基于雙神經(jīng)網(wǎng)絡(luò)的離心式水泵系統(tǒng)的建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及離心式水栗系統(tǒng)的建模方法，具體地說，以栗的調(diào)速比、電機(jī)的軸功率 為輸入變量，以栗的流量、揚(yáng)程為輸出變量，采用雙神經(jīng)網(wǎng)絡(luò)構(gòu)建離心式水栗系統(tǒng)的建模方 法。
【背景技術(shù)】
[0002] 栗系統(tǒng)節(jié)能潛力的實(shí)現(xiàn)通常需要附加測(cè)量儀器(如差壓傳感器、流量計(jì)等)探測(cè)栗 低效率運(yùn)行狀態(tài)，如揚(yáng)程、流量、軸功率、效率等信息，而這種帶有傳感器的傳統(tǒng)控制系統(tǒng)成 本昂貴，可靠性差，不適合于苛刻環(huán)境的栗應(yīng)用領(lǐng)域。目前，針對(duì)離心式水栗系統(tǒng)運(yùn)行狀態(tài) 估計(jì)模型已取得了一些研究成果。美國Kernan等人發(fā)明一種在不用傳統(tǒng)傳感器情況下確定 栗流量的方法，其主要特征是建立兩個(gè)轉(zhuǎn)速下閥門關(guān)閉情況下的校正功率曲線，從基于栗 功率比的標(biāo)準(zhǔn)化功率曲線計(jì)算系數(shù)，并在當(dāng)前運(yùn)行點(diǎn)下求解多項(xiàng)式功率方程獲得流量，這 種方法解決了栗特性偏離標(biāo)準(zhǔn)栗特性曲線問題，而沒有解決栗特性隨時(shí)間衰退問題。針對(duì) 栗運(yùn)行狀態(tài)超出有效工作區(qū)間時(shí)基于栗特性的狀態(tài)估計(jì)方法無法實(shí)現(xiàn)準(zhǔn)確估計(jì)的問題， T.Ahonen提出了基于栗QP特性與管道特性模型的混合估計(jì)方法，并在有效的工作區(qū)間辨識(shí) 管道特性模型參數(shù)。上述方法依賴于栗功率曲線、栗特性方程與管道特性方程，這給該方法 的實(shí)際應(yīng)用帶來困難，另外，在實(shí)際應(yīng)用過程中栗特性會(huì)偏離標(biāo)準(zhǔn)栗特性，用戶參與調(diào)解過 程中管道特性具有時(shí)變性與不確定性，這導(dǎo)致該方法在實(shí)際應(yīng)用過程中很難獲得理想效 果?；诖耍岢隽艘环N不依賴于栗特性方程與管道特性方程的雙神經(jīng)網(wǎng)絡(luò)建模方法。

【發(fā)明內(nèi)容】

[0003] 為了將基于電機(jī)狀態(tài)估計(jì)離心式水栗運(yùn)行狀態(tài)的無傳感器技術(shù)取代目前的流量、 揚(yáng)程傳感器，并解決傳統(tǒng)建模方法依賴于精確的栗特性方程與管道特性方程問題，本發(fā)明 提出一種基于雙神經(jīng)網(wǎng)絡(luò)的離心式水栗系統(tǒng)的建模方法。
[0004] 本發(fā)明的技術(shù)解決方案是：
[0005] 離心式水栗系統(tǒng)的建模方法，其步驟如下：
[0006] 1、栗系統(tǒng)數(shù)學(xué)模型
[0007] 1.1建立以栗調(diào)速比K、栗流量Q為輸入變量，以栗揚(yáng)程H、栗的軸功率Pin為輸出變 量的數(shù)學(xué)模型
[0009] 式中，H(K，Q)為栗揚(yáng)程;K為栗調(diào)速比，K = n/nN;H〇-栗在額定轉(zhuǎn)速下流量為零時(shí)的 揚(yáng)程;R-栗的內(nèi)阻;Q-栗的流量;Pin(K，Q)為栗的軸功率;r一介質(zhì)的重度，N/m3，r = pg;% (K，Q)為調(diào)速比K下的水栗效率；
[0010] 1.2建立以調(diào)速比K與軸功率Pin為輸入變量、以栗流量Q與揚(yáng)程H為輸出變量的栗系 統(tǒng)模型
[0012]式中F表示雙輸入-雙輸出的函數(shù)關(guān)系；
[0013] 1.3數(shù)學(xué)模型結(jié)構(gòu)化簡(jiǎn)
[0014]利用式⑴將流量Q表達(dá)成調(diào)速比K、軸功率Pin的函數(shù) [0015] Q = fi(K,Pin) (3)
[0016]利用式⑴，將揚(yáng)程H表達(dá)成調(diào)速比K、流量Q的函數(shù)
