CN104595170B - 一种自适应核高斯混合模型的空压机监控诊断系统及方法 - Google Patents
一种自适应核高斯混合模型的空压机监控诊断系统及方法 Download PDFInfo
- Publication number
- CN104595170B CN104595170B CN201410790242.5A CN201410790242A CN104595170B CN 104595170 B CN104595170 B CN 104595170B CN 201410790242 A CN201410790242 A CN 201410790242A CN 104595170 B CN104595170 B CN 104595170B
- Authority
- CN
- China
- Prior art keywords
- air compressor
- monitoring
- compressor machine
- self
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003745 diagnosis Methods 0.000 title claims abstract description 30
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 14
- 238000000513 principal component analysis Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 21
- 239000000203 mixture Substances 0.000 description 21
- 239000011159 matrix material Substances 0.000 description 12
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- TYAQXZHDAGZOEO-KXQOOQHDSA-N 1-myristoyl-2-stearoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)O[C@@H](COP([O-])(=O)OCC[N+](C)(C)C)COC(=O)CCCCCCCCCCCCC TYAQXZHDAGZOEO-KXQOOQHDSA-N 0.000 description 2
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 2
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 208000014446 corneal intraepithelial dyskeratosis-palmoplantar hyperkeratosis-laryngeal dyskeratosis syndrome Diseases 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000000299 nuclear matrix Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 206010020852 Hypertonia Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 241000669244 Unaspis euonymi Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004992 fission Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种自适应核高斯混合模型的空压机监控诊断系统及方法,涉及空压机控制技术领域。该系统包括现场设备层、设备控制层和管理监控层,现场设备层由PLC200、传感器、空压机、执行器和水泵构成,以PLC200作为从站,完成对现场设备层的控制;设备控制层包括上位机和PLC300,以PLC300作为主站,采用基于支持向量机的变结构自适应PID控制器对整个空压机系统进行控制,上位机实现对空压机系统的监控;设备控制层和管理监控层通过工业以太网进行通信,实现上位机的远程监控和数据传输。上位机上采用的故障诊断方法融合了高斯混合模型和核主成元分析,通过迭代优化方法寻找最优核函数参数,达到分开不同模态数据的目的。本发明具有更高的诊断精度和实用价值。
Description
技术领域
本发明涉及空压机控制技术领域,具体是一种自适应核高斯混合模型的空压机监控诊断系统及方法。
背景技术
空压机是煤矿重要的大型设备,也是高耗能设备。随着煤矿新工艺、动力设备及新技术的应用,不仅需要更多的风量,而且要求空压机能够随着负荷的变化而自适应地调节。而现有的老式空压机存在控制品质差、可靠性低以及难以实时监测系统工作状态等问题,造成了巨大的能源浪费,也给操作人员带来了巨大负担。传统的控制系统采用就地分散式人工操作。空压机工作时噪音很大,长时间工作在这种环境给工人的健康带来很大的危害,不够人性化。空压机每天24小时不间断运行需值班人员连续值守,控制水平的低下造成人力资源严重浪费,并且空压机需要连续运行,维护周期较长,空压机工作性能不稳定,易出现报警、停机等的误操作。
