CN110597232B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110597232B
CN110597232B CN201910917439.3A CN201910917439A CN110597232B CN 110597232 B CN110597232 B CN 110597232B CN 201910917439 A CN201910917439 A CN 201910917439A CN 110597232 B CN110597232 B CN 110597232B
Authority
CN
China
Prior art keywords
water pump
model
value
time
fluid
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
Application number
CN201910917439.3A
Other languages
English (en)
Other versions
CN110597232A (zh
Inventor
徐晓滨
俞卓辰
侯平智
曾九孙
胡燕祝
黄大荣
韩德强
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi 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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201910917439.3A priority Critical patent/CN110597232B/zh
Publication of CN110597232A publication Critical patent/CN110597232A/zh
Application granted granted Critical
Publication of CN110597232B publication Critical patent/CN110597232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24065—Real time diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了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，属于设备状态监测与故障诊断技术领域。本发明将变频器冷却单元水泵转速、流体流速作为置信规则库报警模型的输入，水泵进出口流体之间的压力差作为模型的输出，建立置信规则库报警模型。假设模型参数符合正态分布，给定初始时刻的模型参数，根据上一时刻模型参数动态决定当前时刻的置信规则库报警模型参数，得到当前时刻的预测值。同时本发明将当前时刻的预测值与真实值的误差作为区分故障发生与否的新特征，通过将误差与报警阈值比较，来决定是否更新模型参数。本发明模型更新速度快，能及时对变频器冷却单元水泵的故障做出报警，便于工程实现。

Description

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
技术领域
本发明涉及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，属于工业设备状态监测与故障诊断技术领域。
背景技术
随着电力电子技术的快速发展和船舶推进技术的进步，综合电力推进系统在舰船上应用越来越广泛，使电力推进船舶在机动性、可靠性、布置的灵活性、机桨匹配、运行效率等方面都有了极大的提高，从而使船舶电力推进技术的应用范围不断扩大。作为船舶主动力系统的电力推进系统，由于其高效率、高可靠性、高自动化以及低维护，正成为新世纪大型水面船舶青睐的主推进系统。电力推进系统通常包括主发电机组、推进变压器、推进变频器和推进电动机等，而变频器作为船舶关键设备之一，其可靠性和安全性对推进系统正常运行至关重要，对船舶安全行驶影响巨大。
然而，变频器属于大功率电气设备，工作时会产生大量热量，为保证设备的正常工作，需要把大量的热量散发出去，实现设备的高效散热，这对于提高设备的可靠性是非常必要的。在复杂的船舶工作环境中，水冷装置对变频器及其重要，一旦水冷系统出现问题，将会对变频器造成灾难性后果。对变频器冷却装置的水泵进行监测与报警能及时发现水冷装置故障，增加船舶行驶安全性，减少人员财产损失，因此研究船舶电力推进系统变频器冷却装置水泵故障报警方法能为电力推进系统船舶安全行驶提供保障。
发明内容
本发明针对现有技术的不足，提出了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。
本发明的主要技术构思：将变频器冷却单元水泵转速、流体流速作为动态置信规则库报警模型的输入，水泵进出口流体之间的压力差作为模型的输出，建立动态置信规则库报警模型。假设模型参数符合正态分布，给定初始时刻的模型参数，根据上一时刻模型参数动态变化决定当前时刻的置信规则库报警模型参数，得到当前时刻的预测值，计算当前时刻预测值与实测值的误差并与给定的报警阈值比较，进行决策，判断是否报警、是否更新下一时刻的置信规则库报警模型参数。该方法模型更新速度快，能及时发现变频器冷却单元水泵故障产生报警，便于工程实现。本发明包括以下各步骤：
