CN113236581B - 一种智能化并联泵系统及优化调节方法 - Google Patents

一种智能化并联泵系统及优化调节方法 Download PDF

Info

Publication number
CN113236581B
CN113236581B CN202110723929.7A CN202110723929A CN113236581B CN 113236581 B CN113236581 B CN 113236581B CN 202110723929 A CN202110723929 A CN 202110723929A CN 113236581 B CN113236581 B CN 113236581B
Authority
CN
China
Prior art keywords
pump
optimization
pump system
vibration
flow
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
Application number
CN202110723929.7A
Other languages
English (en)
Other versions
CN113236581A (zh
Inventor
王文杰
龚小波
裴吉
袁寿其
甘星城
邓起凡
张晨滢
张金凤
袁建平
李彦军
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202110723929.7A priority Critical patent/CN113236581B/zh
Publication of CN113236581A publication Critical patent/CN113236581A/zh
Priority to GB2116859.6A priority patent/GB2608476B/en
Application granted granted Critical
Publication of CN113236581B publication Critical patent/CN113236581B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/02—Stopping of pumps, or operating valves, on occurrence of unwanted conditions
    • F04D15/029—Stopping of pumps, or operating valves, on occurrence of unwanted conditions for pumps operating in parallel
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D13/00—Pumping installations or systems
    • F04D13/12—Combinations of two or more pumps
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0066—Control, e.g. regulation, of pumps, pumping installations or systems by changing the speed, e.g. of the driving engine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
    • F04D15/0088—Testing machines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D25/00—Pumping installations or systems
    • F04D25/16—Combinations of two or more pumps ; Producing two or more separate gas flows
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/66—Combating cavitation, whirls, noise, vibration or the like; Balancing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/96—Preventing, counteracting or reducing vibration or noise
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/01—Purpose of the control system
    • F05D2270/20—Purpose of the control system to optimize the performance of a machine
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/301—Pressure
    • F05D2270/3011—Inlet pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/301—Pressure
    • F05D2270/3013—Outlet pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/306—Mass flow
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/334—Vibration measurements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/09—Supervised learning

Abstract

本发明涉及一种智能化并联泵系统及优化调节方法，该系统主要包括：泵系统、数据采集单元、数据处理单元、目标优化单元、优化算法求解单元；该方法包括：数据采集、数据处理、建立优化目标及优化模型。本发明通过对泵系统历史运行数据，包括各个工况点下的流量、扬程、转速、阀门开度、泵振动信号等，进行BP神经网络的训练，将求得的神经网络模型作为优化目标函数；通过粒子群算法对优化模型进行求解，求得特定需求工况下，泵系统振动最小的最优调节方案。

