CN108334999A - 烟气热水型溴化锂制冷机组的故障预测方法及系统 - Google Patents
烟气热水型溴化锂制冷机组的故障预测方法及系统 Download PDFInfo
- Publication number
- CN108334999A CN108334999A CN201810436904.7A CN201810436904A CN108334999A CN 108334999 A CN108334999 A CN 108334999A CN 201810436904 A CN201810436904 A CN 201810436904A CN 108334999 A CN108334999 A CN 108334999A
- Authority
- CN
- China
- Prior art keywords
- failure
- data
- chiller
- water
- lithium bromide
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000003517 fume Substances 0.000 title claims abstract description 31
- AMXOYNBUYSYVKV-UHFFFAOYSA-M lithium bromide Chemical compound [Li+].[Br-] AMXOYNBUYSYVKV-UHFFFAOYSA-M 0.000 claims abstract description 276
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000005057 refrigeration Methods 0.000 claims abstract description 7
- 229940059936 lithium bromide Drugs 0.000 claims description 133
- 239000000498 cooling water Substances 0.000 claims description 32
- 239000003546 flue gas Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 27
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 24
- 239000007788 liquid Substances 0.000 claims description 21
- 239000006096 absorbing agent Substances 0.000 claims description 20
- 239000003507 refrigerant Substances 0.000 claims description 18
- 238000004378 air conditioning Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 239000002826 coolant Substances 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000031709 bromination Effects 0.000 claims description 2
- 238000005893 bromination reaction Methods 0.000 claims description 2
- 229910052744 lithium Inorganic materials 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000010438 heat treatment Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- WKBOTKDWSSQWDR-UHFFFAOYSA-N Bromine atom Chemical compound [Br] WKBOTKDWSSQWDR-UHFFFAOYSA-N 0.000 description 2
- GDTBXPJZTBHREO-UHFFFAOYSA-N bromine Substances BrBr GDTBXPJZTBHREO-UHFFFAOYSA-N 0.000 description 2
- 229910052794 bromium Inorganic materials 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B15/00—Sorption machines, plants or systems, operating continuously, e.g. absorption type
- F25B15/02—Sorption machines, plants or systems, operating continuously, e.g. absorption type without inert gas
- F25B15/06—Sorption machines, plants or systems, operating continuously, e.g. absorption type without inert gas the refrigerant being water vapour evaporated from a salt solution, e.g. lithium bromide
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B49/00—Arrangement or mounting of control or safety devices
- F25B49/04—Arrangement or mounting of control or safety devices for sorption type machines, plants or systems
