CN113158590B - 一种基于混合模型预测不同转速下离心泵效率预测的方法 - Google Patents
一种基于混合模型预测不同转速下离心泵效率预测的方法 Download PDFInfo
- Publication number
- CN113158590B CN113158590B CN202110169168.5A CN202110169168A CN113158590B CN 113158590 B CN113158590 B CN 113158590B CN 202110169168 A CN202110169168 A CN 202110169168A CN 113158590 B CN113158590 B CN 113158590B
- Authority
- CN
- China
- Prior art keywords
- model
- centrifugal pump
- gpr
- training
- efficiency
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000012360 testing method Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004379 similarity theory Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Fluid Mechanics (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种基于混合模型预测不同转速下离心泵效率预测的方法,属于不同转速下离心泵效率预测技术领域,包括以下操作步骤:1)获取离心泵不同转速下过程变量数据集;2)不同转速下数据的预处理以及数据集划分;3)根据不同的训练样本子集训练多个GPR模型;4)制定相似度量标准选择与测试样本子集相近的训练样本子集;5)划分为大流量阶段和小流量阶段;6)训练局部GPR模型并进行预测;7)预测大流量区间的效率;8)验证混合模型的有效性。本发明的方法基于混合模型预测不同转速下离心泵的效率,解决了传统预测方法的预测性能不佳、容易受到供水系统的影响、对实验数据的依赖性大等问题,且更适合于工程实际应用。
Description
技术领域
本发明属于不同转速下离心泵效率预测技术领域,具体涉及一种基于混合模型预测不同转速下离心泵效率预测的方法。
背景技术
变频技术在泵行业得到广泛的应用。变频技术的使用是通过变频器调节离心泵的转速,进而满足供水系统的要求。如果能准确预测不同转速下离心泵的运行效率,将有效的发挥变频条件下离心泵的节能效果,同时也能判断离心泵的运行状况,使得离心泵尽可能保持良好的运行状况,延长离心泵的运行寿命。
目前,预测离心泵在不同转速下的效率主要使用基于泵的相似理论的机理模型,将离心泵的转速与效率相关联使得预测更加准确。但是该理论的使用了一些假设条件,包含近似值,特别是忽略了管路系统的摩擦损失,又因为相同转速下流量的变化主要是依靠系统的出口节流阀调节,所以管路系统的摩擦损失是不断变化的,进而对于离心泵的运行效率使用相关机理很难准确的描述。
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高斯过程回归(GPR)模型和基于泵相似定律的机理模型组合而成的混合模型预测不同转速下离心泵的效率的方法,解决了传统预测方法的预测性能不佳、容易受到供水系统的影响、对实验数据的依赖性大等问题,工程实际应用性强。
本发明提供如下技术方案:一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于,包括以下步骤:
步骤1)、获取离心泵不同转速下过程变量数据集:运行离心泵,获取不同转速下离心泵的出口流量Q,出口阀门开度V和离心泵进口压力Ps、出口压力Pd,和离心泵效率η建立不同转速下的过程变量数据集,其中出口流量 Q,出口阀门开度V和离心泵进、出口压力Ps、Pd作为输入变量,离心泵效率η作为待预测变量;
步骤2)、不同转速下数据的预处理以及数据集划分:对不同量纲单位的输入变量数据进行标准化处理,变成无量纲数据集;并将其中相同转速下的数据归为一个样本子集,选取两个样本子集作为测试样本子集,其余作为训练样本子集;
步骤3)、根据不同的训练样本子集训练多个GPR模型:根据不同的训练样本子集建立多个GPR模型,将不同的训练样本子集输入到GPR模型中进行训练;
步骤4)、制定相似度量标准选择与测试样本子集相近的训练样本子集:分别将不同的测试样本子集输入到不同的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不同转速下样本的近似性;并选择与测试集相似度最接近的三个样本子集作为训练集;
步骤5)、划分大流量阶段和小流量阶段:根据输入变量中的阀门开度将训练集合对应的测试样本集子集划分为大流量阶段和小流量阶段,其中阀门开度大于50%的为大流量阶段,阀门开度小于50%的为小流量阶段;