对煤矿空压机来说,目前人们还只停留在故障发生后的定性分析上,而对空压机的实时监测和故障诊断还比较少。绝大部分空压机监控系统只是对工艺变量进行上下限检查,以此判断空压机的工作状态。实际采集的数据含有大量噪声,这些噪声难以使用现有的数学模型描述,这类方法难以确定合适的阈值。阈值过大会导致难以准确监测轻微的故障,阈值太小会导致误报率过高,其次,由于空压机工作过程变量之间的很强的相关性,且变量之间的相关性随着工况的变化而变化,个别变量超出阈值并一定发生故障。再次,个别变量在设定的阈值范围内并一定表明系统没有发生故障,如传感器故障失效。近年来,作为基于知识的多变量统计控制(MSPC)得到了较为广泛的发展,而在MSPC中PCA方法是一种处理工业过程控制监测变量间的非自相关性的有效方法。但是PCA方法不能监测到输入数据的非线性结构。针对空压机传统的监测方法监测准确率低,误报率高等缺点,提出一种自适应核高斯混合模型的空压机监控诊断系统及方法。
发明内容
为了克服上述现有技术的缺点,本发明的一种一种自适应核高斯混合模型的空压机监控诊断系统及方法,提高空压机控制系统的自动化程度,实现空压机的远、近程监控和全自动监控,实现无人值守,以及实现空压机故障在线监测和诊断。
本发明是以如下技术方案实现的:一种自适应核高斯混合模型的空压机监控诊断系统,包括现场设备层、设备控制层和管理监控层,
所述的现场设备层采用PLC200作为分站,PLC200连接有用于采集水泵电机的电压、电流、运行时间,拖动电机的电压、电流、定子轴温、转子前轴温、转子后轴温、运行时间,风包内的压力、温度以及空压机的进水压力、出水压力、进水温度、出水温度的传感器,PLC20连接有用于控制空压机和水泵启和\或闭执行器;
所述的设备控制层采用PLC300作为主站,PLC300连接有上位机;主站和分站之间选用PROFIBUS-DP主从网络进行通讯,组成分布式I/O系统;主站采用PLC300为中心控制单元,基于支持向量机的变结构自适应PID控制器对整个空压机系统进行控制,上位机通过PROFIBUS-DP协议实现与主站的通讯,将每个分站的信息送到上位机,实现对整个空压机系统的监控;
所述的管理监控层过工业以太网和上位机进行通信,实现上位机的远程监控和故障诊断。
其进一步是:所述的基于支持向量机的变结构自适应PID控制器的具体算法如下:
(1)使用SVM对非线性控制对象逼近,并瞬时线性化非线性控制对象逼近模型;
(2)根据控制误差自适应调整PID控制器结构;
(3)使用多步预测思想自适应整定PID参数;
(4)根据反馈的实际压力信号与设定压力信号的误差,按照自适应PID控制算法计算控制量,实现对空压机系统的控制。
所述的空压机系统包括四台空压机,四台空压机采用主-辅-备-检修的组合方式运行,主机设备始终处于闭环控制状态。
一种自适应核高斯混合模型的空压机监控诊断方法,采用上述任一监控诊断系统,具体步骤如下:
(1)确定故障诊断所用的关键变量,采集空压机样本数据作为训练样本;
所用的监测参数包括:水泵电机的电压、电流、运行时间;拖动电机的电压、电流、定子轴温、转子前轴温、转子后轴温、运行时间;风包内的压力、温度;空压机的进水压力、出水压力、进水温度、出水温度;
(2)对采集到采集空压机样本数据进行归一化处理,将数据去掉量纲的影响;
(3)在低维子空间内使用GMM对数据集聚类揭示数据多模态;
(4)然后根据数据多模态信息,在原始数据空间利用基于熵的核函数参数估计算法寻找局部最优核函数参数;
(5)利用局部最优核函数参数使用KPCA把非线性高维多模态数据集变换低维鉴别子空间,如果算法没有达到终止条件,则转到第一步继续迭代执行,通过自适应核高斯混合模型完成对空压机系统的故障诊断。
本发明的有益效果是:提高空压机控制系统的自动化程度,实现空压机的远、近程监控和全自动监控,实现无人值守,以及实现空压机故障在线监测和诊断。
附图说明
图1是本发明的基于PLC的集控系统结构图;
图2是本发明的基于SVM的变结构自适应PID控制系统原理图;
图3是本发明压风机故障诊断系统的重要特征参数来源示意图;
图4是本发明的一种自适应核高斯混合模型的空压机故障诊断方法流程图。
具体实施方式
如图1和图2所示,一种自适应核高斯混合模型的空压机监控诊断系统,包括现场设备层、设备控制层和管理监控层,所述的现场设备层由PLC200,传感器,空压机,执行器和水泵构成,以PLC200作为分站,完成对现场设备层的控制;所述的设备控制层包括上位机和PLC300,以PLC300作为主站,主站和5个从站之间选用PROFIBUS-DP主从网络进行通讯,组成分布式I/O系统,从站的输入信号能快速地传送至主站,主站发出的指令和输出结果也能及时地送达从站执行输出,采用PLC为中心控制单元,基于支持向量机(SVM)的变结构自适应PID控制器对整个空压机系统进行控制,上位机采用西门子WinCC软件,该软件通过PROFIBUS-DP协议实现与主站的通讯,将每个分站的信息送到上位机,实现对整个空压机系统的监控;设备控制层和管理监控层通过工业以太网进行通信,从而实现上位机3的远程监控和故障诊断,而系统故障诊断的方法采用自适应核高斯混合模型。
