在含有泵装置的工程中，常常通过水泵性能曲线来研究水泵运行情况，但是，如果要研究由于规划不周操作不当水位突变或意外停电等原因造成的水锤现象，则仅仅有水泵特性曲线是远远不够的。因为水泵特性曲线只反映水泵正常运行的情况，而对于水锤这复杂的水力过渡过程，它不仅包含水泵正常运行工况特性，而且还包含制动水泵工况水轮机工况以及制动水轮机工况特性。

　　水泵全特性曲线反映在任意可能运行条件下因此为分析和计算水锤提供了重要依据。水泵的全特性曲线通常由专门的实验得到。但由于水泵比转数范围很宽，品种规格繁多，而全特性试验又很复杂，故无法对每种水泵进行试验。在进行水锤计算时，往往难以找到相同比转数的水泵全特性曲线资料，故通常采用相近的其它比转数的全特性曲线。这样，无疑给计算带来误差。因此，研究任意比转速下的水泵全特性曲线规律显得十分重要。本文提出了种以几种已有的实测水泵全性能曲线为基础，利用8神经网络，拟合任意比转速下的水泵全特性曲线的方法。

　　28口神经网络模型的建立水泵全特性是水泵比转速1的函数。可利用8神经网络根据已有的由实验得到的几种比转数的水泵全特性曲线，拟合出任意比转速水泵的全特性曲线。8神经网络是目前比较成或使用也比较广泛的种人工神经网络。它分为3层输人层，隐含层和输出层。隐含层中每个节点分别与输人层和输出层的每个节点连接。8网络的学习过程由前向计算过程和误反向传播过程组成，其前向计算过程如下。

　　输人层结点的输出0，等于其输入隐层节点的输人输出巧=，之间的连接权；为隐层节点的阀值，为非线形5阴，1传递函数。

　　输出层结点的输入0之间的连接权；久为隐层节点的阀值。

　　对给定的训练样本集络运算结果与训练样本目标之间的均方误差和为网络训练学习的过程就是通过调节网络内部连接权使网络误差小。8网络内部连接权的调整过程也就是误差的反向传播过程对于输出层与隐层之间的权值，有对于输出层与隐层之间的权讥有3水泵全特性曲线8口模型263530，95博山多级离心泵0的实测全特性曲线资料为样本，采用神经网络进行训练，得出网络的连接权。神经网络仃两个输人比转数和相对流动角1其中洱个比转数对应67个以=7144为间隔的相对流动角1的值，0712所以网络的输人样本为个2268的维矩阵3在构造网络的输出时，使用两种不同的方案进行了比较。

　　4利用日神经网络拟合全特性曲线以认的绘制为例比较常规绘制方法和神经网络训练方法的结果。选取件，采用如上所述的方案，以=1000，3穴2=7144为输人，试1为输出，编写1构造并训练抓神经网络，1练的结采，使误差小于0.0001.将两条曲线绘在同个坐标系，1.

　　山汁算值曲线与神经网络仿真值曲线的比较可以看出，计算值与实测值相当吻合，说明本文的任意比转速水泵通用全特性曲线神经网络汁算机仿真结果是可靠的。

　　5结束语综合以上的分析可知，1神经网络能很奸地模拟非法线型系统，因此能很好地拟合任意比转速的水栗全持性曲线。结果明，只要选取了合适的网络结构，络便能经训练得到各节点之间的权值和阈值，代人任意比转速时的输人参量，就可得到任意比转速下的水泵全持性曲线，而旦精度完全满足要求，节约了大量汁算人员和计算时间3参考文献略