(1)设x1(t)为t时刻变频器冷却水泵转速变量值，其单位为r/s2，x2(t)为t时刻水泵流体流速变量值，其单位为m/s，y(t)为t时刻水泵进出口流体之间的压力差变量值，其单位为Mpa，每隔1-3s采样一次，共采集TS次，一般TS>5000，则采样时刻t＝1,2,…,TS；
(2)将水泵转速变量x1和水泵流体流速变量x2作为置信规则库报警模型的输入，输入参考值集合
Figure GDA0002547183900000021
n＝1,2，其中
Figure GDA0002547183900000022
Jn为参考值个数，水泵进出口流体之间的压力差变量y作为置信规则库报警模型的输出，输出参考值集合D＝{Di|i＝1,2,…,N}，其中D1<D2<…<DN，N为参考值个数，基于此构建置信规则库，具体步骤如下：
(2-1)所构建的规则库，由L条规则组成，其中的第k条规则描述为：
Figure GDA0002547183900000023
式中：Ak 1表示在第k条规则中输入变量水泵转速的参考值，且有
Figure GDA0002547183900000024
Ak 2表示在第k条规则中输入变量水泵流体流速的参考值，且有
Figure GDA0002547183900000025
L＝J1×J2；mi,k为Di对应的规则置信度，满足
Figure GDA0002547183900000026
(2-2)对于某个t时刻获取的采样数据x1(t)和x2(t)，计算x1(t)、x2(t)相对于各自参考值的匹配度：
(a)当
Figure GDA0002547183900000027
或
Figure GDA0002547183900000028
时，xn(t)对
Figure GDA0002547183900000029
和
Figure GDA00025471839000000210
的匹配度αn,1、
Figure GDA00025471839000000211
取值均为1，对于其他参考值的匹配度均为0；
(b)当
Figure GDA0002547183900000031
时，p＝1,2,…,Jn-1，xn(t)对于
Figure GDA0002547183900000032
和
Figure GDA0002547183900000033
的匹配度由式(2)和(3)给出：
Figure GDA0002547183900000034
Figure GDA0002547183900000035
此时，输入变量xn(t)对于其他参考值的匹配度均为0；
(2-3)根据步骤(2-2)得到的匹配度计算输入x1(t)和x2(t)所激活的规则权重
Figure GDA0002547183900000036
Figure GDA0002547183900000037
其中
Figure GDA0002547183900000038
为输入
Figure GDA0002547183900000039
与第k条规则下各自对应的参考值
Figure GDA00025471839000000310
的匹配度，
Figure GDA00025471839000000311
为第k条证据的权重，
Figure GDA00025471839000000312
为第M1个输入的可靠度；
(2-4)根据步骤(2-3)得到的规则权重
Figure GDA00025471839000000313
后，将激活的规则置信度mi,k进行融合，融合公式如下：
Figure GDA00025471839000000314
(2-5)由式(6)算出水泵进出口流体之间的压力差
Figure GDA00025471839000000315
Figure GDA00025471839000000316
(3)当t＝1时，根据真实测得的水泵转速、水泵流体流速和水泵进出口流体之间的压力差，给定t＝1时刻初始的模型可调参数集合
Figure GDA00025471839000000317
其中An,t为t时刻模型输入的参考值集合，Dt为t时刻模型输出的参考值集合，
Figure GDA00025471839000000318
为t时刻模型中Dt中每一个输出参考值所对应的置信度，
Figure GDA00025471839000000319
为t时刻模型中第k条规则的权重，
Figure GDA0002547183900000041
为t时刻模型中第n个输入的可靠度；
(4)当t>1时，假设Qt中所有可调参数符合正态分布，具体满足如下分布：
Figure GDA0002547183900000042
Figure GDA0002547183900000043
其中
Figure GDA0002547183900000044
是An,t的方差，
Figure GDA0002547183900000045
是Dt的方差，
Figure GDA0002547183900000046
是
Figure GDA0002547183900000047
的方差，
Figure GDA0002547183900000048
是
Figure GDA0002547183900000049
的方差，
Figure GDA00025471839000000410
是
Figure GDA00025471839000000411
的方差，从上述分布中随机采样R组模型参数
Figure GDA00025471839000000412
l＝1,2,…,R，一般R≥10，将t时刻输入x1(t)、x2(t)按照步骤(2)计算t时刻第l组模型的估计值
Figure GDA00025471839000000413
即压力差；
(5)根据下式(7)计算第l组模型的权重φl
