CN112816002A

CN112816002A - 用于确定通过泵的流体流量的方法

Info

Publication number: CN112816002A
Application number: CN202011277029.6A
Authority: CN
Inventors: P·埃尔韦基耶尔; J·T·延森; 卡斯滕·克里斯滕森
Original assignee: Grundfos Holdings AS
Current assignee: Grundfos Holdings AS
Priority date: 2019-11-15
Filing date: 2020-11-16
Publication date: 2021-05-18
Also published as: EP3822489B8; US11927464B2; EP3822489A1; EP3822489C0; US20210148739A1; EP3822489B1

Abstract

本申请公开了用于确定通过泵的流体流量的方法。公开了用于确定在目标时间通过泵(特别是离心泵)的流体流的流量的计算机实现的方法，该泵由泵电机驱动，该方法包括：接收先前参数值的至少一个集合，其包括指示泵电机在早于目标时间的先前时间的第一操作参数的第一先前参数值，以及指示泵电机在先前时间的第二操作参数的第二先前参数值；接收参数值的当前集合，其包括指示泵电机在目标时间的第一操作参数的第一当前参数值，以及指示泵电机在目标时间的第二操作参数的第二当前参数值；从参数值的当前集合以及从先前参数值的至少一个集合来计算目标时间的流体流的流量。

Description

用于确定通过泵的流体流量的方法

技术领域

本公开涉及用于确定通过泵的流体流量(flow rate)的方法和装置。

背景技术

泵(特别是离心泵)被广泛地使用在不同技术领域中，诸如供水系统、废水系统、石油生产系统等等中。

在许多应用中，期望的是知道通过泵的流量。尽管可能借助于流量传感器确定流量，但是这通常不是期望的解决方案，因为流量传感器相对昂贵。

US 2008/306892公开了一种用于响应于泵排放压力测量、泵进口压力测量以及与电动潜水泵相关联的电机的频率而确定通过电动潜水泵的泵流量的方法。然而，该现有技术方法仍然要求在泵的进口处和排放侧处的压力测量。因而将期望的是提供一种用于确定通过泵的流量的方法，其不要求任何液压测量，诸如压力或流量测量。

此外，经常小心地设计现代泵，特别是离心泵，以便增加泵效率和/或其它泵性能参数。例如，在离心泵的情况下，做出努力来优化泵叶轮的设计。因而期望的是提供一种用于确定通过泵的流量的方法，其可以应用于各种各样的泵设计。

进一步地，通常期望的是提供一种用于确定通过泵的流量的方法，其是准确、鲁棒、快速且成本高效的。

发明内容

根据一个方面，本文公开了用于确定在目标时间通过泵(特别是离心泵)的流体流的流量的计算机实现的方法的实施例，该泵由泵电机驱动，该方法包括：

-接收先前参数值的至少一个集合，其包括指示早于目标时间的先前时间的第一操作参数的第一先前参数值，以及指示先前时间的第二操作参数的第二先前参数值；

-接收参数值的当前集合，其包括指示目标时间的第一操作参数的第一当前参数值，以及指示目标时间的第二操作参数的第二当前参数值；

-从参数值的当前集合以及从先前参数值的至少一个集合来计算目标时间的流体流的流量。

发明人已经认识到，在目标时间流体流的流量可以基于至少第一操作参数和第二操作参数的参数值的当前集合和对应的一个或多个先前集合而准确地、高效地计算。特别地，使用当前参数值和先前参数值二者允许流量的准确确定，甚至是在不需要测量流体流的任何液压参数(诸如流量、压力等)的情况下。

此外，发明人已经认识到，通过使流量的计算不仅基于参数值的当前集合而且还基于参数值的一个或多个先前集合，可以足够准确地计算针对多种多样的泵设计(特别地还针对具有优化的叶轮设计的泵)的目标时间的流体流的流量。

在一些实施例中，方法包括接收先前参数值的多个集合，先前参数值的每一个集合指示相应先前时间的第一操作参数和第二操作参数，每一个先前时间都早于目标时间。通过使流量的计算不仅基于参数值的当前集合而且还基于参数值的多个先前集合，目标时间的流体流的流量可以针对各种各样的泵设计更加准确地计算，特别是还针对具有优化的叶轮设计的泵而更加准确地计算。

第一操作参数和第二操作参数可以指示泵电机的操作状态。特别地，第一操作参数和第二操作参数中的每一个可以是泵电机的操作参数，或者是从泵电机的一个或多个操作参数导出的参数。在一些实施例中，目标时间的流量的计算仅基于泵电机的操作参数的相应的当前集合和一个或多个先前集合和/或仅仅从泵电机的一个或多个操作参数导出的操作参数的相应当前集合和一个或多个先前集合。在可替换的实施例中，目标时间的流体流的计算基于一个或多个附加参数与泵电机的操作参数的相应当前集合和一个或多个先前集合和/或从泵电机的一个或多个操作参数导出的操作参数的相应当前集合和一个或多个先前集合的组合。

