CN103823461A - 一种可在线故障诊断的工业循环水浓缩倍数采集系统 - Google Patents

Abstract

本发明公开了一种可在线故障诊断的工业循环水浓缩倍数采集系统，包括浓缩倍数测量单元和故障诊断单元，所述浓缩倍数测量单元为一台浓缩倍数测量仪，所述故障诊断单元为一台上位机，该上位机与浓缩倍数测量仪相连，用于接收浓缩倍数参数和故障诊断，所述故障诊断单元包括五部分：数据采集部分、数据预处理部分、构建BT-SVM故障分类器、集成学习部分和诊断结果显示部分。本发明首次对浓缩倍数采集系统进行智能故障诊断，针对故障数据小样本的情况，采用支持向量机故障诊断；为工业仪表的在线智能故障诊断迈出了重要的一步；本发明相比传统方法，能够减少成本，更及时的检测出仪表的故障及种类。

Description

一种可在线故障诊断的工业循环水浓缩倍数采集系统

技术领域

本发明属于智能工业仪表领域，具体涉及一种可在线故障诊断的工业循环水浓缩倍数采集系统。

背景技术

随着工业的发展，对工业循环水的浓缩倍数进行控制变的愈发重要，所谓浓缩倍数就是循环水和补充水的电导率比值，归根结底，就是对电导率进行实时监测，为循环水浓缩倍数的监测提供更为准确的数据，较好地控制循环水质。而测量系统一旦发生故障，会对工业生产造成很大的影响，所以发明一种采用在线故障诊断的浓缩倍数采集系统具有很重要的工业价值。

目前，还没有带智能故障诊断的浓缩倍数测量系统。国内的工业现场，基本都是采用人工判断工业仪表是否发生故障，根据经验判断发生了什么样的故障。而浓缩倍数测量仪处于不同运行状态时，它显示的浓缩倍数值、电导率值和温度值是不同的，对这三个值进行合理分析，即可得出浓缩倍数测量仪运行状态，这样就可以有效地对浓缩倍数测量仪进行故障诊断。然而，相对来说仪表出现故障的情况比较少，所以故障数据提取困难，这就存在一个问题，那就是不能有大量的数据样本供参考，如果使用传统的神经网络等故障诊断方法，往往不能对故障进行准确的诊断。

发明内容

发明目的：本发明的目的是为了解决上述技术问题，提供一种可在线故障诊断的工业循环水浓缩倍数采集系统。

技术方案：本发明所述的一种可在线故障诊断的工业循环水浓缩倍数采集系统，包括浓缩倍数测量单元和故障诊断单元，所述浓缩倍数测量单元为一台浓缩倍数测量仪，所述故障诊断单元为一台上位机，该上位机与浓缩倍数测量仪相连，用于接收浓缩倍数参数和故障诊断。

所述浓缩倍数测量仪包括传感器、主芯片和数据输出端，所述传感器包括温度传感器和电导电极，所述主芯片接收到来自所述传感器的数据进行处理后，经所述数据输出端将信号输出。

所述故障诊断单元包括五部分：

（1）数据采集部分，将采样得到的电导值和温度值实时送至数据预处理部分；

（2）数据预处理部分，生成一个大小为40的一维数组，按一定顺序地把采集来的电导率值存储起来，去除最大和最小值，再读入两个新的采样值，接着使用中值滤波去掉最大和最小值，最后求出剩下的38组数据的的平均值；

用公式表示：

$\stackrel{\‾}{X}=\frac{1}{N-2}\underset{i-1}{\overset{N-1}{\mathrm{\Σ}}}{X}_i$

式中：X_i为经过从小到大排序后的电导率值；N为采样个数；

为当前有效的电导率平均均值。

（3）构建BT-SVM故障分类器，包含3个支持向量机（SVM）分类器，SVM1用于区分正常状态和开路、短路、探头污染三个状态，SVM2用于区分开路状态和短路，探头污染两个状态，SVM3用于区分短路状态和探头污染状态；SVM为二分类器，也就是说每个支持向量机只能区分两种故障样本，将测试样本划分至故障可能性较高的一类中去。而浓缩倍数表故障类型不止两种，所以需要建立多个SVM故障分类器。二叉树支持向量机(BT-SVM)多分类方法相当于建立一个二叉树,每个树节点是一个SVM分类器,方法如下：首先把所有的类合并成为两个一级子类，然后将一级子类和上一步一样分成为两个二级子类,依照这样的规律不断划分，最后直到节点中只有一个类别,也就是叶子结点。二叉树又分为全二叉树又分为全二叉树和偏二叉树，本发明采用偏二叉树。

（4）集成学习部分，该部分将预处理过的数据送入构建好的BT-SVM故障分类器中，按照预先设置流程，确定样本数据所属类别。

（5）诊断结果显示部分，根据集成学习部分对测试样本的类别划分，可判断出当前浓缩倍数表的运行状态。该部分将诊断结果送至输出端口进行显示，以直观地对浓缩倍数表运行状况进行实时监视。

有益效果：

（1）本发明首次对浓缩倍数采集系统进行智能故障诊断，针对故障数据小样本的情况，采用支持向量机故障诊断；

（2）针对数据特征，本发明采用效率高的偏二叉树的多类支持向量机，并可以根据实际情况进行二次诊断。支持向量机是根据统计学习理论演变而来，它能够很好的解决小样本数据的问题，它能够通过对有限样本的学习，得到的一个最佳的模型，少数的支持向量集决定超平面，算法简单易行，鲁棒好。支持向量机从本质上来说是一种二分类器，而浓缩倍数表的故障是多类型的，因此不可能通过一个SVM故障分类器将所有的运行状态分辨出来。通常要采用多个SVM故障分类器，才能准确及时的得出运行状态，但是在探头污染这个故障状态时候，容易被水质变换影响，需要再次判断，所以我们把故障诊断分为两次诊断。

（3）历来对工业仪表的故障诊断都是人工操作，本发明为工业仪表的在线智能故障诊断迈出了重要的一步。

（4）本发明相比传统方法，能够减少成本，更及时的检测出仪表的故障及种类。

附图说明

图1是所提在线故障诊断系统结构框图。

图2浓缩倍数测量仪框图。

图3是支持向量机故障数据分类原理图。

图4是基于偏二叉树的故障诊断流程图。

图5探头切换示意图。

图6本故障诊断系统所设计故障诊断流程图。

图7温度传感器故障诊断流程图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

实施例1

图1是在线故障诊断系统的结构框图。该系统主要由如下五部分组成：

（1）数据采集部分，将采样得到的电导值和温度值实时送至数据预处理部分。

（2）数据预处理部分，生成一个大小为40的一维数组，按一定顺序地把采集来的电导率值存储起来，去除最大和最小值，再读入两个新的采样值，接着使用中值滤波去掉最大和最小值，最后求出剩下的38组数据的的平均值。

用公式表示：

$\stackrel{\‾}{X}=\frac{1}{N-2}\underset{i-1}{\overset{N-1}{\mathrm{\Σ}}}{X}_i---\left(1\right)$

式中：X_i为经过从小到大排序后的电导率值；N为采样个数；

为当前有效的电导率平均均值。

（3）构建SVM故障分类器，支持向量机(SVM)为二分类器，也就是说每个支持向量机只能区分两种故障样本，将测试样本划分至故障可能性较高的一类中去。而浓缩倍数表故障类型不止两种，所以需要建立多个SVM故障分类器。二叉树支持向量机(BT-SVM)多分类方法相当于建立一个二叉树,每个树节点是一个SVM分类器,方法如下：首先把所有的类合并成为两个一级子类，然后将一级子类和上一步一样分成为两个二级子类,依照这样的规律不断划分，最后直到节点中只有一个类别,也就是叶子结点。二叉树又分为全二叉树又分为全二叉树和偏二叉树，本发明采用偏二叉树。本系统共包含3个SVM分类器：SVM1用于区分正常状态和其它三个状态（开路、短路、探头污染），SVM2用于区分开路状态和其它两个状态（短路，探头污染），SVM3用于区分短路状态和探头污染状态。本系统的故障分类器训练数据来源于模拟故障实验数据。SVM分类器训练原理详见图3。

（4）集成学习部分，该部分将预处理过的数据送入构建好的BT-SVM故障分类器中，按照预先设置流程，确定样本数据所属类别。详细流程如图4所示。

（5）诊断结果显示部分，根据集成学习部分对测试样本的类别划分，可判断出当前浓缩倍数表的运行状态，该部分将诊断结果送至输出端口进行显示，以直观地对浓缩倍数表运行状况进行实时监视。

图2所示为浓缩倍数测量仪系统框图，循环水和补充水的温度和电导电极，输出两路485通讯、4路继电器输出用于接报警和控制器、2路4-20ma信号输出。采用零正负脉冲为激励源的浓缩倍数测量仪。省去交直流变换电路带来的误差，也避免极化效应。该表采用485和上位机进行通讯，主芯片采用C8051F021，双点导线测量电导电路采用非平衡电桥电路，然后通过信号调理电路，连接到主芯片的AD转换接口。经过换算得到电导率，然后用循环水的电导率除以补充水的电导率就得到浓缩倍数。

图3所示为SVM分类原理，在低维空间上，有些样本无法线性区分，针对这种情况，提出了SVM，它的基本原理是通过某种特殊的映射把低维的样本投射到高维空间上，简单的说文本分类问题的原始空间是m维的（即每个要被分类的文档被表示为一个m维的向量），在这个维度上问题是线性不可分的。现在我们有一个n（n>>m)维空间里的线性函数

f(x’)=<w’,x’>+b

式中的w’和x’都是n维的向量，只不过w’是定值，而x’是变量,现在我们的输入是一个m维的向量x，分类的过程是先把x变换为n维的向量x’，然后求这个变换后的向量x’与向量w’的内积，再把这个内积的值和b相加，就得到了结果，看结果大于阈值还是小于阈值就得到了分类结果。

根据文献资料（基于SVM分类问题的核函数选择仿真研究，宋晖等），高斯径向基函数（RBF核）的在小样本的情况下分类性能最好，正确率也最高，所以本发明选择高斯径向基函数作为核函数。

图4为四类故障的二叉树决策导向法诊断流程，本系统将训练的3个分类器作为二叉树的节点，每个子类作一个二叉树的叶子，按父子关系构建二叉树。测试时，将样本X从根节点输入，用由节点的分类器得出的决策函数进行决策判断到下层的节点是向左还是向右，最后到达一个叶子的类别标号就是样本X的类别。该支持向量机的二叉树多分类法（SVMBased on Binary Tree,BT-SVM）的基本原理是首先将n类的训练样本集划分为两个子类，两个子类再通过分类器划分，依此下去，直至最后的一个子类里只包含一个样本。

但是BTSVM不能忽略的一个问题就是“误差累积”，所以我们做如下改进，先找一个最易分别的类，将此类和其它类组成的训练集作为两个子类，接着再把包含多个子类的里面找出一个最易分别的子类，依次找下去，直到最后每个子类里只包含一个类为止。

易分别的依据是类距离，类距离越大越好分别。类距离的计算公式如下：

$d_{\mathrm{pq}}=\min \left|\right|\stackrel{\&OverBar;}{x^p}-\stackrel{\&OverBar;}{x^q}\left|\right|,$ 其中p≠q

分别为第p,q类中所有数据的平均值。

图5为本系统的故障诊断流程。BT-SVM也存在一个“误差累积”的问题，这就说明故障的编号会影响实际诊断的准确率。所以我们按照易分辨的的状态编号靠前。所以，本系统运行状态编号如下：1—正常；2—开路；3—短路；4—探头污染；5—水质切换。因为探头污染容易受水质变换的干扰，所以4和5的诊断不能用向量机产生。我们通过如下方法实现，当系统诊断故障为探头污染时候，我们通过电磁阀切换如图6，如果是循环水电导有问题就让补充水流进循环水电导，让循环水的探头测下补充水的电导率，如果电导率值和补充水的电导率值在误差范围内相等，那么判断为补排水系统故障，反之判断为探头污染。同理对补充水电导率探头出问题，就让补充水探头测下循环水。流程如图5所示，该流程可提高在线诊断系统对故障的诊断准确率。

图7为温度传感器故障诊断流程图，这些故障发生概率相对比较小，但出现了系统也能够判断出，如图所示，当浓缩倍数测量仪运行一段时间后，记录下正常运行的温度是多少，给其设定一个回差，当温度超过回差上下限的时候报警。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种可在线故障诊断的工业循环水浓缩倍数采集系统，其特征在于，包括浓缩倍数测量单元和故障诊断单元，所述浓缩倍数测量单元为一台浓缩倍数测量仪，所述故障诊断单元为一台上位机，该上位机与浓缩倍数测量仪相连，用于接收浓缩倍数参数和故障诊断。

2.根据权利要求1所述的一种可在线故障诊断的工业循环水浓缩倍数采集系统，其特征在于，所述浓缩倍数测量仪包括传感器、主芯片和数据输出端，所述传感器包括温度传感器和电导电极，所述主芯片接收到来自所述传感器的数据进行处理后，经所述数据输出端将信号输出。

3.根据权利要求1所述的一种可在线故障诊断的工业循环水浓缩倍数采集系统，其特征在于，所述故障诊断单元包括五部分：

（1）数据采集部分，将采样得到的电导值和温度值实时送至数据预处理部分；

（2）数据预处理部分，生成一个大小为40的一维数组，按一定顺序地把采集来的电导率值存储起来，去除最大和最小值，再读入两个新的采样值，接着使用中值滤波去掉最大和最小值，最后求出剩下的38组数据的的平均值；

用公式表示：

$\stackrel{\&OverBar;}{X}=\frac{1}{N-2}\underset{i-1}{\overset{N-1}{\mathrm{\&Sigma;}}}{X}_i$

式中：X_i为经过从小到大排序后的电导率值；N为采样个数；

为当前有效的电导率平均均值；

（3）构建BT-SVM故障分类器，包含3个支持向量机（SVM）分类器，SVM1用于区分正常状态和开路、短路、探头污染三个状态，SVM2用于区分开路状态和短路，探头污染两个状态，SVM3用于区分短路状态和探头污染状态；

（4）集成学习部分，该部分将预处理过的数据送入构建好的BT-SVM故障分类器中，按照预先设置流程，确定样本数据所属类别；

（5）诊断结果显示部分，根据集成学习部分对测试样本的类别划分，可判断出当前浓缩倍数表的运行状态。该部分将诊断结果送至输出端口进行显示，以直观地对浓缩倍数表运行状况进行实时监视。

Images