，使得离心泵的性能参数预测更加的快速，精度也更高，为离心泵的工程应用以及理论设计提供更准确高效的数据基础；解决了目前离心泵性能测试的费时费力以及数值模拟计算的精度不高问题。
附图说明
图1为本发明的离心泵性能预测方法流程图；
图2为本发明的离心泵性能预测方法结构图；
图3为本发明的离心泵性能预测方法均方差变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合说明书附图及实施例，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仅用以解释本发明，并不用于限定本发明。
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。
请参阅图1-3，一种基于改进BP神经网络的离心泵性能参数预测方法流程，具体运行步骤如下：
步骤一、确认输入输出的个数，建立离心泵参数训练样本：输入可为流量、叶轮出口直径、叶片出口宽度、叶片出口安放角等影响离心泵性能的参数，输出可为扬程、效率等性能参数。
提取下表表1中的31组数据作为训练样本，其中表1中的31组数据为文献“基于径向基神经网络与粒子群算法的双叶片泵多目标优化”中采用的数据，以离心泵的出口宽度、出口安放角、叶片包角作为输入，离心泵的效率和扬程作为输出，取其中5组数据作为预测样本。
为加快神经网络的收敛和减少训练时间，将训练数据归一化，使其在[0,1]之间，公式如下：
Figure BDA0002657064700000051
其中，x′为归一化后的数据，x为被训练数据，xmin为训练数据中的最小值，xmax为训练数据中最大值。
步骤二、输入层神经元个数(l)即输入的个数，输出层神经元个数(m)即输出的个数，隐含层数一层，神经元个数为a，根据经验公式结合试凑法确定。经验公式如下所示：
Figure BDA0002657064700000061
将各个层的连接权值阈值随机初始化，用wij，wjk表示，i，j，k分别表示输入、隐含、输出层的神经元；学习率(lr)取0.1，训练目标误差(mse)取10-3，网络最大迭代次数(epochs)取500次。
步骤三、输入训练样本对BP网络进行训练，沿着神经网络的隐含层、输出层向前传播，输出目标量，即所述的离心泵的效率和扬程。
其中，隐含层的计算：设f(x)为隐含层的激活函数，取S型函数，x为输入层输出的数据，b1为隐含层阈值，隐含层各神经元的输入为：
Figure BDA0002657064700000062
隐含层各神经元输出为：Hj＝f(Sj)。
输出层的计算：b2为输出层阈值，输出层各神经元的输出为：
Figure BDA0002657064700000063
然后根据误差公式计算预测误差，误差公式为：
Figure BDA0002657064700000064
其中ek为误差系数，Yk输出层第k个神经元预测输出，
Figure BDA0002657064700000065
为第k个神经元的期望输出。
步骤四、将所述误差ek与误差设定误差
Figure BDA0002657064700000066
进行比较，若
Figure BDA0002657064700000067
则满足误差要求，完成预测，输出；若
Figure BDA0002657064700000068
或者迭代次数到达上限任未满足要求，则通过网络反向传播Adam算法更新权值阈值，返回步骤三继续预测，直至误差满足要求，完成预测。
其中，网络反向传播Adam算法更新权值阈值：根据误差ek和Adam优化算法更新各个权值阈值，过程如下：
mt＝β1mt-1+(1-β1)gt
Figure BDA0002657064700000071
其中，gt是其中一个权值或者阈值在第t次迭代时误差对其的梯度，mt和vt分别是梯度的一阶矩和二阶矩估计；mt、vt的计算公式如下：
Figure BDA0002657064700000072
Figure BDA0002657064700000073
其中，β1取为0.9，β2取为0.999。
取θt为第t次迭代时的权值或阈值，ε取为10-8：
Figure BDA0002657064700000074
根据上述预测步骤对所述案例进行预测，输出数据见下表2，预测输出的效率与目标效率的平均相对误差为0.9％，预测输出的扬程与目标扬程的平均误差为0.87％。