泵电机的操作参数的示例包括泵电机的频率或旋转速度、泵电机的功率(特别是电功率)、馈送至泵电机中的电流等。

从泵电机的一个或多个操作参数导出的参数的示例包括多个操作参数的线性组合、一个或多个操作参数的多项式、这样的多项式的根、从泵电机的一个或多个操作参数计算的流量的分析估计等。

附加参数的示例包括电机电子器件的温度、泵电机的温度、由泵电机泵送的流体的温度等。发明人已经发现，流量的预测还可以通过将温度数据馈送至模型中而改进。此外，温度数据也可以由相对不昂贵的传感器来获取。

在一些实施例中，第一操作参数指示泵电机的频率或旋转速度。

在一些实施例中，第二操作参数指示泵电机的功率，特别是电功率。在可替换的实施例中，第二操作参数指示馈送至泵电机中的电流。

泵的以上操作参数典型地直接从泵电机的驱动电路容易地获得，或者可以在没有泵电机或驱动电路的复杂修改的情况下以及在不需要昂贵的传感器(诸如液压传感器，诸如压力或流量传感器)的情况下以其它方式方便地获得。特别地，已经发现，作为第一操作参数的泵电机的旋转速度与作为第二参数的电功率或电流的组合适合作为用于计算的输入，特别是作为仅针对计算的输入。

在一些实施例中，当前参数值的集合以及先前参数值的每一个集合包括第三操作参数的参数值，以及可选地，泵电机的甚至另外的操作参数的参数值。在一些实施例中，已经发现，作为用于流量的计算的基础的附加操作参数的使用提供了更加准确的结果。特别地，在一些实施例中，除了指示第一操作参数的参数值(例如泵电机的旋转速度的参数值)之外，当前参数值的集合以及先前参数值的每一个集合还包括泵电机的功率的参数值以及馈送至泵电机中的电流的参数值。发明人已经发现，至少在一些情况下，作为分离的输入值的功率和电流的使用提供了流量的更准确估计。

当前参数值不是必须地需要在准确地目标时间或者甚至在准确地相同时间进行测量或以其它方式获得，只要它们充分地代表目标时间的相应参数值即可。类似地，指示某一先前时间的操作参数的参数值不是必须地需要在准确地先前时间或者甚至在准确地相同时间进行测量或以其它方式获得，只要它们充分地代表先前时间的相应参数值即可。测量时间中可接受的偏离将取决于相应参数值以其而随时间改变的典型速率。例如，不同操作参数可以在稍微不同的采样速率下进行采样，或者即便在相同速率下进行采样，它们也可以在相对于彼此的时间偏移下进行采样。目标时间可能通常而不是必须地是当前时间，即，流量被确定的时间。

目标时间的流体流的流量的计算可以是基于适当的计算模型，其使相应操作参数的当前参数值和先前参数值与目标时间的流量相关。为此目的，计算模型可以以各种方式将先前参数值考虑在内。在一些实施例中，计算模型包括维持内部状态的动态模型。特别地，先前内部状态(即，先前计算的内部状态)可以取决于先前参数值的所述一个或多个集合。流量的计算可以基于参数值的当前集合以及先前内部状态。当前内部状态因而可以取决于先前内部状态以及参数值的当前集合。

当计算机程序由处理单元执行时，计算模型可以通过计算机程序实现，或者它可以通过以其它方式适当配置的处理单元来实现。特别地，实现计算模型的处理单元可以接收输入的序列，每一个输入表示参数值的一个或多个集合。对于当前输入，处理单元可以从当前输入以及从模型的先前内部状态计算当前流量，并且从当前输入以及从先前内部状态计算模型的当前内部状态。处理单元可以维持当前内部状态以便在用于从在后输入和从当前内部状态来计算在后流量和在后内部状态的在后步骤中使用。输入可以表示当前参数集合，以及可选地，一个或多个先前参数集合，即，模型可以接收当前参数集合和一个或多个先前参数集合的滑动窗口。

实现计算模型的处理单元可以被适配为标识参数值的当前集合与流量之间的非唯一映射(即，将参数值的当前集合映射到两个或更多个可能的流量的映射)的多个解中的一个(诸如，两个解中的一个)。特别地，实现计算模型的处理单元可以配置为使用操作参数的先前值来选择所述多个可能的解中的一个，或者基于所述多个可能的解来计算最终估计。在一些实施例中，过程可以包括计算分析模型的所述多个解，例如两个解，所述分析模型使参数值的集合与流量相关，即，分析模型的每一个解表示流量的可能估计。计算模型(特别是模型的机器学习部分)因而可以接收当前解，以及可选地，一个或多个先前解。当前解可以从参数的当前集合来计算，并且先前解可以从参数的相应先前集合来计算。作为对泵电机的其它操作参数的替代或者除了泵电机的其它操作参数之外，所计算的多个解然后可以由计算模型用作输入。