Figure GDA00025471839000000414
其中y(t-1)是t-1时刻水泵进出口流体之间的压力差的实测值，σ为给定的φl的方差；
(6)根据下式(8)对第l组模型的权重φl进行归一化处理得到
Figure GDA00025471839000000415
Figure GDA00025471839000000416
(7)根据步骤(6)得到的归一化后权重
Figure GDA00025471839000000417
计算前ls个
Figure GDA00025471839000000418
的累加值，记为sum(ls)，ls＝1,2,…,R，从均匀分布U(0,1)随机采样lu次，每次采得的值记为u(lu)，lu＝1,2,…,R，对于每一个u(lu)，找到权重的累加值sum(ls)中第一个大于u(lu)值的下标ls，此时新的第lu组的模型参数等于原来的第ls组的模型参数，R次随机采样结束后得到新的R组模型参数，此时每组模型参数的权重变为1/R；
(8)根据步骤(7)得到的新的R组模型参数以及每组模型参数的权重计算Qt：
Figure GDA00025471839000000419
(9)使用步骤(8)得到的模型参数按照步骤(2)计算水泵进出口流体之间的压力差预测值
Figure GDA00025471839000000420
之后根据实际测得的t时刻水泵进出口流体之间的压力差实测值计算二者之间的误差err(t)：
Figure GDA0002547183900000051
(10)给定报警阈值yotp，判断err(t)是否大于给定报警阈值yotp，如果大于，则产生报警，同时t+1时刻模型参数不再更新，继续沿用t时刻模型参数对t时刻进行预测；如果不大于，则不报警，按步骤(4)到步骤(9)继续更新。
本发明的有益效果：本发明设计的动态置信规则库的变频器冷却水泵故障报警方法能实时更新置信规则库报警模型参数，描述变频器冷却单元水泵转速、水泵流体流速与水泵进出口流体之间的压力差之间的复杂的非线性关系。同时本发明将模型误差作为区分故障发生与否的新特征，通过将误差与报警阈值比较，来决定是否更新模型参数来决定是否更新模型参数，能有效地对水泵发生的故障做到报警，达到了良好的效果。
附图说明
图1是本发明方法的总体流程框图。
图2是本发明方法的实施例中水泵进出口流体之间的压力差变量值y(t)序列图。
图3是本发明方法的实施例中误差err(t)序列图。
图4是本发明方法的实施例中报警序列图。
具体实施方式
本发明提出的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，其总体流程框图如图1所示，包括以下各步骤：
以下各步骤：
(1)设x1(t)为t时刻变频器冷却水泵转速变量值，其单位为r/s2，x2(t)为t时刻水泵流体流速变量值，其单位为m/s，y(t)为t时刻水泵进出口流体之间的压力差变量值，其单位为Mpa，每隔1-3s采样一次，共采集TS次，一般TS>5000，则采样时刻t＝1,2,…,TS。
(2)将水泵转速变量x1和水泵流体流速变量x2作为置信规则库报警模型的输入，输入参考值集合
Figure GDA0002547183900000061
n＝1,2，其中
Figure GDA0002547183900000062
Jn为参考值个数，水泵进出口流体之间的压力差变量y作为置信规则库报警模型的输出，输出参考值集合D＝{Di|i＝1,2,…,N}，其中D1<D2<…<DN，N为参考值个数，基于此构建置信规则库，具体步骤如下：
(2-1)所构建的规则库，由L条规则组成，其中的第k条规则描述为：
Figure GDA0002547183900000063
式中：Ak 1表示在第k条规则中输入变量水泵转速的参考值，且有
Figure GDA0002547183900000064
Ak 2表示在第k条规则中输入变量水泵流体流速的参考值，且有
Figure GDA0002547183900000065
L＝J1×J2；mi,k为Di对应的规则置信度，满足
Figure GDA0002547183900000066
(2-2)对于某个t时刻获取的采样数据x1(t)和x2(t)，计算x1(t)、x2(t)相对于各自参考值的匹配度：
(a)当
Figure GDA0002547183900000067
或
Figure GDA0002547183900000068
时，xn(t)对
Figure GDA0002547183900000069
和
Figure GDA00025471839000000610
的匹配度αn,1、
Figure GDA00025471839000000611
取值均为1，对于其他参考值的匹配度均为0。
(b)当
Figure GDA00025471839000000612
时，p＝1,2,…,Jn-1，xn(t)对于
Figure GDA00025471839000000613
和
Figure GDA00025471839000000614
的匹配度由式(2)和(3)给出：
Figure GDA00025471839000000615
Figure GDA00025471839000000616
此时，输入变量xn(t)对于其他参考值的匹配度均为0。
(2-3)根据步骤(2-2)得到的匹配度计算输入x1(t)和x2(t)所激活的规则权重
Figure GDA00025471839000000617
Figure GDA0002547183900000071
其中
Figure GDA0002547183900000072
