[发明专利]一种往复式混输泵流率的主动建模与预测方法

摘要

本发明公开了一种往复式混输泵流率的主动建模与预测方法，包括以下步骤：1)确定模型输入和输出变量，收集M种典型工况的少量样本集S，得到M个样本子集；2)基于局部GPR提供的预测不确定度信息的变化，对上述每个样本子集单独进行学习训练；(3)基于M个已完成学习过程的训练样本集，建立往复式混输泵流率的全局GPR模型，并对新工况下每个样本点进行预测，获得新工况下的流率曲线。本发明通过采用上述技术，实现对混输工况下往复式混输泵流率的建模和预测。相比CFD建模过程对设计者经验水平的依赖性，及数据驱动经验模型从大量实验数据中获取有用动态信息的传统方法，该方法提供了一种适合少量建模样本，且工程上容易实施的方法。

主权项

1.一种往复式混输泵流率的主动建模与预测方法，包括以下步骤：(1)确定模型的输入和输出变量，收集M种典型工况的少量样本集S，得到M个样本子集；鉴于泵进口压力P_s、出口压力P_d、含气率β和曲柄转角θ是影响流率的主要因素，确定为模型的输入变量，确定流率Q为模型的输出变量；将同种工况下的样本归为一个样本子集，得到初始M个样本子集，即S＝(S₁,…,S_m)^T,m＝1,…,M；第m个样本子集其中X_m和y_m分别表示S_m的输入集和输出集，x_m,i＝[P_sm,i,P_dm,i,β_m,i,θ_m,i]^T和y_m,i＝Q_m,i分别表示S_m第i个样本的输入和输出，N_m表示S_m样本数；(2)基于GPR提供的预测不确定度信息的变化，将上述每个样本子集作为训练样本集，并对其进行学习训练；(2.1)获取学习过程中的预测输出值和不确定度信息；根据GPR定义，第m个初始局部模型GPRm的输出表示为：式中，Cm表示协方差矩阵，能通过GPR常规的训练方法获得；对某一种工况下的输入测试样本集其中T表示输入样本集个数，N_t表示第t个输入样本集的样本个数，x_t,i表示X_t第i个样本点；GPR_m对x_t,i的预测输出和方差分别表示如下：式中，表示输入测试样本和训练样本间的协方差；k_m,ti＝C(x_t,i,x_t,i)是输入测试样本的协方差；公式(3)用来描述一个输入样本和其预测模型的不确定度信息；基于公式(2)和公式(3)，能获得样本集X_t的预测流率和方差曲线；(2.2)评价GPRm模型对两个连续训练样本点xm,i和xm,i+1的学习能力；为描述GPRm模型对两个连续训练样本点xm,i和xm,i+1的学习能力，基于不确定度信息的变化，定义GPRm模型学习过程的相对方差绝对值(ARV)如下：其中表示GPR_m模型第k(k＝1,…,K_m)次学习过程中，第i个相对方差绝对值；K_m表示GPR_m模型学习次数；(2.3)确定需要增加的数据信息，并更新第M个训练样本子集；鉴于少量的训练样本和整条流率曲线的多阶段非线性时变特性，值越大，表明第k次学习过程中连续的两个训练样本点x_m,i和x_m,i+1的阶段特性差异越大；因而，具有最大值的点和紧邻其后一点之间的区域，应该首要增加训练样本点；GPR_m模型第k次学习过程的最大相对方差的绝对值描述为：用表示对应的曲柄转角，即在曲线上的位置；假设为紧邻后一个训练样本点在曲线上的位置，在曲柄转角和中间选择一个训练样本点加入，则在第M个样本子集对应的工况下，第k次学习过程需要增加的训练数据其对应的曲柄转角可表述为相应地，第M个训练样本子集的输入样本集在第k次学习过程中更新为k为学习次数；(2.4)判断学习过程是否结束；定义学习系数为GPR_m模型第k次学习过程的拟合平均值和第k‑1次学习过程的拟合平均值的差的绝对值，即如果小于某个很小的正数ρ，学习过程就结束，否则重复步骤(2)；利用公式(1～7)，完成M个GPR模型的学习过程；(3)建立往复式混输泵流率的全局GPR模型；基于M个已完成学习过程的训练样本集，利用公式(1)建立往复式混输泵流率的全局GPR模型；利用公式(2)和公式(3)计算出某种新工况下每个输入测试样本点的预测值及其方差，获得新工况下的流率曲线。