计算模型可以包括机器学习模型，诸如神经网络模型。特别地，计算模型可以包括递归(recurrent)神经网络模型，诸如LSTM网络或者GRU网络。递归神经网络(RNN)是一种人工神经网络，在其中节点之间的连接形成沿着时间序列的有向图。这允许它展现出时间上的动态行为。与前馈神经网络不同，RNN可以使用其内部状态(存储器)来处理输入的序列。这使得它们适用于诸如未分段的、连接的手写识别或速度识别之类的任务。

神经网络模型可以包括递归部分和一个或多个前馈部分，诸如紧随着递归部分的初始前馈部分。初始前馈部分可以包括一个或多个卷积网络层。

要指出，以上以及下文中描述的计算机实现的方法的各种实施例的特征可以至少部分地在软件或固件中实现，并且在由于程序代码部件(诸如计算机可执行指令)的执行而引起的数据处理系统或其它处理单元上实施。此处，以及在下文中，术语处理单元包括适当地适配为执行以上功能的任何电路和/或设备。特别地，以上术语包括通用或专用的可编程微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑阵列(PLA)、现场可编程门阵列(FPGA)、图形处理单元(GPU)、专用电子电路等或其组合。

本公开涉及不同方面，包括以上和下文中描述的方法，另外的方法、系统、设备和产品部件，每一个都产生结合其它方面中的一个或多个描述的益处和优点中的一个或多个，并且每一个都具有对应于结合本文描述和/或如在随附权利要求中公开的其它方面中的一个或多个描述的实施例的一个或多个实施例。

特别地，本文公开的另一方面涉及被配置为执行本文描述的方法的动作的数据处理系统的实施例。为此目的，数据处理系统可以具有存储在其上的程序代码，所述程序代码配置为在由数据处理系统执行时使数据处理系统执行本文描述的方法的动作。在一些实施例中，数据处理系统可以包括泵组装件的处理单元和/或泵组装件外部的一个或多个数据处理装置。

泵组装件的处理单元可以集成到泵组装件的驱动电路中，例如，集成到控制泵电机的驱动电路中。相应地，泵组装件的驱动电路可以适当地编程为执行本文描述的过程的实施例，要么是作为独立式设备单独地，要么是作为分布式数据处理系统的部分，例如作为客户端-服务器系统的客户端终端或者作为基于云的架构的客户端终端。处理单元可以包括用于存储先前参数值和/或用于存储计算模型的内部状态的存储器，内部状态由处理单元基于先前参数值的一个或多个集合来计算。

相应地，本文公开的另一方面涉及一种泵系统，其包括泵组装件和数据处理系统，该数据处理系统配置为执行本文描述的方法的实施例的动作。泵组装件可以包括泵以及配置为驱动泵的泵电机。泵组装件可以进一步包括控制泵电机的驱动电路。数据处理系统可以是与泵组装件分离的数据处理系统，特别是通信耦合到泵组装件的数据处理系统。可替换地，数据处理系统的部分或者整个数据处理系统可以集成到泵组装件中，例如容纳在泵组装件的外壳中。特别地，数据处理系统的至少一部分可以体现为泵组装件的处理单元，例如，集成到泵组装件的驱动电路中的处理单元或者体现为分离的处理单元的处理单元。

本文公开的又一个方面涉及计算机程序的实施例，该计算机程序配置为使数据处理系统执行以上以及下文中描述的计算机实现的方法的动作。计算机程序可以包括程序代码部件，该程序代码部件适配为：当在数据处理系统上执行程序代码部件时使数据处理系统执行以上以及下文中公开的计算机实现的方法的动作。计算机程序可以存储在计算机可读存储介质，特别地非暂时性存储介质中，或者体现为数据信号。非暂时性存储介质可以包括用于存储数据的任何适当的电路或设备，诸如RAM、ROM、EPROM、EEPROM、闪速存储器、磁性或光学存储设备，诸如CD ROM、DVD、硬盘等等。