- F25B49/043—Operating continuously
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/06—Damage
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25B—REFRIGERATION MACHINES, PLANTS OR SYSTEMS; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS
- F25B2500/00—Problems to be solved
- F25B2500/19—Calculation of parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/27—Relating to heating, ventilation or air conditioning [HVAC] technologies
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/62—Absorption based systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Thermal Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Sorption Type Refrigeration Machines (AREA)
Abstract
本发明公开了烟气热水型溴化锂制冷机组的故障预测方法及系统，故障预测方法包括：步骤一，采集制冷机组的运行状态系统变量Xi；步骤二，设置制冷机组的故障模式变量Ej；步骤三，建立正常运行状态数据库和故障运行数据库；步骤四，采用基于Sigmod的数据归一化方法对运行状态数据进行处理；步骤五，采用基于量子深度置信网络进行故障预测。本发明可有效解决溴化锂制冷机组的结构庞大难观察、部件多且相互耦合性强、运行工况多变造成难准确预测故障的关键技术难题，实现了溴化锂机组的智能实时故障预测并准确定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用寿命具有十分重要的意义。
Description
技术领域
本发明涉及溴化锂制冷机组故障预测技术领域，尤其涉及烟气热水型溴化锂制冷机组的故障预测方法及系统。
背景技术
能源紧缺、环境污染和气候变化是制约当今世界经济和社会可持续发展的重要因素，能源和环境问题已成为国内外高度关注的重大战略问题。以燃料多元化、设备小型化、网络智能化及环境友好化为主要特征的分布式冷热电联供系统遵循“分配得当、各取所需、温度对口、梯级利用”原则，集制冷、供热及发电于一体的多联供能源系统，CCHP不仅能实现能量的梯级利用还能提高一次能源利用率，而且在减少CO2和PM2.5排放等方面也表现出极大的优势。溴化锂制冷机组是冷热电联供系统的重要核心组成部分，然而，溴化锂制冷机组是一种典型的复杂动态能量转换设备，具有非线性、时变性、随机性和不确定性等显著特点，其稳定安全性日益重要，一旦发生事故，轻则影响整个冷热电联供系统的正常运行，重则溴化锂制冷机组设备损坏，甚至影响整个冷热电联供系统乃至国家电网的安全和稳定。
因此，对溴化锂制冷机组进行运行状态监测和故障预测并准确确定位故障位置，不仅可提高溴化锂制冷机组的设备利用率，而且能有效降低维修成本，更重要的是确保冷热电联供系统和国家电网的安全、稳定、可靠运行，具有十分重要的意义。然而，现有烟气热水型溴化锂制冷机组主要包括机组的监控系统和控制系统，而未涉及基于数据和深度学习的烟气热水型溴化锂机组在线故障预测系统。
发明内容
本发明的目的就是为了解决上述问题，提供烟气热水型溴化锂制冷机组的故障预测方法及系统，实现了溴化锂机组的智能实时故障预测并准确定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用寿命具有十分重要的意义。
为了实现上述目的，本发明采用如下技术方案：
烟气热水型溴化锂制冷机组的故障预测方法，包括：
步骤一，采集制冷机组的运行状态系统变量Xi；
步骤二，设置制冷机组的故障模式变量Ej；
步骤三，建立正常运行状态数据库和故障运行数据库；
步骤四，采用基于Sigmod的数据归一化方法对运行状态数据进行处理；
步骤五，采用基于量子深度置信网络进行故障预测。
所述步骤一中，运行状态系统变量Xi为：
Xi＝[TYQ-J,TYQ-C,LYQ,TRS-C,TRS-J,LRS,TKTS-C,TKTS-J,LKTS,TLQS-C,TLQS-J,LLQS,TFSQ,WFSQ,TXSQ,WXSQ, TLNQ,TZLJ,LZLJ,TXHL,LXHL,TZFQ,YZFQ,KZK]，i＝1,….24；
其中：TYQ-J为烟气入溴化锂机组的温度值(℃)，TYQ-C为烟气出溴化锂机组的温度值(℃)， LYQ为烟气入溴化锂机组的流量值(m3/h)，TRS-J为热水进溴化锂机组温度值(℃)，TRS-C为热水出溴化锂机组温度值(℃)，LRS为热水进溴化锂机组的流量值(m3/h)，TKTS-C为空调制冷水出溴化锂机组的温度值(℃)，TKTS-J为空调制冷水进溴化锂机组的温度值(℃)，LKTS为空调制冷水出溴化锂机组的流量值(m3/h)，TLQS-C为冷却水出溴化锂机组的温度值(℃)，TLQS-J为冷却水进溴化锂机组的温度值(℃)，LLQS为冷却水进溴化锂机组的流量值(m3/h)，TFSQ为溴化锂机组发生器内的温度值(℃)，WFSQ为溴化锂机组发生器内溴化锂溶液的液位值(m)，TXSQ为溴化锂机组吸收器内的温度值(℃)，WXSQ为溴化锂机组吸收器内的溴化锂溶液的液位值(m)，TLNQ为冷凝水的温度值(℃)，TZLJ为制冷剂的温度值(℃)，LZLJ为制冷剂的流量值(m3/h)，LXHL为溴化锂溶液的流量值(m3/h)，NXHL为溴化锂溶液的浓度值(％)，TZFQ为溴化锂机组蒸发器内的温度值 (℃)，YZFQ为溴化锂机组蒸发器的压力值(kPa)，KZK为溴化锂内部的真空度(Pa)。
所述步骤二中，故障模式变量Ej为：
