基于BP神经网络的离心泵关死点功率预测.pdf

《基于BP神经网络的离心泵关死点功率预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第28卷第11期农业工程学报2012年6月TransactionsoftheChineseSocietyofAgriculturalEngineering、，01．28NO．1IJLul．201245基于BP神经网络的离心泵关死点功率预测刘厚林，吴贤芳※，王勇，谈明高，王凯(江苏大学流体机械工程技术研究中心，镇江212013)摘要：离心泵关死点功率至今还不能通过理论计算求得。该文介绍了BP神经网络的结构和特点及其在离心泵性能预测领域的应用现状。基于BP神经网络建立了离心泵关死点功率的预测模犁。给出了预测模型的输

2、入模式，并应用试凑法确定了BP神经网络中问隐含层的数目。用46组数据该预测模型进行jr训练并给出了神绛网络权值和闻值，用3组数据该预测模犁进行了仿真并对仿真结果进行了线性酬归分析。研究结果表明：建立的离心泵关死点功率预测模型具有比较高的预测精度，其预测平均偏差为4％，可以应剧于工程实践中离心泵关死点功率的理论求解。关键词：离心泵，神经网络，预测，功率，关死点doi：10．39690．issn．10026819．2012．11．008中图分类号：TH3ll文献标志码：A文童编号：l002—6819(2012)一l

3、l一0045—05刘厚林，吴贤芳，王勇，等．基于BP神经网络的离心泵关死点功率预测m．农业工程学报，2012，28(11)：45—49．LiuHoulin，WuXianfang,WangYong，eta1．Powerpredictionforcentrifugalpumpsatshutoffconditionbased013BPneuralnetwork[J]．TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCS

4、AE)，2012，28111)：45—49．inChinesewithEnglishabstract)0引言一直以来，国内外对离心泵关死点性能的研究都比较少。随着经济的发展很多离心泵的设计都对关死点性能有明确的要求，比如核电用泵和以绿色能源为动力的太阳能泵以及风能泵【06】。离心泉关死点性能主要育扬程和功率2个参数。目前，关于离心泵关死点扬程方面的研究国内外尚有为数不多的报道[_。。2J，但有关离心泵关死点功率的研究到目前还没有见到相关报道。因此离心泵关死点功率至今还不能通过理论计算求得，只能通过试验获得。这就

5、给现代水泵设计造成了一定的困难。人_T神经I：【)4络由于具有很强的非线性映射能力，且不需要任何假设，因此在泵性能预测中得到较为广泛的应用，主要用于泵设计工况下能母性能和汽蚀性能的预测pJ。神经网络的模型多种多样，目前在泵性能预测中应用最多的是BP神经网络(back-propagation，BP)。聂书彬、丛小青、谈明高、袁寿其、葛强、刘光临、Mustafa、Garg等都曾应用BP网络预测了离心泵设计工况F的能量性能，且都取得了满意的结果[13-211。刘厚林等用BP网络预测了离心泵设计工况卜．的汽蚀性能，也得

6、到r令人满意的结果【221。收稿H期：2011-1I．20修订n期：2012-03．08基金项目：国家自然科学基金(51109095)，江苏省自然科学基金(BK2010346)、江苏省教育，J：项H(09KJD470002)、江苏大学高级人才科研启动摹金(09JDG026)、江苏省研究生创新研究计划(CXLXI10576)作者简介；刘厚林(1971一)，男，江苏漂水人，研究员，博+生导师．主要从事泉现代设计理论与方法研究。镇汀江苏大学流体机械J：程技术研究中心·212013。Emaihliuhoulin@ujs

7、．edu．cn※通信作者：兑赞芳(1980一)，女，汀苏大}人．博士生，主垂从事离心泵关死点能{妻性能和动力学特性的研究。镇江江苏人学流体机械』=程技术研究中心，212013。Email：demonwl@sohu．c叫nBP网络是基于误差反向传播算法的多层前向神经网络，是典型的全局逼近网络，学习精度高，因此具有很强的非线性函数逼近能力，可以实现输入和输出问的任意非线性映射[231。为此，本文采用改进算法的BP神经网络来预测离心泵的关死点功率，从而为离心泵关死点功率的理论计算提供一种方法。1BP人工神经网络1．1

8、网络结构BP神经网络都是非线性多层前向神经网络。BP网络由输入层，隐含层和输出层构成。BP网络的隐含层可以是一层或多层。BP网络输入层和隐含层之问的传递函数通常为S型函数，隐含层皋l输}}{层之问的传递函数通常为线性函数。1．2网络学习规则BP神经刚络的学习过程由信号的前向计算和误差反向传播两部分组成。正向传播时，输入样本从输入层传入，经隐含层处理后，传向输出层。若输出层的实际输出与期