CN104697704A - 冷水机组排气压力故障检测方法 - Google Patents

Abstract

本发明涉及一种冷水机组排气压力故障检测方法，属于冷却塔冷水机组检测领域，该方法步骤包括：步骤一、建立数据库，数据库中保存有冷水机组台架试验数据；步骤二、建立基于灰色预测的BP神经网络模型，利用数据库中的试验数据进行训练模型；步骤三、基于灰色预测的BP神经网络模型建立后，输入步骤一检测到的冷水机组的参数，得出冷水机组的排气压力故障与相应的解决方案。本方法通过多参数进行同时检测排气压力过大过小问题，多参数和排气压力一起检测，通过基于灰色预测的BP神经网络模型确定各参数之间的关系，进而保证排气压力故障检测的准确性，解决了现有技术中对冷水机组中由于排气压力导致故障的检测忽略的问题。

Description

冷水机组排气压力故障检测方法

技术领域

本发明涉及冷却塔冷水机组检测领域，具体涉及一种冷水机组排气压力故障检测方法。

背景技术

冷却塔是发电厂生产发电过程中重要的传热传质设备，其作用是通过热质交换，将高温冷却水的热量散入大气中，将循环冷却水的温度降低。其冷却水作用主要靠冷热两股流体在塔内混合接触，借助两股流体间的水蒸汽分压力差，使热流体部分蒸发并自身冷却。目前冷却塔中大都使用水冷的方法进行降温，水冷中使用的冷水机组成为了保证冷却塔降温效果的主要因素，但是由于冷凝器进水温度和流量温度不稳定易造成冷水机组排气压力过大或过小，压力过大会增大机器的压力，减少机器使用寿命，压力过小，水流量过大，制冷效果不好，排气压力过高过低都会影响冷水机组的正常工作，从而冷却塔降低效果和使用效果。

发明内容

为了克服现有技术中对冷水机组中由于排气压力导致故障的检测忽略的问题，本发明提供一种冷水机组排气压力故障检测方法，针对冷水机组排气压力故障的检测。

本发明的技术方案是：一种冷水机组排气压力故障检测方法，该方法步骤包括：

步骤一、建立数据库，数据库中保存有冷水机组台架试验数据，数据库中还保存有检测冷水机组的相关参数，包括冷水机组的排气压力参数、进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数。

步骤二、建立基于灰色预测的BP神经网络模型，利用数据库中的试验数据进行训练模型，冷水机组的排气压力参数作为模型的输出参数，进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数均是模型的输入参数。

步骤三、基于灰色预测的BP神经网络模型建立后，输入步骤一检测到的冷水机组的参数，得出冷水机组的排气压力故障与相应的解决方案。

所述步骤一中的冷水机组的相关参数是由多种传感器检测得来的，包括压力传感器、流量传感器、温度传感器，利用多个传感器测得的多个进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数同时检测排气压力。

所述步骤二中基于灰色预测的BP神经网络模型的建立步骤为：

1)选取各工况条件冷水机组数据建立灰色预测模型 (1,N)维数为n的信息模型,经过归一化处理的数据输入到灰色预测神经网络中；

2)将灰色预测网络输出的样本数据进行再一次预处理操作，设置基于灰色系统的BP神经网络组合模型检测冷水机组的工况条件；

3)以处理后的样本数据作为BP神经网络输入向量，试验中冷水机组的排气压力参数作为BP神经网络模型的输出值，对该网络开展训练，以获得最优网络参数；

4)分析训练结果数据与实测数据，进行调整，直至得到符合精度要求的神经网络模型参数值，从而建立基于灰色系统的BP神经网络模型进行冷水机组故障检测。

所述步骤1）中的归一化公式（1）为：                                                 ，式中x_i，表示第i个变量的输入参数值，输出参数的归一化公式（2）为： ，式中y_i为输入参数对应的第i个输出值，M为系统设定的阈值大小。

所述步骤2）中的BP神经网络模型的建立步骤为：

A.设输入层向量为{  }， 为经过灰色预测系统处理的第i个输出数据参数；隐含层向量为{ y_j },j=1，2，…，N；输出值为 ；期望输出值为d；输入层i节点到隐含层j节点的权值用v_ij表示；隐含层j节点到输出层i节点的权值用w_ij表示；

B.初始化神经网络权值w_jj(0)，阈值 ，w_ij（0），v_ij（0）；

C.输入一个样本 以及对应期望输出 ，计算各层的输出，对于隐含层，公式（3）为： 其中 ， 为输入节点和隐含节点间的传递函数；对于输出层，公式（4）为： ， ,f(*)为隐含层到输出层的传递函数；

D. 求各层的的学习误差，学习误差公式（5）为： ；

E．修改权值或阈值，从而得到最优参数。

本发明有如下积极效果：本发明提出的冷水机组排气压力故障检测方法，本方法通过多参数进行同时检测排气压力过大过小问题，多参数和排气压力一起检测，通过基于灰色预测的BP神经网络模型确定各参数之间的关系，进而保证排气压力故障检测的准确性，还可以检测出是故障原因，智能算法的应用保证了大量检测参数的快速收敛和准确预测故障的功能实现。

附图说明

图1 是本发明中冷水机组排气压力故障检测方法的工作框图；

图2 是本发明中基于灰色预测的BP神经网络模型的流程图；

图3 是本发明中BP神经网络模型的建立流程图。

具体实施方式

下面对照附图，通过对实施例的描述，本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等，作进一步详细的说明，以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。

一种冷水机组排气压力故障检测方法，该方法步骤流程图如图1所示，方法步骤包括：

步骤一、建立数据库，数据库中保存有冷水机组台架试验数据，数据库中还保存有检测冷水机组的相关参数，包括冷水机组的排气压力参数、进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数。冷水机组的相关参数是由多种传感器检测得来的，包括压力传感器、流量传感器、温度传感器，利用多个传感器测得的多个进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数同时检测排气压力。多个参数同时检测排气压力，确保冷水机组排气压力检测的准确性，由于本方法中检测的参数均是对排气压力大小有影响的参数，所以同时可以根据参数数据分析出排气压力故障原因。

步骤二、建立基于灰色预测的BP神经网络模型，利用数据库中的试验数据进行训练模型，冷水机组的排气压力参数作为模型的输出参数，进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数均是模型的输入参数。

利用灰色预测模型对输入数据的累加生成运算(accumulated generating operation, AGO)，能够减少输入数据的随机性，结合BP神经网络具有良好的自适应、自学习能力，加快预测收敛速度，提高预测精度，实现冷水机组排气压力故障预测和检测，基于灰色预测的BP神经网络模型是建立在智能算法的基础上的，能够对检测到的冷水机组大量数据进行快速处理和收敛，分析出接近更加真实的排气压力数据。

基于灰色预测的BP神经网络模型的建立流程如图2所示，建立步骤为：

1)选取各工况条件冷水机组数据建立灰色预测模型 (1,N)维数为n的信息模型,经过归一化处理的数据输入到灰色预测神经网络中。此处数据指的是数据库中的数据，数据库中的数据均需进行归一化处理，归一化公式为：

                                                 （1）

式中x_i，表示第i个变量的输入参数值，输出参数的归一化公式为：

                                                      （2）

式中y_i输入数据同一时刻对应的排气压力值， 为输入参数对应的第i个输出值的归一化后的数据，M为系统设定的阈值大小。

2)将灰色预测网络输出的样本数据进行再一次预处理操作，设置基于灰色系统的BP神经网络组合模型检测冷水机组的工况条件。

灰色预测网络的输出值经过再一次预处理操作后，预处理包括累加生成和再次归一化操作，从而获得具有规律性的新数据后，降低数据随机性，有利于BP神经网络进行数据操作。数据经过灰色预测网络处理后输入进BP神经网络，

BP神经网络模型的建立流程如图3所示，步骤为：

A.设输入层向量为{  }， 为经过灰色预测系统处理的第i个输出数据参数；隐含层向量为{ y_j },j=1，2，…，N；输出值为 ；期望输出值为d；输入层i节点到隐含层j节点的权值用v_ij表示；隐含层j节点到输出层i节点的权值用w_ij表示。

B.初始化神经网络权值w_ij(0)，阈值 、w_ij（0）、v_ij（0），初始化中将参数均设为很小的数值，方便网络计算。

C.输入一个样本 以及对应期望输出 ，计算各层的输出，对于隐含层，公式（3）为： 其中 ， 为输入节点和隐含节点间的传递函数；对于输出层，公式（4）为： ， ,f(*)为隐含层到输出层的传递函数。

D. 求各层的的学习误差，学习误差公式（5）为： ；

E．修改权值或阈值，从而得到最优参数。

3)以处理后的样本数据作为BP神经网络输入向量，试验中冷水机组的排气压力参数作为BP神经网络模型的输出值，对该网络开展训练，以获得最优网络参数。

4)分析训练结果数据与实测数据，进行调整，直至得到符合精度要求的神经网络模型参数值，从而建立基于灰色系统的BP神经网络模型进行冷水机组故障检测。神经网络一轮轮的迭代，直到输出值与期望输出值之问的误差小于设定阈值时，基于灰色预测的BP神经网络模型就此建立完成。

步骤三、基于灰色预测的BP神经网络模型建立后，输入步骤一检测到的冷水机组的参数，得出冷水机组的排气压力故障与相应的解决方案。

上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (5)

1.一种冷水机组排气压力故障检测方法，其特征在于，该方法步骤包括：

步骤一、建立数据库，数据库中保存有冷水机组台架试验数据，数据库中还保存有检测冷水机组的相关参数，包括冷水机组的排气压力参数、进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数；

步骤二、建立基于灰色预测的BP神经网络模型，利用数据库中的试验数据进行训练模型，冷水机组的排气压力参数作为模型的输出参数，进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数均是模型的输入参数；

步骤三、基于灰色预测的BP神经网络模型建立后，输入步骤一检测到的冷水机组的参数，得出冷水机组的排气压力故障与相应的解决方案。

2.根据权利要求1所述的冷水机组排气压力故障检测方法，其特征在于，所述步骤一中的冷水机组的相关参数是由多种传感器检测得来的，包括压力传感器、流量传感器、温度传感器，利用多个传感器测得的多个进气压力参数、冷凝器的进水温度和进水流量参数和制冷剂流量参数同时检测排气压力。

3.根据权利要求1所述的冷水机组排气压力故障检测方法，其特征在于，所述步骤二中基于灰色预测的BP神经网络模型的建立步骤为：

1)选取各工况条件冷水机组数据建立灰色预测模型 (1,N)维数为n的信息模型,经过归一化处理的数据输入到灰色预测神经网络中；

2)将灰色预测网络输出的样本数据进行再一次预处理操作，设置基于灰色系统的BP神经网络组合模型检测冷水机组的工况条件；

3)以处理后的样本数据作为BP神经网络输入向量，试验中冷水机组的排气压力参数作为BP神经网络模型的输出值，对该网络开展训练，以获得最优网络参数；

4)分析训练结果数据与实测数据，进行调整，直至得到符合精度要求的神经网络模型参数值，从而建立基于灰色系统的BP神经网络模型进行冷水机组故障检测。

4.根据权利要求3所述的冷水机组排气压力故障检测方法，其特征在于，所述步骤1）中的归一化公式（1）为：                                                 ，式中x_i，表示第i个变量的输入参数值，输出参数的归一化公式（2）为： ，式中y_i为输入参数对应的第i个输出值，M为系统设定的阈值大小。

5.根据权利要求3所述的冷水机组排气压力故障检测方法，其特征在于，所述步骤2）中的BP神经网络模型的建立步骤为：

A.设输入层向量为{  }， 为经过灰色预测系统再一次预处理的第i个输出数据参数；隐含层向量为{ y_j },j=1，2，…，N；输出值为 ；期望输出值为d；输入层i节点到隐含层j节点的权值用v_ij表示；隐含层j节点到输出层i节点的权值用w_ij表示；

B.初始化神经网络权值w_ij(0)，阈值，w_ij（0），v_ij（0）；

C.输入一个样本 以及对应期望输出 ，计算各层的输出，对于隐含层，公式（3）为： 其中 ， 为输入节点和隐含节点间的传递函数；对于输出层，公式（4）为： ， ,f(*)为隐含层到输出层的传递函数；

D. 求各层的的学习误差，学习误差公式（5）为：；

E．修改权值或阈值，从而得到最优参数。