Ej＝[EYQ-J,EYQ-C,EYQ,ERS-C,ERS-J,ERS,EKTS-J,EKTS-C,EKTS,ELQS-J,ELQS-C,ELQS,EFSQ-T,EFSQ-W, EXSQ-T,EXSQ-W,ELNQ-T,ELNQ-W,EZLJ-T,EZLJ-L,EXHL-T,EXHL-L,EXHL-N,EZFQ-T,EZFQ-Y,ERS-B,EKTS-B,ELQS-B ,EXSQ-B,EFSQ-B,EZFQ-B,EXHL-B,EZLJ-B,EZK-B]，j＝1,….34；
其中，EYQ-J进溴化锂机组的烟气温度传感器故障、EYQ-C出溴化锂机组的烟气温度传感器故障、EYQ烟气流量计故障、ERS-J为热水进溴化锂机组温度传感器故障、ERS-C为热水出溴化锂机组温度传感器故障，ERS为热水流量计故障，EKTS-J为空调水进溴化锂机组的温度传感器故障、EKTS-C为空调水出溴化锂机组的温度传感器故障、EKTS为空调水流量计故障、ELQS-J为冷却水进溴化锂机组的温度传感器故障、ELQS-C冷却水出溴化锂机组的温度传感器故障、ELQS冷却水流量计故障、EFSQ-T为发生器温度传感器故障、EFSQ-W为发生器液位计故障、EXSQ-T为吸收器温度传感器故障、EXSQ-W为吸收器液位计故障、ELNQ-T为冷凝器的温度传感器故障、 ELNQ-W为冷凝器液位计故障、EZLJ-T为制冷剂温度传感器故障,EZLJ-L为制冷剂流量计故障, EXHL-T为溴化锂溶液的温度传感器故障、EXHL-L为溴化锂溶液的流量计故障,EXHL-N为溴化锂溶液的浓度传感器故障、EZFQ-T为蒸发器的温度传感器故障、EZFQ-Y为蒸发器的压力传感器故障、 ERS-B为热水水泵故障、EKTS-B为空调水水泵故障、ELQS-B冷却水水泵故障、EXSQ-B吸收器水泵故障、EFSQ-B发生器水泵故障、EZFQ-B蒸发器水泵故障、EXHL-B溴化锂溶液泵故障、EZLJ-B制冷剂泵故障；EZK-B为真空泵故障。
所述步骤三中的数据库采用SQL Server数据库，包括：
在正常运行状态数据库上建立关于步骤一所建采集变量Xi的数据表，包括烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表及制冷剂数据表；
在故障运行状态数据库上建立关于步骤一所建采集变量Xi的数据表和步骤三所采集到的故障模式变量Ej的数据表，包括烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表、故障数据表。
所述步骤四的具体方法为：其中，Xi为溴化锂制冷机组的运行数据，NXi为基于Sigmod归一化后的数据。
所述步骤五基于量子深度置信网络的结构图包括一个输入层x，4个隐藏层h1、h2、h3及 h4，一个输出层e，输入层x有24个运行状态的归一化数据NXi，输出层e有34个故障模式变量单元Ei，最后一个隐藏层h4为量子单元，其他的隐藏层为sigmoid单元组成；
输入层x与隐藏层h1、隐藏层h1与隐藏层h2、隐藏层h2与隐藏层h3均采用限制玻尔兹曼机模型实现。
所述步骤五的具体方法包括：
步骤1：设置标注数据个数和未标注数据格式；
步骤2：初始化隐藏层和量子层的各层参数集初始化正向偏置参数反向偏置参数冲量参数及学习率η；
步骤3：以RBM为基本模块，使用贪心无监督方法优化各层网络参数
逐层计算非线性正向状态和非线性反向状态，更新参数和偏置；
步骤4：基于梯度下降方法的监督学习，逐层调整每层参数和跳转位置
步骤5：基于训练好的网络参数和调整位置，输入烟气热水型溴化锂制冷机组的实时运行数据，预测系统输出系统正常运行或故障预测结果。
所述步骤4中，监督学习方法采用公式表示为：
其中，为指数损失函数，L为训练数据个数；
连接到第4层量子单元的第s个单元到输出层e第t个单元的网络参数的优化方法为：
其中，和为在第i个训练数据输入调整前和调整后的网络参数值，α为学习率，是对于第i个训练数据第4层量子单元第s个单元的输出值，为损失函数；
当k＝1,2,3时，第k层网络参数的优化方法为：
其中，和分别为在第i个训练数据输入调整前和调整后的网络参数值，α为学习率，是对于第i个训练数据第k-1层量子单元第s个单元的输出值，为损失函数；
跳转位置的优化方法：
其中，和分别为在第i个训练数据输入调整前和调整后的跳转位置，nl是量子单元中跳转位置的个数，sigm逻辑函数为 为第i个训练数据输入后量子单元层h4的输出函数，为在第i个训练数据输入后对应第j个故障的损失函数，为在第 i个训练数据输入后对应第j个故障的网络参数值。
采用所述烟气热水型溴化锂制冷机组的故障预测方法的故障预测系统，包括运行状态实时采集系统，所述运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
所述传感器组包括高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计及真空度测量计。
本发明的有益效果：
本发明可有效解决溴化锂制冷机组的结构庞大难观察、部件多且相互耦合性强、运行工 况多变造成难准确预测故障的关键技术难题，实现了溴化锂机组的智能实时故障预测并准确 定位故障位置，对烟气热水型溴化锂机组的安全稳定并高效运行、降低维护成本、延长使用 寿命具有十分重要的意义。
具体实施方式
下面结合实施例对本发明作进一步说明。
为实现故障预测，本发明主要包括基于STM32的溴化锂制冷机组的运行状态实时采集系 统、基于Modbus协议的以太网通讯系统、溴化锂制冷机组的全运行状态数据存储系统、基 于Sigmod的数据归一化方法及基于量子深度置信网络的故障预测方法。
烟气热水型溴化锂制冷机组的故障预测系统，包括：基于STM32ARM的信息采集模块、 ADC0809模拟量输入模块和DP83848C以太网通讯控制模块及传感器组。
运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
传感器组包括：高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计、真空度测量计。
各个传感器的型号如表一所示。
表一 传感器型号
烟气热水型溴化锂制冷机组的故障预测方法，包括：
步骤一、设置烟气热水型溴化锂制冷机组的运行状态采集系统变量为Xi(i＝1,….24)：
Xi＝[TYQ-J,TYQ-C,LYQ,TRS-C,TRS-J,LRS,TKTS-C,TKTS-J,LKTS,TLQS-C,TLQS-J,LLQS,TFSQ,WFSQ,TXSQ,WXSQ, TLNQ,TZLJ,LZLJ,TXHL,LXHL,TZFQ,YZFQ,KZK]；
