CN110594187B - 一种大型压缩机组仪表系统的安装调试方法 - Google Patents
一种大型压缩机组仪表系统的安装调试方法 Download PDFInfo
- Publication number
- CN110594187B CN110594187B CN201910844113.2A CN201910844113A CN110594187B CN 110594187 B CN110594187 B CN 110594187B CN 201910844113 A CN201910844113 A CN 201910844113A CN 110594187 B CN110594187 B CN 110594187B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- motor
- compressor unit
- wheeze
- temperature
- 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.)
- Active
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/02—Surge control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种大型压缩机组仪表系统的安装调试方法,其特征在于,包括:步骤一、运行压缩机组并检测压缩机组仪表系统在t时段内的状态数据,步骤二、根据所述状态数据分别计算压缩机组仪表系统第m个电机的电机运行系数、温变系数和振动系数,并计算获得第i时刻压缩机组喘息系数;步骤三、根据压缩机组提供的喘振曲线获得第i时刻的标准喘息系数;步骤五、将所述第m个电机的电机运行系数、温变系数和振动系数输入神经网络控制器,获得表示汽轮电机工作参数控制的向量群,本发明设计开发了一种大型压缩机组仪表系统的安装调试方法,能够保证压缩机组平稳运行。
Description
技术领域
本发明涉及压缩机组调试领域,尤其涉及一种大型压缩机组仪表系统的安装调试方法。
背景技术
在石油、化工企业生产中,压缩机组与泵类设备及其他动力机械设备被人们统称为“心脏”。作为流体介质的输出动力源头,其运行质量直接关系着整个生产工艺的产品质量、生产效率及运行安全。而有关压缩机组的设计、安装及日常维护较之其他动力设备,要求技术水平更高、更为复杂、难度更大。
防喘震系统的调试相对最为复杂繁琐,其核心是控制算法。其不同防喘振系统的设定均以“喘振曲线”为依据,但“喘振曲线”的获取方式却不尽相同,有的依据制造厂家工厂试验时获取的设备本身固有的“喘振曲线”进行设定;有的按照试生产或原有相同设备运行过程中采集的数据绘制“喘振曲线”进行设定。
由于对压缩机组仪表系统调试技术人员及技术水平的欠缺,施工单位仪表调试人员往往无法独立、圆满的完成机组仪表系统的安装和调试工作。有甚者由于安装、调试质量缺陷,造成机组的损害,或为将来压缩机组系统运行埋下安全隐患。
发明内容
本发明设计开发了一种大型压缩机组仪表系统的安装调试方法,并根据运行系数、温变系数和振动系数计算得到喘息系数,然后将其输入模糊控制器,得出压缩机组的故障度,并将运行系数、温变系数和振动系数输入神经网络控制器,得到下一时段的压缩机组控制策略,能够保证压缩机组平稳运行。
大型压缩机组仪表系统的安装调试方法
本发明提供的技术方案为:
一种大型压缩机组仪表系统的安装调试方法,包括:
步骤一、运行压缩机组并检测压缩机组仪表系统在t时段内的状态数据,所述状态数据包括:汽轮电机转速vi(t)、电机内转子温度Tni(t)、电机外转子温度Twi(t)、振动频率ηi(t)、电路电压Ui(t)、和压缩机组中压缩单元数量ni;
步骤二、根据所述状态数据分别计算压缩机组仪表系统第m个电机的电机运行系数、温变系数和振动系数,并计算获得第i时刻压缩机组喘息系数;
步骤三、根据压缩机组提供的喘振曲线获得第i时刻的标准喘息系数;
步骤四、将所述i时刻压缩机组喘息系数与所述第i时刻的标准喘息系数做比获得喘息系数差值,对所述喘息系数差值做微分运算获得喘息系数变化率;
将所述喘息系数差值和喘息系数变化率输入输入模糊控制器,获得表示故障类别的向量群;以及
将所述表示故障类别的向量群作为故障诊断答案输出;
步骤五、将所述第m个电机的电机运行系数、温变系数和振动系数输入神经网络控制器,获得表示汽轮电机工作参数控制的向量群;
并将汽轮电机工作参数控制的向量群作为压缩机组的防喘息控制策略输出。
优选的是,所述第m个电机的运行系数计算公式为:
其中,Fmi为第m个电机的电机运行系数,vi(t)为汽轮电机转速、Tni(t)为电机内转子温度、Twi(t)为电机外转子温度、ηi(t)为振动频率、Ui(t)为电路电压、ni为压缩机组中压缩单元数量,i=1,2…t;i为压缩机组的运行时间。
优选的是,所述第m个电机的温变系数计算公式为:
其中,ΔBm为第m个电机的温变系数,vi(t)为汽轮电机转速、Tni(t)为电机内转子温度、Twi(t)为电机外转子温度、ηi(t)为振动频率、ni为压缩机组中压缩单元数量。
优选的是,所述第m个电机振动系数计算公式为:
其中,Δfm为第m个电机振动系数,ΔBm为第m个电机的温变系数。
优选的是,所述第i时刻压缩机组喘息系数计算公式为
其中,ξi为第i时刻压缩机组喘息系数。
优选的是,所述喘息系数与标准喘息系数的模糊集为:{NB,NM,NS,ZR,PS,PM,PB},NB表示负大,NM表示负中,NS表示负小,ZR表示零,PS表示正小,PM表示正中,PB表示正大,它们的论域为:{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}。
优选的是,所述故障等级的模糊集为{D0,D1,D2,D3},D0为零级故障,表明压缩机组运行正常,D1为一级故障,表示压缩机组继续运行,D2为二级故障,表示需要修理,D3为三级故障,表示需要紧急停止。
优选的是,所述神经网络控制器的计算过程为:
步骤1、依次将参数运行系数、温变系数和振动系数进行规格化;
步骤2、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3},其中,x1为预测运行系数,x2为预测温变系数,x3为预测振动系数;步骤3、所述输入层向量映射到隐层,所述隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3};其中,o1为下一时段汽轮电机转速控制系数,o2为下一时段汽轮电机转加速度控制系数,o3为下一时段电路电压控制系数;
步骤5、控制器输出下一时段控制策略关系式;
优选的是,所述电机运行系数Fmi,温变系数ΔBm和电机振动系数Δfm的规格化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数Fmi、ΔBm、Δfm,j=1,2,3;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述控制器输出下一时段的压缩机组控制策略关系式为:
其中,vi+1为下一时段汽轮电机的转速,ai+1为下一时段汽轮电机的转加速度,Ui+1为下一时段电路电压。
本发明所述的有益效果
本发明设计开发了一种大型压缩机组仪表系统的安装调试方法,并根据运行系数、温变系数和振动系数计算得到喘息系数,然后将其输入模糊控制器,得出压缩机组的故障度,并将运行系数、温变系数和振动系数输入神经网络控制器,得到下一时段的压缩机组控制策略,能够保证压缩机组平稳运行。
具体实施方式
下面结合对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供的一种大型压缩机组仪表系统的安装调试方法,包括:
步骤一、运行压缩机组并检测压缩机组仪表系统在t时段内的状态数据,所述状态数据包括:汽轮电机转速vi(t)、电机内转子温度Tni(t)、电机外转子温度Twi(t)、振动频率ηi(t)、电路电压Ui(t)、和压缩机组中压缩单元数量ni;
步骤二、根据状态数据分别计算压缩机组仪表系统第m个电机的电机运行系数、温变系数和振动系数,并计算获得第i时刻压缩机组喘息系数;
第m个电机的运行系数计算公式为:
其中,Fmi为第m个电机的电机运行系数,vi(t)为汽轮电机转速、Tni(t)为电机内转子温度、Twi(t)为电机外转子温度、ηi(t)为振动频率、Ui(t)为电路电压、ni为压缩机组中压缩单元数量,i=1,2…t;i为压缩机组的运行时间。
第m个电机的温变系数计算公式为:
其中,ΔBm为第m个电机的温变系数,vi(t)为汽轮电机转速、Tni(t)为电机内转子温度、Twi(t)为电机外转子温度、ηi(t)为振动频率、ni为压缩机组中压缩单元数量。
第m个电机振动系数计算公式为:
其中,Δfm为第m个电机振动系数,ΔBm为第m个电机的温变系数。
优选的是,所述第i时刻压缩机组喘息系数计算公式为
其中,ξi为第i时刻压缩机组喘息系数
步骤三、根据压缩机组提供的喘振曲线获得第i时刻的标准喘息系数;
步骤四、将所述i时刻压缩机组喘息系数与所述第i时刻的标准喘息系数做比获得喘息系数差值,对所述喘息系数差值做微分运算获得喘息系数变化率;
将所述喘息系数差值Δξi和喘息系数变化率dξi输入输入模糊控制器,获得表示故障类别的向量群;
其中,Δξi、dξi的实际变化范围分别为[10,30],[20,60],Fi、Gi的离散论域均为{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}
则比例因子k1=6/20k2=6/40
定义模糊子集及隶属度函数
把喘息系数差值Δξi分为七个模糊状态:PB(正大),PM(正中),PS(正小),0(零),NS(负小),NM(负中),NB(负大),结合经验得出喘息系数差值Δξi的隶属度函数表,如表1所示。
表1喘息系数差值Δξi的隶属度函数表
F<sub>i</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
PM | 0 | 0 | 0 | 0 | 0.2 | 0.4 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 |
PS | 0 | 0 | 0 | 0.2 | 0.4 | 0.6 | 0 | 0 | 0.4 | 0.2 | 0 | 0 | 0 |
0 | 0 | 0 | 0.2 | 0.4 | 0.6 | 0.8 | 1.0 | 0 | 0.6 | 0.4 | 0.4 | 0 | 0 |
NB | 0.2 | 0.4 | 0.4 | 0.8 | 0.8 | 0 | 0 | 0 | 0.8 | 0.8 | 0.8 | 0.2 | 0.4 |
NM | 0.6 | 0.8 | 0.8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.0 | 0.6 | 0.8 |
NS | 0.8 | 1.0 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.1 | 0.8 | 1.0 |
把喘息系数变化率dξi分为七个模糊状态:PB(正大),PM(正中),PS(正小),0(零),NS(负小),NM(负中),NB(负大),结合经验得出供电能力系数Gi的隶属度函数表,如表2所示。
表1喘息系数变化率dξi的隶属度函数表
G<sub>i</sub> | -6 | -5 | -4 | -3 | -2 | -1 | 0 | 1 | 2 | 3 | 4 | 5 | 6 |
PB | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
PM | 0 | 0 | 0 | 0 | 0.2 | 0.4 | 0 | 0 | 0.2 | 0 | 0 | 0 | 0 |
PS | 0 | 0 | 0 | 0.2 | 0.6 | 0.6 | 0 | 0 | 0.4 | 0.2 | 0 | 0 | 0 |
0 | 0 | 0 | 0.2 | 0.6 | 0.6 | 0.8 | 1.0 | 0 | 0.6 | 0.4 | 0.4 | 0 | 0 |
NB | 0.2 | 0.4 | 0.4 | 0.8 | 0.8 | 0 | 0 | 0 | 0.8 | 0.8 | 0.8 | 0.2 | 0.4 |
NM | 0.6 | 0.8 | 0.8 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1.0 | 0.6 | 0.8 |
NS | 0.8 | 1.0 | 1.0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0.1 | 0.8 | 1.0 |
获得模糊推理过程必须执行复杂的矩阵运算,计算量非常大,在线实施推理很难满足控制系统实时性的要求,本发明采用查表法进行模糊推理运算,模糊推理决策采用二输入单输出的方式,通过经验可以总结出模糊控制器的初步控制规则,模糊控制器根据得出的模糊值对输出信号进行解模糊化,得到故障等级Γ,求模糊控制查询表,由于论域是离散的,模糊控制规则及可以表示为一个模糊矩阵,采用单点模糊化,得出故障等级Z控制规则见表3。
表3为模糊控制规则表
故障等级的模糊集为{D0,D1,D2,D3},D0为零级故障,表明压缩机组运行正常,D1为一级故障,表示压缩机组继续运行,D2为二级故障,表示需要修理,D3为三级故障,表示需要紧急停止;
步骤五、将所述第m个电机的电机运行系数、温变系数和振动系数输入神经网络控制器,获得表示汽轮电机工作参数控制的向量群;
建立BP神经网络模型。
BP模型上各层次的神经元之间形成全互连连接,各层次内的神经元之间没有连接,输入层神经元的输出与输入相同,即oi=xi。中间隐含层和输出层的神经元的操作特性为
opj=fj(netpj)
其中p表示当前的输入样本,ωji为从神经元i到神经元j的连接权值,opi为神经元j的当前输入,opj为其输出;fj为非线性可微非递减函数,一般取为S型函数,即fj(x)=1/(1+e-x)。
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示设备工作状态的n个检测信号,这些信号参数由数据预处理模块给出;第二层为隐层,共m个节点,其中,m为中间层节点个数,n为输入层节点个数,p为输出层节点个数;第三层为输出层,共p个节点,由系统实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入人工神经网络之前,需要将数据规格化为0-1之间的数。
电机运行系数Fmi,温变系数ΔBm和电机振动系数Δfm的规格化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数Fmi、ΔBm、Δfm,j=1,2,3;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值,采用S型函数。
具体而言,对于电机运行系数Fmi,进行规格化后,得到预测电机运行系数x1:
其中,max(Fmi)和min(Fmi)分别为电机运行系数最大值和最小值。
同样的,温变系数ΔBm通过下式进行规格化,得到预测速度温变系数x2:
其中,max(ΔBm)和min(ΔBm)分别为温变系数的最大值和最小值。
电机振动系数Δfm进行规格化后,得到预测电机振动系数x3:
其中,max(Δfm)和min(Δfm)分别为电机振动系数的最大值和最小值。
得到输出层神经元向量o={o1,o2,o3};其中,o1为下一时段汽轮电机转速控制系数,o2为下一时段汽轮电机转加速度控制系数,o3为下一时段电路电压控制系数;。
进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
(1)训练方法
各子网采用单独训练的方法;训练时,首先要提供一组训练样本,其中的每一个样本由输入样本和理想输出对组成,当网络的所有实际输出与其理想输出一致时,表明训练结束;否则,通过修正权值,使网络的理想输出与实际输出一致;各子网训练时的输出样本如表1所示。
表1网络训练用的输出样本
(2)训练算法
BP网络采用误差反向传播(Backward Propagation)算法进行训练,其步骤可归纳如下:
第一步:选定一结构合理的网络,设置所有节点阈值和连接权值的初值。
第二步:对每个输入样本作如下计算:
(a)前向计算:对l层的j单元
式中,为第n次计算时l层的j单元信息加权和,为l层的j单元与前一层(即l-1层)的单元i之间的连接权值,为前一层(即l-1层,节点数为nl-1)的单元i送来的工作信号;i=0时,令为l层的j单元的阈值。
若单元j的激活函数为sigmoid函数,则
且
若神经元j属于第一隐层(l=1),则有
若神经元j属于输出层(l=L),则有
(b)反向计算误差:
对于输出单元
对隐单元
(c)修正权值:
第三步:输入新的样本或新一周期样本,直到网络收敛,在训练时各周期中样本的输入顺序要重新随机排序。
BP算法采用梯度下降法求非线性函数极值,存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法,它使得网络学习时间更短,能有效地抑制网络陷于局部极小。其权值调整率选为
Δω=(JTJ+μI)-1JTe
其中J为误差对权值微分的雅可比(Jacobian)矩阵,I为输入向量,e为误差向量,变量μ是一个自适应调整的标量,用来确定学习是根据牛顿法还是梯度法来完成。
在系统设计时,系统模型是一个仅经过初始化了的网络,权值需要根据在使用过程中获得的数据样本进行学习调整,为此设计了系统的自学习功能。在指定了学习样本及数量的情况下,系统可以进行自学习,以不断完善网络性能
控制器输出下一时段的压缩机组控制策略关系式为:
其中,vi+1为下一时段汽轮电机的转速,ai+1为下一时段汽轮电机的转加速度,Ui+1为下一时段电路电压。
本发明设计开发了一种大型压缩机组仪表系统的安装调试方法,并根据运行系数、温变系数和振动系数计算得到喘息系数,然后将其输入模糊控制器,得出压缩机组的故障度,并将运行系数、温变系数和振动系数输入神经网络控制器,得到下一时段的压缩机组控制策略,能够保证压缩机组平稳运行。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (9)
1.一种大型压缩机组仪表系统的安装调试方法,其特征在于,包括:
步骤一、运行压缩机组并检测压缩机组仪表系统在t时段内的状态数据,所述状态数据包括:汽轮电机转速vi(t)、电机内转子温度Tni(t)、电机外转子温度Twi(t)、振动频率ηi(t)、电路电压Ui(t)、和压缩机组中压缩单元数量ni;
步骤二、根据所述状态数据分别计算压缩机组仪表系统第m个电机的电机运行系数、温变系数和振动系数,并计算获得第i时刻压缩机组喘息系数;
步骤三、根据压缩机组提供的喘振曲线获得第i时刻的标准喘息系数;
步骤四、将所述第i时刻压缩机组喘息系数与所述第i时刻的标准喘息系数做比获得喘息系数差值,对所述喘息系数差值做微分运算获得喘息系数变化率;
将所述喘息系数差值和喘息系数变化率输入模糊控制器,获得表示故障类别的向量群;以及
将所述表示故障类别的向量群作为故障诊断答案输出;
步骤五、将所述第m个电机的电机运行系数、温变系数和振动系数输入神经网络控制器,获得表示汽轮电机工作参数控制的向量群;
并将汽轮电机工作参数控制的向量群作为压缩机组的防喘息控制策略输出;
所述第m个电机的电机运行系数计算公式为:
其中,Fmi为第m个电机的电机运行系数,vi(t)为汽轮电机转速、Tni(t)为电机内转子温度、Twi(t)为电机外转子温度、ηi(t)为振动频率、Ui(t)为电路电压、ni(t)为压缩机组中压缩单元数量,i=1,2…t;i为压缩机组的运行时间。
5.根据权利要求3所述的大型压缩机组仪表系统的安装调试方法,其特征在于,所述喘息系数与标准喘息系数的模糊集为:{NB,NM,NS,ZR,PS,PM,PB},NB表示负大,NM表示负中,NS表示负小,ZR表示零,PS表示正小,PM表示正中,PB表示正大,它们的论域为:{-6,-5,-4,-3,-2,-1,0,1,2,3,4,5,6}。
6.根据权利要求5所述的大型压缩机组仪表系统的安装调试方法,其特征在于,模糊集的输出为故障等级的模糊集为{D0,D1,D2,D3},D0为零级故障,表明压缩机组运行正常,D1为一级故障,表示压缩机组继续运行,D2为二级故障,表示需要修理,D3为三级故障,表示需要紧急停止。
7.根据权利要求1所述的大型压缩机组仪表系统的安装调试方法,其特征在于,所述神经网络控制器的计算过程为:
步骤1、依次将电机运行系数、温变系数和振动系数进行规格化;
步骤2、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3},其中,x1为预测运行系数,x2为预测温变系数,x3为预测振动系数;
步骤3、输入层向量映射到隐层,隐层向量y={y1,y2,…,ym},m为隐层节点个数;
步骤4、得到输出层神经元向量o={o1,o2,o3};其中,o1为下一时段汽轮电机转速控制系数,o2为下一时段汽轮电机旋转加速度控制系数,o3为下一时段电路电压控制系数;
步骤5、神经网络控制器输出下一时段控制策略关系式;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844113.2A CN110594187B (zh) | 2019-09-06 | 2019-09-06 | 一种大型压缩机组仪表系统的安装调试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844113.2A CN110594187B (zh) | 2019-09-06 | 2019-09-06 | 一种大型压缩机组仪表系统的安装调试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110594187A CN110594187A (zh) | 2019-12-20 |
CN110594187B true CN110594187B (zh) | 2020-06-16 |
Family
ID=68858142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844113.2A Active CN110594187B (zh) | 2019-09-06 | 2019-09-06 | 一种大型压缩机组仪表系统的安装调试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110594187B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113944650B (zh) * | 2020-07-16 | 2024-03-19 | 麦克维尔空调制冷(武汉)有限公司 | 压缩机的控制方法、控制装置和换热系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106382245A (zh) * | 2016-12-01 | 2017-02-08 | 王先宏 | 压缩机喘振控制方法和系统 |
CN108399763A (zh) * | 2018-03-07 | 2018-08-14 | 辽宁工业大学 | 一种基于神经网络的交叉路口交通信号灯控制算法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN109946987A (zh) * | 2019-03-27 | 2019-06-28 | 吉林建筑大学 | 一种基于互联网的老年人生活环境优化监控方法 |
CN110116625A (zh) * | 2019-05-16 | 2019-08-13 | 辽宁工业大学 | 一种用于电控车辆的汽车蓄电池故障监测方法 |
CN110162910A (zh) * | 2019-05-30 | 2019-08-23 | 辽宁工业大学 | 一种基于物联网技术的坡起优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757665B1 (en) * | 1999-09-28 | 2004-06-29 | Rockwell Automation Technologies, Inc. | Detection of pump cavitation/blockage and seal failure via current signature analysis |
-
2019
- 2019-09-06 CN CN201910844113.2A patent/CN110594187B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106382245A (zh) * | 2016-12-01 | 2017-02-08 | 王先宏 | 压缩机喘振控制方法和系统 |
CN108399763A (zh) * | 2018-03-07 | 2018-08-14 | 辽宁工业大学 | 一种基于神经网络的交叉路口交通信号灯控制算法 |
CN109920082A (zh) * | 2019-03-11 | 2019-06-21 | 辽宁工业大学 | 一种混合动力电动汽车故障诊断预警方法 |
CN109946987A (zh) * | 2019-03-27 | 2019-06-28 | 吉林建筑大学 | 一种基于互联网的老年人生活环境优化监控方法 |
CN110116625A (zh) * | 2019-05-16 | 2019-08-13 | 辽宁工业大学 | 一种用于电控车辆的汽车蓄电池故障监测方法 |
CN110162910A (zh) * | 2019-05-30 | 2019-08-23 | 辽宁工业大学 | 一种基于物联网技术的坡起优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110594187A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papageorgiou et al. | Fuzzy cognitive map learning based on nonlinear Hebbian rule | |
CN111798095B (zh) | 一种基于神经网络电力电缆状态评价方法 | |
CN109910863B (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
CN110909802A (zh) | 一种基于改进的pso优化pnn平滑因子的故障分类方法 | |
CN113489015B (zh) | 一种基于强化学习的配电网多时间尺度无功电压控制方法 | |
CN101598109A (zh) | 一种风力发电机偏航系统的智能控制方法 | |
CN106610584A (zh) | 一种基于神经网络与专家系统的再制造工序质量控制方法 | |
CN110594187B (zh) | 一种大型压缩机组仪表系统的安装调试方法 | |
CN110733493A (zh) | 一种混合动力电动汽车的功率分配方法 | |
CN114839531A (zh) | 基于组群式稀疏自编码及群智能的电机故障检测方法 | |
CN109857988B (zh) | 一种寒地装配式现代木结构建筑的安全监测方法 | |
CN114336632A (zh) | 一种基于模型信息辅助深度学习校正交流潮流的方法 | |
CN106874607B (zh) | 基于多层级变权理论的电网自组织临界态定量评估方法 | |
Modi et al. | Voltage stability evaluation of power system with FACTS devices using fuzzy neural network | |
CN110674893A (zh) | 一种旋转机械故障诊断知识库中诊断经验自适应修正方法 | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
Ibrahim et al. | An adaptive fuzzy technique for learning power-quality signature waveforms | |
CN110826690A (zh) | 一种设备状态识别方法及其系统、计算机可读存储介质 | |
Zhang et al. | Fault diagnosis of wind power gearbox based on IPSO-FNN | |
Lu et al. | Control method based on fuzzy cognitive map and its application on district heating network | |
CN107544024A (zh) | 一种发电机电刷滑环烧伤故障程度诊断方法 | |
Hadj Abdallah et al. | Feedforward neural network‐based transient stability analysis of electric power systems | |
Long et al. | Application of aircraft fuel fault diagnostic expert system based on fuzzy neural network | |
Zerikat et al. | High performance speed tracking of induction motor using an Adaptive Fuzzy-Neural Network Control | |
Varshney et al. | Approximation of 2D function using simplest neural networks—A comparative study and development of GUI system |
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 |