CN117056846A - 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 - Google Patents
一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 Download PDFInfo
- Publication number
- CN117056846A CN117056846A CN202311292669.8A CN202311292669A CN117056846A CN 117056846 A CN117056846 A CN 117056846A CN 202311292669 A CN202311292669 A CN 202311292669A CN 117056846 A CN117056846 A CN 117056846A
- Authority
- CN
- China
- Prior art keywords
- pressure
- axial flow
- flow pump
- impeller
- point
- 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.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 140
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 238000012544 monitoring process Methods 0.000 claims abstract description 98
- 238000009530 blood pressure measurement Methods 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000010365 information processing Effects 0.000 claims description 12
- 239000007788 liquid Substances 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 8
- 239000000470 constituent Substances 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 abstract description 5
- 238000005260 corrosion Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L11/00—Measuring steady or quasi-steady pressure of a fluid or a fluent solid material by means not provided for in group G01L7/00 or G01L9/00
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Game Theory and Decision Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种基于人工智能的轴流泵转子运行稳定性预测系统及方法,涉及水利工程技术领域,其包括确认轴流泵叶轮的模型压力检测区间;获取实际轴流泵压力检测点检测的实际压力检测数据,若实际压力检测数据未处于模型压力检测区间,则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时压力待测点的压力数据,通过压力数据与轴流泵物理模型监测的模型压力数据对比确认异常压力数据;基于异常压力数据确认异常压力监测点,基于异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于轴流泵叶轮裂纹走向信息进行维修。本申请具有减少轴流泵叶轮因腐蚀而影响轴流泵稳定运行的情况发生的效果。
Description
技术领域
本申请涉及水利工程技术领域,尤其是涉及一种基于人工智能的轴流泵转子运行稳定性预测系统及方法。
背景技术
轴流泵在我国社会发展的多个领域发挥着重要作用,中小型轴流泵主要用于农田排灌,大型轴流泵用于防洪排涝;在水利建设、化学工业等方面,均被广泛采用,目前轴流泵在水力机械运行过程中,普遍存在着不同程度的流激振动现象,容易导致疲劳破坏甚至产生裂痕,影响水力机械的安全稳定运行。其中,轴流泵转子主要包括叶轮,叶轮的完整程度直接影响轴流泵的工作效率。
相关技术中,在轴流泵工作中,当吸入的水反复作用在叶轮表面,导致叶轮材料表面腐蚀产生裂纹,但无法确认轴流泵叶轮裂纹的走向信息,并基于叶轮裂纹的走向信息进行维修,久而久之,腐蚀越来越严重,影响了轴流泵的稳定运行,存在待改进之处。
发明内容
为了减少轴流泵叶轮因裂纹腐蚀而影响轴流泵稳定运行的情况发生,本申请提供一种基于人工智能的轴流泵转子运行稳定性预测系统及方法。