步骤6)、选取小流量样本数据训练局部GPR模型并进行预测:建立GPR 模型,选取训练集小流量阶段的样本输入到GPR模型中进行训练,然后将对应的测试样本子集的小流量阶段的样本入到训练好的GPR模型中进行预测;
步骤7)、使用基于泵的相似定律的机理模型预测大流量区间的效率:使用额定转速下的大流量阶段的效率通过基于泵相似定律的机理模型得到测试样本子集大流量阶段的效率;
步骤8)、验证混合模型的有效性:建立全局GPR模型和全局机理模型,分别输入测试样本子集得到输出变量,比较预测性能,采用均方根误差RMSE 和最大绝对相对误差MARE评价指标对模型进行评估,验证混合模型的预测效果。
所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤2)的过程为:
步骤2.1:对不同转速下的数据进行min-max标准化处理,公式如下:
式中,x'为标准化处理后的数据集;x为所采集的原始数据集;xmin为原始过程变量数据的最小值;xmax为原始过程变量数据的最大值;
步骤2.2:从标准化处理后的不同转速下的数据集中将相同转速下的样本归为一个样本子集,从而得到不同的样本子集S=(S1,…Sm)。
所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤3)的过程为:根据训练样本子集的个数创建多个GPR模型。对于输出变量y,GPR模型高斯先验分布,均值为零的回归函数,或者是离散型的回归函数:
y=(y1,…,yN)T~G(0,C)
式中C表示第i个元素C(xi,xj)的N×N协方差矩阵。
所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤4)的过程为:
步骤4.1:将样本子集输入到训练好的GPR模型中,其预测输出集预测方差的计算公式如下:
其中kt,i=[C(xt,i,x1),C(xt,i,x2),…,C(xt,i,xN)]T是新输入数据和训练数据的协方差向量,kt,i=C(xt,i,xt,i)是新输入数据的协方差,是GPR模型输出的预测方差;
步骤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训练样本子集的相似的标准,选取三个与测试集相似度高的训练样本子集组成训练集S*,其计算公式如下:
其中Nl表示训练样本子集的样本个数,Nt表示测试集的样本个数, 表示GPR模型对xt,i的预测不确定度,MEPP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。
所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤6)的过程为:建立一个GPR模型,使用小流量区间的训练集训练GPR模型,得到局部GPR模型,然后将小流量区间的测试样本子集输入到训练好的局部GPR模型中得到小流量区间的预测输出。
所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤7)的过程为:通过离心泵额定转速下大流量区间的效率以及额定转速使用基于泵相似定律的机理模型,得到大流量区间的效率,其计算公式如下:
其中η1表示在转速n1下的效率;η2表示在转速n2下的效率。
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:
1)本发明构建的混合模型相比与传统的机理模型整体上提高了预测精度,同时相比与单一的GPR模型既提高了预测精度又减少了对样本数据的过度依赖,降低了实验负担;
2)本发明构建的混合模型,基于供水系统的阀门分段,使用局部GPR模型预测小流量区间的效率,使用机理模型预测离心泵的大流量区间;同时,基于GPR模型原理选取离心泵的出口流量Q、出口阀门开度V、离心泵进出口压力,作为GPR模型的输入变量,确保GPR模型的预测准确性;此外,为了提高局部GPR模型的预测性能,使用基于GPR模型的预测方差结合贝叶斯定律整合成后验概率的平均值来度量测试样本集与不同转速下训练样本子集的相似性,通过选取相似性高的训练样本子集组成新的训练集,提高了局部 GPR模型的预测性能。
附图说明
图1为本发明的混合模型建模流程图;
图2为六个GPR模型下对测试集(1)进行预测得到的MEPP值和RMSE值;
图3为六个GPR模型下对测试集(2)进行预测得到的MEPP值和RMSE值;
图4为混合模型、全局GPR模型和全局机理模型预测试集(1)的测效果图
图5为混合模型、全局GPR模型和全局机理模型预测试集(1)的相对方差图
图6为混合模型、全局GPR模型和全局机理模型预测试集(2)的测效果图
图7为混合模型、全局GPR模型和全局机理模型预测试集(2)的相对方差图
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。
实施例:
请参阅图1-3,一种基于混合模型的离心泵效率预测方法,所述方法包括以下步骤:
步骤1)获取离心泵不同转速下过程变量数据集,过程如下:
运行离心泵,获取不同转速下离心泵的出口流量,出口阀门开度V和离心泵进出口压力Ps、Pd,和离心泵效率η建立不同转速下的过程变量数据集,其中出口流量Q,出口阀门开度V和离心泵进出口压力Ps、Pd作为输入变量,离心泵效率η作为待预测变量;
步骤2)不同转速下数据的预处理以及数据集划分,过程如下:
步骤2.1:对数据进行min-max标准化处理,公式如下:
式中,x'为标准化处理后的数据集;x为所采集的原始数据集;xmin为原始过程变量数据的最小值;xmax为原始过程变量数据的最大值;
步骤2.2:从标准化处理后的不同转速下的数据集中将相同转速下的样本归为一个样本子集,从而得到不同的样本子集S=(S1,…Sm);
步骤3)根据不同的训练样本子集训练多个GPR模型,其过程如下:根据训练样本子集的个数在Matlab中创建多个GPR模型。对于输出变量y,GPR 模型高斯先验分布,均值为零的回归函数,或者是离散型的回归函数:
y=(y1,…,yN)T~G(0,C)
式中C表示第i个元素C(xi,xj)的N×N协方差矩阵。利用贝叶斯方法对 GPR模型进行训练可以估算出C。
步骤4)制定相似度量标准选择与测试样本子集相近的训练样本子集其过程如下:
步骤4.1:将样本子集输入到训练好的GPR模型中,其预测输出集预测方差的计算公式如下:
其中kt,i=[C(xt,i,x1),C(xt,i,x2),…,C(xt,i,xN)]T是新输入数据和训练数据的协方差向量,kt,i=C(xt,i,xt,i)是新输入数据的协方差,是GPR模型输出的预测方差。
步骤4.2:根据得到不同GPR的预测方差结合贝叶斯后验概率的到度量不同转速下的训练样本子集的相似的标准(MEPP),选取三个MEPP较大的训练样本子集组成训练集S*,其计算公式如下:
其中Nl表示训练样本子集的样本个数,Nt表示测试集的样本个数, 表示GPR模型对xt,i的预测不确定度。
步骤5)划分为大流量阶段和小流量阶段,其过程如下:
将阀门开度小于50%的训练样本集和测试样本子集划分为小流量阶段的训练样集和测试样本子集Xt,l,阀门开度大于50%的划分为大流量阶段的训练样集/>和测试样本子集Xt,h。
步骤6)选取小流量样本数据训练局部GPR模型并进行预测,其过程如下:
步骤7):通过离心泵额定转速下大流量区间的效率以及额定转速使用基于泵相似定律的机理模型,得到大流量区间的效率,其计算公式如下:
其中η1表示在转速n1(额定转速)下的效率;η2表示在转速n2下的效率(所求效率)。
步骤8)验证混合模型的有效性,其过程如下:
建立全局GPR模型和全局机理模型,分别输入测试样本子集得到输出变量,比较预测性能,采用均方根误差RMSE和最大绝对相对误差MARE评价指标对模型进行评估,验证混合模型的预测效果。评估指标为RMSE和 MARE,计算公式如下:
式中,为混合模型预测值,yt,i为测试集真实值,Nt为测试集的样本数。
验证混合模型的预测效果如表一、表二和表三所示。
如图2-3所示,通过测试样本集1和测试样本集2说明本发明中的近似度量准则能很好的度量不同转速下的各样本子集的相似性,如图4-7所示,从上述对比结果可以看出,本发明方法的预测准确度相比于全局GPR模型和全局机理模型方法具有明显优势。
表一、全局GPR模型、全局机理模型和混合模型预测的RMSE(%)
表二、全局GPR模型、全局机理模型和混合模型预测需要的样本数
表三、全局GPR模型和混合模型预测的MARE(%)
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 (6)
1.一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于,包括以下步骤:
步骤1)、获取离心泵不同转速下过程变量数据集:运行离心泵,获取不同转速下离心泵的出口流量Q,出口阀门开度V和离心泵进口压力Ps、出口压力Pd,和离心泵效率η建立不同转速下的过程变量数据集,其中出口流量Q,出口阀门开度V和离心泵进、出口压力Ps、Pd作为输入变量,离心泵效率η作为待预测变量;
步骤2)、不同转速下数据的预处理以及数据集划分:对不同量纲单位的输入变量数据进行标准化处理,变成无量纲数据集;并将其中相同转速下的数据归为一个样本子集,选取两个样本子集作为测试样本子集,其余作为训练样本子集;
步骤3)、根据不同的训练样本子集训练多个GPR模型:根据不同的训练样本子集建立多个GPR模型,将不同的训练样本子集输入到GPR模型中进行训练;
步骤4)、制定相似度量标准选择与测试样本子集相近的训练样本子集:分别将不同的测试样本子集输入到不同的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不同转速下样本的近似性;并选择与测试集相似度最接近的三个样本子集作为训练集;
步骤5)、划分大流量阶段和小流量阶段:根据输入变量中的阀门开度将训练集合对应的测试样本集子集划分为大流量阶段和小流量阶段,其中阀门开度大于50%的为大流量阶段,阀门开度小于50%的为小流量阶段;
