基于双神经网络的离心式水泵系统的建模方法
【技术领域】
[0001] 本发明涉及离心式水栗系统的建模方法，具体地说，以栗的调速比、电机的轴功率 为输入变量，以栗的流量、扬程为输出变量，采用双神经网络构建离心式水栗系统的建模方 法。
【背景技术】
[0002] 栗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)探测栗 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栗应用领域。目前，针对离心式水栗系统运行状态 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 栗流量的方法，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，从基于栗 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 种方法解决了栗特性偏离标准栗特性曲线问题，而没有解决栗特性随时间衰退问题。针对 栗运行状态超出有效工作区间时基于栗特性的状态估计方法无法实现准确估计的问题， T.Ahonen提出了基于栗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。上述方法依赖于栗功率曲线、栗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，在实际应用过程中栗特性会偏离标准栗特性，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栗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】
[0003] 为了将基于电机状态估计离心式水栗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栗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栗系统的建模方法。
[0004] 本发明的技术解决方案是：
[0005] 离心式水栗系统的建模方法，其步骤如下：
[0006] 1、栗系统数学模型
[0007] 1.1建立以栗调速比K、栗流量Q为输入变量，以栗扬程H、栗的轴功率Pin为输出变 量的数学模型
[0009] 式中，H(K，Q)为栗扬程;K为栗调速比，K = n/nN;H〇-栗在额定转速下流量为零时的 扬程;R-栗的内阻;Q-栗的流量;Pin(K，Q)为栗的轴功率;r一介质的重度，N/m3，r = pg;% (K，Q)为调速比K下的水栗效率；
[0010] 1.2建立以调速比K与轴功率Pin为输入变量、以栗流量Q与扬程H为输出变量的栗系 统模型
[0012]式中F表示双输入-双输出的函数关系；
[0013] 1.3数学模型结构化简
[0014]利用式⑴将流量Q表达成调速比K、轴功率Pin的函数 [0015] Q = fi(K,Pin) (3)
[0016]利用式⑴，将扬程H表达成调速比K、流量Q的函数
[0017] H=f2(K,Q) (4)
[0018] 将式(2)的双输入-双输出的数学模型结构表达成两个双输入-单输出的数学模型 描述，即
[0020] 2、基于双神经网络的栗系统模型
[0021 ]采用双神经网络建立栗系统模型，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Pin作为神经网络NNl的输入，输入变量连接输入层i的神经 元，输入层的神经元分别与隐含层j的各神经元连接，连接权值矩阵为W^，隐含层的阀值向 量为匕，隐含层的输出分别与输出层k的神经元连接，连接权值矩阵为W kj，输出层的神经元 的阀值为bk，输出层的输出为输出变量流量Q;调速比K、神经网络NNl的输出作为神经网络 NN2的输入，输入变量连接输入层i的神经元，输入层的神经元分别与隐含层j的各神经元连 接，连接权值矩阵为W^，隐含层的阀值向量为匕，隐含层的输出分别与输出层k的神经元连 接，连接权值矩阵为Wk j，输出层的神经元的阀值为bk，输出层的输出为输出变量扬程H。
[0022] 本发明有益效果是：
[0023] 1)将双输入-双输出的强耦合栗模型解耦成双输入-单输出的模型，模型结构大大 简化；
[0024] 2)本发明的神经网络采用基于反传算法的前馈神经网络，即BP神经网络，具有很 强的非线性映射能力，可以充分逼近复杂栗模型的非线性关系；
[0025] 3)所有调速比、轴功率与流量、扬程的定量和定性信息等势分布在神经元内，该模 型具有很强的鲁棒性和容错性；
[0026] 4)栗模型中的轴功率与电机效率、变频器效率等未知的与不确定的因素有关，基 于神经网络的栗模型具有自适应与学习未知的或不确定的能力。
[0027] 综上所述，由于栗特性具有严重的非线性，栗特性参数及管道特性参数很难准确 获得，在实际应用过程中又存在随机噪声干扰的影响，无法通过栗特性方程获得栗状态的 准确估计。由于神经网络具有强大的学习能力和非线性映射能力，它不需要任何先验公式 就可以通过学习或训练自动地获得函数关系，因而是一种有效的栗系统建模手段。另外，双 输入-双输出的栗系统模型可以分解成两个双输入-单输出的子系统模型串联构成，本发明 采用双神经网络构建栗系统模型，可以大大提高建模精度、神经网络的收敛速度及泛化能 力。
【附图说明】
[0028]图1是以栗调速比、栗流量为输入变量，以栗扬程、栗的轴功率为输出变量的数学 模型结构示意图；
[0029 ]图2以调速比与轴功率为输入变量、以栗流量与扬程为输出变量的栗系统模型； [0030]图3是简化的栗模型结构示意图；
[0031 ]图4是双神经网络结构示意图；
[0032]图5双神经网络模型简化示意图；
[0033]图6是神经网络NNl的测试样本对示意图；
[0034]图7是神经网络NNl的神经网络输出结果示意图；
[0035] 图8是神经网络NNl的输出误差示意图；
[0036] 图9是神经网络NNl输出的相对误差曲线示意图；
[0037] 图10是神经网络NN2的测试样本对示意图；
[0038]图11是神经网络NN2的输出结果示意图；
[0039]图12是神经网络NN2的输出误差示意图；
[0040]图13是神经网络NN2的输出相对误差曲线示意图。
【具体实施方式】
[0041 ]本发明涉及的离心式水栗系统的建模方法，其步骤如下：
[0042] 1、栗系统数学模型
[0043] 1.1建立以栗调速比K、栗流量Q为输入变量，以栗扬程H、栗的轴功率Pin为输出变 量的数学模型：
[0045] 式中，H(K，Q)为栗扬程;K为栗调速比，K = n/nN;Ho-栗在额定转速下流量为零时的 扬程;R-栗的内阻;Q-栗的流量;Pin(K，Q)为栗的轴功率;r一介质的重度，N/m3，r = pg;% (K，Q)为调速比K下的水栗效率;L由式(1)描述的模型结构如图1所示。
[0046] 1.2建立以调速比与轴功率为输入变量、以栗流量Q与扬程H为输出变量的栗系统 模型：
[0048] 式中F表示双输入-双输出的函数关系；
[0049] 栗运行估计的目的是通过电机运行状态（调速比K、轴功率Pin)估计栗运行状态 (栗流量Q，栗扬程Η)，因此，建立以调速比K、轴功率Pin为输入变量，以栗流量Q、扬程H为输 出变量的数学模型，新型的栗模型结构示意图如图2所示。
[0050] 1.3数学模型结构化简
[0051 ]由式（1)可知：流量Q是调速比K、轴功率Pin的函数；扬程H是调速比K、流量Q的函 数，即：
[0052] Q = fi(K,Pin) (3)
[0053] H=f2(K,Q) (4)
[0054] 将双输入-双输出的栗系统模型分解成两个双输入-单输出的子系统模型串联构 成，数学模型描述见式(2 )，结构示意图如图3所示。
[0056]将式(2)的双输入-双输出的数学模型结构表达成两个双输入-单输出的数学模型 描述，即
[0058] 2、基于双神经网络栗系统模型描述
[0059]如图4和图5所示，采用双神经网络建立栗系统模型，其中神经网络NNl与NN2分别 是双输入-单输出的BP神经网络；调速比K、轴功率Pin作为神经网络NNl的输入，输入变量连 接输入层i的神经元，输入层的神经元分别与隐含层j的各神经元连接，连接权值矩阵为W lj, 隐含层的阀值向量为匕，隐含层的输出分别与输出层k的神经元连接，连接权值矩阵为Wkj， 输出层的神经元的阀值为bk，输出层的输出为输出变量流量Q;调速比K、神经网络NNl的输 出作为神