本实施例说明这种基于改进人BP神经网络来预测离心泵的性能参数的方法将神经网络与传统制造业离心泵性能测试相结合，解决传统离心泵性能测试方法中存在的耗时费力以及数值模拟计算精度不高等问题，计算效率与精度都得到显著提升，节省成本。
Figure BDA0002657064700000081
表1训练样本数据
Figure BDA0002657064700000091
表2预测结果与误差
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于包括以下步骤：
步骤一：确认输入、输出参数的个数，建立离心泵参数训练样本，将训练数据归一化处理；
步骤二：根据经验公式结合试凑法确定BP网络结构；
步骤三：输入训练样本对BP网络进行训练；
步骤四：采集离心泵的实测数据，按步骤一将数据进行归一化处理，然后再将归一化处理后的数据输入到步骤三中已完成的训练的改进BP神经网络中，得到输出值并对其进行反归一化处理，即得到预测的离心泵性能参数。
2.根据权利要求1所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤一中，为加快神经网络的收敛和减少训练时间，将训练数据归一化，使其在[0，1]之间，公式如下：
Figure FDA0002657064690000011
其中，x′为归一化后的数据，x为被训练数据，xmin为训练数据中的最小值，xmax为训练数据中最大值。
3.根据权利要求1所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤二中，经验公式如下所示：
Figure FDA0002657064690000012
其中，l为输入层神经元个数，即输入的个数，m为输出层神经元个数，即输出的个数，隐含层数为一层，神经元个数为a，将各个层的连接权值阈值随机初始化，用wij，wjk表示，i，j，k分别表示输入、隐含、输出层的神经元。
4.根据权利要求3所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述步骤三中，计算过程如下：
1)隐含层的计算：设f(x)为隐含层的激活函数，取S型函数，x为输入层输出的数据，b1为隐含层阈值，隐含层各神经元的输入为：
Figure FDA0002657064690000021
隐含层各神经元输出为：Hj＝f(Sj)；
2)输出层的计算：b2为输出层阈值，输出层各神经元的输出为：
Figure FDA0002657064690000022
3)误差计算：神经网络输出层第k个神经元预测输出为Yk，
Figure FDA0002657064690000023
为第k个神经元的期望输出，它们之间的误差为ek，公式如下：
Figure FDA0002657064690000024
4)权值阈值的更新：根据误差ek和Adam优化算法更新各个权值阈值，过程如下：
mt＝β1mt-1+(1-β1)gt
Figure FDA0002657064690000025
其中，gt是其中一个权值或者阈值在第t次迭代时误差对其的梯度，mt和vt分别是梯度的一阶矩和二阶矩估计；
5)将更新的权值阈值赋予BP神经网络，重复步骤1)至步骤4)直到误差低于训练目标误差或者迭代次数达到最大值，则改进BP神经网络训练完成。
5.根据权利要求4所述的一种基于改进BP神经网络的离心泵性能参数预测方法，其特征在于所述mt、vt的计算公式如下：
Figure FDA0002657064690000031
Figure FDA0002657064690000032
取θt为第t次迭代时的权值或阈值：
Figure FDA0002657064690000033
CN202010891239.8A 2020-08-30 2020-08-30 一种基于改进bp神经网络的离心泵性能参数预测方法 Pending CN111985725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010891239.8A CN111985725A (zh) 2020-08-30 2020-08-30 一种基于改进bp神经网络的离心泵性能参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010891239.8A CN111985725A (zh) 2020-08-30 2020-08-30 一种基于改进bp神经网络的离心泵性能参数预测方法