Description

一种智能化并联泵系统及优化调节方法
技术领域
本发明涉及泵系统优化调节领域，特别是涉及一种智能化并联泵系统及优化调节方法。
背景技术
水泵设备作为一种通用旋转机械已经广泛应用于各行各业，无论是国防建设、石油化工、电力部门还是日常生活的民商用水都能看到它的身影。随着现代化工业水平的快速提高，机泵正朝着集成化、大型化、一体化的方向不断发展。机泵的机构变得越来越复杂，一旦发生故障，不仅会导致设备失效，甚至会对整个生产系统造成毁灭性打击。而故障的来源来自方方面面，其中由于泵体长时间工作在振动较大的运行工况下，泵的各部分零件及结构均受到威胁，最终会诱变为故障，导致机部件损坏，使水泵需停机检查或更换，严重还会发生爆炸等危险。由此可见，机泵故障不仅造成巨大的经济损失还可能引发严重的安全事故，危害工作人员的生命安全。
在泵流量扬程性能曲线上，除了设计工况区外，其他均为非设计工况区。泵实际的工作点由泵的流量扬程特性曲线和管路的阻力特性曲线的交点决定，在确定的转速下，泵只在某个流量下处于最佳工况点，该点处泵的效率到达最大值，同时泵的振动一般也是最小的。在非设计工况区运转的水泵，泵内流动复杂，不再是设计工况所假设的理想流动，这时可能伴有噪声、振动和其他现象。在这种情况下，离心泵运行不稳定，甚至出现故障。因此，在实际离心泵使用中，需要保证离心系工作点靠近设计工作点，减小泵在运行过程中的振动，以提高离心泵的运行可靠性，增加泵及其他零件的使用寿命。
发明内容
本发明的目的在于提供一种具有低振动可靠运行调节策略的智能化并联泵系统及优化方法，以实现泵系统能够在工况改变时给出最优调节方案，控制泵机组进行优化调节，使得泵系统在满足需求工况下振动最小。
为实现上述目的，本发明提供了如下方案：
一种智能化并联泵系统，包括：泵系统、数据采集单元、数据处理单元、目标优化单元、优化算法求解单元；
所述泵系统为水泵及其辅助设备以并联方式组成的管路系统；
所述数据采集单元用于负责采集并联泵系统中各类传感器所采集的信号；
所述数据处理单元用于处理由所述数据采集单元所采集的信号；
所述目标优化单元用于将经过处理后的数据进行划分，为基于降低运行状态下水泵振动的所述泵系统优化方法提供优化目标及优化模型；
所述优化算法求解单元用于对所述优化模型进行求解，得到优化控制方案。
优选地，所述泵系统包括：
水泵：用于将水加压以满足用户需求工况；
管路系统：用于配置与连接各部分元件；
各类传感器：用于采集各类数据；
电动阀门：用于调节水的流量；
止回阀：用于防止水的回流；
旁通管路：用于将多余的水转移至回管路，调整水流量。
优选地，所述各类传感器包括：
流量计：用于采集并联泵组各支路管上单泵流量及总管路上泵站总流量；
压力传感器：用于采集各单泵进出口压力以及总管路上进出口压力，获得各单泵扬程及泵站总扬程；
振动传感器：用于采集泵上监测点的振动信号。
优选地，通过NI数据采集卡对所述各类传感器的信号进行数据采集。
优选地，所述数据采集单元所采集的数据还包括：
变频器输出各单泵当前的频率信号，电动阀门输出各阀门开度的信号。
优选地，所述数据处理单元包括对振动信号进行降噪处理、时频域分析、提取振动特征量。
一种智能化并联泵系统的优化调节方法，包括以下步骤：
S1、数据采集：采集泵系统上监测点的振动信号、并联泵组上泵站总流量、各单泵进出口压力以及总管路上进出口压力、各泵当前的频率信号以及各阀门开度的信号；
S2、数据处理：对采集到的所述监测点的振动信号进行降噪处理，对降噪后的数据进行时频域分析，最后通过时频域分析后的数据进行振动特征量的提取；
S3、建立优化目标及优化模型，通过优化算法对所述优化模型进行求解，得到最优值。
优选地，所述建立优化目标的过程包括：
S3.1、对泵站历史运行数据集进行划分，所述泵站历史运行数据集为历史泵站运行时每个工况点下的流量、扬程、泵转数、阀门开度、监测点振动信号特征量；划分数据集，将数据集划分为训练样本和预测样本；
S3.2、通过BP神经网络对所述数据集进行训练，所述BP神经网络对划分的数据集进行拟合训练，以所述流量、扬程、泵转数、阀门开度作为所述BP神经网络的输入，以所述振动特征量作为所述BP神经网络的输出；
S3.3、通过智能优化算法对所述BP神经网络相关超参数进行寻优，根据隐藏层数、每个隐藏层的单元数、激活函数、学习步长作为寻优的输入，以所述BP神经网络拟合的决定系数R2值作为输出；
S3.4、通过优化算法不断对所述相关超参数进行寻优，直到达到一定的拟合精度，输出该超参数设定下训练的神经网络的模型作为优化目标。
优选地，建立优化模型的步骤包括：建立泵系统优化目标及设定求解边界条件；
所述建立泵系统优化目标为：根据振动最小原理建立泵系统优化目标公式：
Figure BDA0003137786290000051
其中Mi为当前水泵是否开启，fi(x)为该水泵对应的振动特征量，对所有的水泵求其振动特征量的和，即为当前泵系统下的总振动特征量，N为泵系统中泵的总台数，minF即为具有低振动可靠运行调节策略的智能化并联泵系统振动最小的泵系统优化目标；
所述求解边界条件包括：
泵开启台数约束：投入运行的水泵数目不超过泵系统中水泵的总数目；
转速比约束：泵的最低转速比不低于0.5，泵的最高转速比不高于1；
总流量约束：泵系统所提供的总流量不低于用户所需求的流量；
总扬程约束：泵系统提供的最小扬程不低于用户的需求扬程；
总振动约束：泵系统的总振动不高于所规定的最大振动。
优选地，采用PSO算法对所述优化模型进行求解，具体包括：
步骤1、确定参数及搜索空间：在确定好寻优的参数后，划定其每个参数的搜索空间，以流量、扬程、泵转数、阀门开度作为寻优参数；
步骤2、初始化粒子群：为最初计算随机在解空间内生成的一组解；
步骤3、计算每个粒子的适应度：即泵系统优化目标所得到的系统预测的振动值；
步骤4、更新最优粒子及粒子的速度和位置：根据适应度更新个体最优和全局最优粒子、更新粒子的速度和位置，为下次计算提供新的解；
步骤5、判断满足算法终止条件：判断是否达到最大迭代次数或全局最优位子满足最小界限，如不满足条件则继续迭代寻优，直到满足判断条件输出最优值。
本发明的有益效果为：
本发明通过对泵系统历史运行数据，包括各个工况点下的流量、扬程、转速、阀门开度、泵振动信号等，进行BP神经网络的训练，将求得的神经网络模型作为优化目标函数；通过粒子群算法对优化模型进行求解，求得特定需求工况下，泵系统振动最小的最优调节方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明智能化并联泵系统总体框图；
图2为本发明智能化并联泵系统的数据采集系统框图；
图3为本发明智能化并联泵系统的振动信号处理流程框图；
图4为本发明智能化并联泵系统的建立目标函数机理框图；
图5为本发明智能化并联泵系统的PSO优化算法求解机理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1，为智能化并联泵系统总体框图，具体包括：
泵系统、数据采集单元、数据处理单元、目标优化单元、优化算法求解单元；其中,泵系统为泵机组、管路系统、各类传感器、电控阀门及其他辅助设备组成；数据采集单元负责采集并联泵系统优化所需的信号数据；数据处理单元负责处理由数据采集单元所采集的信号，包括振动信号、流量、压力、转速、阀门开度等；目标优化单元为基于降低运行状态下水泵振动的并联泵系统优化方法提供优化目标及优化模型；优化算法求解单元是通过启发式优化算法对优化模型进行求解，从而得到优化控制方案。
所述泵系统包括：水泵、管路系统、各类传感器、电控阀门及其他安全辅助设备。其中水泵用于将水加压以满足用户需求工况；管路系统用于配置与连接各部分元件，使其成为一个工作的整体；各类传感器用于采集各类数据，包括流量计用于监测水的流量，压力传感器用于监测水的进出口压力，振动传感器用于采集监测点振动；电动阀门通过调节阀门开度，调节水的流量；止回阀用于防止水的回流；旁通管路用于将多余的水转移回管路，调整水流量等。
智能化并联泵系统的数据采集单元，参照图2，主要包括各类传感器以及NI数据采集卡。各类传感器是为搭建降低运行状态下水泵振动的并联泵系统优化方法做数据采集的硬件设备，主要有振动传感器、电磁流量计、压力传感器，变频器等，它们通过NI数据采集卡进行数据传输与转换。振动传感器采集监测点振动信号；电磁流量计采集各回路上各单泵流量以及总回路上泵站总流量；压力传感器采集各回路上泵进出口压力以及总回路上进出口压力，出口压力与进口压力的差值即为各回路上的扬程，为其提供各单泵扬程与泵站总扬程；变频器为各单泵变频器，为其传输各单泵的工作频率，电动阀门传输各阀门开度的信号。所采集的信号为降低运行状态下水泵振动的并联泵系统优化方法的优化目标提供数据集。
图3为智能化并联泵系统的振动信号处理流程框图，主要包括降噪处理、时频域分析、提取振动特征量。首先对采集到的监测点的振动信号进行降噪处理，接着对降噪后的数据进行时频域分析，最后通过时频域分析后的数据进行振动特征量的提取。通过上述步骤处理振动信号，可将无序的振动信号表征成特定时间段内代表特定工况下泵的振动特征量。
一种智能化并联泵系统的优化调节方法，包括以下步骤：
S1、数据采集：包括泵上监测点的振动信号、并联泵组各支路管上单泵流量及总管路上泵站总流量、各单泵进出口压力以及总管路上进出口压力、各泵当前的频率信号以及各阀门开度的信号；
S2、数据处理：首先对采集到的所述监测点的振动信号进行降噪处理，接着对降噪后的数据进行时频域分析，最后通过时频域分析后的数据进行振动特征量的提取；
S3、建立优化目标及优化模型，通过优化算法对所述优化模型进行求解，得到最优值。
附图4为智能化并联泵系统的建立目标函数机理框图，主要包括对泵站历史运行数据集进行划分、通过BP神经网络对数据集进行训练、通过优化算法对神经网络相关超参数进行寻优，直到达到拟合精度输出拟合模型作为优化目标函数。所述泵站历史运行数据集为历史泵站运行时每个工况点下的流量、扬程、泵转数、阀门开度、监测点振动信号特征量等数据；所述BP神经网络对划分的数据集进行拟合训练，以流量、扬程、泵转数、阀门开度作为神经网络输入，以振动特征量作为神经网络的输出；通过优化算法对神经网络相关超参数进行寻优，用户可根据隐藏层数、每个隐藏层的单元数、激活函数、学习步长等作为寻优的输入，以神经网络拟合的决定系数R2值作为输出，直到拟合到一定的精度，最后输出拟合模型作为优化目标函数。
建立优化目标流程主要包括如下步骤：
S3.1，泵站历史运行数据集进行划分，所述泵站历史运行数据集为历史泵站运行时每个工况点下的流量、扬程、泵转数、阀门开度、监测点振动信号特征量等数据；划分数据集，将数据集按照一定的比例划分为训练样本和预测样本，通常划分比例为7:3或者8:2等；
S3.2，BP神经网络对数据集进行训练，BP神经网络对划分的数据集进行拟合训练，以流量、扬程、泵转数、阀门开度作为神经网络输入，以振动特征量作为神经网络的输出；
S3.3，优化算法对神经网络相关超参数进行寻优，在神经网络训练的时候其超参数对模型的准确性影响很大，可通过智能优化算法对神经网络相关超参数进行寻优，用户可根据隐藏层数、每个隐藏层的单元数、激活函数、学习步长等作为寻优的输入，以神经网络拟合的决定系数R2值作为输出；
S3.4，达到拟合精度输出拟合模型作为优化目标函数，通过优化算法不断对超参数寻优，直到达到一定的拟合精度，输出该超参数设定下训练的神经网络的模型作为优化目标。
建立优化模型流程主要包括：建立泵系统优化目标及设定求解边界条件。
所述泵系统优化目标：根据振动最小原理建立泵系统优化目标公式；
Figure BDA0003137786290000111
其中f(x)为上述BP神经网络的拟合模型，x为输入神经网络的参数，即流量、扬程、泵转数、阀门开度四个变量；f(x)的输出，即神经网络的预测值，为该四个参数变量下对应的振动信号特征量预测值；M为当前水泵开启的状态，0对应关闭，1对应开启；N为泵系统中泵的总台数。因此Mi为当前水泵是否开启，fi(x)为该水泵对应的振动特征量，对所有的水泵求其振动特征量的和，即为当前泵系统下的总振动特征量，minF即为具有低振动可靠运行调节策略的智能化并联泵系统振动最小的泵系统优化目标。
所述设定求解边界条件：
(1)泵开启台数约束：投入运行的水泵数目不应超过泵系统中水泵的总数目；
0≤M≤N
其中N为泵系统中水泵的总数目，M为投入运行的水泵数目。
(2)转速比约束：通常泵的转速比因支撑、散热、效率等限制，泵的最低转速比通常不低于0.5，泵的最高转速比通常不高于1。
0.5≤k≤1
(3)总流量约束：并联泵系统的实际流量为各投入运行水泵流量之和，而泵系统所提供的总流量应不低于用户所需求的流量；
Qsys＝∑Qi
Qreq≤Qsys
其中Qi为每台投入运行的水泵流量，Qsys为并联泵系统的总流量，Qreq为用户所需求的流量。
(4)总扬程约束：并联泵系统的总扬程为水泵提供扬程与系统损失之差，泵系统提供的最小扬程应不低于用户的需求扬程；
Hsys＝H-Hs
Hreq≤Hsys
其中H为水泵提供的总扬程，Hs为泵系统的扬程损失，Hsys为泵系统提供的总扬程，Hreq为用户的需求扬程。
(5)总振动约束：泵系统的总振动不应高于所规定的最大振动；
F≤Fmax
其中F为所运行水泵振动之和，Fmax为所运行水泵的最大振动约束值之和。
优化算法求解是对泵系统优化模型进行求解，构成具有低振动可靠运行调节策略的智能化并联泵系统的优化算法求解流程。
所述优化算法求解，采用PSO算法求解其过程主要包括如下步骤，参照图5：
步骤1，确定参数及搜索空间，在确定好寻优的参数后，划定其每个参数的搜索空间，本优化以流量、扬程、泵转数、阀门开度作为寻优参数；
步骤2，初始化粒子群，为最初计算随机在解空间内生成的一组解；
步骤3，计算每个粒子的适应度，这里的适应度为目标函数的值，即泵系统优化目标所得到的系统预测的振动值；
步骤4，更新最优粒子及粒子的速度和位置，根据适应度更新个体最优和全局最优粒子、更新粒子的速度和位置，为下次计算提供新的解；
步骤5，判断满足算法终止条件，接着判断是否达到最大迭代次数或全局最优位子满足最小界限，如不满足条件则继续迭代寻优，直到满足判断条件输出最优值。
本优化中输入即为寻找某工况下最优的流量、扬程、泵转数、阀门开度调节方案参数化后作为x，评价目标函数为泵系统优化目标函数，即BP神经网络预测的该工况下泵系统的振动特征量，最终得到的是泵系统调节到某工况下泵系统的振动指标最小的最优调节方案。
本发明通过对泵系统历史运行数据，包括各个工况点下的流量、扬程、转速、阀门开度、泵振动信号等，进行BP神经网络的训练，将求得的神经网络模型作为优化目标函数；通过粒子群算法对优化模型进行求解，求得特定需求工况下，泵系统振动最小的最优调节方案。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种智能化并联泵系统，其特征在于，包括：泵系统、数据采集单元、数据处理单元、目标优化单元、优化算法求解单元；
所述泵系统为水泵及其辅助设备以并联方式组成的管路系统；
其中，所述泵系统包括：
水泵：用于将水加压以满足用户需求工况；
管路系统：用于配置与连接各部分元件；
各类传感器：用于采集各类数据；
电动阀门：用于调节水的流量；
止回阀：用于防止水的回流；
旁通管路：用于将多余的水转移至回管路，调整水流量；
所述数据采集单元用于负责采集并联泵系统中各类传感器所采集的信号；
所述数据处理单元用于处理由所述数据采集单元所采集的信号；
所述目标优化单元用于将经过处理后的数据进行划分，为基于降低运行状态下水泵振动的所述泵系统优化方法提供优化目标函数及优化模型；
所述优化算法求解单元用于对所述优化模型进行求解，得到优化控制方案；
利用所述智能化并联泵系统进行优化调节的方法，包括以下步骤：
S1、数据采集：采集泵系统上监测点的振动信号、并联泵组上泵站总流量、各单泵进出口压力以及总管路上进出口压力、各泵当前的频率信号以及各阀门开度的信号；
S2、数据处理：对采集到的所述监测点的振动信号进行降噪处理，对降噪后的数据进行时频域分析，最后通过时频域分析后的数据进行振动特征量的提取；
S3、建立优化目标函数及优化模型，通过优化算法对所述优化模型进行求解，得到最优值；
建立以流量、扬程、泵转数、阀门开度为输入，以监测点振动信号特征量为输出的BP神经网络模型，将所述BP神经网络模型作为优化目标函数；通过粒子群算法对优化模型进行求解，求得特定需求工况下，泵系统振动最小的最优调节方案。
2.根据权利要求1所述的智能化并联泵系统，其特征在于，所述各类传感器包括：
流量计：用于采集并联泵组各支路管上单泵流量及总管路上泵站总流量；
压力传感器：用于采集各单泵进出口压力以及总管路上进出口压力，获得各单泵扬程及泵站总扬程；
振动传感器：用于采集泵上监测点的振动信号。
3.根据权利要求2所述的智能化并联泵系统，其特征在于，通过NI数据采集卡对所述各类传感器的信号进行数据采集。
4.根据权利要求1所述的智能化并联泵系统，其特征在于，所述数据采集单元所采集的数据还包括：
变频器输出各单泵当前的频率信号，电动阀门输出各阀门开度的信号。
5.根据权利要求1所述的智能化并联泵系统，其特征在于，所述数据处理单元包括对振动信号进行降噪处理、时频域分析、提取振动特征量。
6.根据权利要求1所述的智能化并联泵系统，其特征在于，所述建立优化目标函数的过程包括：
S3.1、对泵站历史运行数据集进行划分，所述泵站历史运行数据集为历史泵站运行时每个工况点下的流量、扬程、泵转数、阀门开度、监测点振动信号特征量；划分数据集，将数据集划分为训练样本和预测样本；
S3.2、通过BP神经网络对所述数据集进行训练，所述BP神经网络对划分的数据集进行拟合训练，以所述流量、扬程、泵转数、阀门开度作为所述BP神经网络的输入，以所述振动特征量作为所述BP神经网络的输出；
S3.3、通过智能优化算法对所述BP神经网络相关超参数进行寻优，根据隐藏层数、每个隐藏层的单元数、激活函数、学习步长作为寻优的输入，以所述BP神经网络拟合的决定系数R2值作为输出；
S3.4、通过优化算法不断对所述相关超参数进行寻优，直到达到一定的拟合精度，输出该超参数设定下训练的神经网络的模型作为优化目标函数。
7.根据权利要求1所述的智能化并联泵系统，其特征在于，建立优化模型的步骤包括：建立泵系统优化目标及设定求解边界条件；
所述建立泵系统优化目标为：根据振动最小原理建立泵系统优化目标公式：
Figure FDA0003421911590000041
其中，M为当前水泵开启的状态，0对应关闭，1对应开启；N为泵系统中泵的总台数，则Mi为当前水泵是否开启，fi(x)为该水泵对应的振动特征量，对所有的水泵求其振动特征量的和，即为当前泵系统下的总振动特征量，N为泵系统中泵的总台数，minF即为具有低振动可靠运行调节策略的智能化并联泵系统振动最小的泵系统优化目标；
所述求解边界条件包括：
泵开启台数约束：投入运行的水泵数目不超过泵系统中水泵的总数目；
转速比约束：泵的最低转速比不低于0.5，泵的最高转速比不高于1；
总流量约束：泵系统所提供的总流量不低于用户所需求的流量；
总扬程约束：泵系统提供的最小扬程不低于用户的需求扬程；
总振动约束：泵系统的总振动不高于所规定的最大振动。
8.根据权利要求7所述的智能化并联泵系统，其特征在于，采用粒子群算法对所述优化模型进行求解，具体包括：
步骤1、确定参数及搜索空间：在确定好寻优的参数后，划定其每个参数的搜索空间，以流量、扬程、泵转数、阀门开度作为寻优参数；
步骤2、初始化粒子群：为最初计算随机在解空间内生成的一组解；
步骤3、计算每个粒子的适应度：即泵系统优化目标所得到的系统预测的振动值；
步骤4、更新最优粒子及粒子的速度和位置：根据适应度更新个体最优和全局最优粒子、更新粒子的速度和位置，为下次计算提供新的解；
步骤5、判断满足算法终止条件：判断是否达到最大迭代次数或全局最优位子满足最小界限，如不满足条件则继续迭代寻优，直到满足判断条件输出最优值。
CN202110723929.7A 2021-06-29 2021-06-29 一种智能化并联泵系统及优化调节方法 Active CN113236581B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110723929.7A CN113236581B (zh) 2021-06-29 2021-06-29 一种智能化并联泵系统及优化调节方法
GB2116859.6A GB2608476B (en) 2021-06-29 2021-11-23 Intelligent parallel pumping system and optimal regulating method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110723929.7A CN113236581B (zh) 2021-06-29 2021-06-29 一种智能化并联泵系统及优化调节方法

Publications (2)

Publication Number Publication Date
CN113236581A CN113236581A (zh) 2021-08-10
CN113236581B true CN113236581B (zh) 2022-02-22

Family

ID=77141041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110723929.7A Active CN113236581B (zh) 2021-06-29 2021-06-29 一种智能化并联泵系统及优化调节方法

Country Status (2)

Country Link
CN (1) CN113236581B (zh)
GB (1) GB2608476B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114738229B (zh) * 2021-08-30 2022-12-16 江苏大学 一种基于人工智能的多泵并联系统的调节系统
CN113685895B (zh) * 2021-09-09 2022-06-21 西安建筑科技大学 一种分布式架构下的换热站并联水泵优化控制方法及系统
CN114909707B (zh) * 2022-04-24 2023-10-10 浙江英集动力科技有限公司 一种基于智能平衡装置和强化学习的供热二级网调控方法
CN114792071B (zh) * 2022-05-18 2023-08-25 西安理工大学 基于机器学习技术的排水泵站优化调度方法
CN115013862B (zh) * 2022-06-01 2023-05-16 浙江英集动力科技有限公司 基于喷射泵和辅助循环泵的供热系统自主优化运行方法
CN115596653A (zh) * 2022-09-21 2023-01-13 南通阳鸿石化储运有限公司（Cn） 一种化工库区油泵智能管控应用技术
CN115982983A (zh) * 2022-12-21 2023-04-18 西南石油大学 一种原油管道优化碳排放的方法
CN116050955B (zh) * 2023-03-31 2023-07-28 杭州百子尖科技股份有限公司 基于数字孪生的二氧化碳排放量统计方法、装置及设备
CN116044772B (zh) * 2023-04-03 2023-07-04 四川省机械研究设计院(集团)有限公司 撬装式离心泵泵送系统及其运行控制方法
CN116305700B (zh) * 2023-05-18 2023-08-29 青岛研博数据信息技术有限公司 一种用于长距离输水管网的水锤评估和消除模型
CN116663451B (zh) * 2023-06-05 2024-05-03 广东岭秀科技有限公司 供水系统节能效率优化方法、系统和控制装置
CN116466591B (zh) * 2023-06-13 2023-08-29 埃睿迪信息技术（北京）有限公司 用于供水系统的供水策略的确定方法及装置
CN116699998B (zh) * 2023-06-21 2024-02-13 广州和达水务科技股份有限公司 基于ai算法的无人值守加压站控制系统
CN117085284B (zh) * 2023-07-19 2024-04-05 国网辽宁省电力有限公司电力科学研究院 基于环境监测的气动排油注氮灭火参数调控方法及系统
CN116892505B (zh) * 2023-09-11 2023-12-05 华夏天信智能物联股份有限公司 一种智能化的井下泵站供液控制方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7539549B1 (en) * 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
US6018957A (en) * 1998-12-07 2000-02-01 Carrier Corporation Method and apparatus for controlling beats and minimizing pulsation effects in multiple compressor installations
CA2674331A1 (en) * 2008-08-06 2010-02-06 Maax Bath Inc. Bypass system to control liquid volume
CN101705935B (zh) * 2009-11-09 2011-12-28 江苏大学 水泵并联机组运行机理与控制策略模拟试验装置
CN106127298A (zh) * 2016-06-16 2016-11-16 太原科技大学 一种基于自适应pso‑bp神经网络的液压泵故障诊断方法
CN106836379B (zh) * 2017-02-16 2019-11-05 江苏大学 一种可智能减振的泵站安装方法
DE102017223189A1 (de) * 2017-12-19 2019-06-19 KSB SE & Co. KGaA Mehrpumpenanlage und Verfahren zu deren Betrieb
CN110175698B (zh) * 2019-04-26 2021-08-03 浙江工业大学 一种基于改进粒子群优化bp神经网络的水泵设备状态预测方法
US11340592B2 (en) * 2019-07-22 2022-05-24 Rockwell Automation Technologies, Inc. Industrial control system with machine learning for compressors
CN111325306A (zh) * 2020-02-05 2020-06-23 河北工程大学 一种基于abc-pso混合算法的供水泵组调度方法
CN112052890B (zh) * 2020-08-28 2024-04-02 华北电力科学研究院有限责任公司 给水泵振动预测方法及装置

Also Published As

Publication number Publication date
GB2608476A (en) 2023-01-04
GB2608476B (en) 2023-07-19
CN113236581A (zh) 2021-08-10
GB202116859D0 (en) 2022-01-05

Similar Documents

Publication Publication Date Title
CN113236581B (zh) 一种智能化并联泵系统及优化调节方法
CN106647289B (zh) 明渠输水调度闸门延时启闭时间的前馈控制方法
CN108843778B (zh) 一种风力发电机齿轮箱润滑油在线控制系统及其控制方法
CN103530818B (zh) 一种基于brb系统的供水管网建模方法
Yang et al. Optimal scheduling and control of a multi-pump boosting system
CN102032935A (zh) 城市排水汇流管网污水泵站流量的软测量方法
CN106875115A (zh) 一种基于大数据的设备调度预警方法及系统
CN107305601A (zh) 一种抽油机井系统效率因素分析方法
CN108536106B (zh) 一种基于卡尔曼滤波-极限学习机的曝气系统溶解氧在线调控方法
Liang et al. Coupling relations and early-warning for “equipment chain” in long-distance pipeline
KR102204724B1 (ko) 디지털 트윈 기술을 이용한 진동수주형 파력발전시스템의 제어 장치 및 방법
CN112431772A (zh) 圩垸区防汛排涝泵站群优化调度运行方法
Gan et al. Application of intelligent methods in energy efficiency enhancement of pump system: A review
CN106200381A (zh) 一种根据处理水量分阶段控制水厂运行的方法
Johnson et al. Data analytics and pump control in a wastewater treatment plant
CN116696821A (zh) 一种用于透平-压缩机组的控制系统及方法
CN116432866A (zh) 基于物联网的城市智慧排水管线安全管理方法及系统
CN102297120A (zh) 一种空压机防喘振广义预测控制系统及方法
CN115656430A (zh) 可实现油液参数在线监测与智能评估的新型润滑系统
Korovin et al. Application of neural networks for modelling centrifugal pumping units of booster pump stations for a two-phase gas-liquid mixture
CN111125867B (zh) 基于混沌粒子群的化工生产管道实时瞬态模型的建立及计算方法
CN114418212A (zh) 一种基于深度神经网络的供水泵站水泵工作频率的决策方法
CN112462708A (zh) 一种泵站远程诊断及优化调度方法及系统
CN112502896A (zh) 一种水轮机调速器接力器动作速率偏离度预警方法及系统
CN113486606B (zh) 水处理系统模型训练方法、运行方法、系统、设备和介质

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