其中：TYQ-J为烟气入溴化锂机组的温度值(℃)，TYQ-C为烟气出溴化锂机组的温度值(℃)， LYQ为烟气入溴化锂机组的流量值(m3/h)，TRS-J为热水进溴化锂机组温度值(℃)，TRS-C为热水出溴化锂机组温度值(℃)，LRS为热水进溴化锂机组的流量值(m3/h)，TKTS-C为空调制冷水出溴化锂机组的温度值(℃)，TKTS-J为空调制冷水进溴化锂机组的温度值(℃)，LKTS为空调制冷水出溴化锂机组的流量值(m3/h)，TLQS-C为冷却水出溴化锂机组的温度值(℃)，TLQS-J为冷却水进溴化锂机组的温度值(℃)，LLQS为冷却水进溴化锂机组的流量值(m3/h)，TFSQ为溴化锂机组发生器内的温度值(℃)，WFSQ为溴化锂机组发生器内溴化锂溶液的液位值(m)，TXSQ为溴化锂机组吸收器内的温度值(℃)，WXSQ为溴化锂机组吸收器内的溴化锂溶液的液位值(m)，TLNQ为冷凝水的温度值(℃)，TZLJ为制冷剂的温度值(℃)，LZLJ为制冷剂的流量值(m3/h)，LXHL为溴化锂溶液的流量值(m3/h)，NXHL为溴化锂溶液的浓度值(％)，TZFQ为溴化锂机组蒸发器内的温度值 (℃)，YZFQ为溴化锂机组蒸发器的压力值(kPa)，KZK为溴化锂内部的真空度(Pa)；
步骤二、设置烟气热水型溴化锂制冷机组的故障模式变量Ej(j＝1,….34)：
Ej＝[EYQ-J,EYQ-C,EYQ,ERS-C,ERS-J,ERS,EKTS-J,EKTS-C,EKTS,ELQS-J,ELQS-C,ELQS,EFSQ-T,EFSQ-W,EXSQ-T, EXSQ-W,ELNQ-T,ELNQ-W,EZLJ-T,EZLJ-L,EXHL-T,EXHL-L,EXHL-N,EZFQ-T,EZFQ-Y,ERS-B,EKTS-B,ELQS-B,EXSQ-B ,EFSQ-B,EZFQ-B,EXHL-B,EZLJ-B,EZK-B]；
其中，EYQ-J进溴化锂机组的烟气温度传感器故障、EYQ-C出溴化锂机组的烟气温度传感器故障、EYQ烟气流量计故障、ERS-J为热水进溴化锂机组温度传感器故障、ERS-C为热水出溴化锂机组温度传感器故障，ERS为热水流量计故障，EKTS-J为空调水进溴化锂机组的温度传感器故障、EKTS-C为空调水出溴化锂机组的温度传感器故障、EKTS为空调水流量计故障、ELQS-J为冷却水进溴化锂机组的温度传感器故障、ELQS-C冷却水出溴化锂机组的温度传感器故障、ELQS冷却水流量计故障、EFSQ-T为发生器温度传感器故障、EFSQ-W为发生器液位计故障、EXSQ-T为吸收器温度传感器故障、EXSQ-W为吸收器液位计故障、ELNQ-T为冷凝器的温度传感器故障、 ELNQ-W为冷凝器液位计故障、EZLJ-T为制冷剂温度传感器故障,EZLJ-L为制冷剂流量计故障, EXHL-T为溴化锂溶液的温度传感器故障、EXHL-L为溴化锂溶液的流量计故障,EXHL-N为溴化锂溶液的浓度传感器故障、EZFQ-T为蒸发器的温度传感器故障、EZFQ-Y为蒸发器的压力传感器故障、 ERS-B为热水水泵故障、EKTS-B为空调水水泵故障、ELQS-B冷却水水泵故障、EXSQ-B吸收器水泵故障、EFSQ-B发生器水泵故障、EZFQ-B蒸发器水泵故障、EXHL-B溴化锂溶液泵故障、EZLJ-B制冷剂泵故障；EZK-B为真空泵故障；
步骤三、烟气热水型溴化锂制冷机组的运行状态变量存储系统，采用SQL Server数据库，分别建立正常运行状态数据库和故障运行数据库。
3.1在正常运行状态数据库上建立关于步骤二所建采集变量Xi的数据表：烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表；
3.2在故障运行状态数据库上建立关于步骤二所建采集变量Xi的数据表和步骤三所采集到的故障模式变量Ej的数据表：烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表、故障数据表；
步骤四、采用基于Sigmod的数据归一化方法，该方法能够有效地扩大溴化锂机组的状态采集系统中间运行数据的差异性。
其中，Xi(i＝1,…24)为溴化锂制冷机组的运行数据，NXi(i＝1,…24)为基于Sigmod归一化后的数据。
步骤五、基于量子深度置信网络的故障预测方法：
基于量子深度置信网络的故障预测方法的结构包括一个输入层x，4个隐藏层(h1、h2、 h3、h4)，一个输出层e，输入层x有24个运行状态的归一化数据NXi，输出层e有34个故 障模式变量单元Ei，最后一个隐藏层h4为量子单元，其他的隐藏层为sigmoid单元组成。输 入层x与隐藏层h1、隐藏层h1与隐藏层h2、隐藏层h2与隐藏层h3均采用限制玻尔兹曼机(RBM) 模型实现。
输出层e用公式表示为：
其中，为输出层e中第t个偏置；D4为量子单元的结点个数；为量子单元层h4中的单元s和输出层e中的单元t之间的对称连接参数；为量子单元层h4的输出函数；
第4个隐藏层由量子单元组成，输出函数表示为：
其中，nl是量子单元中跳转位置的个数，设置nl＝4；为定义的传输函数跳转位置；为量子单元层h4的输出函数；为量子层h4的中的第t个偏置；为隐藏层h3中的单元s和量子单元层h4中的单元t之间的对称连接参数；为隐藏层h3的输出函数；sigm逻辑函数为
第k(k＝2,3)个隐藏层hk表示为：
其中，为隐藏层hk中的第t个偏置；Dk是第k层的结点个数；为隐藏层hk-1中的单元s和隐藏层hk中的单元t之间的对称连接参数；为隐藏层hk-1的输出函数；
其中，为隐藏层h1的输出函数；为隐藏层h1中的第t个偏置；为隐藏层h1中的单元s和输入层x中单元t之间的对称连接参数；xs为输入变量NXi；
本发明的基于量子深度置信网络的故障预测方法步骤如下：
步骤5.1：设置标注数据个数和未标注数据格式，设置隐藏层个数为4，迭代次数为100，设置隐藏层h1的单元个数D1为200，设置隐藏层h2的单元个数D2为500，设置隐藏层h3的单元个数D3为800，设置量子层h4的单元个数D4为1000。
步骤5.2：初始化隐藏层和量子层的各层参数集初始化正向偏置参数反向偏置参数冲量参数学习率η；
步骤5.3：以RBM为基本模块，使用贪心无监督方法优化各层网络参数
