CN117662449A - 用于确定水泵系统的管损的方法、设备及介质 - Google Patents
用于确定水泵系统的管损的方法、设备及介质 Download PDFInfo
- Publication number
- CN117662449A CN117662449A CN202410003560.6A CN202410003560A CN117662449A CN 117662449 A CN117662449 A CN 117662449A CN 202410003560 A CN202410003560 A CN 202410003560A CN 117662449 A CN117662449 A CN 117662449A
- Authority
- CN
- China
- Prior art keywords
- water pump
- data
- pump system
- pipe loss
- real
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 230000015556 catabolic process Effects 0.000 claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 230000010365 information processing Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本公开的实施例涉及一种用于确定水泵系统的管损的方法、设备及介质,包括:构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练,从而获取经训练的管损预测模型;将所述水泵系统的实时运行数据采集并输入经训练的管损预测模型,从而获取所述水泵系统的管损数据;基于所述管损数据和水泵系统中水泵装置的扬程公式,确定所述水泵系统计算出的实时扬程;以及将所述计算出的实时扬程、瞬时流量数据与所述水泵系统的水泵特性曲线执行对比,从而确定所述水泵系统是否处于最佳工况区间。本公开实现了对水泵系统实际工作时管损的在线监控,真实且方便,并对于系统中管路或泵的退化风险起到预警作用。
Description
技术领域
本发明涉及化工泵技术领域,具体涉及一种用于确定水泵系统的管损的方法、设备及介质。
背景技术
水泵系统,又称泵组,作为液体介质输送设备被广泛应用于化工、制药、新能源、光伏、半导体、环保等行业。工业工程中对于泵组的工况理论研究和管损理论研究都已具有较为完善的基础。水泵系统运转时的管损为液体在泵的管路系统(管路及其附件)内流动时因遇到阻力而造成其压力下降的损失,也称之为“压降”或“压损”。
管损通常可划分为延程阻力损失和局部阻力损失。延程压力损失指由于水与管道内壁摩擦而在管道中产生的连续的、一致的压力损失;局部压力损失指管道系统内特殊的部件,由于其改变了水流的方向,或者使局部水流通道变窄(比如缩颈、三通、接头、阀门、过滤器等)所造成的非连续性的压力损失。
目前对于泵组系统的管损计算主要在于选泵之前的理论计算以及产品出厂的测试实验中,缺乏针对实际生产过程的真实管损计算。管损作为一种设备运转过程中产生的中间数据难以被直接观测获取,管损数据高度依赖于系统的运行工况,而系统的运行工况又是复杂多变的,通过常规机理模型计算得到的管损由于缺乏引入实际工况数据而作用有限。
因此,现有技术中的管损预测方法不能根据水泵系统的工况动态调整管损预测值。
发明内容
针对上述问题,本发明公开了一种用于确定水泵系统的管损的方法、计算设备和计算机可读存储介质,其通过结合机理模型与机器学习方法,根据水泵系统的实际工况数据在线预测系统实时管损,辅助后续的系统工况精确识别与分析,并且可以实现管损预测模型自动化迭代优化。
根据本公开的第一方面,提供了一种用于确定水泵系统的管损的方法,方法包括:构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练,从而获取经训练的管损预测模型;将所述水泵系统的实时运行数据采集并输入经训练的管损预测模型,从而获取所述水泵系统的管损数据;基于所述管损数据和水泵系统中水泵装置的扬程公式,确定所述水泵系统计算出的实时扬程;以及将所述计算出的实时扬程、瞬时流量数据与所述水泵系统的水泵特性曲线执行对比,从而确定所述水泵系统是否处于最佳工况区间。
根据本公开的第二方面,提供了一种计算设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开的第一方面的方法。
在本公开的第三方面中,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中计算机指令用于使计算机执行本公开的第一方面的方法。
在一个实施例中,所述方法还包括:响应于所述水泵系统处于最佳工况区间,则将所述实时运行数据和所述管损数据作为训练数据,以用于所述管损预测模型的迭代优化训练。
在一个实施例中,构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练包括:将所述水泵系统的工况运行数据作为管损预测模型的输入特征执行的数据标准化和规范化处理,以获取特征数据;将所述水泵系统处于最佳工况区间时所述期望的预定范围内的管损数据确定为所述管损预测模型训练的目标数据;以及基于所确定的特征数据与目标数据,选择用于水泵系统的管损预测的回归模型,以用于构建水泵系统的管损预测模型。
在一个实施例中,构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练还包括:基于水泵的产品属性数据,拟合得到单个水泵的性能特性曲线;基于所拟合的单个水泵的性能特性曲线、以及所述水泵系统的水泵的连接方式,确定由多泵并联和/或串联形成的水泵系统的性能特性曲线;基于水泵系统的性能特性曲线和所述实时运行数据中的瞬时流量数据,确定与所述实时运行数据中的瞬时流量数据对应的水泵系统的扬程数据;以及基于所确定的扬程数据和所述实时运行数据中的实时压力数据,确定与所述实时压力数据对应的水泵计算出的实时管损数据。
在一个实施例中,所述方法还包括:在一定的时间期限内持续监控管损数据;计算所述时间段内的管损数据与期望的预定范围的管损数据的相似度;以及基于所述相似度确定所述水泵系统的退化及运行风险。
在一个实施例中,水泵系统的工况运行数据包括所述水泵系统的瞬时流量、开泵数量、电机频率、泵的转速、水源状态、变频器状态和阀门状态中的多项。
通过应用本公开方法,可以实现对泵系统实时管损的在线监控,进一步地,可以更准确的识别泵系统的运行工况是否为最佳工况范围,从而对系统中管路或泵的退化风险提出预警,可以在选泵和设置系统运行参数时更加精确,有利于降本减耗。实现了对水泵系统管损的实时监测和预测,为运维人员提供了有效的决策支持。这种基于机器学习的管损检测方法可以大幅提高水泵系统的可靠性和维护效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标注表示相同或相似的元素。
图1示出了用于实现根据本公开实施例的水泵系统实时管损的在线监测方法的系统100的示意图。
图2示出了根据本公开实施例的水泵系统实时管损的在线监测方法200的流程图。
图3示出了图2中步骤202构建水泵系统的管损预测模型并完成模型训练的流程图。
图4示出了用于实现本公开实施例的电子设备300的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
如前文所述,目前的系统管损计算主要体现在理论计算与产品测试实验过程中,没有基于实际生产过程进行实时的管损预测计算,即使想要实现这一目的,考虑到管损数据作为一种设备运转过程中产生的中间过程数据,也是难以被直接观测获取;并且管损高度依赖于系统的运行工况,而系统运行工况复杂多变且未知,通过简单的机理模型计算得到的管损数据可靠性不高,毕竟管损计算过程必须与实际工况数据相结合才真实且具有实际意义;而缺乏对管损数据的实时监控,系统内管损的退化难以在线度量,存在运行风险。因此,如何在实际生产过程中实现对水泵系统实时管损数据的在线获取是一个亟待解决的关键问题。
如背景技术所介绍的,水泵运转时,某一瞬时的流量、扬程(即,吸上真空高度)、轴功率、效率等称为泵的运行工况点,也称为供需平衡点,该点为泵特性曲线与泵装置特性曲线/>的交点。因此,决定泵运行工况点的因素包括以下两点:
1)泵的性能:泵特性曲线(供方)
其中,为泵扬程,/>为流量,/>、/>、/>为常数;
2)管路系统及边界条件:泵装置特性曲线(需方)
其中,为装置扬程,/>为高度差(位能),/>为出口压力,/>为进口压力,/>为液体密度,/>为重力常数,/>为除泵本身外整个装置管路系统的水力损失(管损);而管损/>又为沿程损失和局部损失之和,理论计算公式为:
其中,为局部阻力系数,/>为沿程阻力系数,/>为管道长度,/>为管道内径,/>为流体速度,/>为常数。
通常情况下,工程师会将查表所得的各个阻力系数代入上述公式中直接计算得到理论管损,最后结合客户需求选择合适的泵产品。
图1示出了用于实现根据本公开实施例的水泵系统实时管损的在线监测方法的系统100的示意图。如图1中所示,系统100包括计算设备110和水泵系统运行工况信息处理系统130和网络140。计算设备110、水泵系统运行工况信息处理系统130可以通过网络140(例如,因特网)进行数据交互。
水泵系统运行工况信息处理系统130,其可以收集水泵系统运行时的各类工况信息并将这些工况信息处理为可供计算设备110处理的格式。例如,水泵系统运行工况信息处理系统130可以收集水泵系统运行时的瞬时流量、进出口压力等参数。
关于计算设备110,其例如用于获取来自水泵系统运行工况信息处理系统130的水泵系统运行工况数据。计算设备110可以具有一个或多个处理单元,包括诸如GPU、FPGA和ASIC等的专用处理单元以及诸如CPU的通用处理单元。另外,在每个计算设备110上也可以运行着一个或多个虚拟机。在一些实施例中,计算设备110与水泵系统运行工况信息处理系统130可以集成在一起,也可以是彼此分立设置。在一些实施例中,计算设备110例如包括模型构建模块112、管损计算模块114、扬程计算模块116、对比判断模块118和监控预警模块120。
模型构建模块112,所述模型构建模块112配置成构建水泵系统的管损预测模型并完成模型训练。
管损计算模块114,所述管损计算模块114配置成将水泵系统的实时运行数据并代入管损预测模型并计算得到实际管损数据。
扬程计算模块116,所述扬程计算模块116配置成基于实际管损数据和装置扬程公式计算得到水泵系统的实时扬程。
对比判断模块118,所述对比判断模块118配置成将实时扬程及对应的瞬时流量数据与水泵系统的泵特性曲线进行对比并判断水泵系统是否处于最佳工况,将最佳工况下的运行数据和管损数据加入训练数据用于增量支持管损预测模型后续的迭代优化。
监控预警模块120,所述监控预警模块120配置成长期储存水泵系统的运行数据和管损数据并计算阶段数据的相似度,根据管损预测模型的偏移情况对水泵系统的退化及运行风险发出预警。
为了配合解决上述问题,本公开的示例实施例提出了一种水泵系统实时管损的在线监测方案。图2示出了根据本公开实施例的水泵系统实时管损的在线监测方法200的流程图。应当理解的是,方法200还可以包括未示出的附加框和/或可以省略所示出的框,本公开的范围在此方面不受限制。
在步骤202,计算设备110可以构建水泵系统的管损预测模型并执行所述模型的模型训练,从而获取经训练的管损预测模型。
在一个实施例中,可以构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练,从而获取经训练的管损预测模型。进一步地,图3示出了步骤202中关于构建水泵系统的管损预测模型并执行所述模型的模型训练的流程图。
在一个实施例中,可以将所述水泵系统的工况运行数据作为管损预测模型的输入特征执行的数据标准化和规范化处理,以获取特征数据;对所述水泵系统的实时管损执行预测计算,从而确定水泵系统期望的预定范围内的管损数据,其中包括基于水泵的产品属性数据,拟合得到单个水泵的性能特性曲线;基于所拟合的单个水泵的性能特性曲线、以及所述水泵系统的水泵的连接方式,确定由多泵并联和/或串联形成的水泵系统的性能特性曲线;基于水泵系统的性能特性曲线和所述实时运行数据中的瞬时流量数据,确定与所述实时运行数据中的瞬时流量数据对应的水泵系统的扬程数据;以及基于所确定的扬程数据和所述实时运行数据中的实时压力数据,确定与所述实时压力数据对应的水泵系统的、期望的预定范围内的管损数据。将所述期望的预定范围内的管损数据确定为所述管损预测模型训练的目标数据;以及基于所确定的特征数据与目标数据,选择用于水泵系统的管损预测的回归模型,以用于构建水泵系统的管损预测模型。
具体而言,准备特征数据。在步骤20202,将可采集的水泵系统的工况运行数据作为模型的输入特征进行模型的数据标准化和规范化准备。所述工况运行数据包括瞬时流量、开泵数量、电机频率、泵的转速、水源状态、变频器状态和阀门状态。
然后,准备模型训练使用的目标数据,即管损数据,由于管损数据一般情况下不作为一种可以被直接观测获得的数据,因此需要根据水泵机理对实时管损进行估算,估算的主要逻辑为:理论条件下,标准工况(最佳工况)下水泵的理论管损数据可以等同为实际管损数据的估算值。具体过程包括:
在步骤20204,根据单水泵出厂时附带的产品数据,拟合建立单水泵的性能特性曲线,该曲线是一个纯数学表达的函数曲线,表示了单水泵的流量和扬程之间的函数关系:
其中,H(Q)为泵扬程,Q为流量,a、b、c为常数实时扬程。
在步骤20206,根据单水泵的性能特性曲线以及泵的连接方式,将多个单水泵的性能特性曲线拟合得到多泵并联或串联形成的系统的性能特性曲线,该曲线表示了系统的流量和扬程之间的函数关系,曲线的函数表达形式与单水泵相同,但常数不同。
在步骤20208,根据采集到的瞬时流量数据和系统的性能特性曲线,计算得到该瞬时流量对应的系统的理论扬程,在标准工况(最佳工况)下,该理论扬程等同为实时扬程。
在步骤20210,引入装置扬程公式:
其中,为装置扬程,/>为高度差,/>为出口压力,/>为进口压力,/>为液体密度,/>为重力常数,/>为管损。
基于装置扬程公式和采集到的实时压力数据,计算得到该实时压力对应的理论管损数据,在标准工况(最佳工况)下,该理论管损数据等同于实际管损数据。
最后,在步骤20212,输入准备好的特征数据与目标数据,选择机器学习的回归模型,建立管损预测模型,完成模型训练。
本公开基于工程理论基础推论,通过对系统泵特性曲线拟合公式和装置扬程公式的联合计算求解,将标准工况(最佳工况)下水泵的理论管损数据等同为实际管损数据的估算值,解决了在构建管损预测模型时难以在实际生产过程中直接获得用于模型训练所需的管损数据的问题。
在步骤204,计算设备110将所述水泵系统的实时运行数据采集并输入经训练的管损预测模型,从而获取所述水泵系统的管损数据。
在一个实施例中,可以将所述水泵系统的实时运行数据采集并输入经训练的管损预测模型,从而获取所述水泵系统的管损数据。具体来说,例如机器学习的回归模型可以选择例如构建一个多层感知器(MLP)神经网络模型,其输入层包括水泵系统的流量、压力、温度和振动等参数。隐层的神经元数量可根据实际情况调整,以适应系统的复杂性。输出层的单个神经元表示管损的程度。使用已标记的历史数据集进行模型训练。通过采用均方误差(MSE)作为损失函数,使用随机梯度下降(SGD)等优化算法迭代优化模型参数,确保模型在训练数据上获得较高的拟合度。本领域技术人员可以理解的是,本公开的方法同样可以适用于其他机器学习回归模型。
通过部署传感器网络,以实时采集水泵系统的各项参数,包括流量、压力、温度和振动。这些数据将用于输入训练好的管损预测模型。将实时采集的数据输入经过训练的机器学习回归模型,获取当前水泵系统的管损预测数据。
在步骤206,计算设备110基于所述管损数据和水泵系统中的水泵装置的扬程公式,确定所述水泵系统的实时扬程计算值。注意的是,本发明上下文中的实时扬程可以指代通过计算确定的实时扬程计算值。
在一个实施例中,基于管损预测数据和已知的装置扬程公式,计算水泵系统的实时扬程数据。扬程公式可以如下式表示:
其中,为装置扬程,/>为高度差,/>为出口压力,/>为进口压力,/>为液体密度,/>为重力常数,/>为管损。
在步骤208,计算设备110可以将实时扬程及对应的瞬时流量数据与水泵系统的泵特性曲线进行对比,判断水泵系统是否处于最佳工况。
在一个实施例中,将实时扬程数据与实时流量数据结合,并与水泵系统的水泵特性曲线进行对比。通过曲线拟合和数据对齐技术,分析系统的实时扬程与理论扬程之间的差异。
通过比较实时扬程与理论扬程的偏差,以及其他工况数据,确定水泵系统的管损范围,从而结合水泵系统的瞬时流量数据实现对水泵系统的检测。具体来说,通过对实时流量和实时扬程,或称为实时工况与最佳工况区间的对比可以判断水泵系统是否处于最佳工况。
在步骤210,如果水泵系统处于最佳工况,则计算设备110可以将最佳工况下的运行数据和管损数据加入训练数据用于增量支持管损预测模型后续的迭代优化。
在一个实施例中,将所述水泵系统的工况,即实时扬程、瞬时流量数据与所述水泵系统的水泵特性曲线以及最佳工况区间执行对比,从而确定水泵系统的是否处于最佳工况区间。具体来说,如果实时扬程和流量所示的水泵系统的工况点,在水泵系统的特性曲线上,例如偏差极小,这种情况也约等于在曲线上,则认为实时扬程等同于曲线上指示的理论扬程,如果同时还含有水泵系统的瞬时流量处于期望的预定范围内,则认为此时水泵系统处于最佳工况区间。
在这种情况下,才可以将该数据作为训练数据进行后续的模型迭代优化。通过以上技术手段,最后选用最佳工况的数据进行模型迭代的数据,使得质量更好的数据进行模型训练,从而保证管损的计算模型不受水泵性能的变化影响。
如果管损数据处于预期范围内,即水泵系统处于最佳工况,将实时运行数据和管损数据作为训练数据,进行机器学习的回归模型的迭代优化训练。这有助于提高模型的鲁棒性,适应水泵系统运行状态的变化。
如果水泵系统处于非最佳工况,则对应的数据不可用于模型迭代优化,继续沿用原模型代入工况数据来预测管损。但对于该情况依然可以设置应用场景,例如预设一段固定时长作为目标时间,如果水泵系统在该目标时间内持续被判定处于非最佳工况,则可认为水泵系统的运转状态可进一步调整优化,即反馈对于水泵系统的运转调整策略。
本公开构建的管损预测模型后续可实现增量迭代的自动化处理,系统可以根据预测得到的实时数据,持续的迭代优化管损预测模型。
在步骤212,计算设备110可以监控管损数据,计算阶段数据的相似度,根据管损预测模型的偏移情况对水泵系统的退化及运行风险发出预警。
在一个实施例中,计算设备110可以响应于在预定的目标时间内,确定所述水泵系统的工况数据超出期望的预定范围内,则基于所述工况数据综合评估调整所述水泵系统的运转策略。所述工况数据包括扬程数据、流量数据、管损数据等数据。
具体地,水泵系统经过长时间使用后,系统中的管路或泵会存在退化可能,当代入之前记录的最佳工况数据却无法得到好的管损数据时,可认为管损预测模型与实际情况出现持续性偏移。计算设备110在预定的时间段内持续监控管损数据;计算所述时间段内的管损数据与期望的预定范围的管损数据的相似度;以及基于所述相似度确定所述水泵系统的退化及运行风险。
本公开提供了一种水泵系统实时管损的在线监测方法,根据本发明建立算法流程后,系统支持管损预测的在线实时计算与自动化模型优化,使得系统管损的计算不再限制于理论计算和产品测试实验过程中,从而更加方便的为泵系统的实际过程进行管损的监控。
通过应用本公开方法,可以实现对泵系统实时管损的在线监控,进一步地,可以更准确的识别泵系统的运行工况是否为最佳工况范围,从而对系统中管路或泵的退化风险提出预警,可以在选泵和设置系统运行参数时更加精确,有利于降本减耗。实现了对水泵系统管损的实时监测和预测,为运维人员提供了有效的决策支持。这种基于机器学习的管损检测方法可以大幅提高水泵系统的可靠性和维护效率。
图4示出了用于实现本公开实施例的电子设备300的框图。电子设备300可以用于实现图1的计算设备110。如图所示,电子设备300包括中央处理单元(CPU)301,其可以根据存储在只读存储器(ROM)302中的计算机程序指令或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序指令,来执行各种适当的动作和处理。在RAM 303中,还可存储电子设备300操作所需的各种程序和数据。CPU 301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
中央处理单元301执行上文所描述的各个方法和处理,例如执行方法200。例如,在一些实施例中,方法200可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM 303并由CPU 301执行时,可以执行上文描述的方法200的一个或多个操作。备选地,在其他实施例中,CPU 301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法200的一个或多个动作。
本公开可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
以上仅为本公开的可选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等效替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种用于确定水泵系统的管损的方法,其特征在于,包括:
构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练,从而获取经训练的管损预测模型;
将所述水泵系统的实时运行数据采集并输入经训练的管损预测模型,从而获取所述水泵系统的管损数据;
基于所述管损数据和水泵系统中水泵装置的扬程公式,确定所述水泵系统计算出的实时扬程;以及
将所述计算出的实时扬程、瞬时流量数据与所述水泵系统的水泵特性曲线执行对比,从而确定所述水泵系统是否处于最佳工况区间。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
响应于所述水泵系统处于最佳工况区间,则将所述实时运行数据和所述管损数据作为训练数据,以用于所述管损预测模型的迭代优化训练。
3.根据权利要求1或2所述的方法,其特征在于,构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练包括:
将所述水泵系统的工况运行数据作为管损预测模型的输入特征执行的数据标准化和规范化处理,以获取特征数据;
将所述水泵系统处于最佳工况区间时的管损数据确定为所述管损预测模型训练的目标数据;以及
基于所确定的特征数据与目标数据,选择用于水泵系统预测的回归模型,以用于构建水泵系统的管损预测模型。
4.根据权利要求3所述的方法,其特征在于,构建水泵系统的管损预测模型并执行所述管损预测模型的模型训练还包括:
基于水泵的产品属性数据,拟合得到单个水泵的性能特性曲线;
基于所拟合的单个水泵的性能特性曲线、以及所述水泵系统的水泵的连接方式,确定由多泵并联和/或串联形成的水泵系统的性能特性曲线;
基于水泵系统的性能特性曲线和所述实时运行数据中的瞬时流量数据,确定与所述实时运行数据中的瞬时流量数据对应的水泵系统的扬程数据;以及
基于所确定的扬程数据和所述实时运行数据中的实时压力数据,确定与所述实时压力数据对应的水泵计算出的实时管损数据。
5.根据权利要求2所述的方法,其特征在于,所述方法还包括:
在一定的时间期限内持续监控管损数据;
计算所述时间段内的管损数据与期望的预定范围的管损数据的相似度;以及
基于所述相似度确定所述水泵系统的退化及运行风险。
6.根据权利要求3所述的方法,其特征在于,所述水泵系统的工况运行数据包括所述水泵系统的瞬时流量、开泵数量、电机频率、泵的转速、水源状态、变频器状态和阀门状态中的多项。
7.一种计算设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,其中所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003560.6A CN117662449A (zh) | 2024-01-02 | 2024-01-02 | 用于确定水泵系统的管损的方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410003560.6A CN117662449A (zh) | 2024-01-02 | 2024-01-02 | 用于确定水泵系统的管损的方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117662449A true CN117662449A (zh) | 2024-03-08 |
Family
ID=90066264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410003560.6A Pending CN117662449A (zh) | 2024-01-02 | 2024-01-02 | 用于确定水泵系统的管损的方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117662449A (zh) |
-
2024
- 2024-01-02 CN CN202410003560.6A patent/CN117662449A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
US8352226B2 (en) | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator | |
US10494906B2 (en) | Method and a control system for optimizing production of a hydrocarbon well | |
JP6751021B2 (ja) | 確率的因子を用いる動的プロセスの人工知能モデルに基づいた制御のための方法およびシステム | |
US10679401B2 (en) | Monitoring multiple industrial machines | |
CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
US20210071509A1 (en) | Deep intelligence for electric submersible pumping systems | |
WO2021081250A1 (en) | Anomaly detection in pipelines and flowlines | |
US11480039B2 (en) | Distributed machine learning control of electric submersible pumps | |
US20160314409A1 (en) | Method and system for real time production optimization based on equipment life | |
EP3800323A1 (en) | Virtual flow meter method and system for monitoring flow of an oil well in an industrial environment | |
CN111783356B (zh) | 一种基于人工智能的石油产量预测方法和装置 | |
CA3127234C (en) | Industrial machine optimization | |
CN117540163A (zh) | 泵性能曲线生成方法、模型构建和训练方法及装置 | |
CN117662449A (zh) | 用于确定水泵系统的管损的方法、设备及介质 | |
US20230280000A1 (en) | Management system and management method, and computer-readable storage medium | |
JP2024520472A (ja) | 製品状態定量化および残存寿命予測のための方法、装置ならびにシステム | |
US20210102462A1 (en) | Optimization apparatus, system and method for resource production system | |
RU2779905C1 (ru) | Оптимизация промышленной машины | |
US20240068325A1 (en) | Autonomous integrated system to maximize oil recovery | |
US20240201001A1 (en) | Integrated machine learning platform to capture multiphase virtual flow rates and diagnostic measures | |
KR102065535B1 (ko) | 흡상조건에서 안전한 운전이 가능한 복수의 펌프 시스템의 최소 소비전력 운전 방법 | |
Bera et al. | Online Real-Time Rotating Unbalance Forecast Incorporating Model-Based with Machine Learning Techniques | |
WO2024041726A1 (en) | Virtual flow meter with domain specific input features | |
CN116906025B (zh) | 一种采油工程生产异常诊断装置 |
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 |