附图说明

以上和其它方面将从下文中结合附图描述的实施例进行阐明以及显而易见，在附图中：

图1示意性图示了泵系统的实施例。

图2示意性图示了泵系统的另一个实施例。

图3示意性图示了确定在目标时间通过泵的流体流的流量的过程。

图4示意性图示了用于计算估计的流量的计算模型的实施例。

图5示意性示出了用于计算估计的流量的神经网络模型的递归节点的示例的操作的更详细图示。

图6图示了包括通过参数空间的路径的训练集的示例。

图7图示了沿图6的训练集中的路径之一的功率、旋转速度和流量。

图8示出了根据本文描述的过程的一个实施例的作为训练算法的训练时期(epochs)的数目的函数的验证误差和训练误差。

图9示出了经训练的机器学习模型的评估示例上的预测结果的示例。

图10示出了经训练的前馈神经网络的验证误差的比较结果。

图11针对现代离心泵的示例图示了针对以rpm测量的电机速度的不同值使电机功率P与流量Q相关联的分析模型的结果。

具体实施方式

图1示意性图示了泵系统的实施例。泵系统包括泵组装件100和数据处理系统200。

泵组装件包括泵110和泵驱动120。泵110可以是离心泵或者不同类型的泵。泵110具有用于抽吸水或不同流体(诸如不同液体)的入口111。泵110还具有用于提供泵的输出流的出口112。泵驱动120包括电机121(诸如电气电机)，以及电机驱动电路122。电机驱动电路可以包括用于为电机供应电能的频率转换器和/或用于控制电机121的操作的其它电路。电机驱动电路可以可连接至适当的电源(未示出)以便为驱动电路(例如频率转换器)供应电能。在操作期间，电机121驱动泵，促使泵以流量Q将流体从入口111泵送至出口112。

数据处理系统200可以是适当编程的计算机或其它数据处理设备；可替换地，数据处理系统可以是包括多于一个计算机的分布式系统。例如，数据处理系统可以是适当编程的平板计算机、智能电话等。数据处理系统的其它示例可以包括被配置为控制一个或多个泵组装件的控制系统。数据处理系统通信耦合至泵组装件100，例如经由有线或无线连接。特别地，数据处理系统200可以通信耦合至泵驱动120(诸如电机驱动电路122)。泵组装件与数据处理系统之间的通信可以是直接通信链路或者间接链路，例如经由通信网络的一个或多个节点。有线连接的示例包括局域网、串行通信链路等。无线连接的示例包括射频通信链路，例如Wifi、蓝牙、蜂窝通信等。

数据处理系统200包括适当编程的处理单元210和存储器220。存储器具有存储在其上的计算机程序和/或数据以用于由处理器使用。

在操作期间，数据处理系统200从泵组装件100接收参数值。所接收的参数值指示泵电机的第一操作参数以及泵电机的第二操作参数。特别地，第一操作参数可以指示泵电机的频率或旋转速度(rpm)。第二操作参数可以指示泵电机的功率(P)，特别是电功率，或者指示馈送至泵电机中的电流(i)。在一些实施例中，数据处理系统可以接收泵电机的一个或多个附加的或可替换的操作参数的参数值和/或其它传感器数据，例如温度数据。

数据处理系统200可以间歇地(例如，周期性地)接收参数值，例如使得数据处理系统在不同的时间点处接收分别指示第一参数和第二参数的参数值的第一时间序列和第二时间序列。泵组装件可以自动地或者在数据处理系统的请求下传送参数值。每一个参数值可以与时间戳相关联。

处理单元210基于所接收的参数值来计算通过泵110的流体流的所计算的流量Q’。特别地，处理单元配置为基于指示目标时间的第一参数和第二参数的所接收的参数值，以及从指示早于目标时间的一个或多个更早时间的第一参数和第二参数的所接收的参数值来计算目标时间的流量，例如当前流量。典型地，指示一个或多个更早时间的第一参数和第二参数的参数值是数据处理系统已经在一个或多个更早时间从泵组装件接收的参数值，该一个或多个更早时间早于指示目标时间的第一参数和第二参数的参数值的接收时间。为此目的，处理单元将所接收的参数值存储在存储器220中，和/或处理单元将计算模型的内部状态存储在存储器中，其中内部状态取决于指示所述一个或多个更早时间的第一参数和第二参数的参数值。数据处理系统200包括输出接口230，例如，显示器或其它用户接口和/或数据通信接口、至数据存储设备的接口等等。数据处理系统因而可以配置为经由输出接口230输出所计算的流量Q’。

将在下文更加详细地描述用于计算流量的计算模型的示例。

图2示意性图示了包括泵组装件100的泵系统，泵组装件100具有以集成到泵组装件中的数据处理单元200的形式的数据处理系统。泵组装件还包括如结合图1描述的泵110和泵驱动120。数据处理单元200可以是如结合图1的数据处理系统所描述的那样，除了在该实施例中数据处理单元200集成到泵组装件中(例如，容纳在与泵驱动120相同的外壳中)之外。相应地，数据处理单元200经由内部接口从驱动单元接收第一操作参数和第二操作参数的参数值，所述内部接口例如数据总线或者另一适当的有线或无线接口。