步骤6)、选取小流量样本数据训练局部GPR模型并进行预测:建立GPR模型,选取训练集小流量阶段的样本输入到GPR模型中进行训练,然后将对应的测试样本子集的小流量阶段的样本入到训练好的GPR模型中进行预测;
步骤7)、使用基于泵的相似定律的机理模型预测大流量区间的效率:使用额定转速下的大流量阶段的效率通过基于泵相似定律的机理模型得到测试样本子集大流量阶段的效率;
步骤8)、验证混合模型的有效性:建立全局GPR模型和全局机理模型,分别输入测试样本子集得到输出变量,比较预测性能,采用均方根误差RMSE和最大绝对相对误差MARE评价指标对模型进行评估,验证混合模型的预测效果。
2.根据权利要求1所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤2)的过程为:
步骤2.1:对不同转速下的数据进行min-max标准化处理,公式如下:
式中,x'为标准化处理后的数据集;x为所采集的原始数据集;xmin为原始过程变量数据的最小值;xmax为原始过程变量数据的最大值;
步骤2.2:从标准化处理后的不同转速下的数据集中将相同转速下的样本归为一个样本子集,从而得到不同的样本子集S=(S1,…Sm)。
3.根据权利要求1所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤3)的过程为:根据训练样本子集的个数创建多个GPR模型;对于输出变量y,GPR模型高斯先验分布,均值为零的回归函数,或者是离散型的回归函数:
y=(y1,…,yN)T~G(0,C)
式中C表示第i个元素C(xi,xj)的N×N协方差矩阵。
4.根据权利要求1所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤4)的过程为:
步骤4.1:将样本子集输入到训练好的GPR模型中,其预测输出集预测方差的计算公式如下:
其中kt,i=[C(xt,i,x1),C(xt,i,x2),…,C(xt,i,xN)]T是新输入数据和训练数据的协方差向量,kt,i=C(xt,i,xt,i)是新输入数据的协方差,是GPR模型输出的预测方差;
步骤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训练样本子集的相似的标准,选取三个与测试集相似度高的训练样本子集组成训练集S*,其计算公式如下:
其中Nl表示训练样本子集的样本个数,Nt表示测试集的样本个数, 表示GPR模型对xt,i的预测不确定度,MEPP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。
5.根据权利要求1所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤6)的过程为:建立一个GPR模型,使用小流量区间的训练集训练GPR模型,得到局部GPR模型,然后将小流量区间的测试样本子集输入到训练好的局部GPR模型中得到小流量区间的预测输出。
6.根据权利要求1所述的一种基于混合模型预测不同转速下离心泵效率预测的方法,其特征在于所述步骤7)的过程为:通过离心泵额定转速下大流量区间的效率以及额定转速使用基于泵相似定律的机理模型,得到大流量区间的效率,其计算公式如下:
其中η1表示在转速n1下的效率;η2表示在转速n2下的效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169168.5A CN113158590B (zh) | 2021-02-07 | 2021-02-07 | 一种基于混合模型预测不同转速下离心泵效率预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110169168.5A CN113158590B (zh) | 2021-02-07 | 2021-02-07 | 一种基于混合模型预测不同转速下离心泵效率预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113158590A CN113158590A (zh) | 2021-07-23 |
CN113158590B true CN113158590B (zh) | 2024-04-02 |
Family
ID=76882832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110169168.5A Active CN113158590B (zh) | 2021-02-07 | 2021-02-07 | 一种基于混合模型预测不同转速下离心泵效率预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113158590B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114109859B (zh) * | 2021-10-27 | 2023-10-17 | 中国计量大学 | 一种无流量传感的离心泵性能神经网络预测方法 |
CN114417707A (zh) * | 2021-12-27 | 2022-04-29 | 浙江工业大学台州研究院 | 一种离心泵效率预测方法 |
CN114547987B (zh) * | 2022-04-22 | 2022-07-26 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777192A (ja) * | 1993-09-10 | 1995-03-20 | Nikkiso Co Ltd | スラストバランス機構を備えた遠心ポンプの性能予測方法 |
CN111985170A (zh) * | 2020-08-28 | 2020-11-24 | 浙江工业大学 | 一种改进的离心泵外特性预测方法 |
CN112149913A (zh) * | 2020-09-30 | 2020-12-29 | 浙江工业大学 | 基于高斯过程回归的离心泵外特性预测方法 |
-
2021
- 2021-02-07 CN CN202110169168.5A patent/CN113158590B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777192A (ja) * | 1993-09-10 | 1995-03-20 | Nikkiso Co Ltd | スラストバランス機構を備えた遠心ポンプの性能予測方法 |
CN111985170A (zh) * | 2020-08-28 | 2020-11-24 | 浙江工业大学 | 一种改进的离心泵外特性预测方法 |
CN112149913A (zh) * | 2020-09-30 | 2020-12-29 | 浙江工业大学 | 基于高斯过程回归的离心泵外特性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113158590A (zh) | 2021-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113158590B (zh) | 一种基于混合模型预测不同转速下离心泵效率预测的方法 | |
CN109740175B (zh) | 一种面向风电机组功率曲线数据的离群点判别方法 | |
CN108647272B (zh) | 一种基于数据分布的小样本扩充对脱丁烷塔底丁烷浓度进行预测的方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN102693452A (zh) | 基于半监督回归学习的多模型软测量方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN111709454B (zh) | 一种基于最优copula模型的多风电场出力聚类评估方法 | |
CN114254460B (zh) | 基于图卷积神经网络的透平机械气动鲁棒性优化方法 | |
CN113821986A (zh) | 基于随机森林的涡旋海面信号与水下关键参数反演方法 | |
US20240133391A1 (en) | Prediction method for stall and surging of axial-flow compressor based on deep autoregressive network | |
CN113313139A (zh) | 基于机组动态特性的风电功率预测不确定性量化方法 | |
CN114548592A (zh) | 一种基于cemd和lstm的非平稳时间序列数据预测方法 | |
CN112149913A (zh) | 基于高斯过程回归的离心泵外特性预测方法 | |
CN113935247B (zh) | 计及风速随机性与相关性的分区虚拟惯量估计方法 | |
CN113344288A (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114662895A (zh) | 管网综合风险评估方法及装置 | |
CN117056402B (zh) | 一种基于多源信号的电机诊断方法、装置及存储介质 | |
CN115290316A (zh) | 一种偏心旋转阀故障诊断方法 | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN114357870A (zh) | 基于局部加权偏最小二乘的计量设备运行性能预测分析方法 | |
CN110414734B (zh) | 一种计及风资源利用率预测评估的方法 | |
CN113553673B (zh) | 一种基于数据驱动建模的离心泵效率预测方法 | |
CN116719714A (zh) | 一种测试用例的筛选模型的训练方法及相应的装置 | |
CN114239181A (zh) | 一种预测不同转速下离心泵效率分段模型的建模方法 | |
CN110163437A (zh) | 基于DPK-means的日前光伏发电功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |