CN109145972A - 一种船舶电力推进系统变频器报警器设计方法 - Google Patents
一种船舶电力推进系统变频器报警器设计方法 Download PDFInfo
- Publication number
- CN109145972A CN109145972A CN201810902658.XA CN201810902658A CN109145972A CN 109145972 A CN109145972 A CN 109145972A CN 201810902658 A CN201810902658 A CN 201810902658A CN 109145972 A CN109145972 A CN 109145972A
- Authority
- CN
- China
- Prior art keywords
- alarm
- reliability
- value
- sample
- vector
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Emergency Alarm Devices (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种船舶电力推进系统变频器报警器设计方法,属于船舶安全运行维护领域。本发明先使用关系映射变换法将变频器A相输入电压有效值的历史数据转化为报警信度向量,再利用报警信度融合规则将当前时刻报警信度向量与其以往时刻全局的报警信度向量进行递归融合,得到当前时刻的全局报警信度向量,并在相关判定准则下利用全局报警信度向量判定是否发出警报,融合过程可以有效降低不确定性的影响,降低报警器的误报率和漏报率。
Description
技术领域
本发明涉及一种船舶电力推进系统变频器报警器设计方法,属于船舶安全运行维护领域。
背景技术
在船舶电力推进技术研究和应用过程中,电力推进技术所表现出来的高效率、可操纵性、重量轻、体积小、布置灵活等优点受到越来越多船舶的青睐。据统计,自20世纪80年代以来,新建的客轮、破冰轮、渡轮等约有1/3采用了电力推进系统,近年来还有更多的其它类型的新建船舶采用电力推进系统。一方面,电力推进技术正逐渐成为船舶推进方式的一种趋势,另一方面,现代船舶电力推进系统还存在很多运行安全与故障报警问题需要解决,比如电站所装备的变频器的A相输入电压实时监测与精准报警问题。在船舶电力推进系统中,变频器A相输入电压的有效值超过或者低于安全范围,都会对船舶电力推进系统的安全运行造成严重影响。所以,有必要设计报警器对变频器进行有效实时的监测。但是普通的报警器是否报警取决于所监测的报警变量是否触发设定的报警阈值。这种通过单一阈值触发报警产生的机制,在变频器的实际应用中,常常会导致误报、漏报等情况发生,引起船舶操控者无法准确判断变频器真实的运行状况,导致其不再信任报警器提供的警报信息。通常衡量一个报警器性能的基本指标为误报率、漏报率和平均延迟时间。数字滤波、时间延迟、设置死区是几类常用的基于绝对阈值判别方式的报警器设计方法,这些传统的报警方法采用过程变量超过阈值则立即报警、低于阈值报警即刻解除的机制。但是,考虑到船舶上的复杂工况,这些传统方法并不能很好的消除变频器运行及传感器信息采集中各种不确定性干扰,导致误报率和漏报率过大,无法达到实时监测与精准报警的目的。
为了更好地适用于船舶电力推进系统变频器,并降低变频器报警器的误报率和漏报率,采用与传统报警器不同的信度融合技术,将当前时刻取得的含有不确定性的报警信度与前面所有时刻的全局报警信度利用报警信度融合规则进行综合,获得对变频器运行状态更精准的一致性解释与描述,达到降低不确定性因素对报警结果影响的目的。
发明内容
本发明的目的是提出一种船舶电力推进系统变频器报警器设计方法,与传统报警器设计方法中采用的绝对阈值报警判别方式不同,本发明所提方法先使用关系映射变换法将历史数据转化为报警信度,再利用报警信度融合规则将当前时刻报警信度向量与其以往时刻全局的报警信度向量进行综合,得到当前时刻的全局报警信度向量,并在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,降低报警器的误报率和漏报率。
本发明包括以下各步骤:
(1)对于船舶电力推进系统中的380V电站,根据《钢制海船入级规范》,电站所装备的变频器A相输入电压有效值x的正常工作范围为304V~456V,x低于304V为异常过低运行状态,高于456V为异常过高运行状态,对x的采样频率为10.24KHz,令x(k),k=1,2,3,…,K是传感器对监测电压x的在线测量序列,k为采样时刻,采样数量K要大于20000。
(2)设定变频器报警器的辨识框架为Θ={NA,LA,HA},其中NA=0表示变频器处于正常运行状态,LA=1表示变频器处于异常过低运行状态亦即过低报警状态,HA=2表示变频器处于异常过高运行状态亦即过高报警状态。
(3)设报警器的输入为变频器A相电压有效值的采样值x(k),其参考值集合为R={Rm|m=1,2…,M},其中270V=R1<R2<…<RM=490V,M为输入电压有效值x(k)的参考值个数;报警器输出为变频器运行状态,记为y(k),其参考值集合为C={Cn|n=1,2,3},其中C1=NA=0,C2=LA=1,C3=HA=2。