图3示意性图示了确定在目标时间通过泵的流体流的流量的过程。该过程可以例如由图1的数据处理系统200或者图2的数据处理单元200来执行。

在步骤S1处，使过程初始化。特别地，该过程使计算模型的内部状态初始化。将领会到，模型的内部状态可以由单个模型参数的单个值或者由相应模型参数的多个值来限定。内部状态可以例如被初始化为一个或多个预确定的初始值。该过程将内部状态存储在存储器中，例如存储在与执行过程的处理单元相关联的RAM中。该过程还将时间初始化为初始时间，例如时间t＝0。

在步骤S2处，使时间递增。将领会到，时间可以以固定的或者可变的间隔而递增。在一些实施例中，时间可以基于当前参数值的接收时间或者基于从与所接收的参数值相关联的泵驱动接收的时间戳而递增，即，在一些实施例中，使时间递增可以作为随后的步骤S3的部分来执行。出于本描述的目的，为了表示简单起见，时间参数t将被视为索引，即，使时间递增将被表示为t->t+1。

在步骤S3处，该过程从泵驱动接收当前参数值的集合{p}_t。所接收的当前参数值表示当前时间的参数值。集合包括第一参数p₁和第二操作参数p₂。第一参数可以表示泵电机的频率或旋转速度(rpm)，并且第二参数可以表示泵电机的功率P。相应地，在一个实施例中，p₁＝rpm并且p₂＝P。在另一个实施例中，第二操作参数是馈送至泵电机中的电流I，即，p₁＝rpm并且p₂＝I。在又一个实施例中，该过程接收三个参数，例如，p₁＝rpm、p₂＝P以及p₃＝I。将领会到，该过程的其它实施例可以接收附加的或者可替换的参数，特别是泵电机的附加的或可替换的操作参数和/或其它传感器数据。如上文所提及，在一些实施例中，该过程接收作为附加参数的当前时间t。

在步骤S4处，过程从所接收的当前参数值以及从检索自存储器的计算模型的所存储的内部状态来计算所估计的流量Q_t’。如将从下文的描述显而易见的，在初始迭代期间，所存储的内部状态可以是在初始化步骤期间确定的状态。在随后的迭代中，所存储的内部状态是在该过程的先前迭代期间计算的状态，即，关于先前时间(特别是关于时间t-1)计算的状态。从存储器检索的模型的内部状态因而将被指定为S_t-1。计算因而可以被表示为Q’_t＝f({p}_t，S_t-1)，即，Q’_t被计算为{p}_t和S_t-1的函数f。

在步骤S5处，该过程从检索自存储器的先前内部状态S_t-1以及从所接收的当前参数值来计算该计算模型的经更新的内部状态S_t(也被称为当前内部状态)：S_t＝g({p}_t，S_t-1)，即，S_t被计算为{p}_t和S_t-1的函数g。

在步骤S6处，该过程将当前内部状态S_t存储在存储器中以用于在该过程的随后的迭代中使用。将领会到，步骤S5可以作为步骤S4的组成部分来执行。

在步骤S7处，该过程输出所计算的估计的流量Q’_t。所计算的流量因而表示当前时间的流量。例如，该过程可以显示所计算的估计的流量或者从其导出的值，例如平均的估计的流量(诸如在数个时间步(time step)内平均的平均流量)，或者相对于标称流量或期望的流量的相对流量。可替换地或者附加地，该过程可以以不同方式输出所计算的估计的流量，例如，将流量传达给另一过程或设备，记入日志或者以其它方式存储所计算的估计的流量等等。

除非该过程终止，否则该过程返回到步骤S2，在步骤S2中时间被递增，并且在步骤S2中接收并处理当前参数值的新集合。在该过程的随后的迭代期间，用于流量的计算的内部状态是先前迭代中计算的内部状态，即，内部状态基于参数值的一个或多个先前接收的集合。特别地，当新的内部状态取决于参数值的当前集合以及当前内部状态时，内部状态维持关于多个先前参数值的信息。

在一些实施例中，作为所估计的流量对计算模型的内部状态的依赖性的替代，或者除了所估计的流量对计算模型的内部状态的依赖性之外，所估计的流量的计算可以明确地取决于先前接收的参数值，例如，

Q’_t＝h({p}_t,{p}_t-1,…,{p}_t-K)或者Q’_t＝h({p}_t,S_t-1,{p}_t-1,…,{p}_t-K)，即，Q’_t被计算为至少当前参数值{p}_t和参数值的K个(K＞0)先前集合{p}_t-1,…,{p}_t-K的函数h。

图4示意性图示了用于计算所估计的流量的计算模型的实施例。该模型可以由图1的数据处理系统200或者由图2的数据处理单元200实现，和/或由图3的过程使用。

计算模型接收泵电机的功率、泵电机的旋转速度以及驱动泵电机的电流的相应时间序列。将领会到，在其它实施例中，模型可以接收可替换的和/或附加的参数。在一些实施例中，模型可以接收时间步作为明确的附加输入序列。