逐层计算非线性正向状态
计算非线性反向状态
更新参数和偏置
其中，为数据分布的期望，为运行Gibbs采样的数据分布期望；
步骤5.4：基于梯度下降方法的监督学习，逐层调整每层参数和跳转位置监督学习方法可以采用公式表示为：
其中，为指数损失函数，L为训练数据个数；
1)连接到第4层量子单元的第s个单元到输出层e第t个单元的网络参数的优化方法为：
其中，和在第i个训练数据输入调整前和调整后的值，α为学习率，是对于第i个训练数据第4层量子单元第s个单元的输出值，为损失函数。
2)网络参数的优化方法为：
其中，和分别为在第i个训练数据输入调整前和调整后的网络参数值，α为学习率，是对于第i个训练数据第k-1层量子单元第s个单元的输出值，为损失函数；
3)跳转位置的优化方法：
其中，和分别为在第i个训练数据输入调整前和调整后的跳转位置，nl是量子单元中跳转位置的个数，sigm逻辑函数为 为第i个训练数据输入后量子单元层h4的输出函数，为在第i个训练数据输入后对应第j个故障的损失函数，为在第i个训练数据输入后对应第j个故障的网络参数值。
步骤5.5：基于训练好的网络参数和调整位置，输入烟气热水型溴化锂制冷机组的实时运行数据，预测系统输出系统正常运行或故障预测结果。
为实时在线预测系统的运作状态结果。
步骤六、如预测系统预测烟气热水型溴化锂制冷机组将有故障发生，所预测的故障结果通过以太网接口与烟气热水型溴化锂制冷机组和冷热电联供系统进行通讯，发送故障结果和停机信号。同时发送手机短信通知管理人员。依次停止运行发电机组、烟气热水型溴化
上述虽然对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属 领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性 劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.烟气热水型溴化锂制冷机组的故障预测方法，其特征是，包括：
步骤一，采集制冷机组的运行状态系统变量Xi；
步骤二，设置制冷机组的故障模式变量Ej；
步骤三，建立正常运行状态数据库和故障运行数据库；
步骤四，采用基于Sigmod的数据归一化方法对运行状态数据进行处理；
步骤五，采用基于量子深度置信网络进行故障预测。
2.如权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤一中，运行状态系统变量Xi为：
Xi＝[TYQ-J,TYQ-C,LYQ,TRS-C,TRS-J,LRS,TKTS-C,TKTS-J,LKTS,TLQS-C,TLQS-J,LLQS,TFSQ,WFSQ,TXSQ,WXSQ,TLNQ,TZLJ,LZLJ,TXHL,LXHL,TZFQ,YZFQ,KZK]，i＝1,….24；
其中：TYQ-J为烟气入溴化锂机组的温度值(℃)，TYQ-C为烟气出溴化锂机组的温度值(℃)，LYQ为烟气入溴化锂机组的流量值(m3/h)，TRS-J为热水进溴化锂机组温度值(℃)，TRS-C为热水出溴化锂机组温度值(℃)，LRS为热水进溴化锂机组的流量值(m3/h)，TKTS-C为空调制冷水出溴化锂机组的温度值(℃)，TKTS-J为空调制冷水进溴化锂机组的温度值(℃)，LKTS为空调制冷水出溴化锂机组的流量值(m3/h)，TLQS-C为冷却水出溴化锂机组的温度值(℃)，TLQS-J为冷却水进溴化锂机组的温度值(℃)，LLQS为冷却水进溴化锂机组的流量值(m3/h)，TFSQ为溴化锂机组发生器内的温度值(℃)，WFSQ为溴化锂机组发生器内溴化锂溶液的液位值(m)，TXSQ为溴化锂机组吸收器内的温度值(℃)，WXSQ为溴化锂机组吸收器内的溴化锂溶液的液位值(m)，TLNQ为冷凝水的温度值(℃)，TZLJ为制冷剂的温度值(℃)，LZLJ为制冷剂的流量值(m3/h)，LXHL为溴化锂溶液的流量值(m3/h)，NXHL为溴化锂溶液的浓度值(％)，TZFQ为溴化锂机组蒸发器内的温度值(℃)，YZFQ为溴化锂机组蒸发器的压力值(kPa)，KZK为溴化锂内部的真空度(Pa)。
3.如权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤二中，故障模式变量Ej为：
Ej＝[EYQ-J,EYQ-C,EYQ,ERS-C,ERS-J,ERS,EKTS-J,EKTS-C,EKTS,ELQS-J,ELQS-C,ELQS,EFSQ-T,EFSQ-W,EXSQ-T,EXSQ-W,ELNQ-T,ELNQ-W,EZLJ-T,EZLJ-L,EXHL-T,EXHL-L,EXHL-N,EZFQ-T,EZFQ-Y,ERS-B,EKTS-B,ELQS-B,EXSQ-B,EFSQ-B,EZFQ-B,EXHL-B,EZLJ-B,EZK-B]，j＝1,….34；
其中，EYQ-J进溴化锂机组的烟气温度传感器故障、EYQ-C出溴化锂机组的烟气温度传感器故障、EYQ烟气流量计故障、ERS-J为热水进溴化锂机组温度传感器故障、ERS-C为热水出溴化锂机组温度传感器故障，ERS为热水流量计故障，EKTS-J为空调水进溴化锂机组的温度传感器故障、EKTS-C为空调水出溴化锂机组的温度传感器故障、EKTS为空调水流量计故障、ELQS-J为冷却水进溴化锂机组的温度传感器故障、ELQS-C冷却水出溴化锂机组的温度传感器故障、ELQS冷却水流量计故障、EFSQ-T为发生器温度传感器故障、EFSQ-W为发生器液位计故障、EXSQ-T为吸收器温度传感器故障、EXSQ-W为吸收器液位计故障、ELNQ-T为冷凝器的温度传感器故障、ELNQ-W为冷凝器液位计故障、EZLJ-T为制冷剂温度传感器故障,EZLJ-L为制冷剂流量计故障,EXHL-T为溴化锂溶液的温度传感器故障、EXHL-L为溴化锂溶液的流量计故障,EXHL-N为溴化锂溶液的浓度传感器故障、EZFQ-T为蒸发器的温度传感器故障、EZFQ-Y为蒸发器的压力传感器故障、ERS-B为热水水泵故障、EKTS-B为空调水水泵故障、ELQS-B冷却水水泵故障、EXSQ-B吸收器水泵故障、EFSQ-B发生器水泵故障、EZFQ-B蒸发器水泵故障、EXHL-B溴化锂溶液泵故障、EZLJ-B制冷剂泵故障；EZK-B为真空泵故障。
