CN113297792A - 一种基于振动数据的离心泵能效评估方法 - Google Patents

Abstract

本发明公开了一种基于振动数据的离心泵能效评估方法，包括：(1)使用振动传感器采集离心泵不同工况下的振动数据；(2)结合离心泵的性能曲线，划分离心泵的能效区域并对采集的振动数据进行类别划分；(3)基于PCA方法对所采集的振动数据进行特征提取；(4)以提取的特征数据作为输入，训练RNN网络，得到离心泵能效评估模型；(5)使用离心泵能效评估模型，进行离心泵能效评估。本发明采用非侵入式测量手段，不会对设备本身产生侵入影响，具有快速、便捷等优点；同时对采集的数据进行特征提取，大大减小模型训练与评估过程的计算量，能高效准确地评估离心泵运行过程是否偏工况运行，对判断离心泵是否需要实施节能改造有重大作用。

Description

一种基于振动数据的离心泵能效评估方法

技术领域

本发明属于离心泵能效评估领域，尤其是涉及一种基于振动数据的离心泵能效评估方法。

背景技术

离心泵作为一类典型的流体输送和能量转换设备，广泛应用于电力、化工、农业灌溉等领域。全球水泵电力消耗约占工业设备总消耗的25％,我国离心泵电力需求量高达水泵耗电的80％。因此，提高离心泵的运行效率、降低能耗势在必行。要开展节能改造工作，首先就要准确地评估水泵是否在高效区运行。目前，成熟的测试泵效的方法有两种：水力学法和热力学法。

例如，公开号为CN109322819A的中国专利文献公开了一种泵类***的在线能效测试和能耗分析***及方法，采用了水力学的方法通过测量压力、流量等性能参数，分析泵的能效。公开号为CN110425154A公开了一种水泵在线能效和状态监测及故障预测的方法及其装置，融合了水力学和热力学两种方法，进行水泵的能效监测。

虽然水力学和热力学方法可以做到定量测量，但是工序复杂，并且这两种方法都是侵入式的，在工业现场中，缺乏非侵入式的离心泵能效定性评估手段。

发明内容

本发明提供了一种基于振动数据的离心泵能效评估方法，使用非侵入式的测量手段获取离心泵运作中的振动数据，进一步从振动数据中特征提取，最终结合RNN方法完成了能效的分类与评估。

一种基于振动数据的离心泵能效评估方法，包括以下步骤：

(1)使用振动传感器采集离心泵不同工况下的振动数据；

(2)结合离心泵的性能曲线，划分离心泵的能效区域并对步骤(1) 所采集的振动数据进行类别划分；

(3)基于PCA方法对所采集的振动数据进行特征提取；

(4)以提取的特征数据作为输入，训练RNN网络，得到离心泵能效评估模型；

(5)使用离心泵能效评估模型，进行离心泵能效评估。

步骤(1)中，采集振动数据时，离心泵轴向与径向均有采集测点。

步骤(2)中，划分离心泵的能效区域具体过程为：

在离心泵效率-流量曲线中以最高效率点效率向下浮动5％为界限，依次划分出负载低效区、高效区和过载低效区。

步骤(3)的具体过程为：

(3-1)将所采集的N通道振动数据排列成N行矩阵形式X，得到数据矩阵，求取X的协方差矩阵U；即：

其中，N为振动数据采样的通道数，n为单通道振动数据的采样点数。

其中，x_i＝[x_i1,x_i2,…,x_in],i＝1,2,…,N。Cov为求取协方差的操作符，其定义如下：

(3-2)对协方差矩阵U求取特征值矩阵W与特征向量矩阵V，并根据特征值从大到小进行排序的原则获得新的特征值矩阵W'与对应排序后的特征向量矩阵V'，即：

其中，λ_i,i＝1,2,…,N为对应特征值。

其中，v_i＝[v_i1 v_i2 … v_iN],i＝1,2,…,N为与特征向量对应的特征值。

所述的排序后的特征值矩阵与特征向量矩阵如下：

其中，λ_max、λ_min为最大和最小特征值。所述的对应排序后的特征向量矩阵V’为：

其中，v_max、v_min分别为最大、最小特征值对应的特征向量。

(3-3)仅保留W'中大于

的前k个特征值，其中M为特征值的数值总和，组成新的特征值矩阵W_k，同样仅保留对应的前k个特征向量组成新的特征向量矩阵V_k，即：

其中，λ_k为排序后第k个特征值。

其中,V_k为与W_k对应的特征向量。

(3-4)使用新的特征向量矩阵V_k与X相乘获得新的特征矩阵X'，即：

步骤(4)中，提取的特征数据为特征矩阵X'，所述的RNN网络具有两个隐藏层，训练时，学习率为0.001，损失函数为交叉熵损失，采用 Adam优化方法，最终得到三种分类的循环神经网络。

步骤(5)中，进行离心泵能效评估的具体过程为：

使用训练完成的三分类的循环神经网络，以离心泵待评估工况振动数据X₀作为输入，计算模型输出的能效分类情况，得到最终该离心泵待评估工况的能效评估结果。

与现有技术相比，本发明具有以下有益效果：

本发明使用振动传感器采集离心泵运作中的振动数据，基于振动数据进行特征提取，进一步基于循环神经网络完成了离心泵的能效评估。相较于离心泵能效评估中传统的水力学和热力学方法，本发明采用了非侵入式的测量手段，更为快速和便捷，也不会对设备本身产生侵入影响，同时，通过特征提取手段，融合特征，大大减小了模型训练与评估过程的计算量。最终达到了快速，高效，准确评估离心泵能效的效果。

附图说明

图1为本发明一种基于振动数据的离心泵能效评估方法的流程图；

图2为本发明实施例中振动传感器第5通道数据的时域图；

图3为本发明实施例中依据离心泵性能曲线划分能效区域结果图；

图4为本发明实施例中特征值排序与选取示意图；

图5为本发明实施例中特征提取后第5通道的数据时域图；

图6为本发明实施例中RNN网络示意图；

图7为本发明实施例中模型训练过程的平均准确率变化曲线图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

如图1所示，一种基于振动数据的离心泵能效评估方法，包括：

S01，使用振动传感器对离心泵不同工况下的振动数据进行采集，振动传感器的测点数量可视情况而定，但必须保证离心泵轴向及径向的均有测点。本实施例中，试验测试过程中，使用9个测点对离心泵不同工况下振动数据采集，最终得到通道数N＝9的振动数据。图2为测试组第5通道某工况下的振动原始数据时域图。

S02，结合离心泵的性能曲线，划分能效区域，并标注各工况振动数据所处工况。如图3所示，以最高效率点效率向下浮动5％为限，划分出负载低效区，高效区和过载低效区，由图可见14组振动数据中有5组为低效负载工况，7组为高效工况，2组为过载低效工况。

S03，基于PCA方法对振动数据进行特征提取。首先对9个通道的振动数据求取其协方差矩阵，如式(2)，得到一个维度为9乘9的矩阵，接下来求取协方差矩阵的特征值矩阵，如式(3)，得到一个对角矩阵。接下来对特征值按照数值大小进行排序，如图4所示，根据排序结果，计算得到

因此，K＝5，即只保留前五个特征值及其对应的特征向量V_k。最终使用V_k与X得到特征矩阵X'。图5为特征提取后第5通道的数据时域图。

S04，使用具有两个隐藏层RNN网络，学习率设置为0.001，选择交叉熵损失为损失函数，采用Adam优化方法，以特征矩阵X'为输入训练模型，图6为所述RNN网络的示意图。

RNN网络由输入层、隐藏层、输出层构成，每一个时间步都有输出，并且隐藏单元之间有循环连接。RNN将x值的输入序列映射到输出值o 的对应序列，定义损失L为每个o与相应的训练标签y之间的距离，因为 o是未归一化的对数概率，采用softmax函数输出，则损失L内部计算

并与标签y比较。与x序列配对的y的总损失就是所有时间步的损失之和。例如，

为给定的x₁,x₂,…,x_t后y_t的负对数似然，则：

其中，p_model(y_t|{x₁,x₂,…,x_t})需要读取模型输出向量

中对应于y_t的项。

RNN输入层到隐藏层由权重矩阵U连接，隐藏单元之间由权重矩阵 W循环连接，隐藏层到输出层由权重矩阵V连接。式(12)-(15)定义了RNN模型的前向传播：

a_t＝b+Ws_t-1+Ux_t (12)

s_t＝tanh(a_t) (13)

o_t＝c+Vs_t (14)

其中，b、c为偏置向量，tanh、softmax函数为激活函数，激活函数的引入增加了神经网络模型的非线性。

图7为训练过程中的平均准确率，可以看到训练进行15轮后，模型的准确率已经达到了99.2％。

S05，使用训练好的模型，以待评估的离心泵振动数据作为输入，即可进行能效评估。

下表1给出了90组数据的评估结果，可以发现平均准确率达到了 96.7％。可见，本发明所公开的一种基于振动数据的离心泵能效评估方法，实现了非侵入式的高效、准确的离心泵能效评估。

表1

数据标签	负载低效工况	高效工况	过载低效工况
				待评估数量	30	30	30
正确数量	29	30	28

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于振动数据的离心泵能效评估方法，其特征在于，包括以下步骤：

(1)使用振动传感器采集离心泵不同工况下的振动数据；

(2)结合离心泵的性能曲线，划分离心泵的能效区域并对步骤(1)所采集的振动数据进行类别划分；

(3)基于PCA方法对所采集的振动数据进行特征提取；

(4)以提取的特征数据作为输入，训练RNN网络，得到离心泵能效评估模型；

(5)使用离心泵能效评估模型，进行离心泵能效评估。

2.根据权利要求1所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(1)中，采集振动数据时，离心泵轴向与径向均有采集测点。

3.根据权利要求1所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(2)中，划分离心泵的能效区域具体过程为：

在离心泵效率-流量曲线中以最高效率点效率向下浮动5％为界限，依次划分出负载低效区、高效区和过载低效区。

4.根据权利要求1所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(3)的具体过程为：

(3-1)将所采集的N通道振动数据排列成N行矩阵形式X，得到数据矩阵，求取X的协方差矩阵U；

(3-2)对协方差矩阵U求取特征值矩阵W与特征向量矩阵V，并根据特征值从大到小进行排序的原则获得新的特征值矩阵W'与对应排序后的特征向量矩阵V'；

(3-3)仅保留W'中大于

的前k个特征值，其中M为特征值的数值总和，组成新的特征值矩阵W_k，同样仅保留对应的前k个特征向量组成新的特征向量矩阵V_k；

(3-4)使用新的特征向量矩阵V_k与X相乘获得新的特征矩阵X'。

5.根据权利要求4所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(3-1)中，数据矩阵X表示为：

其中，N为振动数据采样的通道数，n为单通道振动数据的采样点数；协方差矩阵U表示为：

其中，x_i＝[x_i1,x_i2,…,x_in],i＝1,2,…,N，Cov为求取协方差的操作符。

6.根据权利要求5所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(3-2)中，特征值矩阵W表示为：

其中，λ_i,i＝1,2,…,N为对应特征值；特征向量矩阵V的表示为：

其中，v_i＝[v_i1 v_i2…v_iN],i＝1,2,…,N为与特征向量对应的特征值；排序后的特征值矩阵W'表示为：

其中，λ_max、λ_min为最大和最小特征值；排序后的特征向量矩阵V'为：

其中，v_max、v_min分别为最大、最小特征值对应的特征向量。

7.根据权利要求6所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(3-3)中，新的特征值矩阵W_k表示为：

其中，λ_k为排序后第k个特征值；新的特征向量矩阵V_k表示为：

其中,V_k为与W_k对应的特征向量。

8.根据权利要求7所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(3-4)中，新的特征矩阵X'表示为：

9.根据权利要求1所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(4)中，提取的特征数据为特征矩阵X'，所述的RNN网络具有两个隐藏层，训练时，学习率为0.001，损失函数为交叉熵损失，采用Adam优化方法，最终得到三种分类的循环神经网络。

10.根据权利要求9所述的基于振动数据的离心泵能效评估方法，其特征在于，步骤(5)中，进行离心泵能效评估的具体过程为：

使用训练完成的三分类的循环神经网络，以离心泵待评估工况振动数据X₀作为输入，计算模型输出的能效分类情况，得到最终该离心泵待评估工况的能效评估结果。

Images