为输入
Figure GDA0002547183900000073
与第k条规则下各自对应的参考值
Figure GDA0002547183900000074
的匹配度，
Figure GDA0002547183900000075
为第k条证据的权重，
Figure GDA0002547183900000076
为第M1个输入的可靠度。
(2-4)根据步骤(2-3)得到的规则权重
Figure GDA0002547183900000077
后，将激活的规则置信度mi,k进行融合，融合公式如下：
Figure GDA0002547183900000078
(2-5)由式(6)算出水泵进出口流体之间的压力差
Figure GDA0002547183900000079
Figure GDA00025471839000000710
为了便于理解，这里对步骤(2)举例说明，水泵转速x1的参考值集合为A1＝{5.8501，8.5078，10.8977}，水泵转速x1的可靠度λ1＝0.5033，水泵流体流速x2的参考值集合A2＝{5.0765，7.2414，9.3012，11.4565}，水泵流体流速x2的可靠度λ2＝0.4945，水泵进出口流体之间的压力差的参考集合为D＝{2.0978，3.7939，5.2791，6.6373，8.3564}，共建立12条规则，如表1所示。每条规则的权重如表2所示。
表1报警模型规则库
Figure GDA00025471839000000711
Figure GDA0002547183900000081
表2规则库规则权重
Figure GDA0002547183900000082
当t＝1时刻获取的采样数据x1(1)＝7.9871、x2(1)＝8.3455，根据步骤(2-2)求得每个参考值的匹配度，α1,1＝0.0611，α1,2＝0.9389，α1,3＝0，α2,1＝0，α2,1＝0.6380，α2,1＝0.3620，α2,1＝0，由此可见激活了产生式规则库中的四条规则分别为第2条规则、第3条规则、第6条规则和第7条规则。由式(4)可求得各个被激活的规则权重分别为
Figure GDA0002547183900000083
根据式(5)得到融合结果m1＝0.1975,m2＝0.1878,m3＝0.2105,m4＝0.2071,m5＝0.1971，根据式(6)得到水泵进出口流体之间的压力差
Figure GDA0002547183900000084
(3)当t＝1时，根据真实测得的水泵转速、水泵流体流速和水泵进出口流体之间的压力差，给定t＝1时刻初始的模型可调参数集合
Figure GDA0002547183900000085
其中An,t为t时刻模型输入的参考值集合，Dt为t时刻模型输出的参考值集合，
Figure GDA0002547183900000091
为t时刻模型中Dt中每一个输出参考值所对应的置信度，
Figure GDA0002547183900000092
为t时刻模型中第k条规则的权重，
Figure GDA0002547183900000093
为t时刻模型中第n个输入的可靠度。
(4)当t>1时，假设Qt中所有可调参数符合正态分布，具体满足如下分布：
Figure GDA0002547183900000094
Figure GDA0002547183900000095
其中
Figure GDA0002547183900000096
是An,t的方差，
Figure GDA0002547183900000097
是Dt的方差，
Figure GDA0002547183900000098
是
Figure GDA0002547183900000099
的方差，
Figure GDA00025471839000000910
是
Figure GDA00025471839000000911
的方差，
Figure GDA00025471839000000912
是
Figure GDA00025471839000000913
的方差，从上述分布中随机采样R组模型参数
Figure GDA00025471839000000914
l＝1,2,…,R，一般R≥10，将t时刻输入x1(t)、x2(t)按照步骤(2)计算t时刻第l组模型的估计值
Figure GDA00025471839000000915
即压力差。
(5)根据下式(7)计算第l组模型的权重φl
Figure GDA00025471839000000916
其中y(t-1)是t-1时刻水泵进出口流体之间的压力差的实测值，σ为给定的φl的方差。
(6)根据下式(8)对第l组模型的权重φl进行归一化处理得到
Figure GDA00025471839000000917
Figure GDA00025471839000000918
(7)根据步骤(6)得到的归一化后权重
Figure GDA00025471839000000919
计算前ls个
Figure GDA00025471839000000920
的累加值，记为sum(ls)，ls＝1,2,…,R,从均匀分布U(0,1)随机采样lu次，每次采得的值记为u(lu)，lu＝1,2,…,R，对于每一个u(lu)，找到权重的累加值sum(ls)中第一个大于u(lu)值的下标ls，此时新的第lu组的模型参数等于原来的第ls组的模型参数，R次随机采样结束后得到新的R组模型参数，此时每组模型参数的权重变为1/R。
(8)根据步骤(7)得到的新的R组模型参数以及每组模型参数的权重计算Qt：
Figure GDA00025471839000000921