4.如权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤三中的数据库采用SQL Server数据库，包括：
在正常运行状态数据库上建立关于步骤一所建采集变量Xi的数据表，包括烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表及制冷剂数据表；
在故障运行状态数据库上建立关于步骤一所建采集变量Xi的数据表和步骤三所采集到的故障模式变量Ej的数据表，包括烟气数据表、热水数据表、空调水数据表、冷却水数据表、吸收器数据表、发生器数据表、蒸发器数据表、溴化锂溶液数据表、制冷剂数据表、故障数据表。
5.如权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤四的具体方法为：其中，Xi为溴化锂制冷机组的运行数据，NXi为基于Sigmod归一化后的数据。
6.如权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤五基于量子深度置信网络的结构图包括一个输入层x，4个隐藏层h1、h2、h3及h4，一个输出层e，输入层x有24个运行状态的归一化数据NXi，输出层e有34个故障模式变量单元Ei，最后一个隐藏层h4为量子单元，其他的隐藏层为sigmoid单元组成；
输入层x与隐藏层h1、隐藏层h1与隐藏层h2、隐藏层h2与隐藏层h3均采用限制玻尔兹曼机模型实现。
7.如权利要求1-6任意一项所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤五的具体方法包括：
步骤1：设置标注数据个数和未标注数据格式；
步骤2：初始化隐藏层和量子层的各层参数集初始化正向偏置参数反向偏置参数冲量参数θ及学习率η；
步骤3：以RBM为基本模块，使用贪心无监督方法优化各层网络参数
逐层计算非线性正向状态和非线性反向状态，更新参数和偏置；
步骤4：基于梯度下降方法的监督学习，逐层调整每层参数和跳转位置
步骤5：基于训练好的网络参数和调整位置，输入烟气热水型溴化锂制冷机组的实时运行数据，预测系统输出系统正常运行或故障预测结果。
8.如权利要求7所述烟气热水型溴化锂制冷机组的故障预测方法，其特征是，所述步骤4中，监督学习方法采用公式表示为：
其中，为指数损失函数，L为训练数据个数；
连接到第4层量子单元的第s个单元到输出层e第t个单元的网络参数的优化方法为：
其中，和在第i个训练数据输入调整前和调整后的值，α为学习率，是对于第i个训练数据第4层量子单元第s个单元的输出值，为损失函数；
当k＝1,2,3时，第k层网络参数的优化方法为：
其中，和分别为在第i个训练数据输入调整前和调整后的网络参数值，α为学习率，是对于第i个训练数据第k-1层量子单元第s个单元的输出值，为损失函数；
跳转位置的优化方法：
其中，和分别为在第i个训练数据输入调整前和调整后的跳转位置，nl是量子单元中跳转位置的个数，sigm逻辑函数为 为第i个训练数据输入后量子单元层h4的输出函数，为在第i个训练数据输入后对应第j个故障的损失函数，为在第i个训练数据输入后对应第j个故障的网络参数值。
9.采用权利要求1所述烟气热水型溴化锂制冷机组的故障预测方法的故障预测系统，其特征是，包括运行状态实时采集系统，所述运行状态实时采集系统将采集的运行状态变量发送给故障预测模块并且将数据存储在存储系统中；
所述运行状态实时采集系统包括传感器组，所述传感器组通过模拟量输入模块与信息采集模块连接，所述信息采集模块通过以太网通讯控制模块与所述存储系统和故障预测模块进行通信。
10.如权利要求9所述的故障预测系统，其特征是，所述传感器组包括高温烟气温度计、高温烟气流量计、热水温度计、热水流量计、空调水温度计、空调水流量计、冷却水温度计、冷却水流量计、溴化锂发生器温度计、溴化锂发生器液位计、溴化锂吸收器温度计、溴化锂吸收器液位计、制冷剂温度计、蒸发器压力计、蒸发器温度计、溴化锂溶液浓度计、溴化锂溶液温度计、溴化锂溶液液位计及真空度测量计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810436904.7A CN108334999B (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810436904.7A CN108334999B (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108334999A true CN108334999A (zh) | 2018-07-27 |
| CN108334999B CN108334999B (zh) | 2024-02-27 |
Family
ID=62934661
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810436904.7A Active CN108334999B (zh) | 2018-05-09 | 2018-05-09 | 烟气热水型溴化锂制冷机组的故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108334999B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026614A1 (en) * | 2005-08-04 | 2011-02-03 | Allen Edward H | Sensor Systems and Methods Using Entangled Quanta |
| CN103216919A (zh) * | 2013-05-09 | 2013-07-24 | 江苏易云科技有限公司 | 一种基于动态环境控制制冷效率的空调系统及控制方法 |
| CN105067252A (zh) * | 2015-08-23 | 2015-11-18 | 北京工业大学 | 一种基于改进的FastICA的冷水机组故障检测方法 |
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| WO2016183332A1 (en) * | 2015-05-13 | 2016-11-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