(4)选取步骤(1)中x的测量序列的历史数据集合作为训练样本,排成序列X={x(k),k=1,2,3,…K,K≥20000},并确知其中有KNA个测量值是在变频器处于正常运行状态时测得的,对应输出y(k)=0,KLA个测量值是在变频器处于异常过低运行状态测得的,对应输出y(k)=1,KHA个测量值是在变频器处于异常过高运行状态测得的,对应输出y(k)=2,x(k)需要覆盖x的变化区间[304V,456V],且有KNA+KLA+KHA=K,将x(k)和y(k)表示成样本集合T=[x(k),y(k)],其中[x(k),y(k)]为一个样本向量,将K个样本向量[x(k),y(k)]用关系映射变换方法转化为相应的联合相似度分布,具体步骤如下:
(4-1)求取样本向量[x(k),y(k)]中的x(k)与参考值Rm的相似度分布
Jr(x(k))={(Rm,αm)|m=1,2...,M} (1a)
其中
αm=(Rm+1-x(k))/(Rm+1-Rm),αm+1=1-αm,Rm≤x(k)≤Rm+1 (1b)
αm'=0 m'=1,2,...,M,m'≠m,m+1 (1c)
αm表示x(k)匹配参考值Rm的相似度。
(4-2)求取样本向量[x(k),y(k)]中的y(k)匹配参考值Cn的相似度分布
Jc(y(k))={(Cn,λn)|n=1,2,3} (2a)
其中
λn=(Cn+1-y(k))/(Cn+1-Cn),λn+1=1-λn,Cn≤y(k)≤Cn+1 (2b)
λn'=0 n'=1,2,3,n'≠n,n+1 (2c)
λn表示y(k)匹配参考值Cn的相似度。
(4-3)根据步骤(4-1)和步骤(4-2),样本向量[x(k),y(k)]被转化为相似度分布的形式(αmλn,αm+1λn,αmλn+1,αm+1λn+1),其中,αmλn表示x(k)匹配参考值Rm、y(k)匹配参考值Cn的联合相似度。
(5)根据步骤(4),将样本集T中的所有样本向量转化为联合相似度的形式,用它们可构造输出参考值和输入参考值之间的样本映射表,如下表1所示,其中δn,m表示所有输入值x(k)匹配参考值Rm并且输出值y(k)匹配参考值Cn的样本向量[x(k),y(k)]联合相似度之和,表示所有输出值y(k)匹配参考值Cn的样本向量联合相似度之和,表示所有输入值x(k)匹配参考值Rm的样本向量联合相似度之和,并有
表1样本向量[x(k),y(k)]的样本映射表
(6)根据步骤(5)中的样本映射表,可获得当输入值x(k)取参考值Rm时,输出值y(k)为参考值Cn的信度为
并有则可定义对应于参考值Rm的报警信度为
em=[ξ1,m,ξ2,m,ξ3,m] (3b)因此,可构造出如表2所示的报警信度分布表来描述输入x(k)和输出y(k)之间的关系;
表2输入x(k)的报警信度分布表
(7)对于新进的测量值x(t),t=1,2,3,…,其必然落入某两个参考值构成的区间[Rm,Rm+1],此时这两个参考值对应的报警信度em和em+1被激活,则测量值x(t)的报警信度可由参考值报警信度em和em+1以加权和的形式获得
e={(Cn,vn),n=1,2,3} (4a)
vn=αmξn,m+αm+1ξn,m+1 (4b)
(8)根据步骤(7)获得当前t时刻及其以往各个时刻关于过程变量x的报警信度et之后,可以利用报警信度融合规则将当前t时刻报警信度向量与其以往时刻的全局报警信度向量进行融合,得出当前t时刻的全局报警信度向量,记为qt=(qt(NA),qt(LA),qt(HA)),具体步骤如下:
(8-1)当t=1时,有q1=e1=(q1(NA),q1(LA),q1(HA)),亦即全局报警信度向量即为该时刻获得的报警信度向量。
(8-2)当t=2时,利用式(4a)和式(4b)获得t=1和t=2的报警信度e1和e2,并设定报警信度权重ai=1,报警信度可靠性bi=0.9,i=1,2,利用报警信度融合规则对它们进行融合,得到融合结果为
qt=sg,e(2),g={Cn|n=1,2,3} (5a)
其中
hg,i=aivn (5d)
亦即把t=1时刻和t=2时刻的报警信度融合得到的结果作为t=2时刻的全局报警信度。
(8-3)当t≥3时,利用式(5a)和式(5d)对t-1时刻的全局报警信度qt-1和当前t时刻的报警信度et进行融合得到当前t时刻的全局报警信度qt。
(9)根据步骤(8)得到的t时刻的全局报警信度向量qt=(qt(NA),qt(LA),qt(HA)),给出报警准则:若qt(HA)≥qt(NA)且qt(HA)≥qt(LA),则输出y(t)=2,过高报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过高运行状态,若qt(NA)≥qt(HA)且qt(NA)≥qt(LA),则输出y(t)=0,不报警,即说明此时过程变量x的测量值x(t)表明设备处于正常运行状态,若qt(LA)≥qt(NA)且qt(LA)≥qt(HA),则输出y(t)=1,过低报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过低运行状态。
本发明提出的一种船舶电力推进系统变频器报警器设计方法,先使用关系映射变换法把从历史数据中得到的训练样本转化为报警信度,该报警信度体现了过程变量取值超过上限阈值或低于下限阈值的不确定性程度;利用报警信度融合规则将当前时刻报警信度向量与其以往时刻全局的报警信度向量进行综合,得到当前时刻的全局报警信度,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性。根据本发明方法编制的程序(编译环境LabVIEW,C++等)可以在监控报警计算机上运行,并联合传感器、数据采集器及数据存储器等硬件组成在线报警系统,实现对变频器运行状况的实时报警功能。
附图说明
图1是本发明方法的流程框图;
图2是本发明方法实施例中x的样本数据序列;
图3是本发明方法实施例中x的测试样本序列。
具体实施方法
本发明提出的一种船舶电力推进系统变频器报警器设计方法,其流程框图如图1所示,包括以下各步骤:
(1)对于船舶电力推进系统中的380V电站,根据《钢制海船入级规范》,电站所装备的变频器A相输入电压有效值x的正常工作范围为304V~456V,x低于304V为异常过低运行状态,高于456V为异常过高运行状态,对x的采样频率为10.24KHz,令x(k),k=1,2,3,…,K是传感器对监测电压x的在线测量序列,k为采样时刻,采样数量K要大于20000。
(2)设定变频器报警器的辨识框架为Θ={NA,LA,HA},其中NA=0表示变频器处于正常运行状态,LA=1表示变频器处于异常过低运行状态亦即过低报警状态,HA=2表示变频器处于异常过高运行状态亦即过高报警状态。
(3)设报警器的输入为变频器A相电压有效值的采样值x(k),其参考值集合为R={Rm|m=1,2…,M},其中270V=R1<R2<…<RM=490V,M为输入电压有效值x(k)的参考值个数;报警器输出为变频器运行状态,记为y(k),其参考值集合为C={Cn|n=1,2,3},其中C1=NA=0,C2=LA=1,C3=HA=2。
为了便于对输入参考值和输出运行状态结果参考值的理解,这里举例说明。设从历史数据中获得样本向量构成样本集合,样本集合中的数据经步骤(1)预处理后,可得输入电压有效值x(k)的变化范围为[240V,550V],对应输出运行状态结果是离散序列0、1、2,故可设输出运行状态结果参考值集合C={0,1,2},n=3;输入电压有效值x(k)的参考值集合R={270,280,290,310,330,350,370,390,410,430,450,470,480,490},M=14。
(4)选取步骤(1)中x的测量序列的历史数据集合作为训练样本,排成序列X={x(k),k=1,2,3,…K,K≥20000},并确知其中有KNA个测量值是在变频器处于正常运行状态时测得的,对应输出y(k)=0,KLA个测量值是在变频器处于异常过低运行状态测得的,对应输出y(k)=1,KHA个测量值是在变频器处于异常过高运行状态测得的,对应输出y(k)=2,x(k)需要覆盖x的变化区间[304V,456V],且有KNA+KLA+KHA=K。
为便于理解,这里举例说明。从历史数据集合中选取K=39000组数据作为训练样本,排成序列X,确知其中有KNA=21000个测量值是在设备处于正常运行状态时测得的,对应输出y(k)=0;KLA=2000个测量值是在设备处于异常过低运行状态测得的,对应输出y(k)=1;KHA=16000个测量值是在设备处于异常过高运行状态测得的,对应输出y(k)=2,则有KNA+KLA+KHA=K=39000。
将x(k)和y(k)表示成样本集合T=[x(k),y(k)],其中[x(k),y(k)]为一个样本向量,将K个样本向量[x(k),y(k)]用关系映射变换方法转化为相应的联合相似度分布,具体步骤如下:
(4-1)求取样本向量[x(k),y(k)]中的x(k)与参考值Rm的相似度分布
Jr(x(k))={(Rm,αm)|m=1,2...,M} (1a)
其中
αm=(Rm+1-x(k))/(Rm+1-Rm),αm+1=1-αm,Rm≤x(k)≤Rm+1 (1b)
αm'=0 m'=1,2,...,M,m'≠m,m+1 (1c)
αm表示x(k)匹配参考值Rm的相似度;
(4-2)求取样本向量[x(k),y(k)]中的y(k)匹配参考值Cn的相似度分布
Jc(y(k))={(Cn,λn)|n=1,2,3} (2a)
其中
λn=(Cn+1-y(k))/(Cn+1-Cn),λn+1=1-λn,Cn≤y(k)≤Cn+1 (2b)
λn'=0 n'=1,2,3,n'≠n,n+1 (2c)
ln表示y(k)匹配参考值Cn的相似度;
(4-3)根据步骤(4-1)和步骤(4-2),样本向量[x(k),y(k)]被转化为相似度分布的形式(αmλn,αm+1λn,αmλn+1,αm+1λn+1),其中,αmλn表示x(k)匹配参考值Rm、y(k)匹配参考值Cn的联合相似度。
为了加深对样本向量[x(k),y(k)]的联合相似度的理解,这里假设一个样本向量[x(k),y(k)]=[321,0],由式(1a)-(1c)可得输入值x(k)匹配参考值的相似度为α4=0.45,α5=0.55;由式(2a)-(2c)输出值y(k)匹配参考值的相似度为λ1=1,λ2=0,进而可获得样本向量[x(k),y(k)]的联合相似度分布(αmλn,αm+1λn,αmλn+1,αm+1λn+1)=(0.45,0.55,0,0)。
