本发明公开一种基于模型迁移的大型新压缩机性能预测快速建模方法，其基于已有相似压缩机的性能预测模型，利用新/旧压缩机的先决经验知识来确定各参量额定值、稳定运行区间；设计实验来采集少量的实验数据样本，并依新压缩机的额定运行参数对采集样本进行归一化处理，利用ELM神经网络构建新压缩机的性能预测模型并进行迁移学习，将训练样本输入数据和基础模型的输出预测值作新模型输入变量，训练样本输出数据作新模型输出来进行模型迁移训练；最后利用测试样本来测试所建新模型的有效性；本发明利用已有相似压缩机的性能预测模型和新压缩机的先验知识，在少量实验数据信息情况下能快速开发新压缩机的性能预测模型，提高了建模效率与准确度。
1.一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，基于模型迁移的大型新压缩机性能预测快速建模方法的具体步骤是：a、准备环节：利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运行区间，并将已有相似压缩机的性能预测模型作为基础模型，所述相似压缩机是指与新压缩机类型相同且运行背景相类似，仅存在几何尺寸或工作介质差异的压缩机；所述新压缩机的先决经验知识包括额定参数、设计参数和性能曲线；
b、实验设计：根据新压缩机的变量额定值和少量的性能曲线，在新压缩机的稳定运行区间内选择离散、稀疏的实验点进行实验，采集新压缩机的实际运行数据，即实验数据样本，再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分；
c、数据区间转换、归一化处理：将实验数据样本中的输入数据进行尺度转换处理，将其转换至基础模型的稳定运行区间内，并得到相应的基础模型预测输出值；根据已知的新压缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及基础模型的预测输出值进行归一化处理；
d、模型训练：利用步骤a中的基础模型，结合步骤b中所采集的新压缩机实验数据样本通过模型迁移快速建立新压缩机的模型，采用ELM神经网络构建新压缩机性能预测模型并进行迁移学习，该网络包括一个输入层、一个隐含层和一个输出层，利用实验数据样本中的输入变量和基础模型的预测输出值作为ELM神经网络的输入变量，并将实验数据样本中的输出数据作为ELM神经网络的输出变量，其中，实验数据样本中的输入变量包括介质入口压力、流量、温度和转速，基础模型的预测输出变量为压比或温比，基础模型计算预测输出所需的输入变量由步骤b中实验数据样本中的输入变量经过尺度转换处理得到，ELM神经网络的输出变量为压缩机的输出压比或温比；利用步骤b中得到的模型训练样本数据以及基础模型的预测输出数据训练迁移模型得到新压缩机的性能预测模型；
e、模型测试：利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能预测模型的预测效果，若该ELM神经网络模型的预测误差小于设定值，则模型迁移训练结束，获得新模型并应用，否则就返回步骤b中增加实验设计，采集更多的实验数据样本进行模型迁移训练。
2.根据权利要求1所述的一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间内，均匀稀疏地选取实验数据点，对每个实验点进行实验并采集相应的输入/输出数据作为实验数据样本，进而获得实验数据样本。
3.根据权利要求1所述的一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，所述步骤b中的实验数据样本按7:3的比例分为模型训练样本数据和模型测试样本数据两部分。
4.根据权利要求1所述的一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，所述步骤c中的尺度转换处理是指在求解基础模型的预测输出值前需先将实验数据样本中的输入数据转换到基础模型所对应的区间内，具体的转换过程为：其中Xold和Xnew分别表示基础模型