模型输入是至可选的预处理级310的输入。预处理级可以执行一个或多个预处理步骤，诸如相应参数的缩放。

在一些实施例中，预处理步骤可以计算所处理的参数，例如来自所接收的参数的组合。这样的组合的示例包括两个或更多参数的线性组合、所接收的参数中的一个或多个的多项式、这样的多项式的一个或多个根、分析模型的多个可能的解等等。

预处理的时间序列被馈送至多层神经网络模型320中。

特别地，神经网络模型320包括初始1维卷积层321。对于每一个时间序列，卷积层计算输入与卷积内核的卷积。1d卷积层可以接收适当数目的时间步，例如在10个时间步和100个时间步之间。卷积层的输出可以被视为相对于输入时间序列向下采样的经滤波的值，其可以导致在后的递归层中的减少的计算时间。

已经发现作为初始层的1d卷积层是有用的，因为数据被下采样，其使在后递归层(LSTM/GRU)的训练加速。此外，相信的是，卷积可以帮助将模型的敏感度减少为时间步的尺寸，其可以在操作期间变化。

卷积层321的输出被馈送至递归层322中，例如，GRU层或LSTM层。递归层包括每一个都计算输出的多个递归节点，所述输出取决于向递归节点的输入以及同样被更新的内部状态。

递归层322的输出被馈送至完全连接的隐藏层323中，所述隐藏层323包括多个隐藏节点。每一个隐藏节点作为输入而接收经过相应权重加权的在前递归层322的一些或所有递归节点的输出，并且输出经加权的输入的总和的激活函数。

模型还包括输出节点324，该输出节点324接收经过相应权重加权的隐藏层323的所有隐藏节点的输出，并且输出经加权的输入的总和的激活函数。输出节点的输出表示流量。输出节点324的输出可以被馈送通过后处理块330，其可以例如执行适当的缩放和/或其它后处理步骤，并且输出最终估计的流量Q’。

将领会到，可替换的实施例可以采用其它计算模型，诸如具有其它模型架构的神经网络。例如，在一些实施例中，初始卷积层可以省略，并且时间序列可以直接输入到递归层中。其它实施例可以包括多于一个卷积层，其中初始卷积层的输出被馈送至在后的卷积层中。递归层因而可以接收两个或更多卷积层的序列的最后一个卷积层的输出。可替换地或附加地，神经网络模型的一些实施例可以包括多于一个递归层，使得在后的递归层的递归节点接收前一递归层的一些或所有递归节点的输出。将进一步领会到，可以使用不同类型的层的其它组合或连续(successive)。类似地，各种层可以包括不同数目的节点(还称为“神经元”)。连续层的节点可以通过相应权重而完全地连接或者部分地连接至在先层的节点。

图5示意性示出了用于计算所估计的流量的神经网络模型(例如，图4的模型)的递归节点的示例的操作的更详细图示。

典型地，递归神经网络模型的层包括多个节点，每一个节点以并行方式操作。在每一个时间步处，每一个节点接收输入并且计算输出。节点还更新节点的内部状态以用于在随后的时间步中使用。

图5图示了一个这样的节点501的操作。在每一个时间步处，节点501接收输入503，并且计算对应输出504。此外，递归层包括在每一个时间步处更新的内部状态502。图5的示例表示LSTM节点。然而，将领会到，其它实施例可以实现GRU节点或者其它类型的递归节点。

在时间步t处，节点501接收输入i_t。输入i_t可以是

-电机的操作参数之一，例如，电机功率P_t、电机电流I_t、电机速度rpm_t等，或者从电机的操作状态导出的或以其它方式与电机的操作状态相关联的参数。

-表示多个操作参数的矢量，例如，网络可以包括输入层，该输入层包括用于每一个操作参数的一个输入节点，或者

-先前层的输出，例如，神经网络模型的先前层(例如，卷积层或先前递归层)的相应节点的输出的矢量。

在时间步t处，节点501计算输出o_t。输出O_t被作为输入而馈送至在后层或者神经网络模型的输出节点。相应地，输出节点或在后层可以接收节点501所属于的层的节点的输出的矢量。

特别地，节点501将输出o_t计算为

o_t＝α(W_o·i_t+U_o·S_t+V_o·c_t+b_o)。

此处α是激活函数，例如sigmoidal函数，例如tanh等。W_o是在神经网络的训练期间确定的权重矩阵。S_t和c_t表示时间t处的节点501的内部状态，并且U_o、V_o和b_o是在网络的训练期间确定的权重参数的集合。值S_t和c_t是从内部存储器(例如，图1-3的存储器220)检索的，它们在在先的时间步期间已经被存储在内部存储器中。在时间步t处，模型更新S_t和c_t的值以用于在随后的时间步t+1中使用。LSTM神经网络的示例的更详细描述可以在Hochreiter、Sepp&Schmidhuber、Jürgen(1997)、长短期存储器、神经计算、9.1735-80.10.1162/neco.1997.9.8.1735中找到。

