CN109840563A - 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 - Google Patents
一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 Download PDFInfo
- Publication number
- CN109840563A CN109840563A CN201910085928.7A CN201910085928A CN109840563A CN 109840563 A CN109840563 A CN 109840563A CN 201910085928 A CN201910085928 A CN 201910085928A CN 109840563 A CN109840563 A CN 109840563A
- Authority
- CN
- China
- Prior art keywords
- moment
- blower
- input variable
- fuzzy logic
- difference
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及风机故障诊断技术领域,提供一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,首先采集实际风机数据集并计算预测风机数据集与差值风机数据集,得到模糊逻辑系统的输入数据;然后采集实际风机训练数据集并计算预测风机训练数据集与差值风机训练数据集,选择训练数据集与基准变量后,建立模糊逻辑系统的三维隶属函数;再建立模糊逻辑系统的规则库与模糊器,将输入数据模糊化为输入集,根据规则前件集计算点火等级,根据规则后件集计算输出集;最后采用取重心法获取清晰输出,并根据清晰输出与阈值的关系判断故障是否发生。本发明能够在环境变化的条件下获得符合当前环境的隶属函数与阈值,从而提高风机故障诊断的准确率。
Description
技术领域
本发明涉及风机故障诊断技术领域,特别是涉及一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法。
背景技术
现如今,风能被广泛应用在工业领域,在电能领域也是如此。风机被认为是产生电能的最有效工具之一。风机必须最大化程度地保证其稳定性与可靠性,因为只有这样,才能更好地产生电能。因此,越来越多的人开始关注风机的操作与维修工作。
状态监测是最常用的诊断风机故障的方法。近些年来,有各种各样的状态监测方法被提出,其中大多使用数据采集与监视控制(Supervisory Control And DataAcquisition,简称SCADA)系统的数据,即SCADA数据。SCADA数据能够提供大量的风机特征,例如:风速、风向、油温等等,这些特征很全面,而且使用SCADA数据能够减少不必要的损失,因此SCADA被工人广泛应用于风机的状态监测与故障诊断。状态监测方法的主要流程分为三部分:(1)测量风机的SCADA数据;(2)预测风机的SCADA数据;(3)将同类型的两种SCADA数据作差,并判断两种数据的差值是否超出正常范围,如果超出正常范围,则说明风机存在异常或者故障。
现有的风机故障诊断方法多基于模糊逻辑系统进行风机的状态监测和故障诊断。然而,一方面,这些模糊逻辑系统大都使用常规的隶属函数,在风机所处的环境发生变化时,模糊逻辑系统的隶属函数并不能随之改变。这就导致在变化的环境下,用于故障诊断的模糊逻辑系统并不能获得符合当前环境的隶属函数,例如:当风速本身很小,并且发生了一个小的变化时,这个变化应该对应一个比较大的隶属度;当风速本身很大,也发生了一个小的变化时,这个变化应该对应一个比较小的隶属度。在这两种情况下,风速的变化都是小的,可是二者造成的影响却有很大不同;如果在两种情况下使用相同的隶属函数,风机故障诊断的准确率一定会被影响。另一方面,现有的风机故障诊断方法判断风机是否存在故障的阈值比较单一化,不能够适合环境的变化。
可见,现有的风机故障诊断方法所采用的模糊逻辑系统的隶属函数不能根据环境的变化而变化,而且判断风机是否存在故障的阈值比较单一化,从而在不同的环境下不能使用符合环境的隶属函数与阈值,导致风机故障诊断的准确率低下。
发明内容
针对现有技术存在的问题,本发明提供一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,能够在环境变化的条件下获得符合当前环境的隶属函数与阈值,从而提高风机故障诊断的准确率。
本发明的技术方案为:
一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,其特征在于,包括下述步骤:
步骤1:确定模糊逻辑系统的输入数据:
步骤1.1:采集实际风机数据集:每间隔时间T,对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机数据,每组实际风机数据包括间隔时间T内m个时刻的实际风机数据,得到第i组中第ti时刻的实际风机数据集为其中,i∈{1,2,...,n},为第ti时刻第j个输入变量xj的实际值,j∈{1,2,....,p},ti=ti-1+T,t0=0;
步骤1.2:计算预测风机数据集:根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值,得到第ti时刻第j个输入变量的预测值为得到第ti时刻的预测风机数据集为
步骤1.3:计算差值风机数据集:将第ti时刻第j个输入变量xj的实际值减去第ti时刻第j个输入变量的预测值得到第ti时刻第j个输入变量的差值从而得到第ti时刻的差值风机数据集为差值风机数据集Xerr(ti)即为第ti时刻模糊逻辑系统的输入数据;
步骤2:建立模糊逻辑系统的三维隶属函数:
步骤2.1:采集实际风机训练数据集:每间隔时间T,重新对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机训练数据,每组实际风机训练数据包括间隔时间T内m个时刻的实际风机训练数据,得到第i组中第ti时刻的实际风机训练数据集为
步骤2.2:计算预测风机训练数据集:计算根据第ti-1时刻第j个输入变量的实际训练值来预测第ti时刻第j个输入变量的训练值,得到第ti时刻第j个输入变量的预测训练值为得到第ti时刻的预测风机训练数据集为
步骤2.3:计算差值风机训练数据集:将第ti时刻第j个输入变量的实际训练值减去第ti时刻第j个输入变量的预测训练值得到第ti时刻第j个输入变量的差值训练值从而得到第ti时刻的差值风机训练数据集为
步骤2.4:选择训练数据集与基准变量:从n组差值风机训练数据集中随机选择N组作为训练数据,得到每个输入变量的N组训练数据集,其中,第j个输入变量的第k组训练数据集为从变量集合{x1,x2,...,xj,...,xp}中随机选择一个变量xs作为基准变量;其中,k∈{1,2,...,N},5≤N<n,中的ti为第k组训练数据集的最后一个时刻;
步骤2.5:建立模糊逻辑系统的三维隶属函数:
步骤2.5.1:计算基准变量xs的第k组实际训练值中元素的平均值为将基准变量xs的N个平均值作为三维隶属函数的y轴;
步骤2.5.2:统计第j个输入变量的第k组训练数据集为Xerr',j中每一个差值风机训练数据的频数,形成第j个输入变量的差值的正态分布图像,横轴为第j个输入变量的差值风机训练数据,纵轴为第j个输入变量的差值风机训练数据对应的频数,作平行于纵轴的两条直线,该两条直线与正态分布图像及横轴之间所围图形的面积为正态分布图像面积的99%,该两条直线与正态分布图像的两个交点对应的差值风机训练数据即为第j个输入变量的第k组训练数据集的故障上下边界;
步骤2.5.3:采用专家法将第j个输入变量用术语集合Qj修饰并确定第j个输入变量用第qj个术语修饰时第j个输入变量的差值的取值范围Xqj,qj∈Qj;将作为第j个输入变量用第qj个术语修饰时的三维隶属函数的x轴,将第j个输入变量的每组训练数据集对应的基准变量xs的平均值、每组训练数据集中在集合中的差值风机训练数据、每组训练数据集的故障上下边界对应到第j个输入变量用第qj个术语修饰时的三维隶属函数的图像中,再将基准变量xs的每个平均值所对应的二维隶属函数的最大隶属度设为1,以隶属度为z轴,即得到第j个输入变量用第qj个术语修饰时的三维隶属函数其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,为第j个输入变量在第ti时刻的差值;
步骤3:建立模糊逻辑系统的规则库:采用专家法,建立L条规则;其中,第l条规则为:如果则发生第v种风机故障的概率为其中,xlj∈{x1,x2,...,xj,...,xp},lp≤p,为第l条规则中第lj个输入变量xlj用第qlj个术语修饰时第lj个输入变量xlj的差值的取值范围,qlj∈Qlj,Qlj为第l条规则中第lj个输入变量xlj的术语集合,v∈H,H为风机故障类型集合;
步骤4:建立模糊逻辑系统的模糊器:将模糊器设置为单值模糊器,将第ti时刻模糊逻辑系统的输入数据模糊化为第ti时刻模糊逻辑系统的输入集为
其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,符号★为命题学中的取最小值;
步骤5:计算模糊逻辑系统的点火等级:利用步骤2中获得的三维隶属函数计算第ti时刻第l条规则的规则前件集为 从而得到第ti时刻第l条规则的点火等级
其中,sup为取最大值的运算;
步骤6:计算模糊逻辑系统的输出集:计算第ti时刻第l条规则的输出集为其中,为第l条规则的规则后件集,也即为第l条规则涉及的第v种风机故障的概率对应的隶属度,根据专家法得到;进一步得到第ti时刻所有规则中相同种类风机故障的输出集,其中,第ti时刻第v种风机故障的输出集为其中,为命题学中取最大值的运算,K为涉及第v种风机故障的规则的总数,为涉及第v种风机故障的规则集合中第k条规则的输出集;
步骤7:计算模糊逻辑系统的清晰输出,并判断风机是否存在故障:
步骤7.1:选择解模糊化方法为取重心法,对第v种风机故障的输出集进行解模糊化,得到第ti时刻第v种风机故障的严重程度也即清晰输出为
其中, 越大表示第v种风机故障越严重;
其中,取重心法的过程为:将第v种风机故障的输出集的图像离散化,得到M个点,第i个点对应的横坐标即为纵坐标即为
步骤7.2:采用专家法,确定第v种风机故障的阈值的上下边界
步骤7.3:判断是否超过上下边界若超过,则诊断出风机存在第v种风机故障;若没有超过,则诊断出风机不存在第v种风机故障。
所述步骤1.2中,根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值所使用的预测方法为神经网络方法。
所述m≥10000。
本发明的有益效果为:
本发明根据每个输入变量的每组训练数据集对应的基准变量的平均值及差值风机训练数据和故障上下边界来建立符合当前环境的隶属函数,并将每组输入数据在选好的隶属函数上映射为输入集,最后计算出模糊逻辑系统的清晰输出,并确定符合实际环境的阈值,根据清晰输出与阈值之间的关系来判断风机是否存在某种故障,解决了现有技术中隶属函数不能根据环境的变化而变化且判断风机是否存在故障的阈值比较单一化所带来的诊断故障准确率低下的技术问题,大大提高了风机故障诊断的准确率。
附图说明
图1为本发明的基于三维隶属函数模糊逻辑系统的风机故障诊断方法的流程图;
图2为模糊逻辑系统的结构示意图;
图3为本发明的具体实施方式中风速的实际值、预测值和差值数据的示意图;
图4为本发明的具体实施方式中风速差值的故障边界的变化趋势示意图;
图5为本发明的具体实施方式中功率差值的故障边界的变化趋势示意图;
图6为三维隶属函数的示意图;
图7为本发明的具体实施方式中功率用术语集合修饰时的三个三维隶属函数的示意图;
图8为本发明的基于三维隶属函数模糊逻辑系统的风机故障诊断方法的故障诊断结果示意图;
图9为基于传统隶属函数的模糊逻辑系统的风机故障诊断方法的故障诊断结果示意图。
具体实施方式
下面将结合附图和具体实施方式,对本发明作进一步描述。
本发明的目的是提供一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,能够在环境变化的条件下获得符合当前环境的隶属函数与阈值,从而提高风机故障诊断的准确率。
如图1所示,为本发明的基于三维隶属函数模糊逻辑系统的风机故障诊断方法的流程图。如图2所示,为模糊逻辑系统的结构示意图。本发明的一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,其特征在于,包括下述步骤:
步骤1:确定模糊逻辑系统的输入数据:
步骤1.1:采集实际风机数据集:每间隔时间T,对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机数据,每组实际风机数据包括间隔时间T内m个时刻的实际风机数据,得到第i组中第ti时刻的实际风机数据集为其中,i∈{1,2,...,n},为第ti时刻第j个输入变量xj的实际值,j∈{1,2,...,p},ti=ti-1+T,t0=0;
步骤1.2:计算预测风机数据集:根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值,得到第ti时刻第j个输入变量的预测值为得到第ti时刻的预测风机数据集为
步骤1.3:计算差值风机数据集:将第ti时刻第j个输入变量xj的实际值减去第ti时刻第j个输入变量的预测值得到第ti时刻第j个输入变量的差值从而得到第ti时刻的差值风机数据集为差值风机数据集Xerr(ti)即为第ti时刻模糊逻辑系统的输入数据。
本实施例中,T=10min,n=500;p=3,3个输入变量分别为风速、功率和相角。其中,每组风机数据中第1个输入变量即风速的实际值、预测值和差值数据如图3所示。
步骤2:建立模糊逻辑系统的三维隶属函数:
步骤2.1:采集实际风机训练数据集:每间隔时间T,重新对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机训练数据,每组实际风机训练数据包括间隔时间T内m个时刻的实际风机训练数据,得到第i组中第ti时刻的实际风机训练数据集为
所述m≥10000。
本实施例中,m=22300。
步骤2.2:计算预测风机训练数据集:计算根据第ti-1时刻第j个输入变量的实际训练值来预测第ti时刻第j个输入变量的训练值,得到第ti时刻第j个输入变量的预测训练值为得到第ti时刻的预测风机训练数据集为
步骤2.3:计算差值风机训练数据集:将第ti时刻第j个输入变量的实际训练值减去第ti时刻第j个输入变量的预测训练值得到第ti时刻第j个输入变量的差值训练值从而得到第ti时刻的差值风机训练数据集为
步骤2.4:选择训练数据集与基准变量:从n组差值风机训练数据集中随机选择N组作为训练数据,得到每个输入变量的N组训练数据集,其中,第j个输入变量的第k组训练数据集为从变量集合{x1,x2,...,xj,...,xp}中随机选择一个变量xs作为基准变量;其中,k∈{1,2,...,N},5≤N<n,中的ti为第k组训练数据集的最后一个时刻。
本实施例中,N=8,基准变量为风速即x1。
步骤2.5:建立模糊逻辑系统的三维隶属函数:
步骤2.5.1:计算基准变量xs的第k组实际训练值中元素的平均值为将基准变量xs的N个平均值作为三维隶属函数的y轴;
步骤2.5.2:统计第j个输入变量的第k组训练数据集为Xerr',j中每一个差值风机训练数据的频数,形成第j个输入变量的差值的正态分布图像,横轴为第j个输入变量的差值风机训练数据,纵轴为第j个输入变量的差值风机训练数据对应的频数,作平行于纵轴的两条直线,该两条直线与正态分布图像及横轴之间所围图形的面积为正态分布图像面积的99%,该两条直线与正态分布图像的两个交点对应的差值风机训练数据即为第j个输入变量的第k组训练数据集的故障上下边界;
步骤2.5.3:采用专家法将第j个输入变量用术语集合Qj修饰并确定第j个输入变量用第qj个术语修饰时第j个输入变量的差值的取值范围qj∈Qj;将作为第j个输入变量用第qj个术语修饰时的三维隶属函数的x轴,将第j个输入变量的每组训练数据集对应的基准变量xs的平均值、每组训练数据集中在集合中的差值风机训练数据、每组训练数据集的故障上下边界对应到第j个输入变量用第qj个术语修饰时的三维隶属函数的图像中,再将基准变量xs的每个平均值所对应的二维隶属函数的最大隶属度设为1,以隶属度为z轴,即得到第j个输入变量用第qj个术语修饰时的三维隶属函数其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,为第j个输入变量在第ti时刻的差值。
本实施例中,在步骤2.5.2中,计算得到每个输入变量的每组训练数据集的故障上下边界;如图4和图5所示,分别为本发明的具体实施方式中风速差值及功率差值的故障边界的变化趋势示意图。在步骤2.5.3中,每个变量的术语集合均为{低,正常,高}。如图6所示,为三维隶属函数的示意图。如图7所示,为第2个输入变量即功率用术语集合修饰时的三个三维隶属函数的示意图。图7中,图(a)至(c)分别为输入变量功率用术语“高”、“正常”、“低”修饰时的三维隶属函数。
步骤3:建立模糊逻辑系统的规则库:采用专家法,建立L条规则;其中,第l条规则为:如果则发生第v种风机故障的概率为其中,xlj∈{x1,x2,...,xj,...,xp},lp≤p,为第l条规则中第lj个输入变量xlj用第qlj个术语修饰时第lj个输入变量xlj的差值的取值范围,qlj∈Qlj,Qlj为第l条规则中第lj个输入变量xlj的术语集合,v∈H,H为风机故障类型集合。
在本实施例中,其中一个规则的形式为:如果风速是高、功率是低、相角是正常,则发生风速传感器测量偏大故障的概率为
步骤4:建立模糊逻辑系统的模糊器:将模糊器设置为单值模糊器,将第ti时刻模糊逻辑系统的输入数据模糊化为第ti时刻模糊逻辑系统的输入集为
其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,符号★为命题学中的取最小值。
本实施例中,将步骤1中的500个输入数据模糊化为500个输入集。
步骤5:计算模糊逻辑系统的点火等级:利用步骤2中获得的三维隶属函数计算第ti时刻第l条规则的规则前件集为 从而得到第ti时刻第l条规则的点火等级
其中,sup为取最大值的运算。
步骤6:计算模糊逻辑系统的输出集:计算第ti时刻第l条规则的输出集为其中,为第l条规则的规则后件集,也即为第l条规则涉及的第v种风机故障的概率对应的隶属度,根据专家法得到;进一步得到第ti时刻所有规则中相同种类风机故障的输出集,其中,第ti时刻第v种风机故障的输出集为其中,为命题学中取最大值的运算,K为涉及第v种风机故障的规则的总数,为涉及第v种风机故障的规则集合中第k条规则的输出集。
步骤7:计算模糊逻辑系统的清晰输出,并判断风机是否存在故障:
步骤7.1:选择解模糊化方法为取重心法,对第v种风机故障的输出集进行解模糊化,得到第ti时刻第v种风机故障的严重程度也即清晰输出为
其中, 越大表示第v种风机故障越严重;
其中,取重心法的过程为:将第v种风机故障的输出集的图像离散化,得到M个点,第i个点对应的横坐标即为纵坐标即为
步骤7.2:采用专家法,确定第v种风机故障的阈值的上下边界
步骤7.3:判断是否超过上下边界若超过,则诊断出风机存在第v种风机故障;若没有超过,则诊断出风机不存在第v种风机故障。
本实施例中,所述步骤1.2中,根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值所使用的预测方法为神经网络方法。
本实施例中,将基于传统隶属函数的模糊逻辑系统的风机故障诊断方法的故障诊断结果作为比较基准,进行了22次故障诊断。如图8和图9所示,分别为本发明的基于三维隶属函数模糊逻辑系统的风机故障诊断方法和基于传统隶属函数的模糊逻辑系统的风机故障诊断方法的故障诊断结果示意图。由图8和图9可以看出,本发明的基于三维隶属函数模糊逻辑系统的风机故障诊断方法能够诊断出被基于传统隶属函数的模糊逻辑系统的风机故障诊断方法所忽略的故障,大大提高了风机故障诊断的精度,避免不必要的损失。