| CN106407550A (zh) * | 2016-09-07 | 2017-02-15 | 天津工业大学 | 一种工业过程软测量建模方法 |
| KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| CN107301474A (zh) * | 2017-06-19 | 2017-10-27 | 武汉大学 | 一种针对低压用户的基于深度学习的用电量预测方法 |
| CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
| CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
| CN208044655U (zh) * | 2018-05-09 | 2018-11-02 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测系统 |
-
2018
- 2018-05-09 CN CN201810436904.7A patent/CN108334999B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110026614A1 (en) * | 2005-08-04 | 2011-02-03 | Allen Edward H | Sensor Systems and Methods Using Entangled Quanta |
| CN103216919A (zh) * | 2013-05-09 | 2013-07-24 | 江苏易云科技有限公司 | 一种基于动态环境控制制冷效率的空调系统及控制方法 |
| WO2016183332A1 (en) * | 2015-05-13 | 2016-11-17 | Sikorsky Aircraft Corporation | Integrated model for failure diagnosis and prognosis |
| CN105067252A (zh) * | 2015-08-23 | 2015-11-18 | 北京工业大学 | 一种基于改进的FastICA的冷水机组故障检测方法 |
| KR20170031985A (ko) * | 2015-09-14 | 2017-03-22 | 현대건설주식회사 | 공기조화시스템의 고장 검출 및 진단 방법 |
| CN105973594A (zh) * | 2016-04-25 | 2016-09-28 | 西北工业大学 | 一种基于连续深度置信网络的滚动轴承故障预测方法 |
| CN106407550A (zh) * | 2016-09-07 | 2017-02-15 | 天津工业大学 | 一种工业过程软测量建模方法 |
| CN106769048A (zh) * | 2017-01-17 | 2017-05-31 | 苏州大学 | 基于Nesterov动量法的自适应深度置信网络轴承故障诊断方法 |
| CN107301474A (zh) * | 2017-06-19 | 2017-10-27 | 武汉大学 | 一种针对低压用户的基于深度学习的用电量预测方法 |
| CN107725283A (zh) * | 2017-09-19 | 2018-02-23 | 江苏方天电力技术有限公司 | 一种基于深度信念网络模型的风机故障检测方法 |
| CN107796609A (zh) * | 2017-10-17 | 2018-03-13 | 西安建筑科技大学 | 一种基于dbn模型的冷水机组故障诊断方法 |
| CN208044655U (zh) * | 2018-05-09 | 2018-11-02 | 山东交通学院 | 烟气热水型溴化锂制冷机组的故障预测系统 |
Non-Patent Citations (8)
| Title |
|---|
| GU YUHAI: "Research on failure prediction using dbn and lstm neural network", 《2018 57TH ANNUAL CONFERENCE OF THE SOCIETY OF INSTRUMENT AND CONTROL ENGINEERS OF JAPAN (SICE)》, pages 1705 - 1709 * |
| SHUSEN ZHOU: "Deep Quantum Networks for Classification", 《 2010 20TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》, pages 2885 - 2888 * |
| ZEHAI GAO: "Deep quantum inspired neural network with application to aircraft fuel system fault diagnosis", 《NEUROCOMPUTING》, vol. 238, pages 13 - 23 * |
| 任能: "制冷系统故障检测、诊断及预测研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, no. 7, pages 028 - 7 * |
| 尹海燕: "基于深度学习的冷水机组传感器故障诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 6, pages 028 - 157 * |
| 张永强: "煤矿旋转机电设备的量子神经网络故障诊断技术", 《工矿自动化》, vol. 41, no. 4, pages 64 - 68 * |
| 程洁: "基于Fuzzy-DBN的氨泄漏爆炸事故风险分析", 《安全与环境工程》, vol. 27, no. 5, pages 147 - 152 * |