(5)根据步骤(4),将样本集T中的所有样本向量转化为联合相似度的形式,用它们可构造输出参考值和输入参考值之间的投点统计表,如下表1所示,其中δn,m表示所有输入值x(k)匹配参考值Rm并且输出值y(k)匹配参考值Cn的样本向量[x(k),y(k)]联合相似度之和,表示所有输出值y(k)匹配参考值Cn的样本向量联合相似度之和,表示所有输入值x(k)匹配参考值Rm的样本向量联合相似度之和,并有
表1样本向量[x(k),y(k)]的样本映射表
为了便于理解上表所示的样本映射表,沿用步骤(3)中的样本集合与参考值集合,根据步骤(4)获得样本集合所有K=39000个样本向量[x(k),y(k)]的联合相似度分布,即可构造出样本映射表,如下表3所示。
表3样本向量[x(k),y(k)]的样本映射表
(6)根据步骤(5)中的样本映射表,可获得当输入值x(k)取参考值Rm时,输出值y(k)为参考值Cn的信度为
并有则可定义对应于参考值Rm的报警信度为
em=[ξ1,m,ξ2,m,ξ3,m] (3b)
因此,可构造出如表2所示的报警信度分布表来描述输入x(k)和输出y(k)之间的关系;
表2输入x(k)的报警信度分布表
继续沿用步骤(5)中输入值x(k)的样本映射表加深对上表所示的信度分布表的理解。根据表3,由式(3a)和式(3b)可得输入值x(k)取参考值R1=270时对应的报警信度为
e1=[0.1814,0.8186,0]
同样地,可求取其它参考值对应的报警信度,那么即可构建输入值x(k)的报警信度分布表,如表4所示
表4输入x(k)的报警信度分布表
(7)对于新进的测量值x(t),t=1,2,3,…,其必然落入某两个参考值构成的区间[Rm,Rm+1],此时这两个参考值对应的报警信度em和em+1被激活,则测量值x(t)的报警信度可由参考值报警信度em和em+1以加权和的形式获得
e={(Cn,vn),n=1,2,3} (4a)
vn=αmξn,m+αm+1ξn,m+1 (4b)
(8)根据步骤(7)获得当前t时刻及其以往各个时刻关于过程变量x的报警信度et之后,可以利用报警信度融合规则将当前t时刻报警信度向量与其以往时刻的全局报警信度向量进行融合,得出当前t时刻的全局报警信度向量,记为qt=(qt(NA),qt(LA),qt(HA)),具体步骤如下:
(8-1)当t=1时,有q1=e1=(q1(NA),q1(LA),q1(HA)),亦即全局报警信度向量即为该时刻获得的报警信度向量;
(8-2)当t=2时,利用式(4a)和式(4b)获得t=1和t=2的报警信度e1和e2,并设定报警信度权重ai=1,报警信度可靠性bi=0.9,i=1,2,利用报警信度融合规则对它们进行融合,得到融合结果为
qt=sg,e(2),g={Cn|n=1,2,3} (5a)
其中
hg,i=aivn (5d)
亦即把t=1时刻和t=2时刻的报警信度融合得到的结果作为t=2时刻的全局报警信度;
(8-3)当t≥3时,利用式(5a)和式(5d)对t-1时刻的全局报警信度qt-1和当前t时刻的报警信度et进行融合得到当前t时刻的全局报警信度qt。
为了加深对步骤(8)的理解,这里举例说明。首先假设已知t=1,2,3这3个时刻的新进测量值x(t),关于x(t)的报警信度向量分别由公式(4a)和(4b)依次计算得到,如表5所示:
表5输入x(t)的报警信度向量
按照步骤(8)可以给出3个时刻的全局报警证据分别如下:
当t=1时,根据步骤(8-1)可得,q1=(0.8,0,0.2);
当t=2时,根据步骤(8-2),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5b)融合q1=(0.8,0,0.2)和e2=(0.7,0.3,0),得到k=2时刻的全局报警向量q2=(0.89,0.09,0.02);
当t=3时,根据步骤(8-3),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q2=(0.89,0.09,0.02)和e3=(0.5,0,0.5),得到k=3时刻的全局报警向量q3=(0.88,0.05,0.07)。
(9)根据步骤(8)得到的t时刻的全局报警信度向量qt=(qt(NA),qt(LA),qt(HA)),给出报警准则:若qt(HA)≥qt(NA)且qt(HA)≥qt(LA),则输出y(t)=2,过高报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过高运行状态,若qt(NA)≥qt(HA)且qt(NA)≥qt(LA),则输出y(t)=0,不报警,即说明此时过程变量x的测量值x(t)表明设备处于正常运行状态,若qt(LA)≥qt(NA)且qt(LA)≥qt(HA),则输出y(t)=1,过低报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过低运行状态。
在上例中,根据3个时刻输出的全局报警信度向量,根据步骤(9)可以给出报警结果,如表6所示:
表6报警结果输出
以下结合附图,详细介绍本发明方法的实施例:
本发明方法的流程框图如图1所示,核心部分是:在确定需要监测的变频器A相输入电压及其样本数据序列之后,使用关系映射变换法把从历史数据中得到的训练样本转化为报警信度,该报警信度体现了过程变量取值超过上限阈值或低于下限阈值的不确定性程度;利用报警信度融合规则将当前时刻报警信度向量与其以往时刻全局的报警信度向量进行融合,得到当前时刻的全局报警信度,在相关判定准则下判定是否发出警报,融合过程可以有效降低不确定性的影响,提升报警器的精准性。
以下结合图2中所示的x(k)的样本数据序列,给出最佳实施例,详细介绍本发明方法的各个步骤。
1、给定变频器A相输入电压x的样本数据序列x(k)。
变频器输入x的样本数据序列x(k)如图2所示,K的取值为39000,通过统计可知x变化的范围是[240V,550V]。
2、输入电压有效值x(k)及输出运行状态结果y(k)参考值的选取。
样本集合中的数据经步骤(1)预处理后,可得输入电压有效值x(k)的变化范围为[240V,550V],对应输出运行状态结果是离散序列0、1、2,故可设输出运行状态结果参考值集合C={0,1,2},n=3;输入电压有效值x(k)的参考值集合R={270,280,290,310,330,350,370,390,410,430,450,470,480,490},M=14。
3、获取样本向量[x(k),y(k)]关于参考值的相似度形式,构造样本向量[x(k),y(k)]的样本映射表。
利用序列x(k)的K=39000组数据作为训练样本,确知其中有KNA=21000个测量值是在设备处于正常运行状态时测得的,对应输出y(k)=0;KLA=2000个测量值是在设备处于异常过低运行状态测得的,对应输出y(k)=1;KHA=16000个测量值是在设备处于异常过高运行状态测得的,对应输出y(k)=2,则有KNA+KLA+KHA=K=39000。利用这39000组训练样本集合中所有样本向量[x(k),y(k)]的相似度分布,构造如本发明方法步骤(5)中表1所示的样本映射表,输入样本向量[x(k),y(k)]的样本映射表如下表7所示:
表7样本向量[x(k),y(k)]的样本映射表
4、根据本发明方法步骤(6)求取输入x(k)各参考值对应的报警信度,并构造信度分布表。
根据本发明方法步骤(5)获得各输入x(k)的样本映射表之后,依照本发明方法的步骤(6)获得输入x(k)各参考值对应的报警信度,进而构造出输入x(k)的报警信度分布表,如下表8所示:
表8输入x(k)的报警信度分布表
5、新进测量值x(t)激活报警信度分布表得到报警信度,利用报警信度融合规则综合得到全局报警信度。
已知t=1,2,3这3个时刻的新进测量值x(t),关于x(t)的报警信度向量分别由步骤(7)中公式(4a)和(4b)依次计算得到,如表9所示:
表9输入x(t)的报警信度向量
按照步骤(8)可以给出3个时刻的全局报警证据分别如下:
当t=1时,根据步骤(8-1)可得,q1=(0.8,0,0.2);
当t=2时,根据步骤(8-2),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q1=(0.8,0,0.2)和e2=(0.7,0.3,0),得到k=2时刻的全局报警向量q2=(0.89,0.09,0.02);
当t=3时,根据步骤(8-3),取a1=a2=1,b1=b2=0.9,根据公式(5a)和(5d)融合q2=(0.89,0.09,0.02)和e3=(0.5,0,0.5),得到k=3时刻的全局报警向量q3=(0.88,0.05,0.07)。
6、依据报警准则进行报警决策。
根据步骤(9)可以给出报警结果,如表10所示:
表10报警结果输出
7、同传统报警方法的比较
选用图3所示的测试样本序列,在100次随机实验下将报警信度融合方法与时间延迟方法、数字滤波方法等传统方法就误报率、漏报率进行比较,如表11所示:
表11各种报警方法比较
方法 | 误报率 | 漏报率 |
时间延迟方法(%) | 15.45 | 16.71 |
数字滤波方法(%) | 27.63 | 7.55 |
报警信度融合方法(%) | 3.73 | 1.11 |
Claims (1)
1.一种船舶电力推进系统变频器报警器设计方法,其特征在于该方法包括以下各步骤:
(1)对于船舶电力推进系统中的380V电站,根据《钢制海船入级规范》,电站所装备的变频器A相输入电压有效值x的正常工作范围为304V~456V,x低于304V为异常过低运行状态,高于456V为异常过高运行状态,对x的采样频率为10.24KHz,令x(k),k=1,2,3,…,K是传感器对监测电压x的在线测量序列,k为采样时刻,采样数量K要大于20000;
(2)设定变频器报警器的辨识框架为Θ={NA,LA,HA},其中NA=0表示变频器处于正常运行状态,LA=1表示变频器处于异常过低运行状态亦即过低报警状态,HA=2表示变频器处于异常过高运行状态亦即过高报警状态;
(3)设报警器的输入为变频器A相电压有效值的采样值x(k),其参考值集合为R={Rm|m=1,2…,M},其中270V=R1<R2<…<RM=490V,M为输入电压有效值x(k)的参考值个数;报警器输出为变频器运行状态,记为y(k),其参考值集合为C={Cn|n=1,2,3},其中C1=NA=0,C2=LA=1,C3=HA=2;