显然,上述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。上述实施例仅用于解释本发明,并不构成对本发明保护范围的限定。基于上述实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等,均落在本发明要求的保护范围内。
Claims (3)
1.一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法,其特征在于,包括下述步骤:
步骤1:确定模糊逻辑系统的输入数据:
步骤1.1:采集实际风机数据集:每间隔时间T,对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机数据,每组实际风机数据包括间隔时间T内m个时刻的实际风机数据,得到第i组中第ti时刻的实际风机数据集为其中,i∈{1,2,...,n},为第ti时刻第j个输入变量xj的实际值,j∈{1,2,...,p},ti=ti-1+T,t0=0;
步骤1.2:计算预测风机数据集:根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值,得到第ti时刻第j个输入变量的预测值为得到第ti时刻的预测风机数据集为
步骤1.3:计算差值风机数据集:将第ti时刻第j个输入变量xj的实际值减去第ti时刻第j个输入变量的预测值得到第ti时刻第j个输入变量的差值从而得到第ti时刻的差值风机数据集为差值风机数据集Xerr(ti)即为第ti时刻模糊逻辑系统的输入数据;
步骤2:建立模糊逻辑系统的三维隶属函数:
步骤2.1:采集实际风机训练数据集:每间隔时间T,重新对风机的SCADA系统中p个输入变量在间隔时间T内的SCADA数据进行采集,得到n组实际风机训练数据,每组实际风机训练数据包括间隔时间T内m个时刻的实际风机训练数据,得到第i组中第ti时刻的实际风机训练数据集为
步骤2.2:计算预测风机训练数据集:计算根据第ti-1时刻第j个输入变量的实际训练值来预测第ti时刻第j个输入变量的训练值,得到第ti时刻第j个输入变量的预测训练值为得到第ti时刻的预测风机训练数据集为
步骤2.3:计算差值风机训练数据集:将第ti时刻第j个输入变量的实际训练值减去第ti时刻第j个输入变量的预测训练值得到第ti时刻第j个输入变量的差值训练值从而得到第ti时刻的差值风机训练数据集为
步骤2.4:选择训练数据集与基准变量:从n组差值风机训练数据集中随机选择N组作为训练数据,得到每个输入变量的N组训练数据集,其中,第j个输入变量的第k组训练数据集为从变量集合{x1,x2,...,xj,...,xp}中随机选择一个变量xs作为基准变量;其中,k∈{1,2,...,N},5≤N<n,中的ti为第k组训练数据集的最后一个时刻;
步骤2.5:建立模糊逻辑系统的三维隶属函数:
步骤2.5.1:计算基准变量xs的第k组实际训练值中元素的平均值为将基准变量xs的N个平均值作为三维隶属函数的y轴;
步骤2.5.2:统计第j个输入变量的第k组训练数据集为Xerr',j中每一个差值风机训练数据的频数,形成第j个输入变量的差值的正态分布图像,横轴为第j个输入变量的差值风机训练数据,纵轴为第j个输入变量的差值风机训练数据对应的频数,作平行于纵轴的两条直线,该两条直线与正态分布图像及横轴之间所围图形的面积为正态分布图像面积的99%,该两条直线与正态分布图像的两个交点对应的差值风机训练数据即为第j个输入变量的第k组训练数据集的故障上下边界;
步骤2.5.3:采用专家法将第j个输入变量用术语集合Qj修饰并确定第j个输入变量用第qj个术语修饰时第j个输入变量的差值的取值范围qj∈Qj;将作为第j个输入变量用第qj个术语修饰时的三维隶属函数的x轴,将第j个输入变量的每组训练数据集对应的基准变量xs的平均值、每组训练数据集中在集合中的差值风机训练数据、每组训练数据集的故障上下边界对应到第j个输入变量用第qj个术语修饰时的三维隶属函数的图像中,再将基准变量xs的每个平均值所对应的二维隶属函数的最大隶属度设为1,以隶属度为z轴,即得到第j个输入变量用第qj个术语修饰时的三维隶属函数其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,为第j个输入变量在第ti时刻的差值;
步骤3:建立模糊逻辑系统的规则库:采用专家法,建立L条规则;其中,第l条规则为:如果则发生第v种风机故障的概率为其中,xlj∈{x1,x2,...,xj,...,xp},lp≤p,为第l条规则中第lj个输入变量xlj用第qlj个术语修饰时第lj个输入变量xlj的差值的取值范围,qlj∈Qlj,Qlj为第l条规则中第lj个输入变量xlj的术语集合,v∈H,H为风机故障类型集合;
步骤4:建立模糊逻辑系统的模糊器:将模糊器设置为单值模糊器,将第ti时刻模糊逻辑系统的输入数据模糊化为第ti时刻模糊逻辑系统的输入集为
其中,为基准变量xs在第ti时刻对应的一组实际值的平均值,符号★为命题学中的取最小值;
步骤5:计算模糊逻辑系统的点火等级:利用步骤2中获得的三维隶属函数计算第ti时刻第l条规则的规则前件集为 从而得到第ti时刻第l条规则的点火等级FLl(ti)
其中,sup为取最大值的运算;
步骤6:计算模糊逻辑系统的输出集:计算第ti时刻第l条规则的输出集为其中,为第l条规则的规则后件集,也即为第l条规则涉及的第v种风机故障的概率对应的隶属度,根据专家法得到;进一步得到第ti时刻所有规则中相同种类风机故障的输出集,其中,第ti时刻第v种风机故障的输出集为其中,为命题学中取最大值的运算,K为涉及第v种风机故障的规则的总数,为涉及第v种风机故障的规则集合中第k条规则的输出集;
步骤7:计算模糊逻辑系统的清晰输出,并判断风机是否存在故障:
步骤7.1:选择解模糊化方法为取重心法,对第v种风机故障的输出集进行解模糊化,得到第ti时刻第v种风机故障的严重程度也即清晰输出为
其中, 越大表示第v种风机故障越严重;
其中,取重心法的过程为:将第v种风机故障的输出集的图像离散化,得到M个点,第i个点对应的横坐标即为纵坐标即为
步骤7.2:采用专家法,确定第v种风机故障的阈值的上下边界
步骤7.3:判断是否超过上下边界若超过,则诊断出风机存在第v种风机故障;若没有超过,则诊断出风机不存在第v种风机故障。
2.根据权利要求1所述的基于三维隶属函数模糊逻辑系统的风机故障诊断方法,其特征在于,所述步骤1.2中,根据第ti-1时刻第j个输入变量的实际值来预测第ti时刻第j个输入变量的值所使用的预测方法为神经网络方法。
3.根据权利要求1所述的基于三维隶属函数模糊逻辑系统的风机故障诊断方法,其特征在于,m≥10000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085928.7A CN109840563B (zh) | 2019-01-29 | 2019-01-29 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910085928.7A CN109840563B (zh) | 2019-01-29 | 2019-01-29 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840563A true CN109840563A (zh) | 2019-06-04 |
CN109840563B CN109840563B (zh) | 2022-12-13 |
Family
ID=66884404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910085928.7A Active CN109840563B (zh) | 2019-01-29 | 2019-01-29 | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840563B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258340A (zh) * | 2020-10-14 | 2021-01-22 | 江苏方天电力技术有限公司 | 一种基于隶属模糊函数的电厂一次风机振动状态评估方法 |
CN113255579A (zh) * | 2021-06-18 | 2021-08-13 | 上海建工集团股份有限公司 | 一种施工监测异常采集数据自动识别与处理的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305425A (en) * | 1989-04-14 | 1994-04-19 | Omron Corporation | Method of and apparatus for evaluating membership functions or rules in fuzzy reasoning system |
CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
US20130019125A1 (en) * | 2011-07-14 | 2013-01-17 | Almubarak Yousef Husain | Detection and classification of process flaws using fuzzy logic |
CN105160402A (zh) * | 2015-05-27 | 2015-12-16 | 刘利强 | 一种sf6电气设备故障诊断方法 |
-
2019
- 2019-01-29 CN CN201910085928.7A patent/CN109840563B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305425A (en) * | 1989-04-14 | 1994-04-19 | Omron Corporation | Method of and apparatus for evaluating membership functions or rules in fuzzy reasoning system |
CN102175460A (zh) * | 2011-01-28 | 2011-09-07 | 中国人民解放军海军工程大学 | 基于模糊Petri网的船用燃气轮机气路故障诊断方法 |
US20130019125A1 (en) * | 2011-07-14 | 2013-01-17 | Almubarak Yousef Husain | Detection and classification of process flaws using fuzzy logic |
CN105160402A (zh) * | 2015-05-27 | 2015-12-16 | 刘利强 | 一种sf6电气设备故障诊断方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112258340A (zh) * | 2020-10-14 | 2021-01-22 | 江苏方天电力技术有限公司 | 一种基于隶属模糊函数的电厂一次风机振动状态评估方法 |
CN113255579A (zh) * | 2021-06-18 | 2021-08-13 | 上海建工集团股份有限公司 | 一种施工监测异常采集数据自动识别与处理的方法 |
CN113255579B (zh) * | 2021-06-18 | 2021-09-24 | 上海建工集团股份有限公司 | 一种施工监测异常采集数据自动识别与处理的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840563B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN104808585B (zh) | 一种机床健康状态快速检查方法 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN106096830A (zh) | 基于广义证据理论的继电保护状态评价方法及系统 | |
CN106050580A (zh) | 一种风力发电机组传动链故障诊断方法及系统 | |
SE522545C2 (sv) | System, anordning och förfarande för diagnostisering av flödesprocesser | |
CN105956290A (zh) | 一种基于多数据融合技术的高压断路器机械故障诊断方法 | |
CN109840563A (zh) | 一种基于三维隶属函数模糊逻辑系统的风机故障诊断方法 | |
CN109977621A (zh) | 一种基于深度学习的空调故障预测方法 | |
CN108830335A (zh) | 光伏电站故障预警方法及系统 | |
CN105608842A (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN110852484B (zh) | 一种风力发电机组故障预警系统与方法 | |
CN103198438A (zh) | 响应计划的可靠性分析方法及装置 | |
CN112836436A (zh) | 一种基于概率图模型的配电网线路风险量化预测方法 | |
CN104050377A (zh) | 一种时变设备故障概率确定方法 | |
CN113159503B (zh) | 一种远程遥控智能安全评估系统和方法 | |
CN110426996A (zh) | 基于大数据及人工智能的环境污染监测方法 | |
CN106569095A (zh) | 一种基于加权平均依赖分类器的电网故障诊断系统 | |
Li | Application analysis of artificial intelligent neural network based on intelligent diagnosis | |
CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 | |
CN112777442A (zh) | 基于物联网大数据的电梯安全区域风险预测方法 | |
Wang et al. | Research on Fault Diagnosis Based on Dynamic causality diagram and Fuzzy Reasoning Fusion Method | |
CN108921455A (zh) | 智能化污染源污染排放监测方法及装置 | |
CN108123487A (zh) | 分布式电源分类方法及系统 |
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 |