CN108061014A - 一种用于设备性能评估的多级层叠cmac模型 - Google Patents

一种用于设备性能评估的多级层叠cmac模型 Download PDF

Info

Publication number
CN108061014A
CN108061014A CN201711346356.0A CN201711346356A CN108061014A CN 108061014 A CN108061014 A CN 108061014A CN 201711346356 A CN201711346356 A CN 201711346356A CN 108061014 A CN108061014 A CN 108061014A
Authority
CN
China
Prior art keywords
subsystem
cmac
multistage
models
equipment
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
Application number
CN201711346356.0A
Other languages
English (en)
Inventor
张蕾
杨宇峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201711346356.0A priority Critical patent/CN108061014A/zh
Publication of CN108061014A publication Critical patent/CN108061014A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
    • F03D—WIND MOTORS
    • F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/84—Modelling or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种用于设备性能评估的多级层叠CMAC模型，包括多级子系统和多级层叠CMAC，所述多级子系统包含n个下级子系统，分别为子系统1、子系统2～子系统N；所述多级层叠CMAC与多级子系统一一对应；所述一个子系统对应一个CMAC，形成一个多级层叠CMAC模型；采用该模型可以解决复杂设备的性能评估问题，使复杂设备的性能评估变得简便可行；采用多级层叠结构，能够层层评估，层层追溯，可以通过查看其下级各个CMAC的输出，迅速判断发生性能退化的子系统或原因；利用分级结构建立多级层叠CMAC模型，每个CMAC对应一个子系统，可以减少每个CMAC的输入，使每个CMAC的输入特征量在3‑5个左右，避免了CMAC在输入量过多导致的存储问题，大大增强了CMAC在设备性能评估中的实用性。