和新压缩机的输入变量值，Xold，max和Xold，min分别表示基础模型输入变量稳定运行区间的最大值与最小值，Xnew，max和Xnew，min分别表示新压缩机输入变量稳定运行区间的最大值与最小值。
5.根据权利要求1所述的一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，所述步骤c中的归一化处理是将实验数据样本和基础模型的预测输出都映射到[-1，1]区间，采用的映射关系如下： 其中，Y为归一化处理后的数据，X为需要归一化的数据，Xmin为需要归一化处理数据中的最小值，Xmax为需要归一化处理数据中的最大值。
6.根据权利要求1所述的一种基于模型迁移的大型新压缩机性能预测快速建模方法，其特征在于，所述步骤d中采用模型训练样本数据对ELM神经网络进行训练，若网络的隐含层神经元个数为L，激活函数为g(x)，则ELM神经网络参数训练步骤简述如下：(1)随机选择输入连接权值ɑ和隐含层节点的阈值b；
一种基于模型迁移的大型新压缩机性能预测快速建模方法
技术领域
[0001] 本发明涉及一种大型压缩机性能预测模型的建模方法，具体是一种基于模型迁移的大型新压缩机性能预测快速建模方法，属于大型压缩机性能预测模型建模技术领域。
背景技术
[0002] 压缩机作为一种压力提升装置已被广泛应用于工业和农业等领域，其主要利用叶片和气体间的相互作用来提高气体的压力和动能，并经过相继通流元件的作用使气流减速，使其压力得到进一步提高。现有大型压缩机具有排气压力高、输送流量大和效率高等优点，能够满足钢厂、电厂等大规模工业生产的要求，但在实际使用过程中也存在性能难以准确预测和实际运行控制效果不理想等问题，如大型离心压缩机存在易发生喘振的缺陷。而大型离心压缩机的防喘振运行控制直接关系着是否能够更好地对大型压缩机进行控制，故快速地建立准确的大型压缩机性能预测模型对大型压缩机的控制具有十分重要的意义。
[0003] 目前，已研发出多种用于大型压缩机的建模和性能预测的方法，如一种机理建模方法(Chu F,Wang F L,Wang X G，et al.A model for parameter estimation of multistage centrifugal compressor and compressor performance analysis using genetic algorithm.Sci China Tech Sci,2012,55(11):3163-3175.)，其通过分析压缩机的能量损失机理，利用热力学第一定律和能量守恒关系来建立压缩机的性能预测模型。该机理建模方法虽然能够建立大型压缩机的性能预测模型，但存在建立模型所耗时间长、计算工作量大且预测精度通常较低等问题，并不实用。
[0004] 除此之外，还有一些基于数据的建模方法，如基于修正的离心压缩机性能的模糊建模方法[J](厉勇、王丽荣、李斌；化工自动化及仪表,2010,37(6)：32-34.)和基于径向基函数神经网络的多级离心压缩机混合模型[J](褚菲、王福利、王小刚；控制理论与应用,2012,29(9)：1205-1209.)等，所述基于数据的建模方法是指建立在大型压缩机实际运行数据的基础上，通过分析压缩机的实际输入与输出响应之间的关系，从而拟合出输入输出的关系表达，进而实现最终的建模。只要有足够的可靠数据信息，建立模型的预测精度就很高；但正因为这种建模方法通常需要大量的数据样本进行学习，对训练数据的噪声及工况的变化又很敏感，尤其是针对一个新压缩机而言，由于运行时间短，缺乏可靠的过程数据信息，此时如果再采用上述的建模方法进行新压缩机性能预测模型的开发，将会导致模型的预测精度较低，并且浪费大量的人力及成本、效率低。因此如何快速地建立准确的新压缩机性能预测模型成为了目前研究的热点问题之一。
发明内容
[0005] 针对上述现有技术存在的问题，本发明提供一种基于模型迁移的大型新压缩机性能预测快速建模方法，可以快速地建立大型新压缩机性能预测模型，节省模型的开发时间与成本、效率高，准确度高。
[0006] 为了实现上述目的，本发明采用的一种基于模型迁移的大型新压缩机性能预测快速建模方法，该建模方法的具体步骤是：
[0007] a、准备环节：利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运行区间，并将已有相似压缩机的性能预测模型作为基础模型，所述相似压缩机是指与新压缩机类型相同且运行背景相类似，仅存在几何尺寸或工作介质差异的压缩机；所述新压缩机的先决经验知识包括额定参数、设计参数和性能曲线；
[0008] b、实验设计：根据新压缩机的变量额定值和少量的性能曲线，在新压缩机的稳定运行区间内选择离散、稀疏的实验点进行实验，采集新压缩机的实际运行数据，即实验数据样本，再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分；
[0009] c、数据区间转换、归一化处理：将实验数据样本中的输入数据进行尺度转换处理，将其转换至基础模型的稳定运行区间内，并得到相应的基础模型预测输出值；根据已知的新压缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及基础模型的预测输出值进行归一化处理；
[0010] d、模型训练：利用步骤a中的基础模型，结合步骤b中所采集的新压缩机实验数据样本通过模型迁移快速建立新压缩机的模型，采用ELM神经网络构建新压缩机性能预测模型并进行迁移学习，该网络包括一个输入层、一个隐含层和一个输出层，利用实验数据样本中的输入变量和基础模型的预测输出值作为ELM神经网络的输入变量，并将实验数据样本中的输出数据作为ELM神经网络的输出变量，其中，实验数据样本中的输入变量包括介质入口压力、流量、温度和转速，基础模型的预测输出变量为压比或温比，基础模型计算预测输出所需的输入变量由步骤b中实验数据样本中的输入变量经过尺度转换处理得到，ELM神经网络的输出变量为压缩机的输出压比或温比；利用步骤b中得到的模型训练样本数据以及基础模型的预测输出数据训练迁移模型得到新压缩机的性能预测模型；
[0011] e、模型测试：利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能预测模型的预测效果，若该ELM神经网络模型的预测误差小于设定值，则模型迁移训练结束，获得新模型并应用，否则就返回步骤b中增加实验设计，采集更多的实验数据样本重新进行模型迁移训练。
[0012] 所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间内，均匀稀疏地选取实验数据点，对每个实验点进行实验并采集相应的输入/输出数据作为实验数据样本，进而获得实验数据样本。
[0013] 所述步骤b中的实验数据样本按7:3的比例分为模型训练样本数据和模型测试样本数据两部分。
[0014] 所述步骤c中的尺度转换处理是指在求解基础模型的预测输出前需先将实验数据样本中的输入数据转换到基础模型所对应的区间内，具体的转换过程为：其中Xold和Xnew分别表示基础模型
和新压缩机的输入变量值，Xold，max和Xold，min分别表示基础模型输入变量稳定运行区间的最大值与最小值，Xnew，max和Xnew，min分别表示新压缩机输入变量稳定运行区间的最大值与最小值。
[0015] 所述步骤c中的归一化处理是将实验数据样本和基础模型的输出都映射到[-1，1]区间，采用的映射关系如下： 其中，Y为归一化处理后的数据，X为需要归一化的数据，Xmin为需要归一化处理数据中的最小值，Xmax为需要归一化处理数据中的最大值。
[0016] 所述步骤d中采用模型训练样本数据对ELM神经网络进行训练，若网络的隐含层神经元个数为L，激活函数为g(x)，则ELM神经网络参数训练步骤简述如下：
[0017] (1)随机选择输入连接权值ɑ和隐含层节点的阈值b；
[0018] (2)计算隐含层输出矩阵H；
[0019] (3)计算隐含层输出连接权值β。
[0020] 与现有技术相比，本发明采用模型迁移策略来开发新压缩机的性能预测模型，具体是充分利用已有相似压缩机的性能预测模型和新压缩机的先决经验知识(额定参数、设计参数和性能曲线)，在少量实验数据信息情况下能够快速地开发新压缩机的性能预测模型，大大节省了模型的开发时间与成本、效率高；同时，采用ELM神经网络快速地构建大型新压缩机的性能预测模型，相比于采用其他的神经网络，ELM神经网络在隐含层激活函数无限可微的情况下，其网络参数无需全部进行调整，在训练时先随机选取输入连接权值和隐含层节点的阈值，训练过程中仅需计算出输出连接权值即可完成整个网络的训练，大大提高了网络的学习速度和泛化能力，提高了建模效率和准确度。该方法并不是简单的借助了ELM神经网络的优点，而是将ELM神经网络应用到建模中，结合相似压缩机的性能预测模型特有的特性共同实现新压缩机的建模。
附图说明
[0021] 图1为本发明模型迁移策略的结构框图；
[0022] 图2为本发明开发新模型的流程图；
[0023] 图3为分别采用基于模型迁移的与基于数据的建模方法开发新压缩机性能预测模型的输出压比的比较示意图；
[0024] 图4为分别采用基于模型迁移的与基于数据的建模方法开发新压缩机性能预测模型的输出温比的比较示意图。
具体实施方式
[0025] 下面结合附图和具体实施例对本发明作进一步说明。
[0026] 如图1和图2所示，一种基于模型迁移的大型新压缩机性能预测快速建模方法，该建模方法的具体步骤是：
[0027] a、准备环节：利用新/旧压缩机的先决经验知识来确定各参量的额定值和稳定运行区间，并选取与新压缩机类型相同且运行背景相类似，仅存在几何尺寸或工作介质差异的相似压缩机的性能预测模型作为基础模型，具体是指：可利用新压缩机的铭牌等信息来获取压缩机介质入口压力、温度、转速和流量等额定参数值以及设计参数，并利用厂家提供的少量性能曲线确定新压缩机的稳定运行区间；同时，整理验证已有相似压缩机的性能预测模型并保证其可靠性和预测精度等；
[0028] b、实验设计：根据新压缩机的变量额定值和少量的性能曲线，在新压缩机的稳定运行区间内选择离散、稀疏的实验点进行实验，采集新压缩机的实际运行数据，即实验数据样本，再将实验数据样本分为模型训练样本数据和模型测试样本数据两部分；为了减少实验次数，一开始可以采取正交实验法确定最少的实验点数；
[0029] c、数据区间转换、归一化处理：将实验数据样本中的输入数据进行尺度转换处理，将其转换至基础模型的稳定运行区间内，并得到相应的基础模型预测输出值；根据已知的新压缩机各参量额定值对步骤b中采集的新压缩机实验数据样本中的输入/输出数据以及基础模型的预测输出值进行归一化处理；
[0030] d、模型训练：利用步骤a中的基础模型，结合步骤b中所采集的新压缩机实验数据样本通过模型迁移快速建立新压缩机的模型，考虑到ELM是一种新的单隐层前馈神经网络学习算法，该网络具有学习速度快和泛化能力好等优良特性，能够作为一种快速建模的手段，可采用ELM神经网络构建新压缩机性能预测模型并进行迁移学习，该网络包括一个输入层、一个隐含层和一个输出层，所述实验数据样本中的输入变量和基础模型的预测输出值作为ELM神经网络的输入变量，实验数据样本中的输出数据作为ELM神经网络的输出变量，进行ELM神经网络训练；其中，实验数据样本中的输入变量包括介质入口压力、流量、温度和转速，基础模型的预测输出变量为压比或温比，基础模型计算预测输出所需的输入变量由步骤b中实验数据样本中的输入变量经过尺度转换处理得到，ELM神经网络的输出变量为压缩机的输出压比或温比；利用步骤b中得到的模型训练样本数据以及基础模型的预测输出数据训练迁移模型得到新压缩机的性能预测模型；
[0031] e、模型测试：利用步骤b中得到的模型测试样本数据验证所建立的新压缩机性能预测模型的预测效果，首先将模型测试样本中的输入数据代入ELM神经网络中得到新模型的预测输出值，然后求解该预测输出值与模型测试样本中的输出值之间的均方根误差，当该均方根误差低于设定值时，即该ELM神经网络模型的预测误差小于设定值，则模型迁移训练结束，获得新模型并应用，否则就返回步骤b中增加实验设计，采集更多的实验数据样本重新进行模型迁移训练。
[0032] 优选地，所述步骤b中实验数据样本的采集过程是在新压缩机的稳定运行区间内，均匀稀疏地选取实验数据点，对每个实验点进行实验并采集相应的输入/输出数据作为实验数据样本，进而获得实验数据样本，这种采集方式获得的模型准确度高，效率更高。
[0033] 上述模型训练样本数据和模型测试样本数据可以采取不同的比例进行划分，但是考虑到整个模型的精度和建模时间，当所述步骤b中的实验数据样本按7:3的比例分为模型训练样本数据和模型测试样本数据两部分时，其建立模型的有效性更好。
[0034] 由于实验数据样本中输入数据的范围与基础模型输入变量的范围不尽相同，在求解基础模型的输出前先对实验数据样本中的输入数据进行尺度转换处理，将其转换到基础模型所对应的区间，即所述步骤c中的尺度转换处理是指在求解基础模型的预测输出前需先将实验数据样本中的输入数据转换到基础模型所对应的区间内，具体的转换过程为：其中Xold和Xnew分别表示基础模型
和新压缩机的输入变量值，Xold，max和Xold，min分别表示基础模型输入变量稳定运行区间的最大值与最小值，Xnew，max和Xnew，min分别表示新压缩机输入变量稳定运行区间的最大值与最小值。
[0035] 所述步骤c中的归一化处理是将实验数据样本和基础模型的输出都映射到[-1，1]区间，采用的映射关系如下： 其中，Y为归一化处理后的数据，X为需要归一化的数据，Xmin为需要归一化处理数据中的最小值，Xmax为需要归一化处理数据中的最大值。
[0036] 其中，所述步骤d中采用模型训练样本数据对ELM神经网络进行训练，假设模型训练样本数为N，维数为D；模型测试样本数为M，维数同样为D；若网络的隐含层神经元个数为L，激活函数为g(x)，则ELM神经网络的数学表达式为： 其中，aj为输入层与隐含层之间的连接权值，bj为隐含层节点的阈值，βj为隐含层与输出层之间的连接权值。该表达式可简写为矩阵的形式：Hβ＝Y，其中，H为隐含层的输出矩阵。当隐含层神经元激活函数g(x)无限可微时，ELM神经网络的参数不需要全部调整，在训练时可以随机选取输入连接权值aj和隐含层节点的阈值bj，并在训练过程中保持aj和bj的值不变，那么整个网络的训练过程等价于寻找线性系统Hβ＝Y的最小二乘解。其中，ELM神经网络参数的训练骤如下：
[0037] (1)随机选择输入层与隐含层之间的连接权值aj和隐含层节点的阈值bj；
[0038] (2)计算隐含层输出矩阵H，
[0039] (3)计算隐含层与输出层之间的连接权值βj。
[0040] 为了验证该方法的效果，利用所采集的实验数据样本分别建立基于模型迁移的新压缩机性能预测模型以及基于数据的新压缩机性能预测模型，并将两个模型的预测压比/温比与实际输出进行对比，结果发现，如图3和图4可见，基于模型迁移的建模方法预测精度要比基于数据的建模方法预测精度高很多，具体如表1可见：
[0041]
[0042] 表1。
[0043] 由上述分析可知，本发明通过采用模型迁移策略来开发新压缩机的性能预测模型，充分利用已有相似压缩机的性能预测模型和新压缩机的先决经验知识(额定参数、设计参数和性能曲线)，在少量实验数据信息情况下能够快速地开发新压缩机的性能预测模型，大大节省了模型的开发时间与成本、效率高；同时，采用ELM神经网络快速地构建大型新压缩机的性能预测模型，相比于采用其他的神经网络，ELM神经网络在隐含层激活函数无限可微的情况下，其网络参数无需全部进行调整，在训练时先随机选取输入连接权值和隐含层节点的阈值，训练过程中仅需计算出输出连接权值即可完成整个网络的训练，大大提高了网络的学习速度和泛化能力，提高了建模效率和准确度。该方法比基于数据的建模方法预测精度要高很多，几乎接近实际输出，带来了意想不到的效果。
