Jun Feng

• The present dissertation investigates the applicability of a simple neural network (NN) based on vibration signals in detecting the operating points of centrifugal pumps. The effects of different NN topologies and hyperparameters were evaluated by utilizing the frequency- and time-domain signals. Their performances were compared under the same NN model. The simplest and most economical vibration sensors and evaluation boards were used in the experiments, and the effects of different sensor positions and numbers on the detection results were tested. The results show that a single point measurement model for flow rate detection at a large interval achieved a NN test accuracy of 0.99 over 10 epochs, however, the aggregation of multiple sensor data did not improve the NN model performance. For simultaneous detection of rotation speed and flow rate based on frequency-domain signals, the single hidden-layer NN model achieved an accuracy of 0.90 in 116s training duration time. For time-domain signals, the simple NN model performance in flow rate detection was limited, achieving only 0.5 test accuracy. In addition, this study demonstrates the feasibility of low-cost hardware (<€60) in centrifugal pump operating point detection, proving that the simple NN model can provide accurate detection results under resource-constrained conditions. A centrifugal pump test bench and its measurement and control systems including hardware and software, were developed and set up at Jianghan University (JHU) with the support from University of Kaiserslautern-Landau (RPTU) to facilitate these experiments. Overall, this research confirms the feasibility of using simple NN classifiers in centrifugal pump operating point detection, especially based on frequency-domain signals. Future research should further optimize the NNs for time-domain signal training and develop a low-cost Raspberry Pi-based detection system to improve the detection performance and breadth of applications.
• Die vorliegende Dissertation untersucht die Anwendbarkeit eines einfachen neuronalen Netzes (NN) zur Detektion von Betriebspunkten der Kreiselpumpen durch Schwingungssignalen. Die Detektionen verschiedener NN-Topologien und Hyperparameter wurden anhand von Signalen im Frequenz- und Zeitbereich bewertet. Die Ergebnisse wurden mit identischen NN-Modellen verglichen. In den Experimenten wurden die einfachsten und kostengünstigsten Schwingungssensoren und Auswerteplatinen verwendet. Die Auswirkungen unterschiedlicher Sensorpositionen und Sensoranzahlen auf die Detektionsergebnisse wurden getestet. Die Ergebnisse zeigen, dass ein Einzel-Punkt-Messmodell für die Detektion der Förderstrom in einem großen Intervall eine NN-Testgenauigkeit von 0.99 über 10 Epochen erreicht, die Aggregation mehrerer Sensordaten die Leistung des NN-Modells nicht verbessert. Für die gleichzeitige Detektion von Drehzahl und Förderstrom durch Signale im Frequenzbereich erreichte das NN-Modell mit einer einzigen Hidden Layer eine Genauigkeit von 0.90 bei einer Trainingsdauer von 116 Sekunden. Für Signale im Zeitbereich war die Leistung des einfachen NN-Modells bei der Detektion der Förderstrom begrenzt und es erreichte nur eine Testgenauigkeit von 0.5. Darüber hinaus demonstriert diese Studie die Machbarkeit von kostengünstiger Hardware für die Detektion der Betriebspunkten von Kreiselpumpen und beweist, dass das einfache NN-Modell genaue Detektion liefern kann. Um diese Experimente zu ermöglichen, wurden an der Jianghan Universität (JHU) mit Unterstützung der Rheinland-Pfälzische Technischen Universität Kaiserslautern-Landau (RPTU) ein Kreiselpumpenprüfstand und die zugehörigen Mess- und Steuersysteme, einschließlich Hard- und Software, entwickelt und aufgebaut. Insgesamt bestätigen diese Untersuchungen die Machbarkeit des Einsatzes einfacher NN-Klassifikatoren zur Detektion von Betriebspunkten der Kreiselpumpen bei Schwingungssignalen. Zukünftige Forschungsarbeiten sollten die NN für das Training von Signalen im Zeitbereich weiter optimieren und ein kostengünstiges, auf einem Raspberry Pi basierendes Detektionssystem entwickeln, um die Detektionsleistung und die Anwendungsbreite zu verbessern.