Publications (1)

Publication Number Publication Date
CN111985725A true CN111985725A (zh) 2020-11-24

Family

ID=73441461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010891239.8A Pending CN111985725A (zh) 2020-08-30 2020-08-30 一种基于改进bp神经网络的离心泵性能参数预测方法

Country Status (1)

Country Link
CN (1) CN111985725A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446098A (zh) * 2020-12-03 2021-03-05 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 海洋装备中推进器的极限性能模拟方法
CN113673153A (zh) * 2021-08-11 2021-11-19 追觅创新科技(苏州)有限公司 机器人电磁转矩的确定方法和装置、存储介质、电子装置
CN114547987A (zh) * 2022-04-22 2022-05-27 中国计量大学 一种基于改进人工神经网络的离心泵作透平性能预测方法
CN114882680A (zh) * 2022-04-19 2022-08-09 深圳闪回科技有限公司 一种远程终端管理系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269351B1 (en) * 1999-03-31 2001-07-31 Dryken Technologies, Inc. Method and system for training an artificial neural network
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN109856969A (zh) * 2018-11-06 2019-06-07 皖西学院 一种基于bp神经网络模型的故障预测方法及预测系统
CN111079891A (zh) * 2019-01-18 2020-04-28 兰州理工大学 一种基于双隐含层bp神经网络的离心泵性能预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6269351B1 (en) * 1999-03-31 2001-07-31 Dryken Technologies, Inc. Method and system for training an artificial neural network
CN109002942A (zh) * 2018-09-28 2018-12-14 河南理工大学 一种基于随机神经网络的短期负荷预测方法
CN109856969A (zh) * 2018-11-06 2019-06-07 皖西学院 一种基于bp神经网络模型的故障预测方法及预测系统
CN111079891A (zh) * 2019-01-18 2020-04-28 兰州理工大学 一种基于双隐含层bp神经网络的离心泵性能预测方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112446098A (zh) * 2020-12-03 2021-03-05 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 海洋装备中推进器的极限性能模拟方法
CN112446098B (zh) * 2020-12-03 2023-08-25 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) 海洋装备中推进器的极限性能模拟方法
CN113673153A (zh) * 2021-08-11 2021-11-19 追觅创新科技(苏州)有限公司 机器人电磁转矩的确定方法和装置、存储介质、电子装置
CN114882680A (zh) * 2022-04-19 2022-08-09 深圳闪回科技有限公司 一种远程终端管理系统及方法
CN114547987A (zh) * 2022-04-22 2022-05-27 中国计量大学 一种基于改进人工神经网络的离心泵作透平性能预测方法

Similar Documents

Publication Publication Date Title
CN111985725A (zh) 一种基于改进bp神经网络的离心泵性能参数预测方法
CN108959728B (zh) 基于深度学习的射频器件参数优化方法
CN109063903B (zh) 一种基于深度强化学习的建筑能耗预测方法及系统
CN111353631A (zh) 基于多层lstm的火电厂凝汽器真空度预测方法
CN112966954A (zh) 一种基于时间卷积网络的防洪调度方案优选方法
CN110110434B (zh) 一种概率潮流深度神经网络计算的初始化方法
CN108182316B (zh) 一种基于人工智能的电磁仿真方法及其电磁大脑
CN110516318B (zh) 基于径向基函数神经网络代理模型的翼型设计方法
CN111079891A (zh) 一种基于双隐含层bp神经网络的离心泵性能预测方法
CN111353534B (zh) 一种基于自适应分数阶梯度的图数据类别预测方法
CN115146529B (zh) 一种汽车悬架弹簧冷抛丸强化残余应力预测方法
CN116882585A (zh) 一种遗传算法和神经网络耦合的铝合金轮毂低压铸造工艺优化方法
CN114154275A (zh) 基于最佳负荷分布模型优化的低压涡轮叶型气动设计方法
CN113095477B (zh) 基于de-bp神经网络的风电功率预测方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN111369072A (zh) 一种基于稀疏化方法的核最小均方时间序列在线预测模型
CN108446506B (zh) 一种基于区间反馈神经网络的不确定系统建模方法
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
CN112632728B (zh) 基于深度学习的透平机械叶型设计及性能预测方法
CN114363262A (zh) 一种空天地一体化网络下的混沌动态拥塞预测系统及方法
CN111522240B (zh) 四旋翼飞行器mtmlp-arx模型、辨识方法、系统及存储介质
CN110766144B (zh) 基于多层分解模糊神经网络的原子之间标量耦合常数预测系统
CN111271300B (zh) 基于神经网络的挖泥船泥泵转速在线辨识控制方法及系统
CN114282614B (zh) 基于随机森林和ifda优化cnn-gru的中长期径流预测方法

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