一种基于改进麻雀搜索算法优化的反向传播神经网络离心泵无传感预测方法

本发明属于泵性能预测方法领域，具体涉及一种无流量传感器的离心泵性能神经网络预测方法，主要用于快速精确地预测离心泵的工作性能参数，在无流量和压力传感器的条件下对泵的流量和扬程进行准确预测，实现设备运行状态的智能监测与诊断，保证设备运行的安全性和可靠性。

背景技术：

1、对于离心泵系统而言，为保证系统运行的安全性和可靠性，需要实时掌握设备的运行状态、预判设备运行故障。然而，由于物理空间的限制或特殊工作环境的限制，无法在现有的系统中通过安装外部传感器来获取实际设备运行时的信息，且外部传感器会增加系统的复杂性和成本。同时，对于一些特殊工况，例如高温、高压、强腐蚀等工作介质，无法通过安装传感器来实现离心泵运行状态的监控。为解决该问题，一些研究人员提出了基于模型的预测方法，该方法结合qp曲线和系统管路特性曲线预测离心泵的流量和扬程，然而该方法由于对qp曲线和系统管路特性曲线形状，即流量-功率和流量-扬程的多项式拟合方程较为敏感，故在流量和扬程预测精度上存在一定的缺陷。在此基础上，研究人员开发了基于机器学习的多级混合预测模型，该方法针对无流量和压力传感器条件下泵的性能参数监测问题，通过建立转速和阀门开度为输入的多级jgpr模型，实现泵性能参数的预测。然而，该方法由于采用逐级传递的方式得到性能参数的预测值，会导致在其传递过程中每一级的误差积累。针对上述问题，本发明提出了一种基于改进麻雀搜索算法优化的反向传播神经网络离心泵无传感预测方法，该方法摆脱了传统多项式拟合方程的束缚，借助智能算法优化的神经网络模型，将随机的样本数据进行大规模的训练，得到精度较高、适用性更广的离心泵性能预测模型，以实现无流量和压力传感器下离心泵性能的准确预测。

2、已有的无流量和压力传感离心泵性能预测方法存在以下几类缺点：1)针对传统的基于模型的预测方法，由于模型的建立是依靠qp曲线、qh曲线和系统管路特性曲线，这些曲线的形状极大程度上能影响模型的预测性能，无法实现流量和扬程的有效预测；2)传统的神经网络的权值和阈值容易陷入局部最优，导致其生成的模型不准确，无法进行有效的预测。

技术实现思路

1、为了克服已有技术的不足，本发明提供了一种基于改进麻雀搜索算法优化的反向传播神经网络离心泵无传感预测方法，针对特定离心泵系统，在实验室借助泵水力性能测试系统获取离心泵相关测试数据，利用混合策略改进的麻雀搜索算法优化反向传播神经网络，并采用改进的神经网络模型对样本数据进行大规模的训练，通过此预测模型，在无流量和压力传感器的条件下对泵的流量和压力参数进行准确预测，实现设备运行状态的智能监测与诊断，保证设备运行的安全性和可靠性。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于改进麻雀搜索算法优化的反向传播神经网络离心泵无传感预测方法，包括以下步骤：

4、步骤1.通过离心泵水力性能试验，获取不同转速n和阀门开度v下的离心泵流量q、扬程h、电机轴功率p试验样本数据；

5、步骤2.通过混合策略改进麻雀搜索算法；

6、步骤3.使用改进麻雀搜索算法对反向传播神经网络的初始权值和阈值进行优化，建立改进麻雀搜索算法优化的反向传播神经网络预测模型；

7、步骤4.将训练好的预测模型植入离心泵控制器，基于实时测量数据，实现离心泵性能的准确预测。

8、进一步，所述步骤1中，在实验室条件下，开展离心泵特性试验，借助离心泵水力性能测试系统获取不同转速n和阀门开度v下的离心泵流量q、扬程h、电机轴功率p，整理测试数据，绘制不同转速下的离心泵流量–扬程曲线和流量–功率曲线。

9、再进一步，所述步骤2的过程如下：

10、首先，使用logistic-tent混沌映射对其初始种群生成规则进行优化，使初始种群分布更加均匀，logistic-tent混沌映射如公式(1)所示；初始化初始种群如公式(2)所示；

11、

12、xj＝xlb+(xub-xlb)×ej   (2)

13、式中，α和γ为控制因子，取值分别为0.5和0.1，j为维度，mod为取模运算，xlb为每一种群在每一维度内的下界，xub为每一种群在每一维度内的上界，ej是由公式(1)生成的混沌序列；

14、其次，使用公式(3)对生产者比例进行优化，并使用公式(4)生成的自适应控制因子改进生产者位置分布策略，使其能够在局部最优附近继续探索，增强局部最优能力；

15、

16、式中，t为当前迭代次数，itermax为最大迭代次数；

17、当麻雀群体遇到危险时，生产者需要随机移动，引入lévy飞行策略改进生产者位置更新策略，lévy飞行策略如公式(5)所示；改进的生产者位置更新策略如公式(6)所示；

18、

19、式中，β∈(1,3)为随机数，为在t次迭代时第i个麻雀第j维的值，α∈(0,1]为随机数，r∈[0,1]为报警值，st∈[0.5,1]为安全阈值，μ为步长缩放因子，为点积；

20、最后，引入柯西变异扰动使陷入局部最优的麻雀种群快速跳出局部最优，如公式(7)所示；

21、

22、式中，xi为当前麻雀位置，xbest为当前全局最佳位置，xi’为经过柯西变异扰动后产生的新位置，cauchy(0,1)为服从标准柯西分布的随机变量；为点积；

23、混合策略改进的麻雀搜索算法(hssa)的种群数量设置为30，最大迭代次数设置为100，安全阈值设置为0.5，上下边界分别为-3和3。

24、更进一步，所述步骤3的过程如下：

25、首先，以电机转速、电机轴功率和阀门开度作为输入参数，并结合混合策略改进的麻雀搜索算法，建立离心泵流量扬程神经网络预测模型hssa-bpnn，神经网络预测模型采用四层反向传播神经网络方法，分别为一个输入层、两个隐藏层和一个输出层，其输入层包含3个神经元，分别为电机转速、电机轴功率和阀门开度，第一隐藏层包含7个神经元，第二隐藏层包含6个神经元，输出层包含2个神经元，为流量和扬程输出；

26、其次，将步骤1获取的试验测量样本值(流量、扬程、电机转速、电机轴功率和阀门开度)作为神经网络训练的初始样本，对hssa-bpnn预测模型进行训练；训练时，采用样本随机分配方法将训练样本按照70％、15％、15％的比例分配为训练样本数据集、验证样本数据集和测试样本数据集，神经网络训练算法采用levenberg-marquardt算法，学习率设置为0.01，目标误差设置为0.00001，最大历元数设置为160；训练完成后，分别对训练结果、验证结果和测试结果进行目标值和输出值之间的相关性分析，即r值分析，r值越接近1，说明训练好的模型越准确。

27、所述步骤4中，通过步骤3最终确定离心泵在不同的功率特性下所选用的神经网络预测模型，将该训练好的神经网络预测模型，植入到离心泵控制器中，控制器是标准的可编程逻辑控制器plc，采集变频器中的电机频率、电机轴功率和阀门开度的电信号，转换为电机频率、电机轴功率和阀门开度实数值，利用公式(8)计算电机转速；利用hssa-bpnn预测模型，实现当前状态下流量值和扬程值的预测，实现设备性能的准确预测和设备运行状态的智能监测与诊断；

28、n＝60f (8)式中，n为电机转速，f为电机频率。

29、本发明的有益效果主要表现在：1)借助神经网络模型，通过大量的样本数据，快速建立离心泵性能预测模型，并使用混合策略改进的麻雀搜索算法优化神经网络的初始权值和阈值，改善神经网络的性能，此方法无需建立传统的基于多项式拟合方程的离心泵性能预测数学模型，同时，克服了传统数学模型存在的预测误差大和神经网络参数陷入局部最优无法跳出的问题，在预测准确性及适用度上得到显著改善；2)借助控制器，在无流量和压力传感器的条件下对泵的流量和压力进行准确预测，实现设备运行状态的智能监测与诊断，保证设备运行的安全性和可靠性。