第一方面,本申请提供一种基于人工智能的轴流泵转子运行稳定性预测方法,采用如下的技术方案:
一种基于人工智能的轴流泵转子运行稳定性预测方法,包括以下步骤:
确认轴流泵叶轮的基础数据信息,基于所述轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型,在所述轴流泵物理模型的轴流泵内壁均匀设置多个压力检测点,多个所述压力检测点位于轴流泵叶轮上侧且共面;
获取轴流泵叶轮在不同转速下多个所述压力检测点的模型压力检测数据,重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
获取实际轴流泵内壁的多个压力检测点检测的实际压力检测数据,所述实际轴流泵内壁的多个压力检测点与轴流泵物理模型的压力检测点位置一致,并判断实际压力检测数据是否处于模型压力检测区间;
若实际压力检测数据未处于模型压力检测区间时,则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时所述压力待测点的压力数据,通过所述压力数据与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据;
基于所述异常压力数据确认异常压力监测点,基于所述异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于所述轴流泵叶轮裂纹走向信息进行维修。
通过采用上述技术方案,借助轴流泵物理模型内设置的多个压力检测点确认模型压力检测数据,通过多次检测,进而确认轴流泵叶轮正常工作状态下的模型压力检测区间,获取实际轴流泵相同位置的实际压力检测数据,若实际压力检测数据未处于模型压力检测区间时,则获取轴流泵叶轮上各个压力待测点的压力数据,通过与轴流泵物理模型监测的模型压力数据对比确认异常压力数据,基于异常压力数据确认异常压力监测点,进而确认所述异常压力监测点的深度信息和排列信息,从而对轴流泵叶轮裂纹走向信息进行预测,进而有效的对轴流泵叶轮的裂纹进行维修,从而有效的减少了轴流泵叶轮因裂纹腐蚀而影响轴流泵稳定运行的情况发生。
优选的,所述则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时所述压力待测点的压力数据,通过所述压力数据与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据,包括以下步骤:
基于轴流泵叶轮表面受到水压力的情况不同,将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
在所述轴流泵叶轮轴承座设有P0压力待测点,并在所述第一压力区域、所述第二压力区域和所述第三压力区域内均线性设有P1,P2…Pi压力待测点,其中,第一压力区域内的压力待测点为P11,P12…P1i,第二压力区域内的压力待测点为P21,P22…P2i,第三压力区域内的压力待测点为P31,P32…P3i;
确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据,基于所述压力数据与所述轴流泵物理模型检测的模型压力数据对比,确认异常压力数据。
优选的,所述确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据根据下述公式确认:
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距。
优选的,所述基于所述异常压力数据确认异常压力监测点,基于所述异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于所述轴流泵叶轮裂纹走向信息进行维修,具体还包括:
获取所述异常压力数据对应的异常压力监测点,并确认所述异常压力监测点的数量;
若所述异常压力监测点有且仅有1个或所述异常压力监测点有多个且多个异常压力监测点呈随机分布时,则只需对所述异常压力监测点所处的轴流泵叶轮位置进行维修;
若所述异常压力监测点有多个时,则判断所述多个异常压力监测点是否呈线性排列,且当多个异常压力监测点呈线性排列时,则基于所述线性排列确认排列轴向,并基于所述排列轴向对轴流泵叶轮裂纹走向信息进行预测。
优选的,所述当多个异常压力监测点呈线性排列时,则基于所述线性排列确认排列轴向,并基于所述排列轴向对轴流泵叶轮裂纹走向信息进行预测,具体还包括:
若所述异常压力监测点的排列轴向位于轴流泵叶轮内,则基于第一维修方式对所述轴流泵叶轮进行维修;所述第一维修方式设置为对轴流泵叶轮进行焊补;
若所述异常压力监测点的排列轴向将轴流泵叶轮沿排列轴向分割,且分割线贯穿轴流泵叶轮两端,则基于第二维修方式对所述轴流泵叶轮进行维修,所述第二维修方式设置为更换轴流泵叶轮。
优选的,若P0压力待测点和P31压力待测点之间存在所述异常压力监测点时,则获取所述轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点,并基于所述轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点确认异常类型。
