CN113901710A - 一种离心泵运行优化控制方法 - Google Patents

一种离心泵运行优化控制方法 Download PDF

Info

Publication number
CN113901710A
CN113901710A CN202111140334.5A CN202111140334A CN113901710A CN 113901710 A CN113901710 A CN 113901710A CN 202111140334 A CN202111140334 A CN 202111140334A CN 113901710 A CN113901710 A CN 113901710A
Authority
CN
China
Prior art keywords
centrifugal pump
data
line
database
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.)
Pending
Application number
CN202111140334.5A
Other languages
English (en)
Inventor
周佩剑
周陈贵
牟介刚
罗会灿
周文强
吴登昊
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.)
China Jiliang University
Original Assignee
China Jiliang 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 China Jiliang University filed Critical China Jiliang University
Priority to CN202111140334.5A priority Critical patent/CN113901710A/zh
Publication of CN113901710A publication Critical patent/CN113901710A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/27—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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Non-Positive-Displacement Pumps (AREA)

Abstract

本发明公开了一种离心泵运行优化控制方法，包括离线计算模块和在线计算模块。所述离线计算模块，根据离心泵理论，建立离心泵系统数学模型并输出离心泵系统的离线数据，构建离线数据库A；通过实际测得的扬程、效率和流量数据，构建离线数据库B，由改进的BPNN预测模型进行修正。所述在线计算模块，当离心泵系统输出端改变，触发离心泵智能控制系统，在线查找控制率，判断是否满足状态参数阈值来进行运行调节。本发明将扬程、流量、转速储存为树状数据，结合二叉树搜索算法，快速查找不同工况下数据，实现实时监测、优化控制；建立改进的BPNN预测模型进行自身数据训练，修正离心泵因老化导致的数学模型不准确的问题。

