泵性能曲线生成方法、模型构建和训练方法及装置
文献发布时间:2024-04-18 20:01:23
技术领域
本发明涉及水泵性能检测技术领域,尤其涉及一种泵性能曲线生成方法、模型构建和训练方法及装置。
背景技术
水泵是输送液体或使液体增压的流体机械,被广泛应用于石化、核电、灌溉、城市供水和供暖系统。水泵的基本性能参数包括流量、扬程、功率、效率以及转速等,通常将表示水泵主要性能参数之间关系和变化规律的曲线称为水泵的性能曲线。
相关技术中,通常采用憋泵法生成水泵性能曲线,具体是通过逐渐关闭阀门记录水泵的流量、扬程和功率等数据来绘制水泵性能曲线。然而,在日常运行中,憋泵法存在安全、经济和实际工况等方面的限制。关闭出水管道的阀门会导致系统压力升高,可能对管道和设备造成损坏,并增加能耗和维修成本。此外,憋泵法只能提供封闭状态下的性能曲线,无法准确预测水泵在实际工况中的性能。
发明内容
本发明提供了一种泵性能曲线生成方法、模型构建和训练方法及装置,以实现基于水泵的历史运行数据模拟生成预测时刻的泵房运行数据的效果,增加了水泵性能分析数据的多样性和丰富性,进而,提高了泵性能曲线的准确度。
根据本发明的第一方面,提供了一种泵性能曲线生成方法,该方法包括:
针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及所述当前待测水泵相关联的目标吸水井对应的待处理液位数据;其中,所述待处理运行数据包括水泵频率、水泵压力以及水泵流量;所述待处理运行数据包括当前时刻的当前运行数据以及在所述当前时刻之前预设时长内的历史运行数据;所述待处理液位数据包括所述当前时刻的当前液位数据以及在所述当前时刻之前所述预设时长内的历史液位数据;
获取所述当前待测水泵在所述当前时刻的下一时刻的预设水泵频率和预设水泵流量区间;
基于预先调取的水泵压力预测子模型对所述待处理运行数据、所述待处理液位数据、所述预设水泵频率以及所述预设水泵流量区间进行处理,得到与所述预设水泵流量区间对应的预测水泵压力区间;其中,所述水泵压力预测子模型是环境模型中的一个子模型,所述环境模型是由至少一个子模型构建得到,且所述至少一个子模型按照预设拼接顺序拼接;
基于所述预设水泵流量区间和所述预测水泵压力区间,确定所述当前待测水泵在所述下一时刻的泵性能曲线。
根据本发明的第二方面,提供了一种模型构建方法,该方法包括:
获取多个待拼接子模型;
将各所述待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型。
根据本发明的第三方面,提供了一种模型训练方法,该方法包括:
获取多个训练样本;其中,所述训练样本中包括样本水泵流量、样本水泵压力、样本水泵频率、预测时刻对应的实际水泵流量和实际水泵压力、样本管路流量、样本管路压力、所述预测时刻对应的实际管路流量和实际管路压力以及样本吸水井液位;
对于各训练样本,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的输出结果;
基于所述输出结果对相应待拼接子模型中的模型参数进行修正,并将各所述待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于所述环境模型中的水泵压力预测子模型对所述泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力。
根据本发明的第四方面,提供了一种泵性能曲线生成装置,该装置包括:
数据获取模块,用于针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及所述当前待测水泵相关联的目标吸水井对应的待处理液位数据;其中,所述待处理运行数据包括水泵频率、水泵压力以及水泵流量;所述待处理运行数据包括当前时刻的当前运行数据以及在所述当前时刻之前预设时长内的历史运行数据;所述待处理液位数据包括所述当前时刻的当前液位数据以及在所述当前时刻之前所述预设时长内的历史液位数据;
预设数据获取模块,用于获取所述当前待测水泵在所述当前时刻的下一时刻的预设水泵频率和预设水泵流量区间;
数据处理模块,用于基于预先调取的水泵压力预测子模型对所述待处理运行数据、所述待处理液位数据、所述预设水泵频率以及所述预设水泵流量区间进行处理,得到与所述预设水泵流量区间对应的预测水泵压力区间;其中,所述水泵压力预测子模型是环境模型中的一个子模型,所述环境模型是由至少一个子模型构建得到,且所述至少一个子模型按照预设拼接顺序拼接;
性能曲线确定模块,用于基于所述预设水泵流量区间和所述预测水泵压力区间,确定所述当前待测水泵在所述下一时刻的泵性能曲线。
根据本发明的第五方面,提供了一种模型构建装置,该装置包括:
子模型获取模块,用于获取多个待拼接子模型;
子模型拼接模块,用于将各所述待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型。
根据本发明的第六方面,提供了一种模型训练装置,该装置包括:
训练样本获取模块,用于获取多个训练样本;其中,所述训练样本中包括样本水泵流量、样本水泵压力、样本水泵频率、预测时刻对应的实际水泵流量和实际水泵压力、样本管路流量、样本管路压力、所述预测时刻对应的实际管路流量和实际管路压力以及样本吸水井液位;
输出结果确定模块,用于对于各训练样本,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的输出结果;
模型参数修正模块,用于基于所述输出结果对相应待拼接子模型中的模型参数进行修正,并将各所述待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于所述环境模型中的水泵压力预测子模型对所述泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力。
根据本发明的第七方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的泵性能曲线生成方法、模型构建和训练方法。
