(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210967849.0 (22)申请日 2022.08.12 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市拱 墅区潮王路 18号 (72)发明人 柴敏　张威威　郑水华　夏召顺　 孙泽楠　陈锦学　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 汤明 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 17/16(2006.01) G06F 17/18(2006.01)G06F 119/14(2020.01) G06F 113/08(2020.01) G06F 111/08(2020.01) (54)发明名称 数据-机理耦合的无传感器离心泵性能参数 预测方法 (57)摘要 本发明公开了一种数据 ‑机理耦合的无传感 器离心泵性能参数预测方法， 属于预测离心泵流 量、 动扬程阻力损失系数和扬程的技术领域。 它 包括以下过程： 1)数据采 集； 2)数据处理； 3)即时 学习数据处理； 4)后验概率数据处理； 5)离心泵 性能参数预测模型的建立； 6)离心泵性能参数预 测。 本发明同时利用了即时学习的欧式加权距离 的相似性度量、 后验概率、 高斯过程回归以及离 心泵的机理公 式相结合的一种数据建模的模型， 其模型具有较好的泛化性能和预测精度， 且不受 离心泵性能参数曲线变化的影 响， 同时因为是在 无传感器模式， 因此可以减少传感器费用的支 出。 权利要求书3页 说明书7页 附图7页 CN 115391934 A 2022.11.25 CN 115391934 A 1.数据‑机理耦合的无传感器离心泵性能参数 预测方法， 其特 征在于， 包括以下步骤： 1)数据采集： 离心泵性能试验开始前， 将泵进出口阀门开至最大， 电机频率设定为预设 频率， 调节进口阀使进 出口压力表示数稳定不变， 此阀门开度为初始阀门开度， 在预设频率 下， 调节进口阀阀门开度， 直到进口阀开度调制最大， 依次记录进口阀阀门开度、 进口压力、 出口压力、 泵出口流 量参数； 2)数据处理： 对所记录的离心泵性能试验数据， 以及基于实验数据所获得的性能参数： 流量Q值、 扬程H值及动扬程阻力损失系数K值， 以此作为预测模型的训练数据， 其中频率N和 阀门开度V作为数据特 征流量Q值， 扬程H值及动扬程阻力损失系数 K值分别作为数据标签； 3)即时学习数据处理： 通过欧式加权距离相似度准则对一组待测数据特征， 在所有历 史数据样本特征中通过相似度度量选取若干组相似样本； 其中待测数据特征包括频率N和 阀门开度V； 4)后验概率数据处理： 在若干组相似样本中再随机选取其中多组相似样本组合成一个 新的样本集， 利用后验概率MEPP在所有的新的样 本集中选取概率最大的一组样本集作为该 待测数据特征的训练数据特征集， 与训练数据特征集相对应的历史数据标签分别组成的新 的训练数据标签集； 其中历史数据标签包括 流量Q值、 扬程H值和动扬程阻力损失系数 K值； 5)离心泵性能参数预测模型的建立： 利用训练数据特征集分别与流量Q值训练数据标 签集、 动扬程阻力损失系数K值训练数据标签集进行高斯过程回归GPR预测模型的建立， 所 建立的模型分别对应为流量Q值即时学习后验概率高斯过程回归预测模型Q ‑JITL‑MEPP‑ GPR和动扬程阻力损失系数K值即时学习后验概率高斯过程回归预测模型K ‑JITL‑MEPP‑ GPR； 6)离心泵性能参数预测： 将待测数据特征带入上述Q ‑JITL‑MEPP‑GPR预测模型和K ‑ JITL‑MEPP‑GPR预测模型中， 分别预测出流量和动扬程阻力损失系数， 最后利用离心泵的机 理公式， 求出离心泵的扬程。 2.根据权利要求1所述的数据 ‑机理耦合的无传感器离心泵性能参数预测方法， 其特征 在于， 步骤2)中， 根据实验所 得到参数求动扬程阻力损失系数 K值和扬程 Q值公式如下： 其中： H表示泵的总扬程， m； Hst表示泵得静扬程， m； Pout表示泵出口压力， Pa； Pin表示泵进口压力， Pa； ρ 表示传质的密度， kg/m3( ρ水＝1000kg/m3)。 其中： H表示泵的总扬程， m； Hst表示泵得静扬程， m； Q表示泵的流 量， m3/h。 3.根据权利要求1所述的数据 ‑机理耦合的无传感器离心泵性能参数预测方法， 其特征权　利　要　求　书 1/3 页 2 CN 115391934 A 2在于， 所述 步骤3)中， 采用欧式加权距离公式作为相似性度量的准则， 其公式表达为： 其中： {Nm， Vm}表示历史数据样本特 征； {Nn， Vn}表示待测数据特 征； 0.01×Nm表示权重。 4.根据权利要求1所述的数据 ‑机理耦合的无传感器离心泵性能参数预测方法， 其特征 在于， 所述步骤4)中， 后验概率具体过程为： 分别将所有的新的样本集和所对应的流量集输 入到不同的GPR模 型中， 根据不同GPR模 型的预测方差结合贝叶斯定理制定标准度量待测数 据特征的近似性； 4.1)将待测数据特征输入到训练好的GPR模型中， 其预测输出集预测方差的计算公式 如下： 其中： kt， i＝[C(xt， i， x1)， C(xt， i， x2)，…， C(xt， i， xN)]T是新输入数据和训练数据的协方差 向量； kt， i＝C(xt， i， xt， i)是新输入数据的协方差； 是GPR模型输出的预测方差； 4.2)根据不同GPR的预测方差， 将预测方差与贝叶斯后验概率相结合得到度量不同转 速下的新的样本集的相似的标准， 选取概率最大的一组样本集作为该待测数据特征的训练 数据特征集， 与训练数据特征集相对应的历史数据标签分别组成的新的训练数据标签集， 其公式如下： 其中： Nl表示训练样本 子集的样本个数； Nt表示测试集的样本个数； 表示GPR模型对 xt， i的预测不确定度； 表示GPR模型对 xt， i的预测值； 为过程表达式； MEPP表示表示后验概率的平均值， 其值越高即为训练样本子集与测试集的相似度越 高， 反而反 之。 5.根据权利要求1所述的数据 ‑机理耦合的无传感器离心泵性能参数预测方法， 其特征权　利　要　求　书 2/3 页 3 CN 115391934 A 3