机器学习算法在泵密封腔压力预测中的应用

0引言

在石油化工行业,泵是关键的流体输送设备。密封腔压力作为泵的重要参数,极大影响着密封系统的设计、冲洗方案的确定和冲洗压力的计算,精准预测密封腔压力不仅对泵的密封效果、效率和寿命有着重要意义,还能防止泄漏和设备故障,从而提高整个系统的安全性和经济效益。密封腔压力的影响因素多,且种类复杂,如何计算和预测泵密封腔压力一直是相关领域专家研究的重点课题。

API 682标准最早提出了针对离心泵和回转泵密封系统的密封腔压力经验公式^[1];随着泵设计和运行条件的复杂化,单靠经验公式已不再足够,P. Geiger 和H. Fiedler等人通过CFD技术,模拟密封腔内的流体流动,提供压力分布预测^[2];A. khonsar,和E. Booser 基于现代密封设计理论提出先进的设计和材料可以显著减小密封腔内的压力波动,增强密封的可靠性^[3]。近年来,人工智能(AI)技术,特别是机器学习和深度学习,在处理复杂数据和预测模型方面展现出了强大的能力。通过学习大量的历史运行数据,机器学习能够捕捉到传统物理模型难以表达的复杂模式和关系。在工业领域,机器学习已经在许多应用场景中取得了成功,例如设备故障预测、生产优化和流程控制。然而,石油化工行业由于其工艺流程的复杂性和风险性,对AI技术的应用还处于探索阶段。

高速离心泵作为北京航天石化技术装备工程有限公司的明星产品之一,因具有流量小、扬程高、结构紧凑、转速高、可靠性好等特点,被广泛应用于石油化工领域。以高速泵为研究对象具备现实意义,其每年近300台的出厂量也为研究提供了充分的数据支撑。本文旨在开发一种基于机器学习的泵密封腔压力预测方法,以高速泵的密封腔压力数据为载体,结合数据预处理、特征工程和模型优化,形成一套完整的预测解决方案。本研究不仅在理论上验证了机器学习在工业参数预测中的可行性,还在实际应用中展示了其显著的优势。

1数据收集与预处理

1.1 系统流程图

机器学习的主要要素包含数据、算法和训练优化过程,通过对已知数据的智能学习,获得对未知数据决策的泛化能力是智能学习的关键。机器学习模型在学习数据的过程中,逐步由高误差模型向低误差模型迭代,这不仅依赖于算法本身,更是由梯度下降优化器决定的,这种函数作用于真实值与预测值之间误差的导数,实现对算法参数的更新,进而提高模型准确度。本文针对密封腔压力的研究,对关键步骤进行流程设计,如图1所示。

1.2 数据收集

在任何基于人工智能的项 目中,数据都是至关重要的,高质量的数据是训练高性能模型的基础。为确保预测模型的有效性和稳定性,数据库包含了115组泵的实验数据,每组数据的特征都具备独特性,覆盖了泵的设计参数、性能参数、操作环境和密封效果等多个维度,具体包括泵型号、转速、入口压力、诱导轮参数、平衡孔参数及密封方案等13个特征项。

为了确保数据的质量,对收集到的数据进行了清洗和处理。数据清洗包括缺失值处理、异常值检测等步骤,确保数据的完整性,并对不同格式的数据进行处理,使其具备python程序可识别的数字、文本格式,统一数据的度量单位和表示方式,最终得到如表1所示形式的数据。

1.3 数据标准化

通过对收集数据的观察,明确了数据形式多样、数值量级不同的特点。机器学习对不同特征采取无差别学习,为了进一步消除特征间的量级差异,适配数学模型,对数据进行了归一化和标准化处理,将数值数据缩放到[0,1]区间内,均值为0,标准差为1。这些处理使得所有的特征数值范围相近,从而提高了模型的训练效率,改善了梯度下降的优化过程和预测性能。

2数据的特征工程

2.1特征提取

为了让python编程语言识别数据内容,使得模型能够更好地理解和利用这些数据,所有特征需以数值的形式体现,因此对高速泵的性能、结构、运行数据进行了详细的特征提取。

1)泵模型分解:例如,“GSB-L1-8/1303”字段中的信息分解为型号L1、流量8和扬程1303。

2)诱导轮参数处理:汽蚀余量为高速泵设计中重要的性能指标,为了防止汽蚀发生,部分高速泵需配备诱导轮增强汽蚀性能,通过数据输入,可以自动识别是否需要配备诱导轮并获取诱导轮信息,诱导轮特征提取函数如图2所示。例如,“φ30/φ19”字段中的信息分解为诱导轮外径30和轮毂尺寸19。

3)叶轮平衡孔参数提取:例如,“φ55×12×φ8”字段中的多个数值分别表示平衡孔的位置、数量和尺寸。

2.2特征编码

除了特征提取外,一些字符类数据无法直接用数字表示,例如密封类型有串联、单端面、双端面多种文字描述。鉴于数据要参与数学模型的运算,机器学习模型可能会错误地认为这些值之间存在某种大小或顺序关系,进而在模型中会引入错误的假设,因而此类无实际意义的数值无法直接用数字0,1,2,…表达。

为了让模型理解和处理分类特征,对这些特征进行了one—Hot编码处理,将其转换为二进制向量,以数组的形式扩展这类特征的空间域。其数学表达如下:假设有一个分类变量x,其可能取值有n种:{x1,x2,… ,xn},如果x=xi,那么one—Hot编码后向量为[0,0,…,1,0],其中第i位是1,其余为0。

例如,密封形式中的串联可表示为[1,0,0],单端面为[0,1,0],双端面为[0,0,1]。采用one—Hot编码避免了序列性假设,消除了对类别间的任何顺序或大小关系的错误假设,也对不同机器学习模型具备极强的兼容性,拓展的特征空间也提升了模型准确度上限。

3模型选择与优化

3.1模型选择

在选择模型时,首先对机器学习算法大类进行划分,预测密封腔压力输出为连续数值,而非离散数值,明确研究课题为回归问题。另外,考虑了数据的特性、任务的复杂度和计算资源的限制,对于密封腔压力的预测,对不同理论下产生的算法模型利弊分析如下:

1)多层感知器(MLP):能够处理非线性关系,并且适合高维特征的回归问题,模型复杂度设置灵活,可解释性好。

2)线性回归:适用于简单的线性关系预测,但在处理复杂的非线性关系时,性能受到限制。

3)决策树和随机森林:这些模型能够处理复杂的特征交互,在高维数据中表现良好。但对数据量规模小、特征空间大的数据库,可能会面临过拟合的问题。

4)支持向量机(SVM):SVM在处理高维空间的分类和回归任务时表现出色,但对于数据集的计算开销较大,且对于存在坏点、异常点的数据存在较大方差。

基于初步分析,最终选定MLP作为本次研究的主要模型。

3.2模型训练与优化

模型的训练过程包括数据分割、前向传播、损失计算和反向传播等步骤,每一步骤的程序设计都影响着模型预测密封腔压力学习的准确度。

3.2.1数据分割

鉴于数据库体量适中,将数据集分为含数据量为90%的训练集和含数据量为10%的测试集,并进一步在训练集中进行交叉验证,排除极端训练的情况,评估模型的平均泛化能力。

3.2.2前向传播

MLP由无数个神经元组成,在前向传播过程中,输入数据通过神经元的层层传递,经过一系列的加权和激活函数的处理,生成最终的输出预测值。本次采用relu激活函数,实现非线性计算。

3.2.3损失计算

实验中使用均方误差(MSE)作为损失函数,计算模型预测值与真实值之间的差异,通过差值可以计算模型预测的准确度,为后续模型优化提供评判依据。损失函数的公式为:

式中:n是样本的数量;yi是第i个样本的真实值;y^i是模型对第i个样本的预测值。

3.2.4反向传播

根据损失函数的值,计算模型参数的梯度,并使用梯度下降的优化算法更新模型参数,以最小化损失量。模型的反向传播通过优化器实现,例如实验中采用的Adam优化器,具备自适应学习率、对导数的偏差纠正、训练过程稳定、收敛速度快等特点,可实现在迭代过程中逐渐优化参数的作用,宏观上体现为模型准确度提高。

3.2.5超参数优化

通过网格搜索和交叉验证的方法实现了优化模 型的超参数调节,包括学习率、批量大小、训练轮数等。通过遍历不同的超参数组合,选择出最佳配置,以提高模型的性能。

4模型评估与验证

4.1 交叉验证

为了更全面地评估模型的泛化能力,采用了交叉验证的方法。交叉验证将数据分为多个子集,进行多次训练和评估I最终计算出模型的平均性能。这种方法有效减少了模型性能受数据分割方式影响的风险,提高了评估的稳定性。

4.2 实验结果

实验对优化器学习率(lr)、数据批次(batch—size)、训练轮数(epoch)这三个超参数采用控制变量法进行了设置,得到18组不同配置的模型,实验参数如表2所示。

通过对比18组数据的MSE值可以得出误差最小的参数组合I即最优解。最优解下的实验结果如图3所示。

4.3结果分析

通过实验结果发现I经过100轮的模型迭代训练I损失量Loss总体呈下降趋势,由最初的0.011 0下降到0.001 2;MSE仅为0.000 3,远低于类似应用的经 验误差值0.01,证明实验模型已具备良好的泛化能力,用于解决高速泵密封腔压力预测问题时精度高。最优解结果如表3所示。

进一步分析各超参数对预测密封腔压力问题的影响:

1)优化器学习率lr为0.001虽然比较常见I但在本次实验中效果不如0.0005I表明较低的学习率在高速泵密封腔压力的数据集上能更好地优化模型I避免过大的梯度更新导致的训练不稳定。

2)当训练轮数epoch过低时I模型训练不充分I无法捕捉到数据中的复杂模式I导致预测性能不佳;随着epoch的增加I为100时训练效果有显著提高;当epoch为200时I模型过度拟合训练数据I反而降低了对测试集的泛化能力。

3)较大的批量大小batchsize可以加快模型训练的收敛速度I但由于本次研究数据体量有限I当批量大小为12时I误差反而增加I因此8是更加合适的批量大小I兼顾了训练的稳定性和收敛速度。

研究中以MSE为模型误差的标准I为了更直观地识别密封腔压力预测的准确度I特列举12项测试数据的预测值与真实值如表4所示。

通过计算误差I发现大多数误差范围都在4%以内I表明用机器学习的方法不仅可以预测泵密封腔压力I预测精度也很高I完全具备了工程应用的条件。

5结论与展望

5.1 结论

1)本文提出了一种应用机器学习的高速泵密封腔压力预测方法I通过全流程的研究I系统地开展特征工程和超参数调优I形成了基于人工智能的新解决方案。

2)探索了针对密封腔压力预测问题的数据特征空间及参数优化方向,优化后的MLP模型在测试集上的均方误差MSE仅为0.0003,表明了该方法在实际工程应用中的高精度和可靠性。

3)传统的泵密封腔压力预测主要依赖于实际运转实验,过程烦琐且成本高昂。该模型的成功证明了机器学习在处理复杂非线性关系方面的强大能力,为实验方法的更新提供了新思路,研究结果也对石油化工领域的设备维护和操作优化具有重要意义。

5.2 展望

尽管本研究的模型已展现出较高的精度和可靠性,但其未来仍有提升空间,包括对数据集规模和多样性的补充,对特征选择的研究;对模型架构的探索和改进提升;还有基于物理引导的机器学习技术。因此,将工程设计与人工智能结合,是值得挖掘的一个提高设计水平的方向。

[参考文献]

[1]NGKB,DIAKOW s J.pumps—shaft sealing systemsforcentrifugalandRotarypumps:ApIsTD682[s]. AmericanpetroleumInstitute, 2014.

[2] GEIGER p ,FIEDLER H .Numerical simulation andExperimental ValidationofMechanicalseals [J].TribologyInternational,2017(115): 1—10.

[3] KHONsARI A,BOOsER E.Advances in MechanicalsealsDesignandOperation[J].springer,2019.

《机电信息》2025年第12期第9篇