空压机系统以PLC300为中心控制单元,使用SVM在线辨识控制模型,自适应调节PID参数,保证PID控制算法工作于最佳状态,自适应地调节空压机工作负荷,达到恒压供气的目的,提高系统的稳定性和鲁棒性;空压机通过变频软启动实现启动、停止、加载与卸荷状态转换;四台空压机采用主-辅-备-检修的组合方式运行,主机设备始终处于闭环控制状态,根据反馈的实际压力信号与设定压力信号的误差,按照自适应PID控制算法计算控制量,根据监测到的压缩空气管路压力值,自主决策控制现场空压机的开停,控制系统能够自动实现对主管路的压力控制,实现无人值守运行。
基于支持向量机的变结构自适应PID控制器的算法原理如下:
(1)使用SVM对非线性控制对象逼近,并瞬时线性化非线性对象逼近模型;
(2)根据控制误差自适应调整PID控制器结构;
(3)使用多步预测思想自适应整定PID参数;
(4)根据反馈的实际压力信号与设定压力信号的误差,按照自适应PID控制算法计算控制量,进而实现对空压机系统的控制。
上位机3采用采用西门子WinCC软件,对5个分站实时监测运行状态,同时提供故障指示及报警;界面中可以实现空压机的远程控制、运行模式切换、故障查看及空压机和水泵运行状态的查询;同时可在监控界面进行报警参数的设置,提供实时数据查询、实时报表、报警查询等的链接,可快速切换查询报表、实时数据、报警等个功能,更直观的显示出故障的所在;而且对系统运行中的电源故障、空压机脱网、停电、总送气管压力过高或过低、冷却水压过低、管路超温等故障实时监控,及时发出报警提示。
如图3,基于自适应核高斯混合模型的故障诊断方法,采用图1中的监控诊断系统,具体步骤如下:
(1)确定故障诊断所用的关键变量,采集空压机样本数据作为训练样本;
所用的监测参数包括:水泵电机的电压、电流、运行时间;拖动电机的电压、电流、定子轴温、转子前轴温、转子后轴温、运行时间;风包内的压力、温度;空压机的进水压力、出水压力、进水温度、出水温度;
(2)对采集到采集空压机样本数据进行归一化处理,具体步骤如下:
21)在低维子空间内使用GMM对数据集聚类揭示数据多模态;
22)然后根据数据多模态信息,在原始数据空间利用基于熵的核函数参数估计算法寻找局部最优核函数参数;
23)利用局部最优核函数参数使用KPCA把非线性高维多模态数据集变换低维鉴别子空间,如果算法没有达到终止条件,则转到第一步继续迭代执行,通过基于熵的自适应核高斯混合模型完成对空压机系统的故障诊断,具有重要的科学研究价值与工程应用价值。
自适应核高斯混合模型的目的就是在低维空间内对低维约简数据集进行聚类。对于高维稀疏数据集而言,GMM聚类算法往往受到成分协方差矩阵奇异的问题。如何寻找低维子空间提高数据模态之间的分开程度以及模态内部的紧凑性,是决定GMM算法性能的关键。KPCA只是保留原始高维数据集的方差信息,低维子空间只能反映的数据总体几何结构信息,无法揭示数据集隐含的几何鉴别信息。而充分利用数据集隐含鉴别信息是提高GMM性能的关键。如何选择合适的KPCA核函数参数是提高KPCA抽取数据集隐含的模态鉴别信息能力的关键。自适应核高斯混合模型通过迭代执行KPCA对高维数据维数约简以及GMM聚类算法。其中利用GMM聚类结果得到的数据鉴别信息得到KPCA最优核函数参数,从而在低维约简子空间内保持了数据的鉴别几何信息,反过来也提高GMM在低维空间的数据聚类性能。这样,通过上述迭代优化过程最终求取最优的核函数参数值以及聚类效果。如图4所示,采用熵的自适应核高斯混合模型对空压机运行状态进行故障诊断和预测,步骤如下:
1、高斯混合模型及计算过程:
高斯混合模型可以由多个单高斯分量的加权和来表示为
其中,πi是混合参数并且满足θi为第i个高斯成分的参数,令X=[x1,x2,…,xN]为训练数据集合空压机运行特征的参数训练样本,假设xi从混合分布中独立采样,我们的目标是寻找Θ使得似然函数p(X|Θ)最大。这样混合模型对应的优化问题可以写为
上述优化是非凸优化问题,为了简化上述似然表示形式,引入隐含指示变量zij∈{0,1},且zij=1。表示xi采样于分布分量j,反之则zij=0;
那么p(Z|Θ)表示为
关于Θ和的条件分布的似然函数变为
因此,对数完整似然函数变为
2、本发明提出的自适应求解最优参数Ni的过程:
最优参数可以通过期望最大化算法等方法求取。高阶统计量skewness和kurtosis能够度量高斯混合密度拟合特定类的训练数据。令Ni为第i成分的训练数据数量,和分别为第i个成分关于第d维的统计量skewness和kurtosis,其计算如下
其中,是属于第i成分的后验概率,和第i个成分关于第d维的均值和标准差。当第i个成分关于第d维的分布是高斯分布,Skewness和kurtosis估计逼近0,否则高阶统计量偏离0。而关于成分i的skewness和kurtosis分布可以计算为
关于GMM的非高斯性可以定义为
该度量估计GMM对训练数据本质分布拟合的程度,使用下面准则选择拟合度最差的成分