| 许兴阳: "基于量子门组的卷积神经网络设计与实现", 《计算机工程与应用 》, vol. 54, no. 20, pages 54 - 61 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109946544A (zh) * | 2019-03-29 | 2019-06-28 | 广东美的制冷设备有限公司 | 家电故障检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108334999B (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lv et al. | Intelligent security planning for regional distributed energy internet | |
| CN111313429B (zh) | 一种用于综合能源系统的可靠性评估方法及系统 | |
| CN106447113B (zh) | 一种基于运行优化模型的多区域综合能源系统运行方法 | |
| CN208044655U (zh) | 烟气热水型溴化锂制冷机组的故障预测系统 | |
| CN109636027A (zh) | 一种基于蒙特卡罗法的多能互补系统供能可靠性评估方法 | |
| CN116151565A (zh) | 一种基于多能流多层级的城市智慧能源系统构建方法和协同规划方法 | |
| CN108334999A (zh) | 烟气热水型溴化锂制冷机组的故障预测方法及系统 | |
| Liang et al. | Real-time monitoring implementation of PV/T façade system based on IoT | |
| CN111860966A (zh) | 基于模糊相关机会规划的含储能综合能源系统调度方法 | |
| CN114240011A (zh) | 一种综合能源系统多能流可靠性评估方法 | |
| CN106949656A (zh) | 一种用于斯特林制冷机的高精度控温方法 | |
| CN203968150U (zh) | 分布式能源远程集约管理系统 | |
| CN113255105A (zh) | 双向耦合网络结构的电气热综合能源系统潮流计算方法 | |
| Zhang et al. | Flow rate control in smart district heating systems using deep reinforcement learning | |
| Zhou et al. | Digital Twin Modeling and Simulation of Distributed and Centralized Integrated Energy System on CloudPSS-IESLab | |
| Chen et al. | Design of energy-saving optimized remote control system of chiller based on improved particle swarm optimization | |
| Junjie et al. | A uniform fault identification and location method of integrated energy system | |
| Liu et al. | Energy Flow Calculation Method of Combined Cooling, Heating and Power System with Terminal Cooling Network Model | |
| Huang et al. | A Data-Knowledge Based Framework for Diagnosis and Restoration the Hourly Heat Consumption of Heating Substation | |
| Zhang et al. | Research on Water Source Heat Pump Control System Based on Neural Network | |
| Song et al. | Bi-level programming method for integrated energy system considering thermal dynamic operation characteristics of pipelines and efficiency characteristics of devices | |
| Wang et al. | Realization of Accurate Modeling and Simulation of Oilfield Water Mixing Gathering and Transportation System | |
| CN115036923B (zh) | 一种考虑多能流时序的电-气综合能源系统状态估计方法 | |
| Liu et al. | Application research of BP neural network PID in control system of heat exchange station | |
| Ma et al. | Research on Design and Application of Data Transmission Monitoring System in Thermal Power Plant |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 250023 No. 5 Jiao Tong Road, Tianqiao District, Shandong, Ji'nan Applicant after: SHANDONG JIAOTONG University Address before: No. 5001, Haitang Road, Science Park, Changqing University, Changqing District, Jinan City, Shandong Province Applicant before: SHANDONG JIAOTONG University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |