(19)中华 人民共和国 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 202111340207.X (22)申请日 2021.11.12 (71)申请人 利欧集团浙江泵业有限公司 地址 317500 浙江省台州市温岭市东部产 业集聚区第三街1号 (72)发明人 吴登昊　林仁勇　邱士军　吴献　 张灵波　 (74)专利代理 机构 蓝天知识产权代理(浙江)有 限公司 3 3229 代理人 周绪洞 (51)Int.Cl. F04D 15/00(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G06F 30/27(2020.01) (54)发明名称 一种基于双神经网络模型的离心泵变频控 制方法 (57)摘要 本发明属于水泵技术领域， 特别涉及一种基 于双神经网络模 型的离心泵变频控制方法， 电机 输入功率Pact和工作转速频率fact作为控制器的 输入， 借助双神经网络预测模型获得当前工作压 力pest和当前工作流量qest， 基于当前工作压力 pest与所需工作压力值pset的偏差， 控制器输 出调 节转速频率fo， 调节转速频率fo作为变频器的输 入频率， 控制电机和离心泵的工作转速； 基于当 前工作流量qest与所需工作流量值qset的偏差， 控 制器输出调节电动调节阀开度 调节电动调 节阀开度 作为电动调节阀执行机构的输入 值， 控制电动调节 阀的开度。 本发明无需压力传 感器和流量传感器， 实现无压力传感器和流量传 感器条件下离心泵运行工况的实时监测和智能 调控， 控制的可靠性高， 能耗低。 权利要求书2页 说明书6页 附图6页 CN 114046259 A 2022.02.15 CN 114046259 A 1.一种基于双神经网络模型的离心泵变频控制方法， 其特 征在于： 包括以下步骤： A1、 设定离心泵所需工作压力值pset和压力允许误差 δp； A2、 测量电机输入功率Pact和工作转速频率fact， 借助双神经网络预测模型获得离心泵 当前工作压力pest； A3、 基于当前工作压力pest与所需工作压力值pset的偏差， 控制器输出调节转速频率fo， 调节转速频率fo作为变频器的输入频率， 控制电机和离心泵的工作转速； A4、 判断当前工作压力pest与所需工作压力值pset的偏差的绝对值是否小于压力允许误 差 δp， 若是， 则进入步骤A5； 若否， 则返回步骤A 2， 进行迭代控制； A5、 结束调控； 或包括以下步骤： B1、 设定离心泵所需工作压力值pset、 所需工作流量值qset、 压力允许误差δp、 流量允许误 差 δq和电动调节阀初始开度； B2、 测量电机输入功率Pact和工作转速频率fact， 借助双神经网络预测模型获得离心泵 当前工作压力pest和当前工作流 量qest； B3、 基于当前工作压力pest与所需工作压力值pset的偏差， 控制器输出调节转速频率fo， 调节转速频率fo作为变频器的输入频率， 控制电机和离心泵的工作转速； B4、 判断当前工作压力pest与所需工作压力值pset的偏差的绝对值是否小于压力允许误 差 δp， 若是， 则进入步骤B5； 若否， 则返回步骤B2， 进行迭代控制； B5、 基于当前工作流量qest与所需工作流量值qset的偏差， 控制器输出调节电动调节阀 开度 将调节电动调节阀开度 作为电动调节阀执行机构的输入值， 控制电动调节阀的 开度； B6、 判断当前工作压力pest与所需工作压力值pset的偏差的绝对值是否小于压力允许误 差 δp， 当前工作流量qest与所需工作流量值qset的偏差的绝对值是否小 于流量允许误差 δq， 若 两者同时满足， 则进入步骤B7； 若至少一项不满足， 则返回步骤B2， 进行迭代控制； B7、 结束调控； 所述双神经网络预测模型采用三层逆向传播BP神经网络， 包括流量神经网络预测模型 NN1和压力神经网络预测模型NN2， 流量神经网络预测 模型NN1的输入层包含2个神经元， 分 别为电机输入功率Pact和工作转速频率fact， 流量神经网络预测 模型NN1的隐藏层包括若干 个神经元， 流量神经网络预测模型NN1的输出层包含1个神经元， 为当前工作流量qest； 压力 神经网络预测模型NN2的输入层包含2个神经元， 分别为工作转速频率fact和当前工作流量 qest，， 压力神经网络预测模型NN2的隐藏层包括若干个神经元， 压力神经网络预测模型NN2 的输出层包 含1个神经 元， 为当前工作压力pest。 2.根据权利要求1所述的一种基于双神经网络模型的离心泵变频控制方法， 其特征在 于： 获取离心泵水力性能测试数据集， 包括当前工作压力pest、 当前工作流量qest、 电机输入 功率Pact和工作转速频率fact， 基于离心泵水力性能测试数据集， 分别对流量神经网络预测 模型NN1和 压力神经网络预测模型NN2进行训练， 采用随机分配方法将测试数据按照80％、 10％、 10％的比例分配为训练样本数据集、 验证样本数据集、 测试样本数据集。 3.根据权利要求2所述的一种基于双神经网络模型的离心泵变频控制方法， 其特征在 于： 所述训练的算法采用贝叶斯正则化算法， 训练的迭代次数设置为5000， 学习率设置为权　利　要　求　书 1/2 页 2 CN 114046259 A 20.1， 目标误差设置为0.00001， 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。 4.根据权利要求1所述的一种基于双神经网络模型的离心泵变频控制方法， 其特征在 于： 所述流量神经网络预测模 型NN1的隐藏层包含10个神经元， 所述压力神经网络预测模 型 NN2的隐藏层包 含10个神经 元。 5.根据权利要求1所述的一种基于双神经网络模型的离心泵变频控制方法， 其特征在 于： 所述控制器包括压力PI控制器和流量PI控制器， 压力PI控制器输出调节转速频率fo， 控 制电机和离心泵的工作转速； 流量PI控制器输出调节电动调节阀开度 控制电动调节阀 的开度。 6.根据权利要求1所述的一种基于双神经网络模型的离心泵变频控制方法， 其特征在 于： 步骤A2或步骤B2中电机输入功率Pact和工作转速频率fact通过变频器读取或通过连接在 电机上的功率传感器和霍尔传感器测量得到 。权　利　要　求　书 2/2 页 3 CN 114046259 A 3