网络可以通过适当监管的训练方法来训练。为此目的，可以将训练集构建为使得训练集的每一个示例表示适当参数空间中的路径，即，点的序列。如果在操作期间网络接收电机速度(rpm)和电机功率(P)并且输出通过泵的流量Q，则训练示例可以被选择为(rpm、P、Q)空间中的点的序列。如果使用可替换或附加的输入参数，则可以使用对应的参数空间。训练示例可以通过在不同的rpm和P下操作物理泵以及通过测量对应的流量Q来生成。可替换地或附加地，训练示例可以基于描述泵性能的计算模型来合成地创建。图6图示了包括通过参数空间的N个路径的训练集的示例。特别地，图6图示了参数空间的2D表示中(也就是HQ图中)的路径。路径可以被视为通过时间或伪时间而参数化。训练示例因而包括沿相应路径的点的序列。各点之间的距离可以在训练示例之间变化。

图7图示了沿在图6中图示的训练集中的路径之一(也就是沿路径610)的功率、旋转速度和流量。

重要的是要指出，尽管可以使用泵操作的数值模型来创建训练示例，但是这些模型不总是允许从泵电机的其它操作参数(例如，从旋转速度和功率)来估计流量Q。特别地，操作参数的相同集合(例如，相同的rpm值和P值)可以被映射到不同的流量上。这在图11中图示，图11示出了针对具有优化叶轮的现代离心泵的示例的功率P和流量Q之间的关系。如可以看出，对于给定的rpm和P的给定值，针对流量Q的两个解是可能的。

发明人已经认识到，使用采用输入参数的时间历史的计算模型来预测流量会提供准确的流量预测。特别地，已经发现，经过适当训练的递归神经网络的使用会提供流量的准确预测。

在网络模型(例如，参照图4和5描述的模型)的训练期间，作为输入将rpm时间序列711和功率时间序列712馈送至计算模型中，并且对模型进行训练以输出流量时间序列713。特别地，模型的权重(例如，在图5中图示的递归模型的权重，以及可选地，初始卷积层和/或输出层的权重，例如，如在图4中图示)可以使用后向传播算法或另一适当的训练算法来训练。

经训练的机器学习模型的预测质量可以基于适当的验证示例来验证，即，基于通过所选参数空间的路径的示例来验证，对于所选参数空间，实际流量是已知的，但是尚未用于模型的训练。

图8示出了如结合图4和5描述的神经网络模型的训练期间的误差的演变。该训练基于如结合图6和7描述的训练集。特别地，图8示出了训练误差810(即，训练示例的均方误差)，以及验证误差820(即，在训练期间没有使用的校验示例的集合的均方误差)。训练误差和验证误差被示出为训练算法的训练时期的数目的函数。

图9示出了经训练的模型(即，如结合图4和5描述的、使用如结合图6和7描述的训练集来训练的网络的经训练的模型)的评估示例的预测结果的示例。特别地，图9针对评估示例图示了所预测的流量与实际的流量的对比。

图10示出了比较结果，在其中已经对常规前馈神经网络进行训练，即，没有考虑到时间维度以及没有用于随时间而维持模型的内部状态的内部存储器的模型。已经在与递归神经网络相同的训练集上训练了前馈网络。如可以从图9和10的比较看出，时间相关/递归模型的使用明显改善了预测结果。

图11针对现代离心泵的示例图示了针对以rpm测量的电机速度的不同值而将电机功率P与流量Q相关联的分析模型的结果。特别地，图11示出了针对rpm的不同值而作为流量Q的函数的功率P，特别地，图11示出了作为沿恒定rpm的线(line)的Q的函数的功率P。如可以从该示例看到，对于给定的电机速度和给定的功率P，模型不总是提供针对流量Q的唯一解。针对P和rpm的给定值的一对可能的解的示例由点1101和1102图示。特别地，模型可以提供作为多项式(例如，以P和rpm的多项式)的根的针对流量Q的解。然而，多项式可以具有多个根，因而导致多个可能的解。

在本文描述的过程的一些实施例中，过程可以例如针对每一个时间步确定分析模型的可能解，并且将可能的解作为附加参数馈送至动态计算模型中。例如，可能的解可以在模型的初始阶段中计算，并且被馈送至模型的随后机器学习部分中，例如被馈送至以上参照图4描述的神经网络模型320中。

