共查询到17条相似文献，搜索用时 203 毫秒
1.
2.
基于神经网络的离心泵汽蚀性能预测 总被引：1，自引：0，他引：1
介绍了离心泵汽蚀性能预测的研究现状,分析了离心泵汽蚀性能预测的主要研究方法．根据设计流量下离心泵汽蚀余量的影响因素,确定人工神经网络的拓扑结构．应用MATLAB的神经网络工具箱,建立单级单吸离心泵汽蚀性能预测的BP神经网络（Back Propagation Neural Network）和RBF神经网络（Radial Basis Function Neural Network）两种人工神经网络模型．用工程实践中得到的57台离心泵几何参数和试验数据作为样本来训练建立好的网络,并用6台离心泵的数据来测试网络．预测值与试验值的相关性分析表明,BP和RBF网络的预测结果均较好,其中BP网络预测模型的平均相对偏差为5．69％,RBF网络预测模型的平均相对偏差为6．32％,可满足工程应用的要求． 相似文献
3.
根据边界涡量动力学理论,从边界涡量流在离心泵叶轮内表面的分布情况,可获知叶轮的受力状况,进而改进叶轮设计.以BP神经网络和径向基神经网络为建模手段,以叶轮内表面的边界涡量流为预测目标,通过高精度的CFD计算获得70个离心泵叶轮内表面的BVF分布,建立可用于训练人工神经网络的初始样本集;再利用63个初始样本建立离心泵叶轮几何参数和边界涡量流的非线性映射关系,并用剩余的7个校对样本进行测试.根据神经网络预测结果和数值模拟计算结果的误差分析,确定最适用于离心泵叶轮边界涡量流预测的神经网络类型.研究表明:径向基(RBF)神经网络的预测精度高于BP神经网络,其训练时间更短、运行稳定性更高;径向基函数的宽度对RBF神经网络的预测性能有较大影响,当径向基函数宽度取0.3时,RBF神经网络的预测性能最佳,预测误差仅0.020 3;RBF神经网络预测所得叶轮内表面的边界涡量流分布,可以作为评价叶轮水力设计优劣的重要指标,进而指导叶轮机械的优化设计. 相似文献
4.
基于改进BP神经网络的复合叶轮离心泵性能预测 总被引：2，自引：0，他引：2
应用Matlab建立了复合叶轮离心泵效率和扬程的BP神经网络预测模型.选取73组试验结果作为样本,采用LevenbergMarquardt法则对构建的网络进行训练,并随机选取12组训练样本外的数据对训练好的网络进行测试.试验的主要参数为流量Q, 叶片数z,叶片出口安放角β2,短叶片进口直径Di,叶片出口宽度b2,效率η以及扬程H.其中选取Q,z,β2,Di,b2作为网络的输入层,η和H作为输出层.预测结果的分析表明,预测值与试验值具有较好的一致性,利用BP神经网络对复合叶轮离心泵性能进行预测是可行的,可用来作复合叶轮的辅助设计,从而缩短试验时间,降低成本. 相似文献
5.
利用遗传算法优化BP神经网络的连接权值和阈值,并将改进的BP神经网络应用于胶铆接头力学性能预测中,建立了胶铆接头最大拉剪力预测模型。结果表明:GA-BP神经网络比BP神经网络的收敛时间长,但GA-BP网络预测相关系数更好,回归性能更好,具有更好的泛化能力。对训练好的神经网络预测模型进行验证,发现GA-BP神经网络预测的均值绝对误差为BP神经网络均值绝对误差的40%,GA-BP神经网络具备更好的预测性能。 相似文献
6.
总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点。分别采用BP网络和RBF网络建立了离心泵能量性能预测模型。用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真。研究结果表面：两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时间仅为BP网络预测所需时间的一半。 相似文献
7.
基于神经网络的离心泵能量性能预测 总被引：1，自引：0，他引：1
总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点.分别采用BP网络和RBF网络建立了离心泵能量性能预测模型.用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真.研究结果表面:两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时问仅为BP网络预测所需时间的一半. 相似文献
8.
充种性能直接影响排种器排种质量,应用Matlab神经网络工具箱建立了排种器充种单粒率η1和空穴率η2的改进BP神经网络预测模型。选取转速n、种子当量直径d、充种角β和型孔直径D作为试验因素进行充种性能试验,获得64组单粒率和空穴率的试验结果。选取55组结果作为训练样本,采用Levenberg-Marquardt训练方法对建立的网络进行训练,并选取剩余的9组结果对训练好的网络进行仿真预测。其中,n、d、β和D为网络的输入层,η1和η2为网络的输出层,网络结构为含有单隐层的4-15-2型3层网络。预测结果表明：预测值与试验值有较好的一致性,利用改进BP神经网络对排种器充种性能进行预测是可行的,可为排种器的优化设计及工作参数的选择提供依据,从而减少试验时间和成本。 相似文献
9.
为了研究利用CFD技术预测多级离心泵水力性能的方法,选取某一多级离心泵为研究对象.采用数值模拟方法获得了多级离心泵内部全流场信息.分别选取多级离心泵单级、二级、三级的三维模型进行全流场数值模拟,获得了3种三维模型各水力部件内部的的水力损失,通过对计算结果分析发现,多级离心泵内部各级水力损失大小基本类似,不随级数的不同而改变,这为通过对少级数的数值模拟以预测更多级数的泵性能提供了依据.通过对多级离心泵内部流场各级能量损失进行分析,分析各级能量损失特征及其流动特点,发现各级涡量分布基本一致,损失特性相同,只在最后一级导叶内部的涡结构有一定的区别.采用能量分析结合多级泵内部流场涡动力学分析方法建立了多级离心泵性能数值预测的计算方法,并建立了多级离心泵性能预测基于少级数模型数值分析的计算公式. 相似文献
10.
为提高离心泵在设计工况下的运行效率和扬程,提出一种基于高维混合模型的离心泵叶轮优化设计方法.选取一台比转数为157的单级离心泵作为研究对象,通过CFturbo软件对优化变量进行参数化,然后结合数值模拟获得高维混合模型的训练集.在此基础上采用获取的训练集通过MATLAB机器学习得出效率、扬程与优化参数之间关于支持向量回归的高维模型,并采用遗传算法寻优.在设计工况下,所拟合的高维混合模型预测的效率和扬程值比原模型分别高1.5%和3.2 m,数值模拟验证优化方案的效率和扬程分别比原模型高0.9%和2.1 m.算例研究表明,将高维混合模型应用于离心泵叶轮的优化设计中可以实现快速寻优并提高离心泵水力性能. 相似文献
11.
12.
为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%. 相似文献
13.
针对螺旋离心泵运行时性能普遍偏低的问题,以某一典型螺旋离心泵为研究对象,应用计算流体动力学软件CFX对螺旋离心泵进行数值计算得到其内部流动规律.以在设计流量工况下的扬程和效率作为优化目标,采用P-B试验与多因素方差分析筛选出优化变量,采用径向基(RBF)神经网络建立优化目标与优化变量之间的预测模型,并结合差分进化(DECIMO)算法在样本空间内全局寻优.取扬程最优、效率最优和初始个体进行数值计算,对比分析泵输送不同介质(清水与固液两相流体)时的流场及其外特性差异,并进行试验验证.研究结果表明:叶片轮毂进口角β1b、叶轮出口宽度b2、叶轮出口直径D2和叶片包角φ是影响螺旋离心泵扬程和效率的显著因素;由RBF神经网络建立的预测模型精度较高;输送清水时,设计流量下扬程最优个体扬程为9.4 m,增长了13.5%;效率最优个体效率比初始个体提高了9.8%,优化效果显著. 相似文献
14.
为了更好地研究汽车维修企业的顾客满意度测评方法,对神经网络模型进行了分析,并以汽车维修企业顾客满意度调研数据为基础,利用BP和ELMAN神经网络对16组样本数据进行了网络训练,对4组样本数据进行了预测,结果表明将神经网络应用于汽车维修企业顾客满意度测评是可行的,且ELMAN网络性能明显优于BP神经网络。 相似文献
15.
根据山东簸箕李灌区冬小麦灌溉实测资料,初步建立了基于BP网络的畦灌性能模拟模型,并以地面灌溉数值模型SRFR模拟结果作为目标值,对开发的BP模型进行了训练,确定了BP模型运行参数。应用结果表明,SRFR模型和BP模型得到的灌水效率和灌水均匀度变化规律一致,平均相对误差均为2.5%左右,基于BP网络的畦灌性能模拟模型可用于类似条件下畦灌性能指标的预测和评价。 相似文献
16.
建立了一个基于BP神经网络的碳烟排放模型,用它来预测电控LPG-柴油双燃料的碳烟排放。模型将转速、油泵齿条位置、油门开度、LPG喷气时间、冷却水温度、转矩作为输入变量。本文采用准牛顿反向传播算法,对试验样本数据进行训练,并对此模型进行了泛化检验,将预测结果与试验结果进行了比较。此排放模型可以指导双燃料内燃机的排放性能优化试验,减少试验工作量。 相似文献
17.
为满足压电泵系统流体精确控制及小型化的需要,提出利用压电自感知及神经网络技术的单腔单振子压电泵流量自测量方法。压电泵结构上采用双压电晶片振子同时作为执行元件与传感元件使用。首先分析了流量影响因素,并分析了传感压电片输出信号与振子变形关系。得出:压电泵流量与振子振动状态存在函数关系,振子的振动状态可由传感压电信号实时反映,因此在信号中隐含着压电泵流量信息。据此制作了传感压电信号参数测量电路样机,将参数测量结果作为神经网络输入,建立了用于压电泵流量预测的BP神经网络模型。实验结果表明:利用该方法得到的预测值与实验测量值之间相关系数在0.999 3以上,最大相对误差率小于3.46%,预测结果与测量值接近。该流量自测量方法具有较好的准确性。 相似文献