Description

一种用于设备性能评估的多级层叠CMAC模型
技术领域
本发明涉及设备智能维护领域，尤其是一种用于设备性能评估的多级层叠CMAC模型。
背景技术
随着信号处理方法及人工智能理论的发展，以预测和预防为主的设备智能维护技术正逐渐取代传统的故障后维修的维护方式，成为设备维护的发展趋势，在信号处理方法中会用到CMAC，所谓CMAC即为小脑模型节点控制器，CMAC广法应用在设备性能评估中，但CMAC在应用时存在一个问题，如果CMAC的输入变量太多，而且每个变量的量化范围比较大时，所需的权值存储的物理空间就比较大，这就限制了CMAC的应用。一般CMAC的输入在3-5之间比较合适。如果反应设备性能的参数太多，可以采用特征提取的一些方法，将输入降维，例如主成分分析，但降维必然以损失部分信息为代价。因此对于需要监测的是结构复杂、零部件繁多的设备，一个单一的CMAC模型难以准确有效地评估其性能情况。
本发明就是为了解决以上问题而进行的改进。
发明内容
本发明需要解决的技术问题是提供一种与设备在结构上的多层分级模型一一对应，可实现复杂设备的各子系统及整体的性能评估，为复杂设备的性能评估提供一种有效方法的用于设备性能评估的多级层叠CMAC模型。
本发明为解决其技术问题所采用的技术方案是：
一种用于设备性能评估的多级层叠CMAC模型，包括多级子系统和多级层叠CMAC，所述多级子系统包含n个下级子系统，分别为子系统1、子系统2～子系统N；
所述多级层叠CMAC与多级子系统一一对应；
所述一个子系统对应一个CMAC，形成一个多级层叠CMAC模型；
进一步的，所述多级子系统下的每个子系统还可包含m个；
所述子系统1下的下级子系统分别为特征11～特征1m；
所述子系统2下的下级子系统包含子系统21和子系统22，所述子系统21下包含q个子系统，子系统22下包含p个子系统；
所述子系统N下的子系统包含特征N1～特征Nm；
更进一步的，所述子系统21的下级子系统分别为特征211～特征21q；
所述子系统22的下级子系统分别为特征221～特征22p；
所述多级子系统是将设备或者系统按照结构关系划分的；
所述多级子系统是将设备或者系统按照功能关系划分的；
所述与最底层每个子系统对应的CMAC的输入为一特征量，所述该特征量为能反映该子系统的性能状况；
具体的，每个子系统的输出为0-1之间的一个数值，代表设备性能的置信度，或者说设备与正常状态发生偏离的程度，值越小，表面偏离正常状态的程度越大；
所述该特征量可为传感器信号经分析处理后提取出的，对应每个子系统的CMAC的输出又构成了上一级子系统的输入，以此类推，最上层的CMAC模型的输出为整个设备或系统的性能评估数值。
工作原理为：将设备划分成多级子系统结构，这些子系统在结构或者功能上构成一个相对独立的部分；利用设备的这种分级结构建立相应的多级层叠CMAC模型，这样每个CMAC对应一个子系统，可以减少每个CMAC的输入，符合CMAC适合于3-5个特征量输入的情况，避免了CMAC在输入量过多导致的存储问题。
本发明的有益效果在于：采用该模型可以解决复杂设备的性能评估问题，使复杂设备的性能评估变得简便可行；采用多级层叠结构，能够层层评估，层层追溯，可以通过查看其下级各个CMAC的输出，迅速判断发生性能退化的子系统或原因；利用分级结构建立多级层叠CMAC模型，每个CMAC对应一个子系统，可以减少每个CMAC的输入，使每个CMAC的输入特征量在3-5个左右，避免了CMAC在输入量过多导致的存储问题，大大增强了CMAC在设备性能评估中的实用性。
附图说明
图1是本发明提出的一种用于设备性能评估的多级层叠CMAC模型的结构示意图。
图2是本发明提出的一种用于设备性能评估的多级层叠CMAC模型中设备或系统的多级子系统结构示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本发明。
参照图1、图2所示，该一种用于设备性能评估的多级层叠CMAC模型，包括多级子系统和多级层叠CMAC，所述多级子系统包含n个下级子系统，分别为子系统1、子系统2～子系统N；
所述多级层叠CMAC与多级子系统一一对应；
所述一个子系统对应一个CMAC，形成一个多级层叠CMAC模型；CMAC模型的软件实现可参考现有的各种神经网络工具箱，也可以自己编写；
进一步的，所述多级子系统下的每个子系统还可包含m个；
所述子系统1下的下级子系统分别为特征11～特征1m；
所述子系统2下的下级子系统包含子系统21和子系统22，所述子系统21下包含q个子系统，子系统22下包含p个子系统；
所述子系统N下的子系统包含特征N1～特征Nm；
更进一步的，所述子系统21的下级子系统分别为特征211～特征21q；
所述子系统22的下级子系统分别为特征221～特征22p；
所述多级子系统是将设备或者系统按照结构关系划分的；
所述多级子系统是将设备或者系统按照功能关系划分的；
例如按照结构关系划分为关键部件1，关键部件2等，每个关键部件对应一个子系统，而且每个关键部件也可以再进行细分，例如关键部件2下面对应关键部件21，关键部件22。也可以按照功能关系划分为子系统，例如划分为机械子系统、液压或气压子系统、电气与控制子系统等。同样，每个子系统下面也可以再包含几个子系统；
所述与最底层每个子系统对应的CMAC的输入为一特征量，所述该特征量为能反映该子系统的性能状况；
具体的，每个子系统的输出为0-1之间的一个数值，代表设备性能的置信度，或者说设备与正常状态发生偏离的程度，值越小，表面偏离正常状态的程度越大；利用设备正常状态的样本数据对CMAC进行训练，,输入是正常状态时提取的信号的特征量，输出为1。CMAC内在的映射机制使得当输入接近训练时的输入时，输出就接近训练时的输出(即1)，反之亦然，其输出的偏离程度可以反映输入的偏离程度；
所述该特征量可为传感器信号经分析处理后提取出的，对应每个子系统的CMAC的输出又构成了上一级子系统的输入，以此类推，最上层的CMAC模型的输出为整个设备或系统的性能评估数值。
实施例1.典型的水平轴风力发电设备其主要部件包括叶片、轮毂、传动系统(主轴、联轴器和齿轮箱)、发电机、控制系统、偏航系统、塔架等几个部分。风力发电设备的性能评估主要是在这些关键部件上进行，对应不同的关键部件，可以建立一个多层的分级子系统模型。第一层为风力发电设备整体，第二层包含叶片、传动系统、发电机、控制系统、偏航系统，其中传动系统在第三层上又可以分为主轴、齿轮箱两个子系统。子系统的划分要符合设备具体情况。
实施例2.对应最底层每个子系统，需要测量的信号也不一样，例如实施例1中主轴主要测量振动信号，而控制系统中主要测量电压、电流，气压和液压系统中主要测量压力、温度、油位等。
实施例3.对应每个子系统,CMAC输入的特征量要根据信号形式进行合理的提取，例如一般的信号，例如电压电流，可提取最大值，最小值，平均值，但对于振动信号，除了时域特征外，还可以提取傅里叶变换后频域的幅值。
将设备划分成多级子系统结构，这些子系统在结构或者功能上构成一个相对独立的部分；利用设备的这种分级结构建立相应的多级层叠CMAC模型，这样每个CMAC对应一个子系统，可以减少每个CMAC的输入，符合CMAC适合于3-5个特征量输入的情况，避免了CMAC在输入量过多导致的存储问题。
采用该模型可以解决复杂设备的性能评估问题，使复杂设备的性能评估变得简便可行；采用多级层叠结构，能够层层评估，层层追溯，可以通过查看其下级各个CMAC的输出，迅速判断发生性能退化的子系统或原因；利用分级结构建立多级层叠CMAC模型，每个CMAC对应一个子系统，可以减少每个CMAC的输入，使每个CMAC的输入特征量在3-5个左右，避免了CMAC在输入量过多导致的存储问题，大大增强了CMAC在设备性能评估中的实用性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种用于设备性能评估的多级层叠CMAC模型，包括多级子系统和多级层叠CMAC，其特征在于：
所述多级子系统包含n个下级子系统，分别为子系统1、子系统2～子系统N；
所述多级层叠CMAC与多级子系统一一对应；
所述一个子系统对应一个CMAC，形成一个多级层叠CMAC模型。
2.如权利要求1所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述多级子系统下的每个子系统还可包含m个；
所述子系统1下的下级子系统分别为特征11～特征1m；
所述子系统2下的下级子系统包含子系统21和子系统22，所述子系统21下包含q个子系统，子系统22下包含p个子系统；
所述子系统N下的子系统包含特征N1～特征Nm。
3.如权利要求2所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述子系统21的下级子系统分别为特征211～特征21q；
所述子系统22的下级子系统分别为特征221～特征22p。
4.如权利要求1所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述多级子系统是将设备或者系统按照结构关系划分的。
5.如权利要求1所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述多级子系统是将设备或者系统按照功能关系划分的。
6.如权利要求1所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述与最底层每个子系统对应的CMAC的输入为一特征量，所述该特征量为能反映该子系统的性能状况。
7.如权利要求6所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述该特征量可为传感器信号经分析处理后提取出的。
8.如权利要求1或6所述的一种用于设备性能评估的多级层叠CMAC模型，其特征在于，所述对应每个子系统的CMAC的输出为上一级子系统的输入；
所述最上层的CMAC模型的输出为整个设备或系统的性能评估数值。
CN201711346356.0A 2017-12-15 2017-12-15 一种用于设备性能评估的多级层叠cmac模型 Pending CN108061014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711346356.0A CN108061014A (zh) 2017-12-15 2017-12-15 一种用于设备性能评估的多级层叠cmac模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711346356.0A CN108061014A (zh) 2017-12-15 2017-12-15 一种用于设备性能评估的多级层叠cmac模型

Publications (1)

Publication Number Publication Date
CN108061014A true CN108061014A (zh) 2018-05-22

Family

ID=62138991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711346356.0A Pending CN108061014A (zh) 2017-12-15 2017-12-15 一种用于设备性能评估的多级层叠cmac模型

Country Status (1)

Country Link
CN (1) CN108061014A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103645632A (zh) * 2013-11-22 2014-03-19 大连海联自动控制有限公司 一种基于广义模糊 cmac 的模型参考自适应控制方法
CN203574387U (zh) * 2013-11-18 2014-04-30 国家电网公司 基于小脑模型神经网络pid控制的风电机组软并网控制系统
CN104077887A (zh) * 2014-06-25 2014-10-01 桂林电子科技大学 人体跌倒健康监测方法及装置
CN104454347A (zh) * 2014-11-28 2015-03-25 云南电网公司电力科学研究院 一种独立变桨距风力发电机桨距角的控制方法
CN106203627A (zh) * 2016-07-08 2016-12-07 中国电子科技集团公司电子科学研究院 一种对网络靶场进行评价的方法
CN107430715A (zh) * 2015-03-11 2017-12-01 西门子工业公司 建筑物自动化中的级联识别

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203574387U (zh) * 2013-11-18 2014-04-30 国家电网公司 基于小脑模型神经网络pid控制的风电机组软并网控制系统
CN103645632A (zh) * 2013-11-22 2014-03-19 大连海联自动控制有限公司 一种基于广义模糊 cmac 的模型参考自适应控制方法
CN104077887A (zh) * 2014-06-25 2014-10-01 桂林电子科技大学 人体跌倒健康监测方法及装置
CN104454347A (zh) * 2014-11-28 2015-03-25 云南电网公司电力科学研究院 一种独立变桨距风力发电机桨距角的控制方法
CN107430715A (zh) * 2015-03-11 2017-12-01 西门子工业公司 建筑物自动化中的级联识别
CN106203627A (zh) * 2016-07-08 2016-12-07 中国电子科技集团公司电子科学研究院 一种对网络靶场进行评价的方法

Similar Documents

Publication Publication Date Title
Cho et al. Fault detection and diagnosis of a blade pitch system in a floating wind turbine based on Kalman filters and artificial neural networks
Rahimilarki et al. Convolutional neural network fault classification based on time-series analysis for benchmark wind turbine machine
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
EP1982301B1 (en) Method of condition monitoring
CN104573845B (zh) 信息系统设备状态检修辅助决策方法
CN104102773B (zh) 一种设备故障预警及状态监测方法
CN103983453B (zh) 一种航空发动机的执行机构和传感器故障诊断的区分方法
CN103711645B (zh) 基于建模参数特征分析的风力发电机组状态评估方法
Haghshenas et al. Predictive digital twin for offshore wind farms
US20170227954A1 (en) Plant performance evaluation apparatus, plant performance evaluation system, and plant performance evaluation method
Wang et al. Monitoring models for base flow effect and daily variation of dam seepage elements considering time lag effect
CN109187060B (zh) 列车速度传感器信号异常检测及轴抱死故障诊断方法
Yau et al. Chaotic eye‐based fault forecasting method for wind power systems
Xu et al. RUL prediction of electronic controller based on multiscale characteristic analysis
CN108061014A (zh) 一种用于设备性能评估的多级层叠cmac模型
Wu et al. Variable forgetting factor identification algorithm for fault diagnosis of wind turbines
CN104216397A (zh) 智能驱动桥系统故障识别与检测的方法
Wang et al. A SVR-based remaining life prediction for rolling element bearings
Pliego et al. Big data and wind turbines maintenance management
Guo Wind turbine generator bearing condition monitoring with NEST method
Elijorde et al. Wind turbine performance monitoring based on hybrid clustering method
CN104764871B (zh) 一种多变量检测的油中水分在线监测方法
Peng et al. [Retracted] Application of CNN‐Based Machine Learning in the Study of Motor Fault Diagnosis
Lian et al. Online fault diagnosis for hydraulic disc brake system using feature extracted from model and an SVM classifier
Li et al. Power plant fan fault warning based on bidirectional feature compression and state estimation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180522

RJ01 Rejection of invention patent application after publication