例如，当该过程接收到参数的新集合时(例如(Pn、In、Sn)，其中，Pn、In和Sn分别是在时间步n处接收的功率、电流和速度值)，模型可以将多项式Pn评估为Pn＝a1*Q^3+a2*In^3+a3*Sn^3+a4*Q^2*In+Pn、In、Sn和/或Q中的具有常量(a1、a2、a3等)的对应集合的其它项。可以使用电机的已知性能数据来找到常量。这些常量可以被说成是表示给定泵的性能数据集合的压缩版本，其因而可以被视为针对模型的附加信息。

然后可以针对Q求解该多项式，其可以导致两个看似合理的解，那些解中的一个相对接近真实流量值。然而，单独地基于分析模型和递归参数值，难以(如果不是不可能的话)可靠地且准确地确定看似合理的解中的哪个是正确的解。

因此，在一些实施例中，得出流量估计值的这两个解(即，两个(或更多)解)被作为附加参数馈送至计算机器学习模型中。

本文描述的方法的实施例可以借助于包括若干分立元件的硬件和/或至少部分地借助于适当编程的微处理器来实现。在枚举若干部件的装置权利要求中，这些部件中的若干个可以由同一个元件、组件或者硬件项来体现。在相互不同的从属权利要求中阐述或者在不同实施例中描述某些措施的仅有事实不指示这些措施的组合不能被用于获益。应当强调的是，在该说明书中使用时，术语“包括/包含”被认为是指定所陈述的特征、元件、步骤或组件的存在，而不排除一个或多个其它特征、元件、步骤、组件或其群组的存在或添加。

Claims

1.一种用于确定流体流在目标时间通过泵的流量的计算机实现的方法，所述泵具体是离心泵，所述泵由泵电机驱动，所述方法包括：

-接收先前参数值的至少一个集合，其包括指示早于目标时间的先前时间的第一操作参数的第一先前参数值、以及指示先前时间的第二操作参数的第二先前参数值；

-接收参数值的当前集合，其包括指示目标时间的第一操作参数的第一当前参数值、以及指示目标时间的第二操作参数的第二当前参数值；

-从参数值的当前集合以及先前参数值的至少一个集合来计算目标时间的流体流的流量。

2.根据权利要求1所述的计算机实现的方法，包括接收先前参数值的多个集合，所述先前参数值的每一个集合指示相应先前时间的第一操作参数和第二操作参数，每一个先前时间都早于所述目标时间。

3.根据前述权利要求中任一项所述的计算机实现的方法，其中所述第一操作参数指示泵电机的频率或旋转速度。

4.根据前述权利要求中任一项所述的计算机实现的方法，其中所述第二操作参数指示泵电机的功率，所述功率具体是电功率。

5.根据权利要求1到3中任一项所述的计算机实现的方法，其中所述第二操作参数指示被馈送至泵电机中的电流。

6.根据前述权利要求中任一项所述的计算机实现的方法，其中当前参数值的集合和先前参数值的每一个集合包括第三操作参数的参数值，并且可选地包括另外的操作参数的参数值，并且可选地包括泵电机的另外的操作参数的参数值，其中，所述另外的操作参数的参数值具体是第三操作参数的参数值。

7.根据权利要求6所述的计算机实现的方法，其中除了指示第一操作参数的参数值之外，当前参数值的集合和先前参数值的每一个集合还包括泵电机的功率的参数值以及馈送至泵电机中的电流的参数值。

8.根据前述权利要求中任一项所述的计算机实现的方法，其中所述目标时间的流体流的流量的计算基于计算模型，所述计算模型将相应操作参数的当前参数值和先前参数值与目标时间的流量相关。

9.根据权利要求8所述的计算机实现的方法，其中所述计算模型包括维持内部状态的动态模型，其中所述目标时间的流量的计算基于参数值的当前集合以及先前计算的内部状态，其中所述动态模型的先前计算的内部状态取决于先前参数值的一个或多个集合。

10.根据权利要求9所述的计算机实现的方法，包括从参数值的当前集合以及先前计算的内部状态来计算模型的当前内部状态，所述当前内部状态被维持以便在随后的步骤中使用，所述随后的步骤用于从参数值的随后集合和当前内部状态来计算随后的目标时间的随后内部状态和随后流量。

11.根据权利要求8到10中任一项所述的计算机实现的方法，其中所述计算模型包括机器学习模型，具体是递归神经网络模型。

12.根据权利要求11所述的计算机实现的方法，其中所述机器学习模型包括神经网络模型，其中所述神经网络模型包括递归部分和一个或多个前馈部分，具体是跟随着一个或多个递归网络层的一个或多个卷积网络层。

13.一种数据处理系统，其被配置为执行根据权利要求1到12中任一项所述的方法的动作。

14.一种计算机程序，其被配置为使数据处理系统执行根据权利要求1到12中任一项所述的计算机实现的方法的动作。

15.一种泵系统，其包括泵组装件和根据权利要求13所述的数据处理系统。