[0017] H=f2(K,Q) (4)
[0018] 將式(2)的雙輸入-雙輸出的數(shù)學(xué)模型結(jié)構(gòu)表達(dá)成兩個(gè)雙輸入-單輸出的數(shù)學(xué)模型 描述，即
[0020] 2、基于雙神經(jīng)網(wǎng)絡(luò)的栗系統(tǒng)模型
[0021 ]采用雙神經(jīng)網(wǎng)絡(luò)建立栗系統(tǒng)模型，其中神經(jīng)網(wǎng)絡(luò)NN1與NN2分別是雙輸入-單輸出 的BP神經(jīng)網(wǎng)絡(luò);調(diào)速比K、軸功率Pin作為神經(jīng)網(wǎng)絡(luò)NNl的輸入，輸入變量連接輸入層i的神經(jīng) 元，輸入層的神經(jīng)元分別與隱含層j的各神經(jīng)元連接，連接權(quán)值矩陣為W^，隱含層的閥值向 量為匕，隱含層的輸出分別與輸出層k的神經(jīng)元連接，連接權(quán)值矩陣為W kj，輸出層的神經(jīng)元 的閥值為bk，輸出層的輸出為輸出變量流量Q;調(diào)速比K、神經(jīng)網(wǎng)絡(luò)NNl的輸出作為神經(jīng)網(wǎng)絡(luò) NN2的輸入，輸入變量連接輸入層i的神經(jīng)元，輸入層的神經(jīng)元分別與隱含層j的各神經(jīng)元連 接，連接權(quán)值矩陣為W^，隱含層的閥值向量為匕，隱含層的輸出分別與輸出層k的神經(jīng)元連 接，連接權(quán)值矩陣為Wk j，輸出層的神經(jīng)元的閥值為bk，輸出層的輸出為輸出變量揚(yáng)程H。
[0022] 本發(fā)明有益效果是：
[0023] 1)將雙輸入-雙輸出的強(qiáng)耦合栗模型解耦成雙輸入-單輸出的模型，模型結(jié)構(gòu)大大 簡(jiǎn)化；
[0024] 2)本發(fā)明的神經(jīng)網(wǎng)絡(luò)采用基于反傳算法的前饋神經(jīng)網(wǎng)絡(luò)，即BP神經(jīng)網(wǎng)絡(luò)，具有很 強(qiáng)的非線性映射能力，可以充分逼近復(fù)雜栗模型的非線性關(guān)系；
[0025] 3)所有調(diào)速比、軸功率與流量、揚(yáng)程的定量和定性信息等勢(shì)分布在神經(jīng)元內(nèi)，該模 型具有很強(qiáng)的魯棒性和容錯(cuò)性；
[0026] 4)栗模型中的軸功率與電機(jī)效率、變頻器效率等未知的與不確定的因素有關(guān)，基 于神經(jīng)網(wǎng)絡(luò)的栗模型具有自適應(yīng)與學(xué)習(xí)未知的或不確定的能力。
[0027] 綜上所述，由于栗特性具有嚴(yán)重的非線性，栗特性參數(shù)及管道特性參數(shù)很難準(zhǔn)確 獲得，在實(shí)際應(yīng)用過程中又存在隨機(jī)噪聲干擾的影響，無法通過栗特性方程獲得栗狀態(tài)的 準(zhǔn)確估計(jì)。由于神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的學(xué)習(xí)能力和非線性映射能力，它不需要任何先驗(yàn)公式 就可以通過學(xué)習(xí)或訓(xùn)練自動(dòng)地獲得函數(shù)關(guān)系，因而是一種有效的栗系統(tǒng)建模手段。另外，雙 輸入-雙輸出的栗系統(tǒng)模型可以分解成兩個(gè)雙輸入-單輸出的子系統(tǒng)模型串聯(lián)構(gòu)成，本發(fā)明 采用雙神經(jīng)網(wǎng)絡(luò)構(gòu)建栗系統(tǒng)模型，可以大大提高建模精度、神經(jīng)網(wǎng)絡(luò)的收斂速度及泛化能 力。
【附圖說明】
[0028]圖1是以栗調(diào)速比、栗流量為輸入變量，以栗揚(yáng)程、栗的軸功率為輸出變量的數(shù)學(xué) 模型結(jié)構(gòu)示意圖；
[0029 ]圖2以調(diào)速比與軸功率為輸入變量、以栗流量與揚(yáng)程為輸出變量的栗系統(tǒng)模型； [0030]圖3是簡(jiǎn)化的栗模型結(jié)構(gòu)示意圖；
[0031 ]圖4是雙神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖；
[0032]圖5雙神經(jīng)網(wǎng)絡(luò)模型簡(jiǎn)化示意圖；
[0033]圖6是神經(jīng)網(wǎng)絡(luò)NNl的測(cè)試樣本對(duì)示意圖；
[0034]圖7是神經(jīng)網(wǎng)絡(luò)NNl的神經(jīng)網(wǎng)絡(luò)輸出結(jié)果示意圖；
[0035] 圖8是神經(jīng)網(wǎng)絡(luò)NNl的輸出誤差示意圖；
[0036] 圖9是神經(jīng)網(wǎng)絡(luò)NNl輸出的相對(duì)誤差曲線示意圖；
[0037] 圖10是神經(jīng)網(wǎng)絡(luò)NN2的測(cè)試樣本對(duì)示意圖；
[0038]圖11是神經(jīng)網(wǎng)絡(luò)NN2的輸出結(jié)果示意圖；
[0039]圖12是神經(jīng)網(wǎng)絡(luò)NN2的輸出誤差示意圖；
[0040]圖13是神經(jīng)網(wǎng)絡(luò)NN2的輸出相對(duì)誤差曲線示意圖。
【具體實(shí)施方式】
[0041 ]本發(fā)明涉及的離心式水栗系統(tǒng)的建模方法，其步驟如下：
[0042] 1、栗系統(tǒng)數(shù)學(xué)模型
[0043] 1.1建立以栗調(diào)速比K、栗流量Q為輸入變量，以栗揚(yáng)程H、栗的軸功率Pin為輸出變 量的數(shù)學(xué)模型：
[0045] 式中，H(K，Q)為栗揚(yáng)程;K為栗調(diào)速比，K = n/nN;Ho-栗在額定轉(zhuǎn)速下流量為零時(shí)的 揚(yáng)程;R-栗的內(nèi)阻;Q-栗的流量;Pin(K，Q)為栗的軸功率;r一介質(zhì)的重度，N/m3，r = pg;% (K，Q)為調(diào)速比K下的水栗效率;L由式(1)描述的模型結(jié)構(gòu)如圖1所示。
[0046] 1.2建立以調(diào)速比與軸功率為輸入變量、以栗流量Q與揚(yáng)程H為輸出變量的栗系統(tǒng) 模型：
[0048] 式中F表示雙輸入-雙輸出的函數(shù)關(guān)系；
[0049] 栗運(yùn)行估計(jì)的目的是通過電機(jī)運(yùn)行狀態(tài)（調(diào)速比K、軸功率Pin)估計(jì)栗運(yùn)行狀態(tài) (栗流量Q，栗揚(yáng)程Η)，因此，建立以調(diào)速比K、軸功率Pin為輸入變量，以栗流量Q、揚(yáng)程H為輸 出變量的數(shù)學(xué)模型，新型的栗模型結(jié)構(gòu)示意圖如圖2所示。
[0050] 1.3數(shù)學(xué)模型結(jié)構(gòu)化簡(jiǎn)
[0051 ]由式（1)可知：流量Q是調(diào)速比K、軸功率Pin的函數(shù)；揚(yáng)程H是調(diào)速比K、流量Q的函 數(shù)，即：
[0052] Q = fi(K,Pin) (3)
[0053] H=f2(K,Q) (4)
[0054] 將雙輸入-雙輸出的栗系統(tǒng)模型分解成兩個(gè)雙輸入-單輸出的子系統(tǒng)模型串聯(lián)構(gòu) 成，數(shù)學(xué)模型描述見式(2 )，結(jié)構(gòu)示意圖如圖3所示。
[0056]將式(2)的雙輸入-雙輸出的數(shù)學(xué)模型結(jié)構(gòu)表達(dá)成兩個(gè)雙輸入-單輸出的數(shù)學(xué)模型 描述，即
[0058] 2、基于雙神經(jīng)網(wǎng)絡(luò)栗系統(tǒng)模型描述
[0059]如圖4和圖5所示，采用雙神經(jīng)網(wǎng)絡(luò)建立栗系統(tǒng)模型，其中神經(jīng)網(wǎng)絡(luò)NNl與NN2分別 是雙輸入-單輸出的BP神經(jīng)網(wǎng)絡(luò)；調(diào)速比K、軸功率Pin作為神經(jīng)網(wǎng)絡(luò)NNl的輸入，輸入變量連 接輸入層i的神經(jīng)元，輸入層的神經(jīng)元分別與隱含層j的各神經(jīng)元連接，連接權(quán)值矩陣為W lj, 隱含層的閥值向量為匕，隱含層的輸出分別與輸出層k的神經(jīng)元連接，連接權(quán)值矩陣為Wkj， 輸出層的神經(jīng)元的閥值為bk，輸出層的輸出為輸出變量流量Q;調(diào)速比K、神經(jīng)網(wǎng)絡(luò)NNl的輸 出作為神