假设第c个成分非高斯性最大,使用非负对该成分进行分裂,新的成分参数初始化为Φ={Θk1,Θk2}。分裂过程为
这里和分别是矩阵的升序特征值和对应的特征向量。是对角矩阵,D表示D×D旋转矩阵,矩阵的每一列为正交单位向量。该矩阵由D(D-1)/2个不同符合均匀分布U(0,1)的数据独立地产生下三角矩阵建立的。ι是元素全为1的D×1向量,和表示2D+1随机变量,它们由下面方法产生
这里Beta(·,·)是beta分布。
3、本发明提出的求解最优参数σ和wd参数过程:
核主元分析(KPCA)的最大的优势是允许我们使用一个mercer核函数计算高维空间上的点积。因此,无需从输入空间的数据投影到高维空间的映射形式,并且有效地描述了数据的非线性结构。KPCA方法是一种多任务的有效预处理方法,因其物理意义简单、便于应用等优点引起广泛关注。
具体地,给定N个训练样本x1,x2,…,xN,令φ:x→φ(x)∈H为从输入空间到高维特征空间H的非线性映射,使用与重建核希尔伯特空间(Reproducing Kernel HilbertSpace,RKHS)相关的核函数计算特征空间H中内积,其表示为k(x,x')=φ(x)Tφ(x')。两种常用的核函数为多项式核函数和Gaussian径向基核函数,其定义分别为
特征空间的映射样本的均值由下式计算为
这里Φ=[φ(x1),φ(x2),…,φ(xN)],S=1N/N,1N表示全部元素为1的N×1向量。特征空间中样本的中心化方法为
那么,由下式构建特征空间的协方差矩阵的中心化核矩阵为
其中,1NN表示N×N的单位矩阵,中心化核矩阵函数的第(i,j)个元素为和K=[k(xi,xj)]i,j=1,2,…,N。由于核函数是对称、连续和正定的,那么矩阵K也是对称和半正定的。KPCA由下式表示的特征值问题求取,即
这里λi是的第i个最大特征值,αi为对应λi的特征向量。由于每个成分是特征空间的协方差矩阵的特征向量,每个成分由训练样本张成,其相应的系数为α的坐标。因此映射样本投影到第i个成分vi由下式给出
假设,使用矩阵的d个最大特征值对应的d个成分进行维数约简,到d个成分后的投影表示为
这里A=[α1,α2,…,αd].在实际应用中,KPCA的优越性能取决于核函数参数。常规的KPCA模型参数即尺度参数只是一个正数的作用是控制核映射的非线性,并且均等对待各个变量。然而不同变量对揭示低维子空间中数据结构的作用不同,因此只使用单个尺度参数往往是不够的。为此,该发明提出的改进型高斯核函数为
对大多数监督和半监督学习方法,使用必须连接(ML)和不可能连接(CL)。约束表示的监督信息可以有效提高学习算法的性能。其中,ML约束表示两个观测样本必须属于相同聚类或类别,CL约束指定不属于同类的两个观测值。
令φ:x→φ(x)∈H为从输入空间到高维特征空间H的非线性映射几何,空间H的点积由定义为k(x,x')=φ(x)Tφ(x')的Mercer核函数计算。常用的高斯核函数定义为本发明采用的高斯核函数定义为
这里W=σ-2diag(w1,w2,…,wD).wd为数据第d维的权重。从概率论的观点看,wd可以看作第d维数据对数据集贡献的概率,因而可理解为维度权重。
给出ML和CL,最优核函数参数可以通过使用CL和ML求取。优化问题可以定义为
最小化等价于最大化一个聚类和其他聚类之间的聚类间相似度,同时最小化聚类的类内相似度.最后项使用目标函数的关于维度权重作为正则化项,目的用于避免聚类过程的过拟合问题。正参数γ控制类内相似度和类间相似度之间的折中。目标函数中正则化项的目的是使得更多的维度辨识聚类,解决稀疏数据聚类只使用少量维度聚类的问题。因此在存在冗余特征时,在优化问题显式刻画稀疏性,较好地提高KPCA性能。所在该策略较好解决聚类高维、稀疏数据问题。
使用核技巧并丢弃不影响最终优化结果的常数项,上述优化问题可以转化文如下优化问题
关于wi和σ2的最优解不能通过直接求解上述优化问题求得。这里采用已有的多乘子方法求解上述优化问题。上述优化问题对应的Lagrange乘子函数可以写为
广义目标函数W,σ2,δ和λ*分别可以在下式表达为
为了计算上述无约束优化问题,在固定λ和δ的条件下,用梯度下降算法计算W和σ2,计算过程如下:
式中,
因此,可以得到
式中,单位步长参数ρ可以通过现行搜索算法得到。利用梯度下降算法可以保证局部参数σ和wd的最优。
式中,c'>1代表放大系数,εδ∈(0,1).这些参数W,σ2,λ,δ通过迭代更新直到达到终止条件
4、建立压风机的检测指标
基于GMM的设备监测方法,首先根据训练数据估计EKAGMM的参数,并计算监测数据对每个高斯成分(或聚类)的后验概率。然后根据局部后验概率计算全局监测推理指标进行故障检测。样本xi的条件概率密度函数表示为
根据贝叶斯准则,样本xi的后验概率可以通过下式计算
假设每个高斯成分服从单一模态高斯分布,那么从一个高斯成分采样得到的样本xt的马氏距离(MD)服从分布。表示样本xi与高斯成分MD平方,这里自由度D等于输入样本为维数,基于局部MD的监测样本属于每个聚类的概率可以由下式估计
p(c)(xt)也可以由带有合适自由度的χ2概率密度函数计算,它表示样本xt属于成分Θc的概率。类似于基于Bayesian推理的推理监测统计量构建方法,基于EAKGMM的推理监测统计量(EAKGMMIMS)由下式建立
全局监测统计量利用所有高斯成分的后验概率,表示观测样本在正常状态内的概率。由于无需确定监测样本xt属于的单个高斯成分,全局监测统计量指标能够避免由误分类引起的误监测的潜在风险。由于p(c)(xt)和p(c|xt)均小于1,很容易可知EAKGMMIMS(xt)也小于1.因此可以通过EAKGMMIMS是否超出(1-a)100%判定设备状态是否正常还是故障状态。
5、故障诊断和分类
该方法可以通过比较各个监测变量的贡献率来确定其故障源。在第c类中第d个被监测变量被估计通过一阶偏导数
然后,EEGMMIMS的d维监测变量的总贡献率可以通过下式得到
控制上限的显著性水平a可以通过下式得到
因此,度量服从近似χ2分布。
本发明能够较好地跟踪设定的压力值,解决了空压机负荷大范围变化的问题,提高了控制精度,具有较好的鲁棒性能;克服了现有空压机监测算法没有很好考虑变量之间的相关性而导致误报率过高的问题,并且适应设备多工况运行状态监测。采用了基于自适应核高斯混合模型对运行故障进行实时的监测与诊断,具有更高的诊断精度。
Claims (3)
1.一种自适应核高斯混合模型的空压机监控诊断系统,包括现场设备层、设备控制层和管理监控层,其特征在于:
所述的现场设备层采用PLC200作为分站,PLC200连接有用于采集水泵电机的电压、电流、运行时间,拖动电机的电压、电流、定子轴温、转子前轴温、转子后轴温、运行时间,风包内的压力、温度以及空压机的进水压力、出水压力、进水温度、出水温度的传感器,PLC200连接有用于控制空压机和水泵启和/或闭执行器;
所述的设备控制层采用PLC300作为主站,PLC300连接有上位机;主站和分站之间选用PROFIBUS-DP主从网络进行通讯,组成分布式I/O系统;主站采用PLC300为中心控制单元,基于支持向量机的变结构自适应PID控制器对整个空压机系统进行控制,上位机通过PROFIBUS-DP协议实现与主站的通讯,将每个分站的信息送到上位机,实现对整个空压机系统的监控;
所述的管理监控层通过工业以太网和上位机进行通信,实现上位机的远程监控和故障诊断;
所述的基于支持向量机的变结构自适应PID控制器的具体算法如下:
(1)使用支持向量机对非线性控制对象逼近,并瞬时线性化非线性控制对象逼近模型;
(2)根据控制误差自适应调整PID控制器结构;
(3)使用多步预测思想自适应整定PID参数;
(4)根据反馈的实际压力信号与设定压力信号的误差,按照自适应PID控制算法计算控制量,实现对空压机系统的控制。
2.根据权利要求1所述的一种自适应核高斯混合模型的空压机监控诊断系统,其特征在于:所述的空压机系统包括四台空压机,四台空压机采用主-辅-备-检修的组合方式运行,主机设备始终处于闭环控制状态。
3.一种自适应核高斯混合模型的空压机监控诊断方法,其特征在于:采用权利要求1或2中任一一种自适应核高斯混合模型的空压机监控诊断系统,具体步骤如下:
(1)确定故障诊断所用的关键变量,采集空压机样本数据作为训练样本;
所用的监测参数包括:水泵电机的电压、电流、运行时间;拖动电机的电压、电流、定子轴温、转子前轴温、转子后轴温、运行时间;风包内的压力、温度;空压机的进水压力、出水压力、进水温度、出水温度;
(2)对采集到采集空压机样本数据进行归一化处理,将数据去掉量纲的影响;
(3)在低维子空间内使用高斯混合模型对数据集聚类揭示数据多模态;
(4)然后根据数据多模态信息,在原始数据空间利用基于熵的核函数参数估计算法寻找局部最优核函数参数;
(5)利用局部最优核函数参数使用核主元分析把非线性高维多模态数据集变换低维鉴别子空间,如果算法没有达到终止条件,则转到第一步继续迭代执行,通过自适应核高斯混合模型完成对空压机系统的故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410790242.5A CN104595170B (zh) | 2014-12-18 | 2014-12-18 | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410790242.5A CN104595170B (zh) | 2014-12-18 | 2014-12-18 | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104595170A CN104595170A (zh) | 2015-05-06 |
CN104595170B true CN104595170B (zh) | 2016-08-17 |
Family
ID=53121150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410790242.5A Expired - Fee Related CN104595170B (zh) | 2014-12-18 | 2014-12-18 | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104595170B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104976139B (zh) * | 2015-06-08 | 2017-04-05 | 北京化工大学 | 一种基于高斯模型的机械设备状态诊断方法 |
CN105179389A (zh) * | 2015-09-18 | 2015-12-23 | 苏州阿斯顿压缩机有限公司 | 一种伺服变量系统 |
CN105373110B (zh) * | 2015-12-16 | 2018-06-05 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
CN106067032A (zh) * | 2016-05-26 | 2016-11-02 | 哈尔滨工业大学 | 用于数据异常监测的传感器选择方法的评价方法 |
CN107066365B (zh) * | 2017-02-20 | 2021-01-01 | 创新先进技术有限公司 | 一种系统异常的监测方法及装置 |
CN108989083B (zh) * | 2018-06-01 | 2021-02-09 | 安徽师范大学 | 云环境下基于混合策略的故障检测性能优化方法 |
CN108919755B (zh) * | 2018-06-11 | 2020-06-16 | 宁波大学 | 一种基于多块非线性交叉关系模型的分布式故障检测方法 |
CN110617205B (zh) * | 2018-06-19 | 2020-12-29 | 中国石油集团西部管道有限责任公司 | 一种天然气长输管道压缩机组远程自动控制系统 |
CN109117865A (zh) * | 2018-07-13 | 2019-01-01 | 福州大学 | 一种基于主成分分析实现光伏阵列工作状态分析与故障诊断方法 |
JP6760503B2 (ja) * | 2018-08-31 | 2020-09-23 | 東芝三菱電機産業システム株式会社 | 製造プロセス監視装置 |
CN109359678B (zh) * | 2018-10-09 | 2022-08-30 | 四川轻化工大学 | 一种白酒图谱的高精度分类识别算法 |
CN109656202B (zh) * | 2018-12-06 | 2021-07-30 | 南通大学 | 基于局部和结构一致性流形gmm的多模态过程监测方法 |
CN109779938B (zh) * | 2018-12-29 | 2021-06-22 | 北京博华信智科技股份有限公司 | 一种离心压缩机组智能联锁保护方法 |
CN111399400A (zh) * | 2019-01-11 | 2020-07-10 | 广东六丰能源服务有限公司 | 利用zigbee技术的空压站能效在线监测系统 |
CN109947082B (zh) * | 2019-03-12 | 2021-03-09 | 宁波大学 | 一种基于集成核独立成分分析模型的过程监测方法 |
CN110263811B (zh) * | 2019-05-21 | 2021-03-26 | 上海应势信息科技有限公司 | 一种基于数据融合的设备运行状态监测方法及系统 |
WO2020249461A1 (de) * | 2019-06-14 | 2020-12-17 | Basf Se | Verfahren zur erkennung von schäden an einem verdichter |
CN112817291B (zh) * | 2019-11-15 | 2022-03-08 | 中国科学院沈阳自动化研究所 | 基于混合特性评价和子空间分解的层次故障监测方法 |
CN111980953A (zh) * | 2020-09-03 | 2020-11-24 | 北京北排水环境发展有限公司 | 鼓风机组群并联运行控制方法及系统 |
CN113315359B (zh) * | 2021-05-07 | 2022-06-03 | 清华大学 | 一种直流模块化多电平卸荷电路的卸荷方法 |
CN113610167B (zh) * | 2021-08-10 | 2022-06-24 | 宿迁旺春机械制造有限公司 | 基于度量学习与视觉感知的设备风险检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101225380B1 (ko) * | 2005-12-23 | 2013-01-24 | 재단법인 포항산업과학연구원 | 압축기 및 인터쿨러 성능감시장치 및 이의 제어방법 |
US8805593B2 (en) * | 2009-11-18 | 2014-08-12 | Energy Control Technologies, Inc. | Fault tolerant analog outputs for turbo compressors |
CN101929461A (zh) * | 2010-09-30 | 2010-12-29 | 浙江佳成机械有限公司 | 远程控制及在线故障诊断螺杆式空压机 |
CN104216389A (zh) * | 2014-10-04 | 2014-12-17 | 上海工程技术大学 | 一种基于物联网的空压机远程监控系统 |
-
2014
- 2014-12-18 CN CN201410790242.5A patent/CN104595170B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN104595170A (zh) | 2015-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
CN103793854B (zh) | 多重组合优化的架空输电线路运行风险信息化评估方法 | |
JP2023042527A (ja) | データドライブの能動配電網異常状態検知方法及びシステム | |
CN107480440A (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN116205265A (zh) | 一种基于深层神经网络的电网故障诊断方法及装置 | |
Fan et al. | Fluctuation pattern recognition based ultra-short-term wind power probabilistic forecasting method | |
AU2021335237A1 (en) | Method for detecting abnormality of automatic verification system of smart watt-hour meter based on transductive support vector machine (TSVM) model | |
Wang et al. | Comprehensive reliability evaluation of multistate complex electromechanical systems based on similarity of cloud models | |
Feng et al. | A fully distributed voting strategy for AHU fault detection and diagnosis based on a decentralized structure | |
Ren et al. | A super-resolution perception-based incremental learning approach for power system voltage stability assessment with incomplete PMU measurements | |
Cai et al. | Bayesian networks in fault diagnosis: Practice and application | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN117408162A (zh) | 基于数字孪生的电网故障控制方法 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
Zhao et al. | Handling fault detection and diagnosis in incomplete sensor measurements for BAS based HVAC system | |
CN113076217A (zh) | 基于国产平台的磁盘故障预测方法 | |
Zheng et al. | [Retracted] Application Based on Artificial Intelligence in Substation Operation and Maintenance Management | |
Duan et al. | Dynamic diagnosis strategy for redundant systems based on reliability analysis and sensors under epistemic uncertainty | |
CN107194594B (zh) | 一种基于iec61850的背靠背换流站物理信息系统可靠性评估方法 | |
Pradhan | A Dynamic Bayesian Network Framework for Data-Driven Fault Diagnosis and Prognosis of Smart Building Systems | |
Zhu et al. | Prediction method of turbine engine RUL based on GA-SVR | |
Wang et al. | A svm transformer fault diagnosis method based on improved bp neural network and multi-parameter optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20161218 |