Description

一种离心泵运行优化控制方法
技术领域
本发明涉及离心泵控制领域，具体涉及一种智能离心泵运行优化控制方法。
背景技术
随着社会的不断发展，离心泵控制系统在日常生活以及工程当中运用越来越频繁，对其要求也越来越高。为了最大程度发挥系统的控制效果，需要在实践应用过程中不断加强离心泵控制系统的优化。离心泵的自动控制系统能有效降低控制成本投入，提升安全控制。
但是，目前的离心泵自动控制系统中，其检测系统缺乏一定的时效性，离心泵的输出也是按照设计好的数据输出，无法根据离心泵的具体情况实现改变，这样对于运转当中出现突发情况的应变不足，需要一定的管理人员进行人为干预，而现实中离心泵控制系统的管理人员对于控制系统的认知不全，无法做出十分准确的判断和操作，因此不仅影响离心泵控制系统的效果，并且会浪费一定的能源。
发明内容
针对上述技术不足，本发明提供了一种能对离心泵的实时状态监测、高效优化调节的智能离心泵优化控制方法。
本发明通过以下技术方案实现：
离心泵运行优化控制方法分为两个主要模块：离线计算模块和在线计算模块。
所述离线计算模块，包括：一、根据离心泵理论，建立离心泵系统数学模型，运用所述离心泵系统数学模型，输出离心泵系统的离线数据，构建离心泵系统离线数据库A。二、通过实际所测得的扬程、效率和流量数据，建立了改进的反向传播神经网络BPNN预测模型进行自身数据训练，以构建离心泵控制系统离线数据库B。
所述在线计算模块，根据输出端改变，触发离心泵智能控制系统，结合离线数据库A以及二叉树搜索算法在线查找控制率，在运行中，判断是否满足状态参数阈值来控制离心泵系统的运行和调节。
所述离心泵运行优化控制方法，具体包括以下步骤：
步骤1.离线计算过程：
1.1：根据离心泵扬程、效率与流量的理论关系建立离心泵系统数学模型；
1.2：根据上述离心泵系统数学模型，输出离心泵工作范围内的所有流量值对应的离散点扬程Hi下的流量Qi1、Qi2以及转速n0、nm，经二叉树形结构数据梳理后，形成离线数据库A。
步骤2.在线计算过程:
2.1：读取到离心泵系统的输出端改变；
2.2：输出端改变触发离心泵智能控制系统，进入在线计算；
2.3：运用二叉树遍历算法中的先序遍历，快速寻找所需要的最优控制率，控制率对应转速；
2.4：根据控制率对输出端改变进行运行调节；
2.5：判断调节后的输出扬程、流量数据是否满足设定的状态参数阈值，若为假，则返回步骤2.2；若为真，则进入下一步；
2.6：建立离线数据库B；将离心泵系统实际输出的扬程、流量、转速数据储存于离线数据库B；
2.7：当实际输出数据中，转速数据中含有额定转速时，进入步骤3。
步骤3.建立改进的BPNN预测模型，修正离线数据库B中的数据。
具体步骤为：
3.1：确认输入层、输出层参数个数，将离线数据库B中的数据归一化，以加快BPNN预测模型的收敛能力；
3.2：确定隐含层神经元数；
3.3：搭建BPNN神经网络预测模型，对其进行训练；
3.4：将步骤2.6保存于离线数据库B中的数组随机打乱，并输入到建立好的BPNN预测模型中；
3.5：利用改进的BPNN预测模型，对离心泵进行全特性曲线预测，得到流量、扬程和转速数据，并修正离线数据库B中数据。所述修正后的离线数据库B中的数据，被用于离心泵系统的输出端再次改变时，快速寻找所需要的最优控制率。
本发明的有益效果是：
1、针对离心泵在启动时刻T0下，由于转速的变化导致0至T0时刻的数学模型与恒定转速下的数学模型不一致，本发明将扬程、流量、转速储存为树状数据，并结合二叉树搜索算法，能够快速地查找不同工况下的离心泵数据，实现离心泵的实时监测、高效优化调节。
2、建立了改进的BPNN模型进行自身数据训练，每隔设定的一段时间输出当前工况下的扬程-流量-转速的数学模型关系，能够修正离心泵因老化导致的数学模型不准确的问题。
附图说明
图1是本发明的离心泵优化控制流程图；
图2是同一扬程Hi下流量和转速的树形结构数据；
图3是扬程Hi树形结构数据。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步描述。
如图1所示，本发明的离心泵运行优化控制方法包括离线计算模块和在线计算模块。
所述离线计算模块，包括：一、根据离心泵理论，建立离心泵系统数学模型，运用所述离心泵系统数学模型，输出离心泵系统的离线数据，构建离心泵系统离线数据库A；二、通过实际所测得的扬程、效率和流量数据，建立了改进的反向传播神经网络BPNN预测模型进行自身数据训练，以构建离心泵控制系统离线数据库B。
所述在线计算模块，根据输出端改变，触发离心泵智能控制系统，结合离线数据库A以及二叉树搜索算法在线查找控制率，在运行中，判断是否满足状态参数阈值来控制离心泵系统的运行和调节。
本发明的离心泵运行优化控制方法，如图1所示，具体包括以下步骤：
步骤1：进行离心泵运行优化控制方法的离线计算：
1.1：根据离心泵扬程H、效率η与流量Q的理论关系建立离心泵系统数学模型。
优选地，根据离心泵的扬程-流量关系图，建立额定转速n0和启动时刻T0下的扬程H、流量Q的函数模型：
Figure BDA0003283646360000031
T0:H＝AQ2+BQ+C
其中：A、B、C为系数，n为任意转速，n0为额定转速，T0为离心泵开启后
Figure BDA0003283646360000041
的时刻。
优选地，根据离心泵的效率-流量关系图，建立额定转速n0下，流量Q关于效率η的函数模型：
Figure BDA0003283646360000042
其中：O、P、J为系数，n为任意转速，n0为额定转速。
优选地，根据扬程H、效率η、流量Q的关系曲线可算得离心泵的最佳工作点，并根据流量Q的不断变化，其最佳工作点的位置也在不断改变。
1.2：根据步骤1.1所示的离心泵系统数学模型，运用编程软件，输出离心泵工作范围内的所有流量Q对应的理论扬程H的一系列离散点。将离散点扬程Hi下的流量Qi1，Qi2以及转速n0，nm组成二叉树形结构数据如图2所示。
其中Hi为某一工况下的扬程，nm为任意转速，n0为额定转速，Qi2为额定转速n0下的流量，Qi1为启动时工况点发生瞬变情况下的流量。
将扬程Hi(i＝1,2,3,4,5…K)的数据存储为二叉树形结构数据，其中K为离心泵的扬程最高点序号。图3中所示，以K取7为例。当满足以下条件：
(1)若左子树不为空，则左子树上所有节点的值都小于它的根节点，即H2<H1，H4<H2，H6<H3。
(2)若右子树不为空，则右子树上所有的节点的值都大于它的根节点，即H3>H1，H5>H2，H7>H3。
经上述处理后的扬程数据、流量数据以及转速数据形成离线数据库A。
步骤2：进行离心泵运行优化控制的在线计算:
2.1：读取到离心泵系统的输出端改变。
2.2：输出端改变触发离心泵智能控制系统，进入在线计算。
2.3：运用二叉树遍历算法中的先序遍历，快速寻找所需要的最优控制率，控制率对应转速，具体如下：
设定所需搜索的扬程为Hx，使用先序遍历来遍历离线数据库A中的所有扬程数据，从根节点开始搜索，若Hx小于节点值，则在左子树中查找，若Hx大于节点值，则在右子树中查找。
2.4：根据控制率对输出端改变进行运行调节。
2.5：判断调节后的输出扬程、流量数据是否满足设定的状态参数阈值，若为假，则返回步骤2.2；若为真，则进入下一步。
2.6：在原始离线数据库A外，另外建立离线数据库B。将离心泵系统实际输出的扬程、流量、转速数据依照步骤1.2的数据处理方式处理后储存于离线数据库B。
2.7：当实际输出数据中，转速数据中含有n0时，表示离心泵已经到达额定转速，此时进入步骤3。
步骤3：建立改进的BPNN预测模型，并保存于所述离线数据库B。
3.1：确认输入层、输出层参数个数，将离线数据库B中的数据归一化，以加快BPNN预测模型的收敛能力，公式如下：
Figure BDA0003283646360000051
式中，x1为归一化后的数据，x为训练集中的数据，xmin为训练集中最小数值，xmax为训练集中最大数值。
3.2：确定隐含层神经元数，公式如下：
Figure BDA0003283646360000052
式中，n是输入层的神经元数；m是输出层的神经元数；a是一个从1到10的常数；p是隐藏层的神经元数。
3.3：搭建BPNN神经网络预测模型，对其进行训练，具体计算步骤如下：
(1)选取sigmod激活函数，隐含层各神经元输入为：
Figure BDA0003283646360000053
式中，x2为输出层输出数据，a1为隐含层神经元的激活阈值，wij为输入层与隐含层连接的权值，i为输入层的神经元，j为隐含层的神经元。
(2)隐含层的各个神经元的输出为：
yj＝f(Sj)
(3)输出层的各个神经元的输出为：
Figure BDA0003283646360000061
式中，a2为输出层神经元的激活阈值，wjk为隐含层与输出层之间的权值，j为隐含层的神经元，k分别为输出层的神经元。
(4)计算输出误差tk：
Figure BDA0003283646360000062
式中，Zk为训练期间第k个神经元实际输出，
Figure BDA0003283646360000063
为第k个神经元期望输出。
(5)采用优化算法更新各个权值阈值，以加快BPNN模型收敛速度，步骤如下：
计算动量的速度：
v＝βv+(1-β)ds
其中，v是用指数加权平均计算出来的梯度，β为梯度累积的一个指数，ds是关于s的原始梯度，更新参数s：s＝s-αv，其中α为学习率。
3.4：将步骤2.6保存于离线数据库B中的数组随机打乱，并输入到建立好的BPNN预测模型中。
3.5：利用改进的BPNN预测模型，对离心泵进行全特性曲线预测，得到流量、扬程和转速数据，并修正离线数据库B中数据。
当输出端再次改变触发离心泵智能控制系统，进入在线计算时，运用二叉树遍历算法中的先序遍历，在离线数据库B中快速寻找所需要的最优控制率。
最优地，所述的离心泵运行优化控制方法在线采集离心泵的实时扬程、转速和流量数据。
最优地，所述的离心泵运行优化控制方法对实时数据进行监测以及在线分析。
最优地，所述的根据控制率对离心泵进行运行调节，主要通过调节离心泵叶轮的转速来实现扬程和效率调节。
最优地，所述的对离心泵进行运行调节还需考虑到一些外部因素对实际运行时的影响，例如振动、噪音等。
最优地，离心泵运行优化控制方法具有自我学习功能，将输出实际数据替换离线计算数据库中的理论数据，随着离线数据库中数据量的增多，再通过改进的反向传播神经网络(BPNN)进行自身数据训练，修正离线数据库中的扬程、流量、转速数据，从而不断提高数据库的准确性。
本发明所述的离心泵运行优化控制方法能实现离心泵的实时监测、高效优化调节。
本实施例所述的内容仅仅是对本发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (3)

1.一种离心泵运行优化控制方法，包括离线计算模块和在线计算模块，其特征在于：
所述离线计算模块，包括：一、根据离心泵理论，建立离心泵系统数学模型，运用所述离心泵系统数学模型，输出离心泵系统的离线数据，构建离心泵系统离线数据库A；二、通过实际所测得的扬程、效率和流量数据，建立了改进的反向传播神经网络BPNN预测模型进行自身数据训练，以构建离心泵控制系统离线数据库B；
所述在线计算模块，根据离心泵系统的输出端改变，触发离心泵智能控制系统，结合离线数据库A以及二叉树搜索算法在线查找控制率，在运行中，判断是否满足状态参数阈值来控制离心泵系统的运行和调节；
具体包括以下步骤：
步骤1.离线计算过程：
1.1：根据离心泵扬程、效率与流量的理论关系建立离心泵系统数学模型；
1.2：根据上述离心泵系统数学模型，输出离心泵工作范围内的所有流量值对应的离散点扬程Hi下的流量Qi1、Qi2以及转速n0、nm，经二叉树形结构数据梳理后，形成离线数据库A；
步骤2.在线计算过程:
2.1：读取到离心泵系统的输出端改变；
2.2：输出端改变触发离心泵智能控制系统，进入在线计算；
2.3：运用二叉树遍历算法中的先序遍历，快速寻找所需要的最优控制率，控制率对应转速；
2.4：根据控制率对输出端改变进行运行调节；
2.5：判断调节后的输出扬程、流量数据是否满足设定的状态参数阈值，若为假，则返回步骤2.2；若为真，则进入下一步；
2.6：建立离线数据库B；将离心泵系统实际输出的扬程、流量、转速数据储存于离线数据库B；
2.7：当实际输出数据中，转速数据中含有额定转速时，进入步骤3；
步骤3.建立改进的BPNN预测模型，修正离线数据库B中的数据；所述修正后的离线数据库B中的数据，被用于输出端再次改变时在线查找控制率。
2.根据权利要求1所述的一种离心泵运行优化控制方法，其特征在于：
所述步骤3，具体为：
3.1：确认输入层、输出层参数个数，将离线数据库B中的数据归一化，以加快BPNN预测模型的收敛能力；
3.2：确定隐含层神经元数；
3.3：搭建BPNN神经网络模型，对其进行训练；
3.4：将步骤2.6保存于离线数据库B中的数组随机打乱，并输入到建立好的BPNN预测模型中；
3.5：利用改进的BPNN预测模型，对离心泵进行全特性曲线预测，得到流量、扬程和转速数据，并修正离线数据库B中数据。
3.根据权利要求1所述的一种离心泵运行优化控制方法，其特征在于：
所述步骤2.4中根据控制率对离心泵进行运行调节，是通过调节离心泵叶轮的转速对扬程和流量进行调节。
CN202111140334.5A 2021-09-28 2021-09-28 一种离心泵运行优化控制方法 Pending CN113901710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111140334.5A CN113901710A (zh) 2021-09-28 2021-09-28 一种离心泵运行优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111140334.5A CN113901710A (zh) 2021-09-28 2021-09-28 一种离心泵运行优化控制方法

Publications (1)

Publication Number Publication Date
CN113901710A true CN113901710A (zh) 2022-01-07

Family

ID=79029797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111140334.5A Pending CN113901710A (zh) 2021-09-28 2021-09-28 一种离心泵运行优化控制方法

Country Status (1)

Country Link
CN (1) CN113901710A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925481A (zh) * 2022-06-30 2022-08-19 江苏大学 一种基于能效指标的水力模型库离心泵性能提升方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114925481A (zh) * 2022-06-30 2022-08-19 江苏大学 一种基于能效指标的水力模型库离心泵性能提升方法

Similar Documents

Publication Publication Date Title
CN115016276B (zh) 智能水分调节与环境参数物联网大数据系统
CN110910277A (zh) 一种基于XGBoost的水泥磨系统电耗指标预测方法
CN113675863B (zh) 一种基于数字孪生的微电网频率二次协同控制方法
CN112529683A (zh) 一种基于cs-pnn的客户信贷风险的评估方法及系统
CN110414748B (zh) 光伏功率预测方法
CN113901710A (zh) 一种离心泵运行优化控制方法
CN115425680A (zh) 一种多能源联合发电系统的功率预测模型构建及预测方法
CN112766608A (zh) 一种基于极限学习机的水泥磨系统电耗指标预测方法
CN109886488B (zh) 考虑风速时滞性的分散式风电场分层混合短期预测方法
CN112819224B (zh) 基于深度学习融合模型的机组出力预测及置信评估方法
Caihong et al. A study on quality prediction for smart manufacturing based on the optimized BP-AdaBoost model
CN113326968A (zh) 基于调整pso惯性权重的母线短期负荷预测方法及装置
CN115794405A (zh) 一种基于SSA-XGboost算法的大数据处理框架的动态资源分配方法
CN109993271A (zh) 基于博弈理论的灰色神经网络预测方法
Wong et al. Control chart pattern identification using a synergy between neural networks and bees algorithm
CN113111588B (zh) 一种燃气轮机nox排放浓度预测方法及装置
EP1056042A2 (en) An online type of optimization control method and an optimization control device
CN111859780A (zh) 一种微电网运行优化方法和系统
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
CN112615364A (zh) 一种新型的电网稳控装置广域智能协同控制方法
CN113128754A (zh) 一种基于gru神经网络的居民用水预测系统及预测方法
CN112215849B (zh) 一种基于色彩空间的图像无监督分割优化方法
CN117674069A (zh) 火电厂机组一次调频性能在线评价方法及系统
Yang et al. Improving self-organizing recursive fuzzy neural network’s performance with Boston matrix
CN116131354A (zh) 基于风电出力概率约束的电力系统调度方法

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