CN104808649A - 一种冷却塔风机监测系统及方法 - Google Patents
一种冷却塔风机监测系统及方法 Download PDFInfo
- Publication number
- CN104808649A CN104808649A CN201510111461.0A CN201510111461A CN104808649A CN 104808649 A CN104808649 A CN 104808649A CN 201510111461 A CN201510111461 A CN 201510111461A CN 104808649 A CN104808649 A CN 104808649A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- blower fan
- blower
- data
- controller
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Abstract
本发明涉及一种冷却塔风机监测系统及方法,属于冷却塔监测领域,该系统包括采集冷却塔风机参数数据的信号采集单元、控制器和监控终端,控制器连接信号采集单元和监控终端,其中控制器利用遗传优化的相关向量机模型分析处理信号采集单元的数据。本发明中使用了传感器组成的信号采集单元对冷却塔的风机进行实时监测,能够在发现风机运行时根据风机的振动和转速及时发现监测到风机故障,及时有效地对风机进行维修和保养。本发明中运用了遗传优化相关向量机模型对传感器检测到的数据进行分析处理,可以忽略删除由于偶然因素产生的误差数据,准确度更高,解决了现有技术中对冷却塔风机监测的不足问题。
Description
技术领域
本发明涉及冷却塔监测领域,特别到涉及一种冷却塔风机监测系统及方法。
背景技术
冷却塔风机广泛应用于石油、化工、电力、冶金等行业的工业循环水系统中,其主要作用是将热的工业用水强迫冷却,达到水循环使用的目的。冷却塔风机作为循环水系统中的关键设备必须长时间安全连续运行,它是控制循环冷却水温度的重要设备。
但是冷却塔风机在使用中由于不平衡惯量、松动、腐蚀等原因,引起设备磨损加剧、振动增大,若不能及时发现处理,将引起轴承烧毁、机件损坏,从而导致降温效果降低,冷却塔出水温度升高,影响系统的正常的工作效果。因此,为保证风机的可靠运行和冷却塔的正常工作,对风机传动轴和转速等参数进行有效的监测就十分必要。
发明内容
为了解决现有技术中对冷却塔风机监测的不足问题,本发明提供一种冷却塔风机监测系统及方法。
本发明的技术方案是:一种冷却塔风机监测系统,该系统包括采集冷却塔风机参数数据的信号采集单元、控制器和监控终端,控制器连接信号采集单元和监控终端,其中控制器利用遗传优化的相关向量机模型分析处理信号采集单元的数据。
所述的信号采集单元包括振动传感器、转速传感器和风量传感器。
所述控制器和监控终端均设置有无线通信单元,控制器和监控终端进行无线通信。
一种冷却塔风机监测方法,该方法步骤包括:
步骤一、建立数据库,并进行数据预处理;
步骤二、建立相关向量机模型,利用遗传算法优化训练相关向量机模型参数;
步骤三、采用相关向量机模型对待测数据进行诊断分析;
步骤四、输出诊断结果;
步骤五、诊断结果和参数数据存入数据库。
所述步骤一中的数据库包括由样本数据和监测参数组成。
所述步骤二中的遗传算法流程包括:
A. 计算适应度;
B. 选择染色体进行复制;
C. 交叉、变异过程;
D. 产生新群体;
E. 判断是否满足终止条件;
F. 满足终止条件则结束,不满足则返回步骤A。
所述步骤三中的待测数据是信号采集单元对冷却塔风机进行监测得到的冷却塔风机参数。
本发明有如下积极效果:本发明中使用了传感器组成的信号采集单元对冷却塔的风机进行实时监测,能够在发现风机运行时根据风机的振动和转速及时发现监测到风机故障,及时有效地对风机进行维修和保养。本发明中运用了遗传优化相关向量机模型对传感器检测到的数据进行分析处理,遗传优化相关向量机模型,收敛速度快、运算速度快,简单适用、鲁棒性强,能够有效地选出代表性参数与系统阈值进行对比分析,同时可以忽略删除由于偶然因素产生的误差数据,准确度更高。
附图说明
图1 是本发明中的冷却塔风机监测系统的原理框图;
图2 是本发明中的冷却塔风机监测方法的工作流程图;
图3 是本发明中的遗传优化相关向量机模型的流程图。
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。
一种冷却塔风机监测系统,如图1所示,该系统包括信号采集单元、控制器和监控终端,控制器连接信号采集单元和监控终端。
信号采集单元包括振动传感器、转速传感器和风量传感器,负责采集风机运行参数,风量传感器安装在冷却塔通风口部位,通过监测冷却塔通风量来回执到控制器进行数据分析风机运行状况。振动传感器和转速传感器都安装在风机附近,对风机轴的振动频率进行监测,转速传感器对风机的转速进行监测,监测到转速的异常数据时,及时对风机进行检查维修,避免因为风机的问题影响了冷却塔的冷却效果导致不能正常工作。
冷却塔风机监测系统中的控制器连接信号采集单元,控制器接收采集单元的信号数据,并进行数据处理和分析,从而输出检测结果对异常情况发出警示或报警。但是本发明中的控制器利用了遗传优化的相关向量机模型分析处理信号采集单元的数据,因为传感器对风机的监测是实时的,所以很容易产生偶然误差数据导致监控终端误报警,所以本发明中使用了遗传优化的相关向量机方法对数据进行分析处理,删除不确定数据,选择出最优数据与系统阈值进行比较判断,结果准确更高,方便维修人员维修。
监控终端对接收控制器发出信号的单元,监控人员从监控终端就可以看到冷却塔风机的运行情况,不需要实地地巡视和查看,监控终端和控制器均设置有无线通信单元,实现控制器和监控终端之间的无线通信,节省了费时费力的布线工作。
冷却塔风机监测系统中运行使用了冷却塔风机监测方法,如图2所示,该方法步骤包括:
S01步骤一、建立数据库,并进行数据预处理。数据库是指由样本数据和监测参数组成的数据库,样本数据可以是出厂设置的数据,也包括风机正常运行时监测到的数据保存在数据库,方便对遗传优化相关向量机模型进行机器训练。
预处理是对数据进行归一化处理,归一化可以加快训练网络的收敛性, 归一化的具体作用是归纳统一样本的统计分布性。无论是为了建模还是为了计算,首先基本度量单位要同一,遗传算法是以样本在事件中的统计分别几率来进行训练和预测的,归一化是同一在0-1之间的统计概率分布;SVM是以降维后线性划分距离来分类和仿真的,因此时空降维归一化是统一在-1--+1之间的统计坐标分布。
S02步骤二、建立相关向量机模型,利用遗传算法优化训练相关向量机模型参数。
建立RVM模型首先选择合适的函数,并对其超参数进行遗传优化训练,建立合适的RVM模型,利用遗传算法优化训练RVM模型参数,让模型更容易收敛,运算速度更快。建立RVM模型时,先利用已知样本数据库进行遗传算法优化训练成功建立模型,已知样本数据库保存了风机正常状态下的参数数据,对相关向量机模型进行训练。
核函数的选择时常用的RVM核函数有4 种:
线性核函数:
K( x,z) = x·z (1)
多项式核函数:
K( x,z) = [ s( x·z) + c] q (2)
高斯径向基( RBF) 核函数:
K( x,z ) = exp( - λ ‖x - z‖2 ) (3)
Sigmoid 核函数:
K (x,z) = tanh[s( x·z) + c] (4)
选择合适的核函数是该方法能成功使用的关键,通过测试验证训练,比较各自泛化性能,本文优先选择RBF 核函数作为故障诊断的RVM模型。
RVM算法中超参数的选择对RVM算法的分类准确率起着决定性的作用,以往文献常用的参数寻优方法多采用人为列举寻优、交叉验证等方式设置参数,但是此类方法所需时间过长,同时还存在容易陷入局部最优的问题。遗传算法是一种借鉴生物界自然选择和自然遗传机制的搜索算法,它能在复杂而庞大的搜索空间中寻找最优或准最优解,且有算法简单、适用、鲁棒性强等优点,它的应用目前很成熟。本文采用遗传算法优化相关向量机模型,把二者结合起来,功能互补从而建立故障监测系统。
遗传算法优化相关向量机方法中的遗传算法要素包括:
A.计算适应度。计算适用度值:个体适应度采用网络的函数误差,即误差大的个体其适应度小,具体表示为适应度为网络误差函数的倒数。
B.选择染色体进行复制。选择染色体复制:个体适应度的计算完成后,选择适应度大的个体遗传到下一代,使权值越来越接近最优解空。
C.交叉、变异过程。交叉、变异过程 :采用基于概率的双向随机搜索技术,以一定的概率,随机地从父本种群中选取两条染色体进行交叉操作,当新染色体使当前解质量提高时,就接收这个被改进的解作为新的当前解。
D.产生新群体。
E.判断是否满足终止条件。
F.满足终止条件则结束,不满足则返回步骤A。
如图3所示,在本发明中,在遗传算法优化相关向量机的过程中,就是先初始化相关向量机的核函数,然后利用已知样本对相关向量机进行机器训练,本发明中是进行遗传优化训练,输出最佳相关向量机参数,从而建立相关向量机模型,一旦机器训练中不满足遗传优化的终止条件,则返回步骤A,继续利用已知数据库进行遗传优化的训练。
S03步骤三、采用相关向量机模型对待测数据进行诊断分析。
步骤二中已经完成了利用已知数据库对相关向量机模型的机器训练,可以进行笨步骤中的对待测数据进行诊断分析。待测数据是信号采集单元中的传感器组对冷却塔风机进行监测得到的冷却塔风机参数,这些数据经过遗传优化的相关向量机模型处理后,选择出最优、最佳数据与系统阈值进行对比,避免了传统方法中的每个传感器数据均要对比的繁琐和增大时长的问题。同时避免了误差数据误报警的情况发生。监控终端判断传感器检测数据是否大于阈值,传感器监测的风机是否处于正常状态,如果数据异常则说明风机周边环境比较恶劣,冷却塔风机处于非正常故障状态,控制器就会发出警示信号给监控终端。
S04步骤四、输出诊断结果。传感器检测的参数数据经过遗传优化的相关向量机分析处理后,找到最优数据值,并预测待测样本,与系统阈值进行比较得出的结果就可以在监控终端显示出来, 方便监测人员随时查看,有故障时,监控终端根据控制器的信号也会显示警示信号,提醒工作人员进行查看维修,及时发现风机故障,及时排除故障隐患,避免造成大的损失或者影响冷却塔的正常工作效果。
S05步骤五、诊断结果和参数数据存入数据库。步骤四中的诊断结果输出后,如果是风机正常,说明传感器组测得数据是在正常正常状态下测得的,可以将此类数据保存并记录在数据库中,达到随时更新数据库的优点,提高监测准确度。
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 (7)
1.一种冷却塔风机监测系统,其特征在于,该系统包括采集冷却塔风机参数数据的信号采集单元、控制器和监控终端,控制器连接信号采集单元和监控终端,其中控制器利用遗传优化的相关向量机模型分析处理信号采集单元的数据。
2.根据权利要求1所述的冷却塔风机监测系统,其特征在于,所述的信号采集单元包括振动传感器、转速传感器和风量传感器。
3.根据权利要求1所述的冷却塔风机监测系统,其特征在于,所述控制器和监控终端均设置有无线通信单元,控制器和监控终端进行无线通信。
4.一种冷却塔风机监测方法,其特征在于,该方法步骤包括:
步骤一、建立数据库,并进行数据预处理;
步骤二、建立相关向量机模型,利用遗传算法优化训练相关向量机模型参数;
步骤三、采用相关向量机模型对待测数据进行诊断分析;
步骤四、输出诊断结果;
步骤五、诊断结果和参数数据存入数据库。
5.根据权利要求4所述的冷却塔风机监测方法,其特征在于,所述步骤一中的数据库包括由样本数据和监测参数组成。
6.根据权利要求4所述的冷却塔风机监测方法,其特征在于,所述步骤二中的遗传算法流程包括:
计算适应度;
选择染色体进行复制;
交叉、变异过程;
产生新群体;
判断是否满足终止条件;
满足终止条件则结束,不满足则返回步骤A。
7.根据权利要求4所述的冷却塔风机监测方法,其特征在于,所述步骤三中的待测数据是信号采集单元对冷却塔风机进行监测得到的冷却塔风机参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510111461.0A CN104808649A (zh) | 2015-03-13 | 2015-03-13 | 一种冷却塔风机监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510111461.0A CN104808649A (zh) | 2015-03-13 | 2015-03-13 | 一种冷却塔风机监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104808649A true CN104808649A (zh) | 2015-07-29 |
Family
ID=53693568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510111461.0A Pending CN104808649A (zh) | 2015-03-13 | 2015-03-13 | 一种冷却塔风机监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104808649A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769142A (zh) * | 2016-12-23 | 2017-05-31 | 潘敏 | 一种冶金风机故障诊断方法 |
CN107203180A (zh) * | 2017-07-20 | 2017-09-26 | 山东旭能环保科技有限公司 | 一种冷却塔监测方法、设备和系统 |
CN110542380A (zh) * | 2019-08-06 | 2019-12-06 | 中铁第四勘察设计院集团有限公司 | 一种无砟轨道结构自动监测装置 |
CN112097828A (zh) * | 2020-08-24 | 2020-12-18 | 华东交通大学 | 一种冷却塔内环境监测系统 |
CN112781902A (zh) * | 2020-12-23 | 2021-05-11 | 珠海格力电器股份有限公司 | 冷却塔检测方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049418A (ja) * | 2000-05-23 | 2002-02-15 | Toshiba Corp | 機器監視システムとその方法 |
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
CN201539422U (zh) * | 2009-07-16 | 2010-08-04 | 上海金日冷却设备有限公司 | 冷却塔用玻璃钢风机 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN103573538A (zh) * | 2013-11-21 | 2014-02-12 | 东莞市盈卓节能科技有限公司 | 一种卧式水轮机及采用该水轮机的冷却塔 |
CN204027820U (zh) * | 2014-08-26 | 2014-12-17 | 安徽工程大学 | 汽车空调故障检测系统 |
CN204202875U (zh) * | 2014-10-01 | 2015-03-11 | 南通力达环保设备有限公司 | 发动机三高移动箱式测试台 |
CN104568438A (zh) * | 2014-10-07 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 发动机轴承故障检测系统及方法 |
-
2015
- 2015-03-13 CN CN201510111461.0A patent/CN104808649A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002049418A (ja) * | 2000-05-23 | 2002-02-15 | Toshiba Corp | 機器監視システムとその方法 |
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
CN201539422U (zh) * | 2009-07-16 | 2010-08-04 | 上海金日冷却设备有限公司 | 冷却塔用玻璃钢风机 |
CN101872165A (zh) * | 2010-06-13 | 2010-10-27 | 西安交通大学 | 一种基于遗传神经网络的风电机组故障诊断方法 |
CN103573538A (zh) * | 2013-11-21 | 2014-02-12 | 东莞市盈卓节能科技有限公司 | 一种卧式水轮机及采用该水轮机的冷却塔 |
CN204027820U (zh) * | 2014-08-26 | 2014-12-17 | 安徽工程大学 | 汽车空调故障检测系统 |
CN204202875U (zh) * | 2014-10-01 | 2015-03-11 | 南通力达环保设备有限公司 | 发动机三高移动箱式测试台 |
CN104568438A (zh) * | 2014-10-07 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 发动机轴承故障检测系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106769142A (zh) * | 2016-12-23 | 2017-05-31 | 潘敏 | 一种冶金风机故障诊断方法 |
CN107203180A (zh) * | 2017-07-20 | 2017-09-26 | 山东旭能环保科技有限公司 | 一种冷却塔监测方法、设备和系统 |
CN107203180B (zh) * | 2017-07-20 | 2019-06-28 | 山东旭能环保科技有限公司 | 一种冷却塔监测方法、设备和系统 |
CN110542380A (zh) * | 2019-08-06 | 2019-12-06 | 中铁第四勘察设计院集团有限公司 | 一种无砟轨道结构自动监测装置 |
CN112097828A (zh) * | 2020-08-24 | 2020-12-18 | 华东交通大学 | 一种冷却塔内环境监测系统 |
CN112781902A (zh) * | 2020-12-23 | 2021-05-11 | 珠海格力电器股份有限公司 | 冷却塔检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
Lazarova-Molnar et al. | Fault detection and diagnosis for smart buildings: State of the art, trends and challenges | |
CN104808649A (zh) | 一种冷却塔风机监测系统及方法 | |
CN107862052A (zh) | 一种故障案例库、故障树及故障谱构建方法 | |
Guo et al. | Mechanical fault time series prediction by using EFMSAE-LSTM neural network | |
US20160313216A1 (en) | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning | |
CN106407589B (zh) | 一种风机状态评估与预测方法及系统 | |
CN105841980B (zh) | Hxd型机车冷却通道工况监测以及故障预诊断方法及系统 | |
CN104596572A (zh) | 电缆监测系统及方法 | |
CN105758661B (zh) | 一种锅炉受热面寿命评估系统和方法 | |
CN107844067B (zh) | 一种水电站闸门在线状态监测控制方法及监测系统 | |
CN104571084B (zh) | 主风机组故障根源深度诊断方法和装置 | |
CN112232569A (zh) | 一种机械设备故障预警方法、系统及可读存储介质 | |
KR102331463B1 (ko) | 이송장치를 구동하는 모터에 관한 머신러닝 기반 예지보전방법 및 시스템 | |
CN204085575U (zh) | 电缆监测系统 | |
Sarita et al. | Principal component analysis technique for early fault detection | |
US10733514B1 (en) | Methods and apparatus for multi-site time series data analysis | |
Das et al. | Performance monitoring and failure prediction of industrial equipments using artificial intelligence and machine learning methods: A survey | |
CN114666117A (zh) | 一种面向电力互联网的网络安全态势度量和预测方法 | |
CN104697765A (zh) | 汽车空调故障检测系统及方法 | |
CN104568438A (zh) | 发动机轴承故障检测系统及方法 | |
CN112580858A (zh) | 设备参数预测分析方法及系统 | |
CN114577470A (zh) | 用于风机主轴承的故障诊断方法及系统 | |
Li et al. | Meteorological radar fault diagnosis based on deep learning | |
CN204027820U (zh) | 汽车空调故障检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150729 |