优选的,所述对于异常压力监测点,还包括:确认所述异常压力监测点的异常压力数据与所述轴流泵物理模型的压力监测点的模型压力数据的压力比值,并基于所述压力比值确认所述异常压力监测点的裂纹深度。
第二方面,本申请提供一种基于人工智能的轴流泵转子运行稳定性预测系统,采用如下的技术方案:
一种基于人工智能的轴流泵转子运行稳定性预测系统,包括建模模块、压力获取模块、信息处理模块和预测确认模块,所述建模模块、所述压力获取模块、所述信息处理模块和所述预测确认模块之间信号连接;
所述建模模块,用于基于轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型;
所述压力获取模块设置为多个压力检测点用于获取轴流泵叶轮工作状态下轴流泵内壁的实际压力检测数据;
所述信息处理模块,用于对所述轴流泵叶轮划分为不同的压力区域,并对每个所述压力区域进行压力检测;
所述预测确认模块,用于确认各个所述异常压力监测点间的排列关系,并基于所述异常压力监测点间的排列关系对叶轮裂纹的走向进行预测。
优选的,所述压力获取模块包括模型压力检测数据获取单元、模型压力检测区间获取单元和实际压力检测数据获取单元;
所述模型压力检测数据获取单元基于设置在轴流泵物理模型的轴流泵内壁设置多个压力检测点检测轴流泵叶轮在工作状态下各个压力检测点检测到的模型压力检测数据;
所述模型压力检测区间获取单元用于重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
所述实际压力检测数据获取单元基于与轴流泵物理模型设置于同一位置的多个压力检测点检测的实际压力检测数据
优选的,所述信息处理模块包括压力区域划分单元、压力待测点划分单元、压力监测结果计算单元和压力监测点分类单元;
所述压力区域划分单元是基于轴流泵叶轮表面受到水压力的情况不同将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
所述压力待测点划分单元包括轴承座待测点子单元和叶轮待测点子单元;所述轴承座待测点子单元设置为P0压力待测点,所述P0压力待测点位于轴流泵叶轮轴承座表面;所述叶轮待测点子单元包括P1,P2…Pi压力待测点,其中,所述P1,P2…Pi压力待测点在叶轮中线性排列;
所述压力监测结果计算单元用于计算各个压力待测点的压力值,包括:
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距;
所述压力监测点分类单元用于通过与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据,并基于所述异常压力数据确认异常压力监测点。
综上所述,本申请包括以下至少一种有益技术效果:
借助轴流泵物理模型内设置的多个压力检测点确认模型压力检测数据,通过多次检测,进而确认轴流泵叶轮正常工作状态下的模型压力检测区间,获取实际轴流泵相同位置的实际压力检测数据,若实际压力检测数据未处于模型压力检测区间时,则获取轴流泵叶轮上各个压力待测点的压力数据,通过与轴流泵物理模型监测的模型压力数据对比确认异常压力数据,基于异常压力数据确认异常压力监测点,进而确认所述异常压力监测点的深度信息和排列信息,从而对轴流泵叶轮裂纹走向信息进行预测,进而有效的对轴流泵叶轮的裂纹进行维修,从而有效的减少了轴流泵叶轮因裂纹腐蚀而影响轴流泵稳定运行的情况发生;
借助P0压力待测点和P1,P2…Pi压力待测点的设置,其中,第三压力区域内的压力待测点为P31,P32…P3i,第三压力区域与叶轮轴承座相连接,当P0压力待测点与P31压力待测点之间的压力数据存在异常时,则预测轴承座与叶轮之间的连接存在异常;若P1,P2…Pi压力待测点中,有连续的压力待测点存在异常,则预测多个异常压力待测点所处的叶轮位置可能发生断裂,可以基于P0压力待测点和P1,P2…Pi压力待测点之间对压力数据的判断,进而对轴流泵叶轮裂纹的走向信息进行预测,从而基于预测结果对轴流泵叶轮进行精准维修,从而有效的减少了轴流泵叶轮因裂纹腐蚀而影响轴流泵稳定运行的情况发生;
3.借助异常压力监测点的异常压力数据与轴流泵物理模型的压力监测点的模型压力数据进行比对,确认叶轮同一位置异常压力数据与模型压力数据的压力比值,进而基于所述压力比值确认异常压力监测点的裂纹深度,进而基于所述裂纹深度对轴流泵叶轮进行维修,从而有效的提高了叶轮的稳定性。
附图说明
图1是本申请实施例基于人工智能的轴流泵转子运行稳定性预测方法步骤的示意图。
图2是本申请实施例S4步骤子步骤的示意图。
图3是本申请实施例S5步骤子步骤的示意图。
图4是本申请实施例S53步骤子步骤的示意图。
图5是本申请实施例轴流泵叶轮的压力待测点示意图。
图6是本申请实施例轴流泵叶轮的压力待测点的局部放大图。
图7是本申请实施例基于人工智能的轴流泵转子运行稳定性预测系统的流程图。
附图标记说明:1、建模模块;2、压力获取模块;3、信息处理模块;4、预测确认模块。
具体实施方式
以下结合附图1-7对本申请作进一步详细说明。
