[发明专利]一种离心泵扬程特性分析与预测的方法

摘要

本发明实施例公开了一种离心泵扬程特性分析与预测的方法，包括：确定离心泵扬程由离心泵的流量和叶片角相关；对离心泵的流量和叶片角进行组合赋值，并根据组合赋值后的流量和叶片角，测出相应的离心泵扬程值；以流量和叶片角作为输入变量以及扬程作为输出变量，构建目标函数，并将组合赋值后的流量和叶片角及其测出的离心泵扬程值作为训练样本优化目标函数，得到离心泵扬程的非线性函数；获取离心泵的流量和叶片角的实际值，并将获取到的实际值导入非线性函数中，得到离心泵扬程特性分析与预测值。本发明实施例，基于离心泵扬程与流量和叶片角的非线性关系，通过智能关系对离心泵进行扬程特性分析与预测，解决了网络收敛问题，优化了参数设定。

主权项

1.一种离心泵扬程特性分析与预测的方法，其特征在于，所述方法包括：步骤S1、确定离心泵扬程由离心泵的流量和叶片角相关；步骤S2、对离心泵的流量和叶片角进行组合赋值，并根据所述组合赋值后的流量和叶片角，测出相应的离心泵扬程值；所述步骤S2具体包括：根据离心泵的初始设计要求，确定流量和叶片角的摄动范围，且将流量和叶片角设置成三个水平维度，并给每一水平维度的流量和叶片角分别给予赋值；将所述赋值后的每一水平维度的流量和叶片角进行交叉组合，得出由一流量和一叶片角组合形成的九个全因子；按照所述九个全因子各自对应的流量和叶片角赋值进行离心泵扬程特性试验，分别测出相应的离心泵扬程值；步骤S3、以离心泵的流量和叶片角作为输入变量以及离心泵扬程作为输出变量，构建目标函数，并将所述组合赋值后的流量和叶片角及其测出的离心泵扬程值作为训练样本优化所述目标函数，得到离心泵扬程的非线性函数；所述步骤S3具体包括：以离心泵的流量和叶片角作为输入变量以及离心泵扬程作为输出变量，构建目标函数及其对应的约束条件；其中，所述目标函数为所述约束条件为是核空间映射函数，权矢量w∈R^d，误差变量e_k∈R，b是偏差量；损失函数J是SSE误差和规则化量之和，γ是控制对错分样本惩罚的程度的可调参数，P_k＝(Q_k,θ_k)^T是所述组合赋值后的流量和叶片角中第k个流量和叶片角的值，H_k是所述组合赋值后的流量和叶片角中第k个流量和叶片角测出相应的离心泵扬程值；引入拉格朗日函数，对所述目标函数进行优化；其中，所述优化后的目标函数为将所述组合赋值后的流量和叶片角及其测出的离心泵扬程值作为训练样本对所述优化后的目标函数进一步进行优化，得到相应的方程组采用均方差交叉网格搜索法确定基于核函数的机器学习网络的最佳参数对(γ,σ)；根据所述确定的最佳参数对(γ,σ)，确定拉格朗日乘子α_k和偏移因子b，得到离心泵扬程与流量和叶片角之间的非线性函数；步骤S4、获取离心泵的流量和叶片角的实际值，并将所述获取到的离心泵的流量和叶片角的实际值导入所述离心泵扬程的非线性函数中，得到离心泵扬程特性分析与预测值；所述采用均方差交叉网格搜索法确定基于核函数的机器学习网络的最佳参数对(γ,σ)的具体步骤包括：确定合适的正则化参数集和核参数集；应用网格搜索法在正则化参数集和核参数集中选择一个参数对(γ,σ)，用参数对(γ,σ)进行交叉验证；其中，用一个步长为2²的(γ,σ)组合,得到学习精度最高的γ和σ的值；在这两个γ和σ值旁的一定范围内把样本集D分为S组{G₁,G₂,…,G_S}，把任意的S‑1组作为训练集，剩余的一组作为验证集，重复S次；循环选择参数对(γ,σ)进行交叉验证，计算每个参数对(γ,σ)的MSE_cv，直到网格搜索停止，确定MSE_cv最小的参数对(γ,σ)为最佳。