根据本发明的第八方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的泵性能曲线生成方法、模型构建和训练方法。
本发明实施例的技术方案,通过针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及当前待测水泵相关联的目标吸水井对应的待处理液位数据;之后,获取当前待测水泵在当前时刻的下一时刻的预设水泵频率和预设水泵流量区间,进一步的,基于预先调取的水泵压力预测子模型对待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量区间进行处理,得到与预设水泵流量区间对应的预测水泵压力区间,最后,基于预设水泵流量区间和预测水泵压力区间,确定当前待测水泵在下一时刻的泵性能曲线,解决了相关技术中在生成泵性能曲线时,增加能耗和维修成本,无法准确预测水泵在实际工况中的性能以及无法覆盖所有可能的工况情况等问题,实现了基于水泵的历史运行数据模拟生成预测时刻的泵房运行数据的效果,增加了水泵性能分析数据的多样性和丰富性,进而,提高了泵性能曲线的准确度,并且,实现了实时反映泵房系统动态变化的效果。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种泵性能曲线生成方法的流程图;
图2是根据本发明实施例二提供的一种模型构建方法的流程图;
图3是根据本发明实施例三提供的一种模型训练方法的流程图;
图4是根据本发明实施例三提供的一种模型训练过程的示意图;
图5是根据本发明实施例四提供的一种泵性能曲线生成装置的结构示意图;
图6是根据本发明实施例五提供的一种模型构建装置的结构示意图;
图7是根据本发明实施例六提供的一种模型训练装置的结构示意图;
图8是实现本发明实施例的泵性能曲线生成方法、模型构建和训练方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是本发明实施例一提供的一种泵性能曲线生成方法的流程图,本实施例可适用于对泵房中的任意水泵的运行性能进行检测的情况,该方法可以由泵性能曲线生成装置来执行,该泵性能曲线生成装置可以采用硬件和/或软件的形式实现,该泵性能曲线生成装置可配置于终端和/或服务器中。如图1所示,该方法包括:
S110、针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及目标吸水井对应的待处理液位数据。
其中,泵房即为安装水泵、动力机及其辅助设备的厂房。在本实施例中,泵房中可以包括多台水泵、多个吸水井以及多套液体传输管路等设备。待测水泵可以理解为泵房中需要进行性能检测的水泵。待测水泵可以是泵房中的全部水泵,也可以是泵房中的至少一台水泵。可选的,待测水泵为离心泵。待处理运行数据可以理解为在待测水泵运行过程中产生的,与各项水泵性能参数相关联的运行数据。待处理运行数据可以包括水泵频率、水泵压力以及水泵流量。本领域技术人员可以理解,水泵频率是指水泵转速的频率,通常使用赫兹(Hz)来表示。水泵频率的大小可以影响水泵的工作效果、寿命和耗电量。水泵压力是指水泵在工作时所需施加在水流上的力。水泵压力也可以理解为水泵出口压力,即,水泵出水口的水压。水泵压力的大小可以影响水泵的工作效率和水流的流量。水泵压力与水泵扬程之间存在正相关的关联关系。水泵扬程可以通过水泵压力确定,相应的,水泵压力也可以通过水泵扬程确定。水泵流量是指泵在单位时间内输送出去的液体量(液体体积或液体重量)。需要说明的是,待处理运行数据还可以包括泵房运行过程中所产生的其他运行数据,本实施例对此不作具体限定。
在本实施例中,待处理运行数据包括当前时刻的当前运行数据以及在当前时刻之前预设时长内的历史运行数据。预设时长可以为任意长度的时间区间。可选的,预设时长可以是10分钟、20分钟或30分钟等。
其中,目标吸水井是与当前待测水泵相关联的吸水井,即,在泵房所包括的全部吸水井中与当前待测水泵相关联的吸水井。一般情况下,一个泵房中可以包括预设数量的吸水井。预设数量可以是任意值,可选的,可以是2个或3个。本领域技术人员可以理解,吸水井是指为水泵吸水管专门设置的构筑物。吸水井液位数据即为表征吸水井中液体高度的数据。在本实施例中,待处理液位数据包括当前时刻的当前液位数据以及在当前时刻周期之前预设时长内的历史液位数据。
在实际应用中,在泵房中各水泵运行过程中,针对各水泵,可以基于频率检测设备对当前水泵在运行过程中所产生的水泵频率进行检测,并根据预设采样周期对检测到的水平频率进行采样。进而,可以得到当前水泵在运行过程中每个采样点对应的水泵频率并存储至相应终端设备的数据库中。同时,还可以基于压力检测设备对当前水泵在运行过程中所产生的水泵压力进行检测,并根据预设采样周期对检测到的水泵压力进行采样。进而,可以得到当前水泵在运行过程中每个采样点对应的水泵压力并存储至相应终端设备的数据库中。同时,还可以基于流量检测设备对当前水泵在运行过程中所产生的水泵流量进行检测,并根据预设采样周期对检测到的水泵流量进行采样。进而,可以得到当前水泵在运行过程中每个采样点对应的水泵流量并存储至相应终端设备的数据库中。从而,可以得到泵房中各水泵对应的运行数据。同时,在泵房中各水泵运行过程中,针对与各水泵相关联的各吸水井,可以基于液位检测设备对当前吸水井在运行过程中所产生的吸水井液位进行检测,并根据预设采样周期对检测到的吸水井液位进行采样。进而,可以得到当前吸水井在运行过程中每个采样点对应的吸水井液位数据并存储至相应终端设备的数据库中。其中,预设采样周期可以是任意值,可选的,可以是1秒或2秒等。