本申请实施例公开一种基于人工智能的轴流泵转子运行稳定性预测方法。
实施例
参照图1,一种基于人工智能的轴流泵转子运行稳定性预测方法,包括以下步骤:
S1.确认轴流泵叶轮的基础数据信息,基于轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型,在轴流泵物理模型的轴流泵内壁均匀设置多个压力检测点,多个压力检测点位于轴流泵叶轮上侧且共面;
S2.获取轴流泵叶轮在不同转速下多个压力检测点的模型压力检测数据,重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
S3.获取实际轴流泵内壁的多个压力检测点检测的实际压力检测数据,实际轴流泵内壁的多个压力检测点与轴流泵物理模型的压力检测点位置一致,并判断实际压力检测数据是否处于模型压力检测区间;
S4.若实际压力检测数据未处于模型压力检测区间时,则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时压力待测点的压力数据,通过压力数据与轴流泵物理模型监测的模型压力数据对比确认异常压力数据;
S5.基于异常压力数据确认异常压力监测点,基于异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于轴流泵叶轮裂纹走向信息进行维修。
参照图2,具体的,S4步骤包括以下子步骤:
S41.基于轴流泵叶轮表面受到水压力的情况不同,将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
S42.在轴流泵叶轮轴承座设有P0压力待测点,并在第一压力区域、第二压力区域和第三压力区域内均线性设有P1,P2…Pi压力待测点,其中,第一压力区域内的压力待测点为P11,P12…P1i,第二压力区域内的压力待测点为P21,P22…P2i,第三压力区域内的压力待测点为P31,P32…P3i;
S43.确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据,基于压力数据与轴流泵物理模型检测的模型压力数据对比,确认异常压力数据。
参照图5-6,具体的,根据轴流泵叶轮表面受到水压力的情况不同,对轴流泵叶轮表面压力待测点设置的密度也有所不同,其中,由于叶轮边翼尖点在叶轮旋转的过程中受到的水压力最大,因此针对叶轮根部点、叶轮中部翼尖点和叶轮边翼尖点的压力待测点密度依次增大,方便更准确的对轴流泵叶轮受到压力进行检测,其中,轴流泵物理模型可以检测在正常工作状态下,轴流泵叶轮各个位置的模型压力数据。
进一步的,确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据根据下述公式确认:
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距。
参照图3,具体的,S5步骤包括以下子步骤:
S51.获取异常压力数据对应的异常压力监测点,并确认异常压力监测点的数量;
S52.若异常压力监测点有且仅有1个或异常压力监测点有多个且多个异常压力监测点呈随机分布时,则只需对异常压力监测点所处的轴流泵叶轮位置进行维修,其中,随机分布设置为多个异常雅丽检测点之间存在其他正常压力监测点;
S53.若异常压力监测点有多个时,则判断多个异常压力监测点是否呈线性排列,且当多个异常压力监测点呈线性排列时,则基于线性排列确认排列轴向,并基于排列轴向对轴流泵叶轮裂纹走向信息进行预测。
参照图5-6,具体的,当异常压力监测点只有一个时,则只需对异常压力监测点所处的轴流泵叶轮位置进行维修;当异常压力检测点有多个且随机分布时,示例性的,当只有P33、P25和P18压力待测点异常时,P33、P25和P18压力待测点之间存在其他的压力待测点且其他的压力待测点均为异常,则只需对P33、P25和P18压力待测点所对应的轴流泵叶轮位置进行维修。
当P0压力待测点与其中一个叶轮的P31、P34之间的压力数据存在异常时,则可以预测轴流泵叶轮轴承座和上述叶轮之间连接存在异常,若P0压力待测点与其他叶轮的P31、P34之间的压力数据均存在异常,则可以预测轴流泵叶轮轴承座和异常叶轮之间存在连接问题;若P0压力待测点与其他叶轮的P31、P34之间的压力数据均未存在异常,则可以预测轴流泵叶轮轴承座和异常叶轮之间的转子存在问题。
当多个异常压力监测点呈线性排列时,示例性的,当P24、P25和P26压力待测点存在异常时,由于P24、P25和P26压力待测点是线性连续排列,则可以预测从P24压力待测点至P26压力待测点所对应的叶轮位置均存在裂纹,然后通过获取P24压力待测点至P26压力待测点所对应叶轮位置另一侧位置对应的压力待测点,通过获取P24压力待测点至P26压力待测点所对应叶轮位置两侧的裂纹情况,进而确认上述裂纹的深度,当上述裂纹的深度超出第一预设阈值时,则基于上述裂纹的深度对裂纹进行维修。
示例性的,当P12、P15和P18压力待测点存在异常时,由于P12、P15和P18压力待测点将轴流泵叶轮纵向隔断,则可以预测轴流泵叶轮P12、P15和P18压力待测点所对应的叶轮位置右侧可以发生断裂,因此需及时更换新的叶轮。