(4)选取步骤(1)中x的测量序列的历史数据集合作为训练样本,排成序列X={x(k),k=1,2,3,…K,K≥20000},并确知其中有KNA个测量值是在变频器处于正常运行状态时测得的,对应输出y(k)=0,KLA个测量值是在变频器处于异常过低运行状态测得的,对应输出y(k)=1,KHA个测量值是在变频器处于异常过高运行状态测得的,对应输出y(k)=2,x(k)需要覆盖x的变化区间[304V,456V],且有KNA+KLA+KHA=K,将x(k)和y(k)表示成样本集合T=[x(k),y(k)],其中[x(k),y(k)]为一个样本向量,将K个样本向量[x(k),y(k)]用关系映射变换方法转化为相应的联合相似度分布,具体步骤如下:
(4-1)求取样本向量[x(k),y(k)]中的x(k)与参考值Rm的相似度分布
Jr(x(k))={(Rm,αm)|m=1,2...,M} (1a)
其中
αm=(Rm+1-x(k))/(Rm+1-Rm),αm+1=1-αm,Rm≤x(k)≤Rm+1 (1b)
αm'=0 m'=1,2,...,M,m'≠m,m+1 (1c)
αm表示x(k)匹配参考值Rm的相似度;
(4-2)求取样本向量[x(k),y(k)]中的y(k)匹配参考值Cn的相似度分布
Jc(y(k))={(Cn,λn)|n=1,2,3} (2a)
其中
λn=(Cn+1-y(k))/(Cn+1-Cn),λn+1=1-λn,Cn≤y(k)≤Cn+1 (2b)
λn'=0 n'=1,2,3,n'≠n,n+1 (2c)
λn表示y(k)匹配参考值Cn的相似度;
(4-3)根据步骤(4-1)和步骤(4-2),样本向量[x(k),y(k)]被转化为相似度分布的形式(αmλn,αm+1λn,αmλn+1,αm+1λn+1),其中,αmλn表示x(k)匹配参考值Rm、y(k)匹配参考值Cn的联合相似度;
(5)根据步骤(4),将样本集T中的所有样本向量转化为联合相似度的形式,用它们可构造输出参考值和输入参考值之间的样本映射表,如下表1所示,其中δn,m表示所有输入值x(k)匹配参考值Rm并且输出值y(k)匹配参考值Cn的样本向量[x(k),y(k)]联合相似度之和,表示所有输出值y(k)匹配参考值Cn的样本向量联合相似度之和,表示所有输入值x(k)匹配参考值Rm的样本向量联合相似度之和,并有
表1样本向量[x(k),y(k)]的样本映射表
(6)根据步骤(5)中的样本映射表,可获得当输入值x(k)取参考值Rm时,输出值y(k)为参考值Cn的信度为
并有则可定义对应于参考值Rm的报警信度为
em=[ξ1,m,ξ2,m,ξ3,m] (3b)
因此,可构造出如表2所示的报警信度分布表来描述输入x(k)和输出y(k)之间的关系;
表2输入x(k)的报警信度分布表
(7)对于新进的测量值x(t),t=1,2,3,…,其必然落入某两个参考值构成的区间[Rm,Rm+1],此时这两个参考值对应的报警信度em和em+1被激活,则测量值x(t)的报警信度可由参考值报警信度em和em+1以加权和的形式获得
e={(Cn,vn),n=1,2,3} (4a)
vn=αmξn,m+αm+1ξn,m+1 (4b)
(8)根据步骤(7)获得当前t时刻及其以往各个时刻关于过程变量x的报警信度et之后,可以利用报警信度融合规则将当前t时刻报警信度向量与其以往时刻的全局报警信度向量进行融合,得出当前t时刻的全局报警信度向量,记为qt=(qt(NA),qt(LA),qt(HA)),具体步骤如下:
(8-1)当t=1时,有q1=e1=(q1(NA),q1(LA),q1(HA)),亦即全局报警信度向量即为该时刻获得的报警信度向量;
(8-2)当t=2时,利用式(4a)和式(4b)获得t=1和t=2的报警信度e1和e2,并设定报警信度权重ai=1,报警信度可靠性bi=0.9,i=1,2,利用报警信度融合规则对它们进行融合,得到融合结果为
qt=sg,e(2),g={Cn|n=1,2,3} (5a)
其中
hg,i=aivn (5d)
亦即把t=1时刻和t=2时刻的报警信度融合得到的结果作为t=2时刻的全局报警信度;
(8-3)当t≥3时,利用式(5a)和式(5d)对t-1时刻的全局报警信度qt-1和当前t时刻的报警信度et进行融合得到当前t时刻的全局报警信度qt;
(9)根据步骤(8)得到的t时刻的全局报警信度向量qt=(qt(NA),qt(LA),qt(HA)),给出报警准则:若qt(HA)≥qt(NA)且qt(HA)≥qt(LA),则输出y(t)=2,过高报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过高运行状态,若qt(NA)≥qt(HA)且qt(NA)≥qt(LA),则输出y(t)=0,不报警,即说明此时过程变量x的测量值x(t)表明设备处于正常运行状态,若qt(LA)≥qt(NA)且qt(LA)≥qt(HA),则输出y(t)=1,过低报警,即说明此时过程变量x的测量值x(t)表明设备处于异常过低运行状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902658.XA CN109145972B (zh) | 2018-08-09 | 2018-08-09 | 一种船舶电力推进系统变频器报警器设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810902658.XA CN109145972B (zh) | 2018-08-09 | 2018-08-09 | 一种船舶电力推进系统变频器报警器设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145972A true CN109145972A (zh) | 2019-01-04 |
CN109145972B CN109145972B (zh) | 2021-08-03 |
Family
ID=64792277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810902658.XA Active CN109145972B (zh) | 2018-08-09 | 2018-08-09 | 一种船舶电力推进系统变频器报警器设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145972B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765786A (zh) * | 2019-01-25 | 2019-05-17 | 杭州电子科技大学 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109946542A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
CN110597232A (zh) * | 2019-09-26 | 2019-12-20 | 杭州电子科技大学 | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221699A (zh) * | 2007-01-08 | 2008-07-16 | 上海电气集团股份有限公司 | 一种船舶电力推进系统的试验系统 |
CN102789676A (zh) * | 2012-08-10 | 2012-11-21 | 杭州电子科技大学 | 一种基于报警证据融合的工业报警器设计方法 |
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN203931209U (zh) * | 2014-06-05 | 2014-11-05 | 杭州电子科技大学 | 基于toa测距的船载防碰撞仪 |
CN104332296A (zh) * | 2014-11-10 | 2015-02-04 | 镇江船舶电器有限责任公司 | 船舶用风水冷干式整流变压器 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
-
2018
- 2018-08-09 CN CN201810902658.XA patent/CN109145972B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101221699A (zh) * | 2007-01-08 | 2008-07-16 | 上海电气集团股份有限公司 | 一种船舶电力推进系统的试验系统 |
CN102789676A (zh) * | 2012-08-10 | 2012-11-21 | 杭州电子科技大学 | 一种基于报警证据融合的工业报警器设计方法 |
CN203931209U (zh) * | 2014-06-05 | 2014-11-05 | 杭州电子科技大学 | 基于toa测距的船载防碰撞仪 |
CN104121949A (zh) * | 2014-08-18 | 2014-10-29 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统状态监测方法 |
CN104331543A (zh) * | 2014-10-17 | 2015-02-04 | 中国船舶重工集团公司第七一二研究所 | 一种船舶电力推进系统故障诊断专家系统和建立方法 |
CN104332296A (zh) * | 2014-11-10 | 2015-02-04 | 镇江船舶电器有限责任公司 | 船舶用风水冷干式整流变压器 |
CN108257365A (zh) * | 2018-01-29 | 2018-07-06 | 杭州电子科技大学 | 一种基于全局不确定性证据动态融合的工业报警器设计方法 |
Non-Patent Citations (3)
Title |
---|
宋艳琼等: "船舶电力推进监控系统的设计与实现", 《航海工程》 * |
徐海洋等: "基于置信规则库推理的证据滤波报警器设计", 《山东科技大学学报》 * |
林治国等: "舰船电力推进仿真系统中的PLC设计", 《武汉理工大学学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765786A (zh) * | 2019-01-25 | 2019-05-17 | 杭州电子科技大学 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
CN109765786B (zh) * | 2019-01-25 | 2022-03-01 | 杭州电子科技大学 | 一种基于证据滤波的电推船电机转轴不平衡故障检测方法 |
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109946542A (zh) * | 2019-03-22 | 2019-06-28 | 杭州电子科技大学 | 基于长短时信息融合的逆变器直流回路电容故障检测方法 |
CN110597232A (zh) * | 2019-09-26 | 2019-12-20 | 杭州电子科技大学 | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 |
CN110597232B (zh) * | 2019-09-26 | 2020-09-25 | 杭州电子科技大学 | 一种基于动态置信规则库的变频器冷却水泵故障报警方法 |
CN111443686A (zh) * | 2020-03-23 | 2020-07-24 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
CN111443686B (zh) * | 2020-03-23 | 2021-08-10 | 杭州电子科技大学 | 基于多目标优化与证据迭代更新的工业报警器设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109145972B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145972A (zh) | 一种船舶电力推进系统变频器报警器设计方法 | |
CN106368816B (zh) | 一种基于基线偏差的船舶低速柴油机在线异常检测方法 | |
CN109211548A (zh) | 一种机械故障诊断方法 | |
CN106347578B (zh) | 一种船舶推进轴系轴承振动故障监测方法 | |
CN103115789B (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN113569338B (zh) | 一种基于时间扩张卷积网络的压气机旋转失速预警方法 | |
CN208125377U (zh) | 一种电机滚动轴承故障诊断系统 | |
CN107132760A (zh) | 基于模糊支持向量域描述的水下机器人状态监测方法 | |
CN108062586B (zh) | 基于衰退贡献度的船舶主机关联部件状态监测方法与系统 | |
CN111259990A (zh) | 基于多源信息融合的海水泵故障监测装置与诊断方法 | |
CN109710983A (zh) | 一种基于关键性能指标的柴油机气缸分层故障诊断方法 | |
CN113847950A (zh) | 基于云计算的智能船舶设备状态监测系统及信息交互方法 | |
CN108062618B (zh) | 基于双基线的低速柴油机经济性分析方法及系统 | |
Liu et al. | Active incremental learning for health state assessment of dynamic systems with unknown scenarios | |
CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及系统 | |
CN109375037A (zh) | 一种中压船舶电力系统单相接地故障报警器设计方法 | |
CN113237619B (zh) | 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质 | |
CN109974837B (zh) | 一种基于规则推理的船舶结构损伤识别方法 | |
CN109872511B (zh) | 一种针对轴向位移突变监测的自适应两级报警方法 | |
CN105910806A (zh) | 加注泵早期健康状态监测方法 | |
CN116089787B (zh) | 基于层次分析法的船舶子系统运行状态分析方法及系统 | |
KR20200106791A (ko) | 다중 예측 모델의 스위칭 기술을 이용한 발전소의 조기 경보 장치 및 방법 | |
CN113657664A (zh) | 一种船舶机舱设备状态预测系统及方法 | |
Zhang et al. | Treatment of errors in dam safety monitoring data | |
CN114004268A (zh) | 一种牵引系统故障的在线诊断方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |