[发明专利]基于双神经网络的离心式水泵系统的建模方法

说明书

一种基于双神经网络的离心式水泵系统的建模方法，可解决传统建模方法依赖于精确的泵特性方程与管道特性方程问题，其步骤如下：建立以泵调速比K、泵流量Q为输入变量，泵扬程H、泵的轴功率Pin为输出变量的数学模型，建立以调速比K与轴功率P_in为输入变量、泵流量Q与扬程H为输出变量的泵系统模型，得到双输入－单输出的数学模型：采用双神经网络建立泵系统模型，其中神经网络NN1与NN2分别是双输入‑单输出的BP神经网络；调速比K、轴功率P_in作为神经网络NN1的输入，调速比K、神经网络NN1的输出作为神经网络NN2的输入，输出层的神经元的阀值为b_k，输出层的输出为输出变量扬程H。

技术领域

本发明涉及离心式水泵系统的建模方法，具体地说，以泵的调速比、电机的轴功率为输入变量，以泵的流量、扬程为输出变量，采用双神经网络构建离心式水泵系统的建模方法。

背景技术

泵系统节能潜力的实现通常需要附加测量仪器(如差压传感器、流量计等)探测泵低效率运行状态，如扬程、流量、轴功率、效率等信息，而这种带有传感器的传统控制系统成本昂贵，可靠性差，不适合于苛刻环境的泵应用领域。目前，针对离心式水泵系统运行状态估计模型已取得了一些研究成果。美国Kernan等人发明一种在不用传统传感器情况下确定泵流量的方法，其主要特征是建立两个转速下阀门关闭情况下的校正功率曲线，从基于泵功率比的标准化功率曲线计算系数，并在当前运行点下求解多项式功率方程获得流量，这种方法解决了泵特性偏离标准泵特性曲线问题，而没有解决泵特性随时间衰退问题。针对泵运行状态超出有效工作区间时基于泵特性的状态估计方法无法实现准确估计的问题，T.Ahonen提出了基于泵QP特性与管道特性模型的混合估计方法，并在有效的工作区间辨识管道特性模型参数。上述方法依赖于泵功率曲线、泵特性方程与管道特性方程，这给该方法的实际应用带来困难，另外，在实际应用过程中泵特性会偏离标准泵特性，用户参与调解过程中管道特性具有时变性与不确定性，这导致该方法在实际应用过程中很难获得理想效果。基于此，提出了一种不依赖于泵特性方程与管道特性方程的双神经网络建模方法。

发明内容

为了将基于电机状态估计离心式水泵运行状态的无传感器技术取代目前的流量、扬程传感器，并解决传统建模方法依赖于精确的泵特性方程与管道特性方程问题，本发明提出一种基于双神经网络的离心式水泵系统的建模方法。

本发明的技术解决方案是：

离心式水泵系统的建模方法，其步骤如下：

1、泵系统数学模型

1.1建立以泵调速比K、泵流量Q为输入变量，以泵扬程H、泵的轴功率Pin为输出变量的数学模型

式中，H(K,Q)为泵扬程；K为泵调速比，K＝n/n_N；H₀—泵在额定转速下流量为零时的扬程；R—泵的内阻；Q—泵的流量；P_in(K,Q)为泵的轴功率；r—介质的重度，N/m³，r＝ρg；η_p(K,Q)为调速比K下的水泵效率；

1.2建立以调速比K与轴功率P_in为输入变量、以泵流量Q与扬程H为输出变量的泵系统模型

式中F表示双输入-双输出的函数关系；

1.3数学模型结构化简

利用式(1)将流量Q表达成调速比K、轴功率Pin的函数

Q＝f₁(K,P_in) (3)

利用式(1)，将扬程H表达成调速比K、流量Q的函数

H＝f₂(K,Q) (4)