示例性的,还包括当P34、P33、P25和P26压力待测点均存在异常时,由于P34、P33、P25和P26压力待测点处于线性排列位置且P24压力待测点未有异常,则需对P24压力待测点的压力数据进行二次检测,判断P24压力待测点的压力数据是否准确,当P24压力待测点的压力数据准确时,则只需对P34、P33和P25、P26压力待测点分别维修,当P24压力待测点的压力数据存在异常时,则基于P34、P33、P24、P25和P26压力待测点对应的叶轮位置进行判断,若上述叶轮位置对叶轮进行两侧的隔断分割,则需更换轴流泵叶轮。
进一步的,对于异常压力监测点,还包括:确认异常压力监测点的异常压力数据与轴流泵物理模型的压力监测点的模型压力数据的压力比值,并基于压力比值确认异常压力监测点的裂纹深度。
示例性的,当P24压力待测点的压力数据存在异常时,则需获取P24压力待测点对应的叶轮位置,并基于叶轮位置确认在轴流泵物理模型中上述位置对应的模型压力数据,进而确认压力比值,通过压力比值与裂纹深度的预设关系,进而确认裂纹的深度,进一步的,仍需获取P24压力待测点对应叶轮位置的另一侧,确认另一侧的裂纹情况,当两侧裂纹深度的和超出第二预设阈值时,则需对叶轮进行更换,其中,上述压力比值与裂纹深度的预设关系设置为,当压力比值为[1,0.9)时,则压力待测点未存在异常;当压力比值为[0.9,0.8)时,则裂纹深度为1mm;当压力比值为[0.8,0.7)时,则裂纹深度为2mm,以此类推,当压力比值为0时,则叶轮位置为中空,需及时更换。
参照图4,具体的,S53步骤包括以下子步骤:
S531.若异常压力监测点的排列轴向位于轴流泵叶轮内,则基于第一维修方式对轴流泵叶轮进行维修;第一维修方式设置为对轴流泵叶轮进行焊补;
S532.若异常压力监测点的排列轴向将轴流泵叶轮沿排列轴向分割,且分割线贯穿轴流泵叶轮两端,则基于第二维修方式对轴流泵叶轮进行维修,第二维修方式设置为更换轴流泵叶轮。
进一步的,还包括,若P0压力待测点和P31压力待测点之间存在异常压力监测点时,则获取轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点,并基于轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点确认异常类型。
参照图7,本申请实施例还公开一种基于人工智能的轴流泵转子运行稳定性预测系统。
一种基于人工智能的轴流泵转子运行稳定性预测系统,包括建模模块1、压力获取模块2、信息处理模块3和预测确认模块4,建模模块1、压力获取模块2、信息处理模块3和预测确认模块4之间信号连接;
建模模块1,用于基于轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型;
压力获取模块2包括模型压力检测数据获取单元、模型压力检测区间获取单元和实际压力检测数据获取单元;
模型压力检测数据获取单元基于设置在轴流泵物理模型的轴流泵内壁设置多个压力检测点检测轴流泵叶轮在工作状态下各个压力检测点检测到的模型压力检测数据;
模型压力检测区间获取单元用于重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
实际压力检测数据获取单元基于与轴流泵物理模型设置于同一位置的多个压力检测点检测的实际压力检测数据;
信息处理模块3包括压力区域划分单元、压力待测点划分单元、压力监测结果计算单元和压力监测点分类单元;
压力区域划分单元是基于轴流泵叶轮表面受到水压力的情况不同将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
压力待测点划分单元包括轴承座待测点子单元和叶轮待测点子单元;轴承座待测点子单元设置为P0压力待测点,P0压力待测点位于轴流泵叶轮轴承座表面;叶轮待测点子单元包括P1,P2…Pi压力待测点,其中,P1,P2…Pi压力待测点在叶轮中线性排列;
压力监测结果计算单元用于计算各个压力待测点的压力值,包括:
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距;
压力监测点分类单元用于通过与轴流泵物理模型监测的模型压力数据对比确认异常压力数据,并基于异常压力数据确认异常压力监测点;
预测确认模块4,用于确认各个异常压力监测点间的排列关系,并基于异常压力监测点间的排列关系对叶轮裂纹的走向进行预测。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:包括以下步骤:
确认轴流泵叶轮的基础数据信息,基于所述轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型,在所述轴流泵物理模型的轴流泵内壁均匀设置多个压力检测点,多个所述压力检测点位于轴流泵叶轮上侧且共面;
获取轴流泵叶轮在不同转速下多个所述压力检测点的模型压力检测数据,重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
获取实际轴流泵内壁的多个压力检测点检测的实际压力检测数据,所述实际轴流泵内壁的多个压力检测点与轴流泵物理模型的压力检测点位置一致,并判断实际压力检测数据是否处于模型压力检测区间;
若实际压力检测数据未处于模型压力检测区间时,则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时所述压力待测点的压力数据,通过所述压力数据与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据;
基于所述异常压力数据确认异常压力监测点,基于所述异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于所述轴流泵叶轮裂纹走向信息进行维修。
2.根据权利要求1所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:所述则将轴流泵叶轮划分为不同的压力区域,对每个压力区间均匀设置i个压力待测点,获取当轴流泵叶轮处于工作状态时所述压力待测点的压力数据,通过所述压力数据与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据,包括以下步骤:
基于轴流泵叶轮表面受到水压力的情况不同,将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
在所述轴流泵叶轮轴承座设有P0压力待测点,并在所述第一压力区域、所述第二压力区域和所述第三压力区域内均线性设有P1,P2…Pi压力待测点,其中,第一压力区域内的压力待测点为P11,P12…P1i,第二压力区域内的压力待测点为P21,P22…P2i,第三压力区域内的压力待测点为P31,P32…P3i;
确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据,基于所述压力数据与所述轴流泵物理模型检测的模型压力数据对比,确认异常压力数据。
3.根据权利要求2所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:所述确认P0压力待测点和每个压力区域内的i个压力待测点的压力数据根据下述公式确认:
,
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距。
4.根据权利要求3所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:所述基于所述异常压力数据确认异常压力监测点,基于所述异常压力监测点预测轴流泵叶轮裂纹走向信息,并基于所述轴流泵叶轮裂纹走向信息进行维修,具体还包括:
获取所述异常压力数据对应的异常压力监测点,并确认所述异常压力监测点的数量;
若所述异常压力监测点有且仅有1个或所述异常压力监测点有多个且多个异常压力监测点呈随机分布时,则只需对所述异常压力监测点所处的轴流泵叶轮位置进行维修;
若所述异常压力监测点有多个时,则判断所述多个异常压力监测点是否呈线性排列,且当多个异常压力监测点呈线性排列时,则基于所述线性排列确认排列轴向,并基于所述排列轴向对轴流泵叶轮裂纹走向信息进行预测。
5.根据权利要求4所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:所述当多个异常压力监测点呈线性排列时,则基于所述线性排列确认排列轴向,并基于所述排列轴向对轴流泵叶轮裂纹走向信息进行预测,具体还包括:
若所述异常压力监测点的排列轴向位于轴流泵叶轮内,则基于第一维修方式对所述轴流泵叶轮进行维修;所述第一维修方式设置为对轴流泵叶轮进行焊补;
若所述异常压力监测点的排列轴向将轴流泵叶轮沿排列轴向分割,且分割线贯穿轴流泵叶轮两端,则基于第二维修方式对所述轴流泵叶轮进行维修,所述第二维修方式设置为更换轴流泵叶轮。
6.根据权利要求5所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于,具体还包括:
若P0压力待测点和P31压力待测点之间存在所述异常压力监测点时,则获取所述轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点,并基于所述轴流泵其他叶轮P0压力待测点和P31压力待测点是否存在异常压力监测点确认异常类型。
7.根据权利要求6所述的一种基于人工智能的轴流泵转子运行稳定性预测方法,其特征在于:所述对于异常压力监测点,还包括:
确认所述异常压力监测点的异常压力数据与所述轴流泵物理模型的压力监测点的模型压力数据的压力比值,并基于所述压力比值确认所述异常压力监测点的裂纹深度。
8.一种基于人工智能的轴流泵转子运行稳定性预测系统,其特征在于:包括建模模块(1)、压力获取模块(2)、信息处理模块(3)和预测确认模块(4),所述建模模块(1)、所述压力获取模块(2)、所述信息处理模块(3)和所述预测确认模块(4)之间信号连接;
所述建模模块(1),用于基于轴流泵基础数据信息对轴流泵的构成部件建立轴流泵物理模型;
所述压力获取模块(2)设置为多个压力检测点用于获取轴流泵叶轮工作状态下轴流泵内壁的实际压力检测数据;
所述信息处理模块(3),用于对所述轴流泵叶轮划分为不同的压力区域,并对每个所述压力区域进行压力检测;
所述预测确认模块(4),用于确认各个所述异常压力监测点间的排列关系,并基于所述异常压力监测点间的排列关系对叶轮裂纹的走向进行预测。
9.根据权利要求8所述的一种基于人工智能的轴流泵转子运行稳定性预测系统,其特征在于:所述压力获取模块(2)包括模型压力检测数据获取单元、模型压力检测区间获取单元和实际压力检测数据获取单元;
所述模型压力检测数据获取单元基于设置在轴流泵物理模型的轴流泵内壁设置多个压力检测点检测轴流泵叶轮在工作状态下各个压力检测点检测到的模型压力检测数据;
所述模型压力检测区间获取单元用于重复多次检测,确认轴流泵叶轮正常工作状态下的模型压力检测区间;
所述实际压力检测数据获取单元基于与轴流泵物理模型设置于同一位置的多个压力检测点检测的实际压力检测数据。
10.根据权利要求8所述的一种基于人工智能的轴流泵转子运行稳定性预测系统,其特征在于:所述信息处理模块(3)包括压力区域划分单元、压力待测点划分单元、压力监测结果计算单元和压力监测点分类单元;
所述压力区域划分单元是基于轴流泵叶轮表面受到水压力的情况不同将轴流泵叶轮划分为第一压力区域、第二压力区域和第三压力区域,其中,第一压力区域设置为轴流泵叶轮边翼尖点,第二压力区域设置为轴流泵叶轮中部翼尖点,第三压力区域设置为轴流泵叶轮根部点;
所述压力待测点划分单元包括轴承座待测点子单元和叶轮待测点子单元;所述轴承座待测点子单元设置为P0压力待测点,所述P0压力待测点位于轴流泵叶轮轴承座表面;所述叶轮待测点子单元包括P1,P2…Pi压力待测点,其中,所述P1,P2…Pi压力待测点在叶轮中线性排列;
所述压力监测结果计算单元用于计算各个压力待测点的压力值,包括:
,
其中,Pn为第n个压力待测点实际压力值,ρ为液体密度,Q为液体流量,π为圆周率,d为压力待测点的直径,H为轴流泵高度,hn为第n个压力待测点与出水口的间距;
所述压力监测点分类单元用于通过与所述轴流泵物理模型监测的模型压力数据对比确认异常压力数据,并基于所述异常压力数据确认异常压力监测点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292669.8A CN117056846B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311292669.8A CN117056846B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117056846A true CN117056846A (zh) | 2023-11-14 |
CN117056846B CN117056846B (zh) | 2023-12-22 |
Family
ID=88653895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311292669.8A Active CN117056846B (zh) | 2023-10-08 | 2023-10-08 | 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117056846B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106777783A (zh) * | 2017-01-11 | 2017-05-31 | 东北大学 | 一种航空发动机叶片裂纹预测方法 |
CN107844668A (zh) * | 2017-11-29 | 2018-03-27 | 扬州大学 | 一种基于泵装置的轴流泵疲劳可靠性的分析方法 |
US20190101908A1 (en) * | 2016-05-04 | 2019-04-04 | Doosan Heavy Industries & Construction Co., Ltd. | Plant abnormality detection method and system |
CN109751173A (zh) * | 2019-01-16 | 2019-05-14 | 哈尔滨理工大学 | 基于概率神经网络的水轮机运行故障诊断方法 |
US20200132453A1 (en) * | 2018-10-28 | 2020-04-30 | National Chiao Tung University | Pressure assisted positioning method and device thereof |
CN112818475A (zh) * | 2020-12-31 | 2021-05-18 | 广西科技大学 | 一种水轮机转轮叶片动水压力分析方法 |
CN116541678A (zh) * | 2023-06-30 | 2023-08-04 | 深圳市秒加能源科技有限公司 | 一种气站安全管道压力监测方法、装置 |
-
2023
- 2023-10-08 CN CN202311292669.8A patent/CN117056846B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190101908A1 (en) * | 2016-05-04 | 2019-04-04 | Doosan Heavy Industries & Construction Co., Ltd. | Plant abnormality detection method and system |
CN106777783A (zh) * | 2017-01-11 | 2017-05-31 | 东北大学 | 一种航空发动机叶片裂纹预测方法 |
CN107844668A (zh) * | 2017-11-29 | 2018-03-27 | 扬州大学 | 一种基于泵装置的轴流泵疲劳可靠性的分析方法 |
US20200132453A1 (en) * | 2018-10-28 | 2020-04-30 | National Chiao Tung University | Pressure assisted positioning method and device thereof |
CN109751173A (zh) * | 2019-01-16 | 2019-05-14 | 哈尔滨理工大学 | 基于概率神经网络的水轮机运行故障诊断方法 |
CN112818475A (zh) * | 2020-12-31 | 2021-05-18 | 广西科技大学 | 一种水轮机转轮叶片动水压力分析方法 |
CN116541678A (zh) * | 2023-06-30 | 2023-08-04 | 深圳市秒加能源科技有限公司 | 一种气站安全管道压力监测方法、装置 |
Non-Patent Citations (1)
Title |
---|
施卫东等: "不同转速下轴流泵压力脉动试验", 《农业机械学报》, pages 66 - 71 * |
Also Published As
Publication number | Publication date |
---|---|
CN117056846B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111256754B (zh) | 一种混凝土坝长期运行安全预警方法 | |
CN117195018B (zh) | 基于多传感器的矿用水泵智能监测系统 | |
CN106441851A (zh) | 一种机械零件疲劳寿命的检测方法 | |
CN110701137A (zh) | 一种掘进机液压系统智能在线检测诊断装置及方法 | |
CN112329357B (zh) | 一种清水离心泵振动故障的简易诊断方法及诊断系统 | |
CN117056846B (zh) | 一种基于人工智能的轴流泵转子运行稳定性预测系统及方法 | |
CN110303592B (zh) | 基于震动信息的混凝土生产设备在线故障检测方法及系统 | |
CN115031801A (zh) | 一种基于排水管道液位监测动态流量的方法 | |
CN113007040B (zh) | 风电机组主轴总成窜动在线监测与故障预警系统及方法 | |
CN114252149A (zh) | 火电厂高低加疏放水管道振动损伤及寿命快速评估方法 | |
CN106501369A (zh) | 一种风机叶片裂纹位置确定方法 | |
CN117349779A (zh) | 深挖方膨胀土渠道边坡潜在滑动面判定方法及系统 | |
CN116167240A (zh) | 一种大坝结构损伤的多测点联合监控方法 | |
CN110984114A (zh) | 一种深基坑全周期动态监测方法 | |
CN114508490B (zh) | 一种智能中开离心泵以及应用于该离心泵的网络故障点定位方法、可读存储模块 | |
CN115598220A (zh) | 一种基于声发射技术的储氢罐体氢脆致裂预警方法及系统 | |
CN109630450B (zh) | 一种天然气长输管道离心压缩机组停机保护方法 | |
CN112504934B (zh) | 一种混凝土坝渗流渗压预测和监控阈值确定方法 | |
CN115728216A (zh) | 一种衬砌结构加速腐蚀试验装置及方法 | |
CN112796920B (zh) | 立式混流式水轮发电机转轮贯穿性裂纹早期预警的方法 | |
JP3379304B2 (ja) | プラントの異常監視方法及び異常監視装置 | |
CN105952434B (zh) | 基于测井大数据实时驱动的在役油套管缺陷自动判定方法 | |
CN103776652B (zh) | 一种高压加热器性能检测方法及系统 | |
CN110925182A (zh) | 热轧产线除鳞泵振动劣化的预警方法 | |
CN113933291B (zh) | 一种混凝土大坝碳化深度高精度测量方法 |
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 |