(9)使用步骤(8)得到的模型参数按照步骤(2)计算水泵进出口流体之间的压力差预测值
Figure GDA0002547183900000101
之后根据实际测得的t时刻水泵进出口流体之间的压力差实测值计算二者之间的误差err(t)：
Figure GDA0002547183900000102
(10)给定报警阈值yotp，判断err(t)是否大于给定报警阈值yotp，如果大于，则产生报警，同时t+1时刻模型参数不再更新，继续沿用t时刻模型参数对t时刻进行预测；如果不大于，则不报警，按步骤(4)到步骤(9)继续更新。
为了加深对更新的理解，这里举例加以说明，给定报警阈值yotp＝0.11，当t＝1时，x1(1)＝7.9871、x2(1)＝8.3455，给定初始的模型可调参数集合Q1的参数值沿用前例中的参数值，y(1)＝5.3143，当t＝2时，x1(2)＝7.9893、x2(2)＝8.3468，A1,2～N(A1,1,0.4)，A2,2～N(A2,1,0.3)，D2～N(D1,0.3)，
Figure GDA0002547183900000103
Figure GDA0002547183900000104
从中随机采样得到10组模型参数
Figure GDA0002547183900000105
计算10组模型的估计值，根据步骤(5)计算每组模型参数权重，根据步骤(6)将得到的10组权重归一化，根据步骤(7)得到新的10组模型参数，根据式(9)计算得到最后用来预测的t＝2时刻的模型参数Q2，根据步骤(2)计算出水泵进出口流体之间的压力差模型预测值
Figure GDA0002547183900000109
水泵进出口流体之间的压力差实测值y(2)＝5.3143，根据式(10)计算得到err(2)＝0.0376<yotp，继续更新，当t＝3时，x1(3)＝8.0061、x2(3)＝8.3372，A1,3～N(A1,2,0.4)，A2,3～N(A2,2,0.3)，D3～N(D2,0.3)，
Figure GDA0002547183900000106
从中随机采样得到10组模型参数
Figure GDA0002547183900000107
计算10组模型的估计值，根据步骤(5)计算每组模型参数权重，根据步骤(6)将得到的10组权重归一化，根据步骤(7)得到新的10组模型参数，根据式(9)计算得到最后用来预测的t＝3时刻的模型参数Q3，根据步骤(2)计算出水泵进出口流体之间的压力差预测值
Figure GDA0002547183900000108
水泵进出口流体之间的压力差实测值y(3)＝5.3143，根据式(10)计算得到err(3)＝0.0159<yotp，继续更新。
以下结合附图，详细的介绍本发明方法的实施例：
本发明方法的主要流程图如图1所示，其主要内容为：将变频器冷却单元水泵转速、流体流速作为置信规则库报警模型的输入，水泵进出口流体之间的压力差作为模型的输出，建立置信规则库报警模型。假设模型参数符合正态分布，给定初始时刻的模型参数，根据上一时刻模型参数动态决定当前时刻的置信规则库报警模型参数，得到当前时刻的预测值。同时将当前时刻的预测值与实测值的误差作为区分故障发生与否的新特征，通过将误差与报警阈值比较，来决定是否更新模型参数。
以下结合某电力推进船舶主推进电机的变频器水冷单元ACS800-1007LC的冷却水泵，介绍本发明的相关详细步骤，并通过实验结果动态置信规则库的变频器冷却水泵故障报警方法的性能
1、在线获取变频器水冷单元ACS800-1007LC的冷却水泵转速变量值x1(t)，水泵流体流速变量值x2(t)，水泵进出口流体之间的压力差变量值y(t)，每隔3s采样一次，共采集5000次，给定报警阈值yotp＝0.009。图2所示的压力差采样序列y(t)中，y(1)到y(3040)的样本数据处于正常的工作状态，y(3041)到y(3400)的样本数据是异常停机发生前的状态，y(3401)到y(5000)的样本数据处于异常停机状态。
2、建立置信规则库报警模型，进行动态更新。t＝1时，给定初始的模型可调参数集合
Figure GDA0002547183900000111
A1,1＝{5.8501，8.5078，10.8977},A2.1＝{5.0765，7.2414，9.3012，11.4565}，
Figure GDA0002547183900000112
水泵进出口流体之间的压力差的参考集合为D1＝{2.0978，3.7939，5.2791，6.6373，8.3564},
Figure GDA0002547183900000113
由表3所示，
Figure GDA0002547183900000114
由表4所示。给定报警阈值yotp＝0.009，t＝2时，
Figure GDA0002547183900000115
Figure GDA0002547183900000116
R＝1000，按照步骤(4)到步骤(10)进行更新，直到t＝5000。图3是水泵进出口流体之间的压力差模型预测值
Figure GDA0002547183900000117
与实测值y(t)的误差er r(t)的序列图。图4是err(t)与给定报警阈值比较后的报警结果图，从最后的报警结果可以看出，当t＝3054时开始报警，之后一直处于报警状态，说明在冷却水泵异常停机发生前，能及时发出报警，验证了本发明方法的有效性。
表3报警模型初始规则库
Figure GDA0002547183900000121
表4初始规则库规则权重
Figure GDA0002547183900000122