进一步的,为了可以对泵房中各待测水泵的性能进行检测,针对泵房中的各待测水泵,可以从数据库中调取当前待测水泵在当前时刻之前预设时长内的历史运行数据,该运行数据可以包括水泵频率、水泵压力以及水泵流量中的至少一项。并且,还可以获取当前待测水泵在当前时刻的当前运行数据,当前运行数据同样可以包括水泵频率、水泵压力以及水泵流量中的至少一项。进而,可以将当前运行数据和历史运行数据作为待处理运行数据,以得到当前待测水泵对应的待处理运行数据。进一步的,在确定当前待测水泵的情况下,可以确定与当前待测水泵相关联的目标吸水井。进而,可以从数据库中调取目标吸水井在当前时刻之前预设时长内的历史液位数据,并获取目标吸水井在当前时刻的当前液位数据。进而,可以将历史液位数据和当前液位数据作为待处理液位数据,以得到目标吸水井对应的待处理液位数据。
S120、获取当前待测水泵在当前时刻的下一时刻的预设水泵频率和预设水泵流量区间。
其中,预设水泵频率可以理解为预先设置的水泵频率。预设水泵频率可以是满足水泵性能检测需求的水泵频率。预设水泵流量区间包括多个预设水泵流量,多个预设水泵流量基于预设步长划分得到。预设水泵流量区间可以理解为预先设置的水泵流量范围,该流量范围可以是满足水泵性能检测需求的范围。
一般情况下,离心泵的水泵性能检测可以通过确定该水泵的水泵流量与水泵扬程之间的关系来实现,同时,水泵扬程可以基于水泵压力确定,因此,可以确定该水泵在任意时刻下不同水泵流量对应的水泵压力,并根据水泵压力确定水泵扬程,进而,可以根据多个水泵流量以及其对应的水泵扬程生成泵性能曲线,以基于泵性能曲线对该水泵的水泵性能进行分析。
对于本实施提供的技术方案,在实际应用过程中,可以获取待测水泵在当前时刻以及当前时刻之前预设时长内的水泵频率、水泵压力和水泵流量以及吸水井液位数据。进一步的,为了可以得到待测水泵在下一时刻下不同水泵流量对应的水泵压力,可以对下一时刻的水泵频率和包括不同水泵流量的水泵流量范围进行设置,以得到待测水泵在下一时刻的预设水泵频率和预设水泵流量区间。进而,可以对待测水泵在当前时刻以及当前时刻之前预设时长内的水泵频率、水泵压力和水泵流量以及吸水井液位数据进行处理,以确定待测水泵的水泵频率、水泵流量以及水泵压力之间的映射关系。之后,可以根据该映射关系对下一时刻的预设水泵频率和预设水泵流量区间进行处理,从而,可以得到待测水泵在下一时刻不同预设水泵流量对应的水泵压力。
S130、基于预先调取的水泵压力预测子模型对待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量区间进行处理,得到与预设水泵流量范围对应的预测水泵压力区间。
其中,水泵压力预测子模型可以是预先训练完成的,将水泵运行数据和吸水井的液位数据作为输入对象,以基于输入对象对当前时刻之后的水泵压力进行预测的神经网络模型。在本实施例中,水泵压力预测子模型是环境模型中的一个子模型,环境模型是由至少一个子模型构建得到,且至少一个子模型按照预设拼接顺序拼接。
其中,环境模型可以理解为表征泵房运行情况的模型,也可以理解为对泵房真实运行环境进行建模后得到的模型。环境模型可以是强化学习领域中的一种建模方式,对环境建模是为了进行规划也就是获得更好的策略,所谓的规划就是把模型作为输入,然后,通过与这个环境模型交互产生或者提升一个策略的计算过程。环境模型中可以包括状态转移函数(状态转移模型)和奖励函数。针对本实施例中,环境模型可以是为了对泵房运行情况进行更好规划而建立的模型。一般情况下,泵房中可以包括水泵、管路以及吸水井。其中,水泵和管路均可以由于其性能发生变化而对泵房运行情况产生影响,而吸水井不存在性能发生变化的问题。因此,与泵房对应的环境模型中可以包括至少一个子模型,至少一个子模型可以按照预设顺序拼接。可选的,至少一个子模型可以包括水泵压力预测子模型、水泵流量预测子模型、管路流量预测子模型以及管路压力预测子模型等。预设拼接顺序可以通过各个子模型之间的模型输入输出来说明。示例性的,水泵流量预测子模型的模型输出可以是水泵压力预测子模型和管路流量预测子模型的模型输入,水泵压力预测子模型和管路流量预测子模型的模型输出可以是管路压力预测子模型的模型输入。
其中,每个子模型均可以为状态转移模型,也就是说,水泵压力预测模型是状态转移模型。本领域技术人员可以理解,状态转移模型可以理解为N阶马尔科夫模型,N阶马尔科夫模型可以对马尔科夫过程进行建模后得到的,马尔科夫过程是指过程中的每个状态的转移只依赖于之前的N个状态。对于本实施例所提供的水泵压力预测模型,可以将待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量区间构成的数据集作为状态空间,可以将水泵频率、水泵流量以及水泵压力之间的对应关系作为状态转移关系。在实际应用过程中,在将状态空间输入至水泵压力预测模型之后,可以基于水泵压力预测模型对待处理运行数据和待处理液位数据进行处理,确定当前待测水泵的水泵频率、水泵流量以及水泵压力之间的对应关系,并构建状态转移关系,进而,可以根据该状态转移关系对预设水泵频率和多个预设水泵流量进行处理,从而,可以得到在预设水泵频率下不同预设水泵流量对应的预测水泵压力。
需要说明的是,本实施例所提供的环境模型中的每个子模型均是由生成器和判别器组成的神经网络模型。在训练模型时,判别器的目标是将当前时刻的状态识别为真,下一时刻的生成状态识别为假;生成器的目标是使得下一时刻的生成状态能够与下一时刻的真实状态逐渐接近,以使判别器可以将生成状态识别为真。在判别器和生成器的不断训练优化中,生成器生成的数据可以越来越接近真实的数据分布,直至判别器无法识别状态数据是真实的历史数据还是预测得到的数据,从而保证环境模型的准确性。
在实际应用中,可以获取多个训练样本。进而,针对各训练样本,可以将当前训练样本输入至待训练的环境模型中,得到环境模型中每个子模型对应的输出结果,并基于输出结果对相应子模型中的模型参数进行修正,将每个子模型中的损失函数收敛作为训练目标,得到训练完成的环境模型,即,可以得到训练完成的每个子模型。进一步的,为了可以对泵房中待测水泵在下一时刻的水泵压力进行预测,可以从训练得到的环境模型中调取水泵压力预测子模型。
进一步的,可以将已获取的当前待测水泵对应的待处理运行数据、目标吸水井对应的待处理液位数据、下一时刻的预设水泵频率以及预设水泵流量区间输入至水泵压力预测子模型中,以基于水泵压力预测子模型对所输入的数据进行处理,得到与每个预设水泵流量对应的水泵预测压力。
可选的,基于预先调取的水泵压力预测子模型对待处理运行数据、待处理液位数据、预设水泵频率以及所述预设水泵流量区间进行处理,得到与预设水泵流量区间对应的预测水泵压力范围,包括:基于预先划分步长对预设水泵流量区间进行划分,得到多个预设水泵流量,并基于待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量构建一组待处理数据,以得到多组待处理数据;基于水泵压力预测子模型对多组待处理数据进行处理,得到与每组待处理数据对应的水泵预测压力;基于多组待处理数据对应的水泵预测压力确定预测水泵压力范围。
其中,预设步长可以理解为预先设置的水泵流量划分步长。预设步长可以是任意值,可选的,可以是10升/秒、50升/秒或100升/秒。示例性的,假设预设水泵流量区间是4000升/秒-8000升/秒,预设步长是10升/秒,则根据预设步长对预设水泵流量区间进行划分,可以得到400个预设水泵流量。
在实际应用中,可以根据预先设置的划分步长对预设水泵流量区间进行划分,得到多个预设水泵流量。进而,可以将待处理运行数据、待处理液位数据、预设水泵频率以及单个预设水泵流量所组成的数据作为一组待处理数据,即可得到多组待处理数据。进一步的,可以基于水泵压力预测子模型对多组待处理数据进行处理,得到与每组待处理数据对应的预测水泵压力。具体来说,在将多组待处理数据输入至水泵压力预测子模型中之后,对于各组数据,可以基于水泵压力预测子模型对待处理运行数据和待处理液位数据进行处理,以确定当前待测水泵在当前时刻以及当前时刻之前预设时长内的水泵频率、水泵压力以及水泵流量之间的对应关系。进而,可以根据该对应关系对预设水泵频率和当前组待处理数据中的预设水泵流量进行分析,以得到在预设水泵频率下与预设水泵流量对应的预测水泵压力。进一步的,在得到多组待处理数据对应的预测水泵压力之后,可以将各预测水泵压力按照相应预设水泵流量在预设水泵流量区间中的排列顺序进行排序,即可得到与预设水泵流量区间对应的预测水泵压力范围。
S140、基于预设水泵流量区间和预测水泵压力区间,确定当前待测水泵在下一时刻的泵性能曲线。
其中,泵性能曲线可以是反映水泵各性能参数之间关系的曲线。一般情况下,充分了解水泵的性能,熟悉性能曲线的特点,掌握其变化规律,对合理选型配套、正确确定水泵的安装高度、调节水泵运行工况、加强泵站的科学管理等极为重要。泵性能曲线是指用曲线的形式表示泵性能参数之间的关系,通常横坐标表示水泵流量、纵坐标可以表示水泵扬程、水泵效率或水泵轴功率等,分别称为流量-扬程曲线、流量-效率曲线或流量-轴功率曲线。在本实施例中,泵性能曲线可以是流量-扬程曲线,即,反映水泵流量与水泵扬程之间的对应关系的曲线。需要说明的是,在水泵技术领域中,水泵压力与水泵扬程之间存在一定的转换关系,在得到水泵压力的情况下,可以根据该转换关系确定相应的水泵扬程,因此,在得到预测水泵压力范围之后,可以根据水泵压力与水泵扬程之间的转换关系,确定与预测水泵压力范围对应的预测水泵扬程范围。进而,可以基于预设水泵流量区间和预测水泵扬程范围确定当前待测水泵在下一时刻的泵性能曲线。
可选的,基于预设水泵流量区间和预测水泵压力范围,确定当前待测水泵在下一时刻的泵性能曲线,包括:确定与预测水泵压力范围对应的预测水泵扬程范围;基于预设水泵流量区间和预测水泵扬程范围,生成当前待测水泵在下一时刻的泵性能曲线。
其中,预测水泵扬程范围可以理解为多个连续的预测水泵扬程组成的数据集。本领域技术人员可以理解,水泵扬程是指水泵能够扬水的高度,即,水泵将水从吸水口能送达到的高点。水泵扬程与水泵压力之间是正相关的关系。示例性的,1兆帕的水泵压力可以近似等于100米的水泵扬程。
在实际应用中,在得到预测水泵压力范围之后,对于预测水泵压力范围中的各个预测水泵压力,可以根据预先确定的转换公式对当前预测水泵压力进行处理,进而,可以得到与当前预测水泵压力对应的预测水泵扬程。
示例性的,可以基于如下公式确定当前预测水泵压力对应的预测水泵扬程:
其中,H可以表示当前预测水泵压力对应的预测水泵扬程;P
进一步的,在得到与预测水泵压力范围对应的预测水泵扬程范围之后,即可基于预设水泵流量区间和预测水泵扬程范围,确定预设水泵流量与预测水泵扬程之间的对应关系。进而,可以以预设水泵流量为横坐标,以预测水泵扬程为纵坐标,来生成反映该对应关系的曲线,即可得到当前待测水泵在下一时刻的泵性能曲线。从而,可以根据该泵性能曲线对当前待测水泵的水泵性能进行分析,并基于分析结果对当前待测水泵的运行参数进行调整,以使泵房在运行过程中始终保持较高的运行效率。
本发明实施例的技术方案,通过针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及当前待测水泵相关联的目标吸水井对应的待处理液位数据;之后,获取当前待测水泵在当前时刻的下一时刻的预设水泵频率和预设水泵流量区间,进一步的,基于预先调取的水泵压力预测子模型对待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量区间进行处理,得到与预设水泵流量区间对应的预测水泵压力区间,最后,基于预设水泵流量区间和预测水泵压力区间,确定当前待测水泵在下一时刻的泵性能曲线,解决了相关技术中在生成泵性能曲线时,增加能耗和维修成本,无法准确预测水泵在实际工况中的性能以及无法覆盖所有可能的工况情况等问题,实现了基于水泵的历史运行数据模拟生成预测时刻的泵房运行数据的效果,增加了水泵性能分析数据的多样性和丰富性,进而,提高了泵性能曲线的准确度,并且,实现了实时反映泵房系统动态变化的效果。
实施例二
图2是本发明实施例二提供的一种模型构建方法的流程图,本实施例可适用于针对任意环境进行建模,以构建反映相应环境变化情况的模型的情况,可选的,构建与泵房环境对应的环境模型,该方法可以由模型构建装置来执行,该模型构建装置可以采用硬件和/或软件的形式实现,该模型构建装置可配置于终端和/或服务器中。如图2所示,该方法包括:
S210、获取多个待拼接子模型。
其中,待拼接子模型可以理解为预先构建的一个待训练的模型框架。待拼接子模型可以是任意模型结构的神经网络模型。示例性的,待拼接子模型可以是生成对抗状态转移模型,即,包括生成器和判别器的状态转移子模型。在本实施例中,多个待拼接子模型可以包括至少四个待拼接子模型,至少四个待拼接子模型可以包括待拼接水泵流量预测子模型、待拼接水泵压力预测子模型、待拼接管路流量预测子模型以及待拼接管路压力预测子模型。
在实际应用中,可以根据预先确定的模型结构构建多个模型框架,进而,可以得到多个待拼接子模型。从而,可以将各待拼接子模型拼接在一起,即可得到包括多个待拼接子模型的模型。
S220、将各待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型。
其中,预设拼接顺序可以是预先确定的对各子模型进行拼接时所依据的顺序。待训练模型可以是包括多个待拼接子模型,且模型参数为默认值的模型。在本实施例中,待训练模型可以是待训练的环境模型。通过多个表征泵房运行情况的训练样本对待训练模型进行训练,得到环境模型,可以将该环境模型作为与泵房运行环境相对应的模型。
在实际应用中,在得到多个待拼接子模型之后,可以将各待拼接子模型按照预设拼接顺序拼接在一起,可以将拼接后得到的模型作为待训练模型。需要说明的是,与各待拼接子模型对应的预设拼接顺序可以通过各待拼接子模型的模型输出和模型输入之间的关系来说明。
可选的,将各待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型,包括:将待训练模型的模型输入作为待拼接水泵流量预测子模型的模型输入,将待拼接水泵流量预测子模型的模型输出作为待拼接水泵压力预测子模型和待拼接管路流量预测子模型的至少部分模型输入;将待拼接水泵压力预测子模型的模型输出和待拼接管路流量预测子模型的模型输出作为待拼接管路压力预测子模型的至少部分模型输入,并将各待拼接子模型的模型输出作为待训练模型的模型输出,以得到待训练模型。
本发明实施例的技术方案,通过获取多个待拼接子模型,进一步的,将各待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型,实现了构建与泵房运行情况相对应的待训练环境模型的效果,进而,可以实现基于训练得到的环境模型实时追踪泵房运行数据并实时导出水泵的性能曲线的效果。
实施例三
图3是本发明实施例三提供的一种应用于上述实施例所述的待训练模型的模型训练方法的示意图,在构建得到包括多个待拼接子模型的待训练模型之后,可以基于训练样本对待训练模型进行训练,以得到环境模型。从而,可以基于环境模型对泵房运行情况进行分析。其具体的实施方式可以参见本实施例技术方案。其中,与上述实施例相同或者相似的技术术语在此不再具体赘述。
如图3所示,该方法包括:
S310、获取多个训练样本。
其中,训练样本中包括样本水泵流量、样本水泵压力、样本水泵频率、预测时刻对应的实际水泵流量和实际水泵压力、样本管路流量、样本管路压力、预测时刻对应的实际管路流量和实际管路压力以及样本吸水井液位。
在本实施例中,样本水泵流量可以是泵房中的全部水泵在预设历史时长内的水泵流量采集数据。样本水泵压力可以是泵房中的全部水泵在预设历史时长内的水泵压力采集数据。样本水泵频率可以是泵房中的全部水泵在预设历史时长内的水泵频率采集数据。需要说明的是,样本水泵流量、样本水泵压力以及样本水泵频率均可以是数据库中预先存储的数据。预测时刻可以是历史运行时间段内的任意时刻,且该时刻是样本数据对应的预设历史时长之后的时刻。示例性的,假设样本数据对应的预设历史时长可以是(t-n,t],则预测时刻可以是t+1。并且,(t-n,t]和t+1均为历史时间区间。实际水泵流量可以是泵房中的全部水泵在预测时刻下的水泵流量采集数据。实际水泵压力可以是泵房中的全部水泵在预测时刻下的水泵压力采集数据。
在本实施例中,样本管路流量可以是泵房中的全部管路在预设历史时长内的管路流量采集数据。样本管路压力可以是泵房中的全部管路在预设历史时长内的管路压力采集数据。实际管路流量可以是泵房中的全部管路在预测时刻下的管路流量采集数据。实际管路压力可以是泵房中的全部管路在预测时刻下的管路压力采集数据。样本吸水井液位可以是泵房中的全部吸水井在预设历史时长内的液位采集数据。
在实际应用中,可以从数据库中获取样本水泵流量、样本水泵压力、样本水泵频率、预测时刻对应的实际水泵流量和实际水泵压力、样本管路流量、样本管路压力、预测时刻对应的实际管路流量和实际管路压力以及样本吸水井液位。进而,可以根据已获取的泵房运行数据构建训练样本,以得到多个训练样本。
S320、对于各训练样本,将当前训练样本输入至待训练模型中,得到与各待拼接子模型对应的输出结果。
其中,在待训练模型中的多个待拼接子模型为待拼接水泵流量预测子模型、待拼接水泵压力预测子模型、待拼接管路流量预测子模型以及待拼接管路压力预测子模型的情况下,输出结果可以包括预测水泵流量、预测水泵压力、预测管路流量以及预测管路压力。
在实际应用中,对于各训练样本,可以将当前训练样本输入至待训练模型中,以基于待训练模型中的各待拼接子模型对当前训练样本进行处理,进而,可以得到与各待拼接子模型对应的输出结果。
可选的,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的实际输出结果,包括:将当前训练样本中的样本水泵流量、样本水泵频率、样本吸水井液位以及样本管路压力输入至待训练模型中的待拼接水泵流量预测子模型中,得到与当前训练样本对应的预测水泵流量;将样本水泵流量、样本水泵压力、样本水泵频率、实际水泵频率以及预测水泵流量输入至待训练模型中的待拼接水泵压力预测子模型中,得到与当前训练样本对应的预测水泵压力;将样本管路流量、样本水泵压力以及预测水泵流量输入至待训练模型中的待拼接管路流量预测子模型中,得到与当前训练样本对应的预测管路流量;将样本管路流量、样本管路压力、样本水泵压力、预测水泵压力以及预测管路流量输入至待训练模型中的待拼接管路压力预测子模型,得到与当前训练样本对应的管路预测压力。
在实际应用中,在将当前训练样本输入至待训练模型中之后,可以将当前训练样本中的样本水泵流量、样本水泵频率、样本吸水井液位以及样本管路压力输入至待拼接水泵流量预测子模型中,以基于待拼接水泵流量预测子模型对所输入的数据进行处理,得到与预测时刻对应的预测水泵流量。之后,将样本水泵流量、样本水泵压力、样本水泵频率、实际水泵频率以及预测水泵流量输入至待拼接水泵压力预测子模型中,以基于待拼接水泵压力预测子模型对所输入的数据进行处理,得到与预测时刻对应的预测水泵压力。之后,可以将样本管路流量、样本水泵压力以及预测水泵流量输入至待拼接管路流量预测子模型中,以基于待拼接管路流量预测子模型对所输入的数据进行处理,得到与预测时刻对应的预测管路流量。最后,将样本管路流量、样本管路压力、样本水泵压力、预测水泵压力以及预测管路流量输入至待拼接管路压力预测子模型中,以基于待拼接管路压力预测子模型对所输入的数据进行处理,得到与预测时刻对应的预测管路压力。
示例性的,如图4所示,即为待训练模型的训练过程示意图。由图4可以看出,将训练样本中的样本水泵流量、样本水泵频率、样本吸水井液位以及样本管路压力输入至待拼接水泵流量预测子模型M110中,得到预测水泵流量;之后,将样本水泵流量、样本水泵压力、样本水泵频率、实际水泵频率以及预测水泵流量输入至待拼接水泵压力预测子模型M120中,得到预测水泵压力;之后,将样本管路流量、样本水泵压力以及预测水泵流量输入至待拼接管路流量预测子模型M130中,得到预测管路流量;最后,将样本管路流量、样本管路压力、样本水泵压力、预测水泵压力以及预测管路流量输入至待拼接管路压力预测子模型M140中,得到预测管路压力。
S330、基于输出结果对相应待拼接子模型中的模型参数进行修正,并将各待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于环境模型中的水泵压力预测子模型对泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力。
其中,损失函数可以是基于损失值确定的,用于表征模型实际输出与理论输出之间差异程度的函数。
在实际应用中,在得到与各待拼接子模型对应的输出结果,可以基于各输出结果对相应待拼接子模型中的模型参数进行修正,进而,可以将各待拼接子模型中的损失函数收敛作为训练目标,以得到环境模型。
可选的,基于输出结果对相应待拼接子模型中的模型参数进行修正,并将各待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,包括:基于待拼接水泵流量预测子模型对应的第一损失函数对预测水泵流量和当前训练样本进行损失处理,得到第一损失值,并基于第一损失值对待拼接水泵流量预测子模型的模型参数进行修正;基于待拼接水泵流量预测子模型对应的第二损失函数对预测水泵压力和所述当前训练样本进行损失处理,得到第二损失值,并基于第二损失值对所述待拼接水泵压力预测子模型的模型参数进行修正;基于待拼接管路流量预测子模型对应的第三损失函数对预测管路流量和当前训练样本进行损失处理,得到第三损失值,并基于第三损失值对待拼接管路流量预测子模型的模型参数进行修正;基于待拼接管路压力预测子模型对应的第四损失函数对预测管路压力和当前训练样本进行损失处理,得到第四损失值,并基于第四损失值对待拼接管路压力预测子模型的模型参数进行修正;在检测到第一损失函数、第二损失函数、第三损失函数、所述第四损失函数均收敛的情况下,得到环境模型。
在本实施例中,各待拼接子模型均可以是由生成器和判别器组成的生成对抗网络。相应的,各待拼接子模型的损失函数均可以包括生成损失函数和判别损失函数。
在实际应用中,在得到预测水泵流量之后,可以基于当前训练样本中的样本水泵流量、样本水泵频率、样本吸水井液位、样本管路压力以及水泵预测流量构建第一待处理矩阵,并根据第一损失函数中的第一判别损失函数对第一待处理矩阵和实际水泵流量进行损失处理,得到第一判别损失值,并基于第一判别损失值对待拼接水泵流量预测子模型中的判别器的模型参数进行修正。之后,可以根据第一损失函数中的第一生成损失函数对预测水泵流量与当前训练样本中的实际水泵流量进行损失处理,得到第一生成损失值,并基于第一生成损失值对待拼接水泵流量预测子模型中的生成器的模型参数进行修正。
进一步的,在得到预测水泵压力之后,可以根据第二损失函数中的第二生成损失函数对预测水泵压力与当前训练样本中的实际水泵压力进行损失处理,得到第二生成损失值,并基于第二生成损失值对待拼接水泵压力预测子模型中的生成器的模型参数进行修正。之后,可以基于当前训练样本中的样本水泵流量、样本水泵压力、样本水泵频率、实际水泵频率、预测水泵流量以及预测水泵压力构建第二待处理矩阵,并根据第二损失函数中的第二判别损失函数对第二待处理矩阵和实际水泵压力进行损失处理,得到第二判别损失值,并基于第二判别损失值对待拼接水泵压力预测子模型中的判别器的模型参数进行修正。
进一步的,在得到预测管路流量之后,可以根据第三损失函数中的第三生成损失函数对预测管路流量与当前训练样本中的实际管路流量进行损失处理,得到第三生成损失值,并基于第三生成损失值对待拼接管路流量预测子模型中的生成器的模型参数进行修正。之后,可以基于当前训练样本中的样本管路流量、样本水泵压力、预测水泵流量以及预测管路流量构建第三待处理矩阵,并根据第三损失函数中的第三判别损失函数对第三待处理矩阵和实际管路流量进行损失处理,得到第三判别损失值,并基于第三判别损失值对待拼接管路流量预测子模型中的判别器的模型参数进行修正。
进一步的,在得到预测管路压力之后,可以根据第四损失函数中的第四生成损失函数对预测管路压力与当前训练样本中的实际管路压力进行损失处理,得到第四生成损失值,并基于第四生成损失值对待拼接管路压力预测子模型中的生成器的模型参数进行修正。之后,可以基于当前训练样本中的样本管路流量、样本管路压力、样本水泵压力、预测水泵压力、预测管路流量以及预测管路压力构建第四待处理矩阵,并根据第四损失函数中的第四判别损失函数对第四待处理矩阵和实际管路压力进行损失处理,得到第四判别损失值,并基于第四判别损失值对待拼接管路压力预测子模型中的判别器的模型参数进行修正。
具体的,在利用损失值对各待拼接子模型中的模型参数进行修正时,可以将损失函数收敛作为训练目标,比如训练误差是否小于预设误差,或误差变化是否趋于稳定,或者当前的迭代次数是否等于预设次数。若检测达到收敛条件,比如损失函数的训练误差小于预设误差,或者误差变化趋势趋于稳定,表明该待拼接子模型训练完成,此时可以停止迭代训练。若检测到当前未达到收敛条件,可以进一步获取其他训练样本以对待拼接子模型继续进行训练,直至损失函数的训练误差在预设范围之内。当在检测到各待拼接子模型中的损失函数的训练误差均达到收敛时,可以将训练完成的待训练模型作为环境模型,即可得到包括水泵流量预测子模型、水泵压力预测子模型、管路流量预测子模型以及管路压力预测子模型的环境模型。
进一步的,可以基于环境模型中的水泵压力预测子模型对泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力。
本发明实施例的技术方案,通过获取多个训练样本,之后,对于各训练样本,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的输出结果,进一步的,基于输出结果对相应待拼接子模型中的模型参数进行修正,并将各待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于环境模型中的水泵压力预测子模型对泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力,通过对各待拼接子模型进行联合训练,提高了环境模型与实际运行情况之间的关联度,进而,提高了环境模型针对泵房运行数据的预测准确度。
实施例四
图5是本发明实施例四提供的一种泵性能曲线生成装置的结构示意图。如图5所示,该装置包括:数据获取模块410、预设数据获取模块420、数据处理模块430以及性能曲线确定模块440。
其中,数据获取模块410,用于针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及所述当前待测水泵相关联的目标吸水井对应的待处理液位数据;其中,所述待处理运行数据包括水泵频率、水泵压力以及水泵流量中的至少一项;所述待处理运行数据包括当前时刻的当前运行数据以及在所述当前时刻之前预设时长内的历史运行数据;所述待处理液位数据包括所述当前时刻的当前液位数据以及在所述当前时刻之前所述预设时长内的历史液位数据;预设数据获取模块420,用于获取所述当前待测水泵在所述当前时刻的下一时刻的预设水泵频率和预设水泵流量区间;数据处理模块430,用于基于预先调取的水泵压力预测子模型对所述待处理运行数据、所述待处理液位数据、所述预设水泵频率以及所述预设水泵流量区间进行处理,得到与所述预设水泵流量区间对应的预测水泵压力区间;其中,所述水泵压力预测子模型是环境模型中的一个子模型,所述环境模型是由至少一个子模型构建得到,且所述至少一个子模型按照预设拼接顺序拼接;性能曲线确定模块440基于所述预设水泵流量区间和所述预测水泵压力区间,确定所述当前待测水泵在所述下一时刻的泵性能曲线。
本发明实施例的技术方案,通过针对泵房中的各待测水泵,获取当前待测水泵对应的待处理运行数据以及当前待测水泵相关联的目标吸水井对应的待处理液位数据;之后,获取当前待测水泵在当前时刻的下一时刻的预设水泵频率和预设水泵流量区间,进一步的,基于预先调取的水泵压力预测子模型对待处理运行数据、待处理液位数据、预设水泵频率以及预设水泵流量区间进行处理,得到与预设水泵流量区间对应的预测水泵压力区间,最后,基于预设水泵流量区间和预测水泵压力区间,确定当前待测水泵在下一时刻的泵性能曲线,解决了相关技术中在生成泵性能曲线时,增加能耗和维修成本,无法准确预测水泵在实际工况中的性能以及无法覆盖所有可能的工况情况等问题,实现了基于水泵的历史运行数据模拟生成预测时刻的泵房运行数据的效果,增加了水泵性能分析数据的多样性和丰富性,进而,提高了泵性能曲线的准确度,并且,实现了实时反映泵房系统动态变化的效果。
可选的,数据处理模块430包括:区间划分单元、数据处理单元以及预测区间确定单元。
区间划分单元,用于基于预先划分步长对所述预设水泵流量区间进行划分,得到多个预设水泵流量,并基于所述待处理运行数据、所述待处理液位数据、所述预设水泵频率以及所述预设水泵流量构建一组待处理数据,以得到多组待处理数据;
数据处理单元,用于基于所述水泵压力预测子模型对所述多组待处理数据进行处理,得到与每组所述待处理数据对应的水泵预测压力;
预测区间确定单元,用于基于所述多组待处理数据对应的水泵预测压力确定所述预测水泵压力区间。
可选的,性能曲线确定模块440包括:扬程区间确定单元和性能曲线生成单元。
扬程区间确定单元,用于确定与所述预测水泵压力区间对应的预测水泵扬程区间;
性能曲线生成单元,用于基于所述预设水泵流量区间和所述预测水泵扬程区间,生成所述当前待测水泵在所述下一时刻的泵性能曲线。
本发明实施例所提供的泵性能曲线生成装置可执行本发明任意实施例所提供的泵性能曲线生成方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6是本发明实施例五提供的一种模型构建装置的结构示意图。如图6所示,该装置包括:子模型获取模块510和子模型拼接模块520。
其中,子模型获取模块510,用于获取多个待拼接子模型;子模型拼接模块520,用于将各所述待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型。
本发明实施例的技术方案,通过获取多个待拼接子模型,进一步的,将各待拼接子模型按照预设拼接顺序拼接在一起,得到待训练模型,实现了构建与泵房运行情况相对应的待训练环境模型的效果,进而,可以实现基于训练得到的环境模型实时追踪泵房运行数据并实时导出水泵的性能曲线的效果。
可选的,所述多个待拼接子模型包括待拼接水泵流量预测子模型、待拼接水泵压力预测子模型、待拼接管路流量预测子模型以及待拼接管路压力预测子模型;子模型拼接模块520,具体用于将所述待拼接水泵流量预测子模型的模型输出作为所述待拼接水泵压力预测子模型和所述待拼接管路流量预测子模型的模型输入;将所述待拼接水泵压力预测子模型的模型输出和所述待拼接管路流量预测子模型的模型输出作为所述待拼接管路压力预测子模型的模型输入。
本发明实施例所提供的模型构建装置可执行本发明任意实施例所提供的模型构建方法,具备执行方法相应的功能模块和有益效果。
实施例六
图7是本发明实施例六提供的一种模型训练装置的结构示意图。如图7所示,该装置包括:训练样本获取模块610、输出结果确定模块620以及模型参数修正模块630。
其中,训练样本获取模块610,用于获取多个训练样本;其中,所述训练样本中包括样本水泵流量、样本水泵压力、样本水泵频率、预测时刻对应的实际水泵流量和实际水泵压力、样本管路流量、样本管路压力、所述预测时刻对应的实际管路流量和实际管路压力以及样本吸水井液位;输出结果确定模块620,用于对于各训练样本,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的输出结果;模型参数修正模块630,用于基于所述输出结果对相应待拼接子模型中的模型参数进行修正,并将各所述待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于所述环境模型中的水泵压力预测子模型对所述泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力。
本发明实施例的技术方案,通过获取多个训练样本,之后,对于各训练样本,将当前训练样本输入至待训练模型中,得到各待拼接子模型对应的输出结果,进一步的,基于输出结果对相应待拼接子模型中的模型参数进行修正,并将各待拼接子模型中的损失函数收敛作为训练目标,得到环境模型,以基于环境模型中的水泵压力预测子模型对泵房中的待测水泵在下一时刻不同预设水泵流量下的水泵压力进行预测,得到预测水泵压力,通过对各待拼接子模型进行联合训练,提高了环境模型与实际运行情况之间的关联度,进而,提高了环境模型针对泵房运行数据的预测准确度。
可选的,所述输出结果包括预测水泵流量、预测水泵压力、预测管路流量以及预测管路压力;输出结果确定模块620包括:预测水泵流量确定单元、预测水泵压力确定单元、预测管路流量确定单元以及预测管路压力确定单元。
预测水泵流量确定单元,用于将当前训练样本中的样本水泵流量、样本水泵频率、样本吸水井液位以及样本管路压力输入至所述待训练模型中的待拼接水泵流量预测子模型中,得到与所述当前训练样本对应的预测水泵流量;
预测水泵压力确定单元,用于将所述样本水泵流量、样本水泵压力、所述样本水泵频率、实际水泵频率以及所述预测水泵流量输入至所述待训练模型中的待拼接水泵压力预测子模型中,得到与所述当前训练样本对应的预测水泵压力;
预测管路流量确定单元,用于将所述样本管路流量、样本水泵压力以及所述预测水泵流量输入至所述待训练模型中的待拼接管路流量预测子模型中,得到与所述当前训练样本对应的预测管路流量;
预测管路压力确定单元,用于将所述样本管路流量、样本管路压力、样本水泵压力、所述预测水泵压力以及所述预测管路流量输入至所述待训练模型中的待拼接管路压力预测子模型,得到与所述当前训练样本对应的预测管路压力。
可选的,模型参数修正模块630包括:第一损失值确定单元、第二损失值确定单元、第三损失值确定单元、第四损失值确定单元以及环境模型确定单元。
第一损失值确定单元,用于基于所述待拼接水泵流量预测子模型对应的第一损失函数对所述预测水泵流量和所述当前训练样本进行损失处理,得到第一损失值,并基于所述第一损失值对所述待拼接水泵流量预测子模型的模型参数进行修正;
第二损失值确定单元,用于基于所述待拼接水泵流量预测子模型对应的第二损失函数对所述预测水泵压力和所述当前训练样本进行损失处理,得到第二损失值,并基于所述第二损失值对所述待拼接水泵压力预测子模型的模型参数进行修正;
第三损失值确定单元,用于基于所述待拼接管路流量预测子模型对应的第三损失函数对所述预测管路流量和所述当前训练样本进行损失处理,得到第三损失值,并基于所述第三损失值对所述待拼接管路流量预测子模型的模型参数进行修正;
第四损失值确定单元,用于基于所述待拼接管路压力预测子模型对应的第四损失函数对所述预测管路压力和所述当前训练样本进行损失处理,得到第四损失值,并基于所述第四损失值对所述待拼接管路压力预测子模型的模型参数进行修正;
环境模型确定单元,用于在检测到所述第一损失函数、所述第二损失函数、所述第三损失函数、所述第四损失函数均收敛的情况下,得到所述环境模型。
本发明实施例所提供的模型训练装置可执行本发明任意实施例所提供的模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例七
图8示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图8所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如泵性能曲线生成方法、模型构建和训练方法。
在一些实施例中,泵性能曲线生成方法、模型构建和训练方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的泵性能曲线生成方法、模型构建和训练方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行泵性能曲线生成方法、模型构建和训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
- 一种用于熔融金属的连续式智能化铸造设备
- 用于熔融金属的连续式智能化铸造设备