Результат интеллектуальной деятельности: СПОСОБ ОПРЕДЕЛЕНИЯ РАСХОДА ЖИДКОСТИ ЦЕНТРОБЕЖНОГО НАСОСА С АСИНХРОННЫМ ЭЛЕКТРОПРИВОДОМ

Изобретение относится к электротехнике и может быть использовано при учёте и контроле потребления воды и других текучих сред электроприводов центробежных насосов.

Известен способ определения расхода тепла в тепловой сети, содержащей центробежные электронасосы (патент RU 2022235, МПК G01F9/00, опубл. 30.10.1994). Сущность изобретения: для повышения точности и упрощения измерения расхода тепла измеряют одновременно активную мощность, потребляемую электродвигателем привода насоса, давление на нагнетании и всасе насоса, температуру теплоносителя на подающем и обратном трубопроводах тепловой сети, вычисляют мощность, действующую на валу насоса, и давление на нагнетании, развиваемое собственно насосом, определяют расчетный коэффициент подачи путем давления на мощность и вычитания результата из постоянного числа, равного отношению давления к мощности при нулевой подаче, строят характеристику, отражающую зависимость расчетного коэффициента от подачи, и по ней определяют производительность насоса и умножают на разность температур в подающем и обратном трубопроводах тепловой сети.

Наиболее близким к заявляемому является способ определения расхода жидкости центробежного насоса с асинхронным электроприводом (патент RU 2610909, МПК G01F 9/00, опубл. 17.02.2017), где измеряют мгновенные величины токов и напряжений статора асинхронного двигателя, преобразуют трехфазные значения токов и напряжений в двухфазные составляющие токов и напряжений, определяют оцененные составляющие тока статора, вычисляют разницу между оцененными значениями составляющих тока статора и текущими значениями составляющих стока статора, определяют оцененные значения составляющих потокосцеплений ротора, по оцененным значениям составляющих тока статора и потокосцепления ротора определяют электромагнитный момент асинхронного двигателя, с помощью оцененных значений составляющих потокосцепления ротора и разниц между оцененными значениями составляющих тока статора и текущими значениями составляющих тока статора, определяют момент нагрузки центробежного насоса, с помощью значений электромагнитного момента асинхронного двигателя и момента нагрузки центробежного насоса определяют текущую угловую скорость вращения рабочего колеса центробежного насоса. Определяют гидравлическую мощность насоса. По значениям гидравлической мощности и скорости вращения ротора определяют действительный расход насосной установки.

Недостатками известных способов является то, что для его осуществления требуются технические данные двигателя, насоса и перекачиваемой жидкости.

Задачей изобретения является расширение арсенала средств аналогичного назначения.

Данный технический результат достигается тем, что измеряют мгновенные величины токов и напряжений статора асинхронного двигателя, определяют модуль вектора напряжения статора, определяют модуль вектора тока статора по формулам [Соколовский Г. Г. Электроприводы переменного тока с частотным регулированием: учебник для студ. высш. учеб. заведений. – 2-е изд., испр. – М.: Издательский центр «Академия», 2007 г. – 272 с.]:

,

,

где – модуль вектора напряжения статора,

– модуль вектора тока статора,

, , – фазные напряжения статора

, , – фазные токи статора.

С помощью искусственной нейронной сети, предварительно обученной по опытным данным работы центробежного насоса с асинхронным электроприводом при различных входных воздействиях как со стороны частоты и амплитуды питающего напряжения, так и со стороны гидравлического сопротивления, используя выявленные искусственной нейронной сетью при обучении зависимости между входными и выходными данными определяют промежуточные значения расхода жидкости по формуле [Хайкин С. Нейронные сети: полный курс, 2-е издание. – М.: Издательский дом «Вильямс», 2006 г.]:

,

где

– промежуточные значения расхода жидкости

– входные сигналы искусственной нейронной сети, равные соответственно токам статора (, , ), модулю тока статора , напряжениям статора (, , ), модулю напряжения статора .

m – количество нейронов во входном слое (m=8),

n – количество нейронов в скрытом слое (n=50).

w_1ij – синаптический вес j-го входа i-го нейрона скрытого слоя,

b_1i0 – сдвиг i-го нейрона скрытого слоя,

w_2i – синаптический вес i-го входа нейрона выходного слоя,

b₂₀ – сдвиг нейрона выходного слоя.

Фильтруют данные, определяют мгновенную величину объемного расхода жидкости центробежного насоса с асинхронным электроприводом, по формуле

,

где p – оператор дифференцирования, с^–1

T_f –– постоянная времени фильтра, с,

Для определения мгновенной величины объемного расхода жидкости центробежного насоса с асинхронным электроприводом использовали трехслойную рекуррентную искусственную нейронную сеть, которая состоит из входного слоя, скрытого слоя и выходного слоя. Количество нейронов во входном слое равно 8, в скрытом слое - 50, в выходном слое - 1. Функция активации всех нейронов скрытого слоя - гиперболический тангенс, выходного слоя - линейная. Нейроны входного слоя передают входные сигналы на скрытый слой, не преобразуя их. Для уменьшения шумов нейронной сети используют фильтр – апериодическое звено первого порядка.

Перед началом работы обучают искусственную нейронную сеть на выборке, сформированной по опытным данным работы электропривода центробежного насоса с частотным регулированием и дроссельным регулированием подачи насоса. Для обучения искусственной нейронной сети использовали байесовскую регуляризацию.

Процесс обучения искусственной нейронной сети выглядит следующим образом: все коэффициенты связей между нейронами инициализируются случайными числами, затем сети предъявляется обучающая выборка, и с помощью алгоритма обучения коэффициенты синаптических связей подстраиваются при выполнении циклической процедуры так, чтобы расхождение между обучающей выборкой и реакцией сети на соответствующие входные данные было минимальным.

В проведенных экспериментах на насосе К8-18 с асинхронным двигателем АД80М2 погрешность определения расхода по сравнению с эталонной моделью в установившемся режиме не превышает 5%.