Claims (1)

1.一种基于动态置信规则库的变频器冷却水泵故障报警方法，其特征在于该方法包括以下步骤：
(1)设x1(t)为t时刻变频器冷却水泵转速变量值，其单位为r/s2，x2(t)为t时刻水泵流体流速变量值，其单位为m/s，y(t)为t时刻水泵进出口流体之间的压力差变量值，其单位为Mpa，每隔1-3s采样一次，共采集TS次，TS>5000，则采样时刻t＝1,2,…,TS；
(2)将水泵转速变量x1和水泵流体流速变量x2作为置信规则库报警模型的输入，输入参考值集合
Figure FDA0002547183890000011
其中
Figure FDA0002547183890000012
Jn为参考值个数，水泵进出口流体之间的压力差变量y作为置信规则库报警模型的输出，输出参考值集合D＝{Di|i＝1,2,…,N}，其中D1<D2<…<DN，N为参考值个数，基于此构建置信规则库，具体步骤如下：
(2-1)构建的规则库，由L条规则组成，其中的第k条规则描述为：
Figure FDA0002547183890000013
式中：Ak 1表示在第k条规则中输入变量水泵转速的参考值，且有
Figure FDA0002547183890000014
Ak 2表示在第k条规则中输入变量水泵流体流速的参考值，且有
Figure FDA0002547183890000015
L＝J1×J2；mi,k为Di对应的规则置信度，满足
Figure FDA0002547183890000016
(2-2)对于某个t时刻获取的采样数据x1(t)和x2(t)，计算x1(t)、x2(t)相对于各自参考值的匹配度：
(a)当
Figure FDA0002547183890000017
或
Figure FDA0002547183890000018
时，xn(t)对
Figure FDA0002547183890000019
和
Figure FDA00025471838900000110
的匹配度αn,1、
Figure FDA00025471838900000111
取值均为1，对于其他参考值的匹配度均为0；
(b)当
Figure FDA0002547183890000021
时，p＝1,2,…,Jn-1，xn(t)对于
Figure FDA0002547183890000022
和
Figure FDA0002547183890000023
的匹配度由式(2)和(3)给出：
Figure FDA0002547183890000024
Figure FDA0002547183890000025
此时，输入变量xn(t)对于其他参考值的匹配度均为0；
(2-3)根据步骤(2-2)得到的匹配度计算输入x1(t)和x2(t)所激活的规则权重
Figure FDA0002547183890000026
Figure FDA0002547183890000027
其中
Figure FDA0002547183890000028
为输入
Figure FDA0002547183890000029
与第k条规则下各自对应的参考值
Figure FDA00025471838900000210
的匹配度，
Figure FDA00025471838900000211
为第k条证据的权重，
Figure FDA00025471838900000212
为第M1个输入的可靠度；
(2-4)根据步骤(2-3)得到的规则权重
Figure FDA00025471838900000213
后，将激活的规则置信度mi,k进行融合，融合公式如下：
Figure FDA00025471838900000214
(2-5)由式(6)算出水泵进出口流体之间的压力差
Figure FDA00025471838900000215
Figure FDA00025471838900000216
(3)当t＝1时，根据真实测得的水泵转速、水泵流体流速和水泵进出口流体之间的压力差，给定t＝1时刻初始的模型可调参数集合
Figure FDA00025471838900000217
其中An,t为t时刻模型输入的参考值集合，Dt为t时刻模型输出的参考值集合，
Figure FDA00025471838900000218
为t时刻模型中Dt中每一个输出参考值所对应的置信度，
Figure FDA00025471838900000219
为t时刻模型中第k条规则的权重，
Figure FDA0002547183890000031
为t时刻模型中第n个输入的可靠度；
(4)当t>1时，假设Qt中所有可调参数符合正态分布，具体满足如下分布：
Figure FDA0002547183890000032
Figure FDA0002547183890000033
其中
Figure FDA0002547183890000034
是An,t的方差，
Figure FDA0002547183890000035
是Dt的方差，
Figure FDA0002547183890000036
是
Figure FDA0002547183890000037
的方差，
Figure FDA0002547183890000038
是
Figure FDA0002547183890000039
的方差，
Figure FDA00025471838900000310
是
Figure FDA00025471838900000311
的方差，从上述分布中随机采样R组模型参数
Figure FDA00025471838900000312
R≥10，将t时刻输入x1(t)、x2(t)按照步骤(2)计算t时刻第l组模型的估计值
Figure FDA00025471838900000313
(5)根据下式(7)计算第l组模型的权重φl
Figure FDA00025471838900000314
其中y(t-1)是t-1时刻水泵进出口流体之间的压力差的实测值，σ为给定的φl的方差；
(6)根据下式(8)对第l组模型的权重φl进行归一化处理得到
Figure FDA00025471838900000315
Figure FDA00025471838900000316
(7)根据步骤(6)得到的归一化后权重
Figure FDA00025471838900000317
计算前ls个
Figure FDA00025471838900000318
的累加值，记为sum(ls)，ls＝1,2,…,R，从均匀分布U(0,1)随机采样lu次，每次采得的值记为u(lu)，lu＝1,2,…,R，对于每一个u(lu)，找到权重的累加值sum(ls)中第一个大于u(lu)值的下标ls，此时新的第lu组的模型参数等于原来的第ls组的模型参数，R次随机采样结束后得到新的R组模型参数，此时每组模型参数的权重变为1/R；
(8)根据步骤(7)得到的新的R组模型参数以及每组模型参数的权重计算Qt：
Figure FDA00025471838900000319
(9)使用步骤(8)得到的模型参数按照步骤(2)计算水泵进出口流体之间的压力差预测值
Figure FDA00025471838900000320
之后根据实际测得的t时刻水泵进出口流体之间的压力差实测值计算二者之间的误差err(t)：
Figure FDA0002547183890000041
(10)给定报警阈值yotp，判断err(t)是否大于给定报警阈值yotp，如果大于，则产生报警，同时t+1时刻模型参数不再更新，继续沿用t时刻模型参数对t时刻进行预测；如果不大于，则不报警，按步骤(4)到步骤(9)继续更新。
CN201910917439.3A 2019-09-26 2019-09-26 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 Active CN110597232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910917439.3A CN110597232B (zh) 2019-09-26 2019-09-26 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910917439.3A CN110597232B (zh) 2019-09-26 2019-09-26 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

Publications (2)

Publication Number Publication Date
CN110597232A CN110597232A (zh) 2019-12-20
CN110597232B true CN110597232B (zh) 2020-09-25

Family

ID=68863698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910917439.3A Active CN110597232B (zh) 2019-09-26 2019-09-26 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

Country Status (1)

Country Link
CN (1) CN110597232B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112541155B (zh) * 2020-09-30 2022-06-14 上海电力大学 一种基于置信规则库的汽轮机转子不平衡检测方法
CN113685260B (zh) * 2021-09-07 2022-10-11 上海华兴数字科技有限公司 冷却系统故障诊断方法、装置及作业机械

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101335752A (zh) * 2008-06-03 2008-12-31 电子科技大学 一种基于频繁片段规则的网络入侵检测方法
CN101476486A (zh) * 2008-11-26 2009-07-08 枣庄矿业（集团）有限责任公司滨湖煤矿 井下中央泵房排水自动监控系统
CN103411204A (zh) * 2013-08-20 2013-11-27 上海电力学院 除氧器压力低报警状态触发故障诊断的方法
KR20160019681A (ko) * 2014-08-12 2016-02-22 두산중공업 주식회사 감지 조류 제거 시스템 및 방법
WO2018158965A1 (en) * 2017-03-01 2018-09-07 Nec Corporation Apparatus and method for prediction of alarm, irregularity and undesired mode
CN109145972A (zh) * 2018-08-09 2019-01-04 杭州电子科技大学 一种船舶电力推进系统变频器报警器设计方法
CN109474607A (zh) * 2018-12-06 2019-03-15 连云港杰瑞深软科技有限公司 一种工业控制网络安全保护监测系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101335752A (zh) * 2008-06-03 2008-12-31 电子科技大学 一种基于频繁片段规则的网络入侵检测方法
CN101476486A (zh) * 2008-11-26 2009-07-08 枣庄矿业（集团）有限责任公司滨湖煤矿 井下中央泵房排水自动监控系统
CN103411204A (zh) * 2013-08-20 2013-11-27 上海电力学院 除氧器压力低报警状态触发故障诊断的方法
KR20160019681A (ko) * 2014-08-12 2016-02-22 두산중공업 주식회사 감지 조류 제거 시스템 및 방법
WO2018158965A1 (en) * 2017-03-01 2018-09-07 Nec Corporation Apparatus and method for prediction of alarm, irregularity and undesired mode
CN109145972A (zh) * 2018-08-09 2019-01-04 杭州电子科技大学 一种船舶电力推进系统变频器报警器设计方法
CN109474607A (zh) * 2018-12-06 2019-03-15 连云港杰瑞深软科技有限公司 一种工业控制网络安全保护监测系统

Also Published As

Publication number Publication date
CN110597232A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110597232B (zh) 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
US10805329B2 (en) Autonomous reconfigurable virtual sensing system for cyber-attack neutralization
CN112629585A (zh) 基于多维参数估计的设备在线监测方法及装置
CN110209144B (zh) 基于动静协同差异分析的两层实时监测与报警溯源方法
CN112179655A (zh) 一种基于阈值分级的汽轮发电机故障预警方法
CN112613554A (zh) 一种风力发电机变桨系统故障预测方法和系统
CN108204341B (zh) 风电场运行状态的识别方法和装置
Ahmed et al. Feature selection and fault classification of reciprocating compressors using a genetic algorithm and a probabilistic neural network
CN117390573B (zh) 基于时序预测的风电机组运行异常预警方法
CN112855515B (zh) 一种真空泵安全监测方法和装置
CN115453356A (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
Djagarov et al. Overview of diagnostic methods for rotating electrical machines
CN112149953B (zh) 基于多模联动和多阶段协作的机电设备运行安全评估方法
CN108536877B (zh) 风力发电机组振动程度的评估方法与系统
CN110222393B (zh) 基于细粒度风电发电状态划分的风机叶片结冰异常监测方法
CN114758483B (zh) 一种基于余弦相似性的电力设备动态智能预警方法
CN110441081B (zh) 一种旋转机械故障的智能诊断方法及智能诊断系统
Henríquez et al. Fault diagnosis using audio and vibration signals in a circulating pump
CN111400959A (zh) 风力发电机组的叶片故障诊断方法及装置
JP2020187616A (ja) プラント監視モデル作成装置、プラント監視モデル作成方法およびプラント監視モデル作成プログラム
CN115374653B (zh) 基于nset模型的风力发电机温度预警方法及相关装置
Zanoli et al. Complexity-based methodology for Fault Diagnosis: application on a centrifugal machine
CN117034157B (zh) 一种结合多模态运行数据的水电设备故障识别方法与系统
Navi et al. Sensor fault detection and isolation of an industrial gas turbine using partial block-wise adaptive kernel PGA
Sanz et al. Fuzzy inference systems applied to the analysis of vibrations in electrical machines

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