CN112613613B - 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 - Google Patents
一种基于脉冲神经膜系统的三相感应电动机故障分析方法 Download PDFInfo
- Publication number
- CN112613613B CN112613613B CN202011382977.6A CN202011382977A CN112613613B CN 112613613 B CN112613613 B CN 112613613B CN 202011382977 A CN202011382977 A CN 202011382977A CN 112613613 B CN112613613 B CN 112613613B
- Authority
- CN
- China
- Prior art keywords
- proposition
- neuron
- rule
- fault
- pulse
- 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
- 230000006698 induction Effects 0.000 title claims abstract description 68
- 238000004458 analytical method Methods 0.000 title claims abstract description 36
- 230000001537 neural effect Effects 0.000 title claims abstract description 29
- 239000012528 membrane Substances 0.000 title claims description 20
- 238000003745 diagnosis Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims description 372
- 239000013598 vector Substances 0.000 claims description 69
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000000946 synaptic effect Effects 0.000 claims description 36
- 238000010304 firing Methods 0.000 claims description 26
- 230000003518 presynaptic effect Effects 0.000 claims description 21
- 230000001242 postsynaptic effect Effects 0.000 claims description 18
- 230000001960 triggered effect Effects 0.000 claims description 17
- 238000004804 winding Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 210000005036 nerve Anatomy 0.000 claims description 6
- 210000005215 presynaptic neuron Anatomy 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 239000010687 lubricating oil Substances 0.000 claims description 4
- 208000024891 symptom Diseases 0.000 claims description 4
- 210000000225 synapse Anatomy 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 206010020843 Hyperthermia Diseases 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010438 heat treatment Methods 0.000 claims description 2
- 230000036031 hyperthermia Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 239000010705 motor oil Substances 0.000 claims description 2
- 239000003921 oil Substances 0.000 claims description 2
- 230000003647 oxidation Effects 0.000 claims description 2
- 238000007254 oxidation reaction Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000007789 sealing Methods 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012421 spiking Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于脉冲神经膜系统的三相感应电动机故障分析方法,基于改进的模糊推理实数脉冲神经膜系统提出了正向故障预测推理算法和逆向溯因故障诊断推理算法,在三相感应电动机发生故障前,通过正向故障预测推理算法对其进行故障预测,能够有效预测三相感应电动机可能发生的故障情况;在三相感应电动机发生故障后,通过逆向溯因故障诊断推理算法对其进行故障诊断,能够有效确定引发故障的故障原因与故障源。本发明从整机的角度建立基于改进模糊推理实数脉冲神经膜系统的三相感应电动机故障分析模型,有效解决了现有方法在故障发生后难以找到精确故障原因与故障源的缺陷。
Description
技术领域
本发明属于电动机故障检测分析技术领域,具体涉及一种基于脉冲神经膜系统的三相感应电动机故障分析方法的设计。
背景技术
三相感应电动机作为工农业生产的重要组成部分,其正常运行对经济效益和安全风险起着举足轻重的作用。对于电动机来说,任何无法及时预测或检测到的潜在故障都可能对其造成损坏,导致停机,并可能造成巨大的经济损失。另外,当电动机发生故障停机时,首要任务是进行故障溯因诊断,找出故障原因,有效帮助运维人员快速找到故障部位。因此,故障预测与故障溯因对提高电动机工作可靠性和稳定性具有重要意义。
电动机的故障预测通常是基于在线监测系统检测出早期故障征兆和能反映故障隐患的趋势参数。然后,通过预测算法对这些症状和参数进行处理,获得预警信息,并进行综合决策,以预防电动机故障。然而,到目前为止,大多数故障预测方法都需要大量的历史数据来完成预测模型的训练和学习。
电动机的溯因故障诊断就是从电动机的故障现象和运行数据中找出故障原因,使电动机得到有效及时的修复,从而减少经济损失。目前,对于电动机的故障诊断方法主要基于振动信号或电信号,其中基于振动信号的故障诊断方法在所需故障信号与其他信号混合时,难以提取故障信息的特征;基于电信号的故障诊断方法则仅能诊断有限的故障类型,例如:偏心故障、轴承故障和转子断条等。此外,大多数方法主要集中在单个故障的诊断上,如转子断条或定子短路。因此,它们难以有效地诊断多个故障,进而也难以达到对整机进行全面故障分析的要求。
发明内容
本发明的目的是为了解决现有三相感应电动机故障诊断方法存在的上述问题,提出了一种基于脉冲神经膜系统的三相感应电动机故障分析方法,以应对三相感应电动机早期的故障检测和故障后的维修问题。
本发明的技术方案为:一种基于脉冲神经膜系统的三相感应电动机故障分析方法,包括以下步骤:
S1、根据三相感应电动机的历史故障数据构建故障模糊产生式规则集,并根据故障模糊产生式规则集建立基于改进模糊推理实数脉冲神经膜系统的三相感应电动机故障分析模型。
S2、采用神经元脉冲值推理算法得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率。
S3、判断三相感应电动机是否发生故障,若是则进入步骤S5,否则进入步骤S4。
S4、结合故障事件概率,采用正向故障预测推理算法对三相感应电动机的潜在故障进行预测,得到三相感应电动机的潜在故障路径及其发生概率,结束故障分析。
S5、结合故障事件概率,采用逆向溯因故障诊断推理算法对三相感应电动机的故障进行溯因诊断,得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率,结束故障分析。
进一步地,步骤S1中构建的故障模糊产生式规则集包括以下规则:
规则1:如果命题p1或命题p2发生,则命题p17发生;
规则2:如果命题p2且命题p3发生,则命题p18发生;
规则3:如果命题p3发生,则命题p19发生;
规则4:如果命题p4发生,则命题p20发生;
规则5:如果命题p5发生,则命题p21发生;
规则6:如果命题p6或命题p7发生,则命题p22发生;
规则7:如果命题p8发生,则命题p23发生;
规则8:如果命题p8发生,则命题p24发生;
规则9:如果命题p9或命题p10发生,则命题p25发生;
规则10:如果命题p10或命题p11发生,则命题p26发生;
规则11:如果命题p12或命题p13发生,则命题p27发生;
规则12:如果命题p14发生,则命题p28发生;
规则13:如果命题p15且命题p16发生,则命题p29发生;
规则14:如果命题p17或命题p18或命题p19发生,则命题p30发生;
规则15:如果命题p20发生,则命题p31发生;
规则16:如果命题p21发生,则命题p32发生;
规则17:如果命题p22发生,则命题p33发生;
规则18:如果命题p22或命题p23发生,则命题p34发生;
规则19:如果命题p24发生,则命题p35发生;
规则20:如果命题p25发生,则命题p36发生;
规则21:如果命题p26发生,则命题p37发生;
规则22:如果命题p27发生,则命题p38发生;
规则23:如果命题p28发生,则命题p39发生;
规则24:如果命题p29发生,则命题p40发生;
规则25:如果命题p30或命题p31或命题p32或命题p33发生,则命题p41发生;
规则26:如果命题p34或命题p35发生,则命题p42发生;
规则27:如果命题p36发生,则命题p43发生;
规则28:如果命题p37或命题p38发生,则命题p44发生;
规则29:如果命题p39或命题p40发生,则命题p45发生;
规则30:如果命题p41发生,则命题p46发生;
规则31:如果命题p42或命题p43发生,则命题p47发生;
规则32:如果命题p44发生,则命题p48发生;
规则33:如果命题p45发生,则命题p49发生;
规则34:如果命题p46或命题p47或命题p48或命题p49发生,则命题p50发生。
其中,命题p1表示电动机负载过大,命题p2表示转子绕组短路,命题p3表示某相绕组电阻变小,命题p4表示熔断器熔体故障,命题p5表示轴封环结构损坏,命题p6表示油封材料过热,命题p7表示密封表面轴粗糙度值过大,命题p8表示温度过高,命题p9表示转子绕组机械故障,命题p10表示电动机中心线与机泵中心线不一致,命题p11表示轴承锁紧装置故障,命题p12表示转子铁芯变形,命题p13表示磁性槽楔破裂或脱落,命题p14表示绕组与引接线接头处脱焊,命题p15表示接线盒接头松动,命题p16表示电源控制回路开关接触不良,命题p17表示转速下降,命题p18表示某相电流过大,命题p19表示激磁电流过大,命题p20表示某相电压缺失,命题p21表示转轴间隙进入异物,命题p22表示电动机进油,命题p23表示轴承润滑油氧化、分解,命题p24表示轴承受热膨胀,命题p25表示轴承产生附加载荷,命题p26表示转子轴向窜动,命题p27表示定、转子铁芯有气隙,命题p28表示转子绕组断路,命题p29表示接触电阻增大,命题p30表示电动机运行过热,命题p31表示电动机缺相运行,命题p32表示电动机转动异常或卡机,命题p33表示电动机绝缘老化,命题p34表示润滑油量减少,命题p35表示曲路环与轴孔产生摩擦,命题p36表示电动运行振动过大,命题p37表示轴承噪音过大,命题p38表示电动机扫堂,命题p39表示定子三相电流增大,命题p40表示压降增大,命题p41表示三相电流不对称,命题p42表示轴承过度磨损,命题p43表示无规律冲击性负荷,命题p44表示电动机运行有异响,命题p45表示电动机转动无力或不转且发出嗡嗡声,命题p46表示绝缘绕组烧毁,命题p47表示电动机抱轴,命题p48表示转子卡转或停止转动,命题p49表示电动机局部高热,命题p50表示电动机故障。
进一步地,步骤S1中的改进模糊推理实数脉冲神经膜系统∏具体为:
∏=(O,σ1,...,σm,syn,in,out)
其中O={a}表示神经脉冲的集合,a表示一个神经脉冲,σ1,...,σm为改进模糊推理实数脉冲神经膜系统∏中的m个神经元,其中σ1,...,σs为命题神经元,σs+1,...,σs+t为规则神经元,s为命题神经元个数,t为规则神经元个数,且s+t=m。
每个命题神经元σi对应于故障模糊产生式规则集中的一个命题,其形式为(αi,λi,ri),1≤i≤s,其中αi为包含在命题神经元σi中的内部脉冲值,其取值为[0,1];λi为命题神经元σi的点火阈值,其取值为[0,1];ri为命题神经元σi的点火规则,其形式为E/aα→aθ,其中E={an∧α≥λi}表示点火条件,表示当且仅当命题神经元σi至少接收n个脉冲且该神经元内部脉冲值满足α≥λi时,命题神经元σi的点火规则ri才能被触发,通过触发点火规则ri,命题神经元σi会消耗一个脉冲的脉冲值α,然后产生一个新的脉冲值θ,并将其传递给突触后神经元,α和θ的取值均为[0,1]。
每个规则神经元σs+j对应于故障模糊产生式规则集中的一条规则,其形式为(δj,cj,λj,rj),1≤j≤t,其中δj为包含在规则神经元σs+j中的内部脉冲值,其取值为[0,1];cj为规则神经元σs+j的真值,其取值为[0,1];λj为规则神经元σs+j的点火阈值,其取值为[0,1];rj为规则神经元σs+j的点火规则,其形式为E/aδ→aβ,其中E={an∧δ≥λj}表示点火条件,表示当且仅当规则神经元σs+j至少接收n个脉冲且该神经元内部脉冲值满足δ≥λj时,规则神经元σs+j的点火规则rj才能被触发,通过触发点火规则rj,规则神经元σs+j会消耗一个脉冲的脉冲值δ,然后产生一个新的脉冲值β,并将其传递给突触后神经元,δ和β的取值均为[0,1]。
表示命题神经元与规则神经元之间突触的有向连接关系,in和out分别表示改进模糊推理实数脉冲神经膜系统∏的输入神经元和输出神经元集合。
进一步地,规则神经元包括general规则神经元、and规则神经元以及or规则神经元。
general规则神经元表示如果前件命题事件p1发生,则后件命题事件p2发生。
and规则神经元表示如果前件命题事件p1~pa-1均发生,则后件命题事件pa发生,其中a>2。
or规则神经元表示如果前件命题事件p1~pa-1中的任意一件发生,则后件命题事件pa发生。
进一步地,步骤S2中的神经元脉冲值推理算法包括以下步骤:
A1、设置初始推理步数k=1。
A2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk:
A3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk:
A4、令推理步数k加1。
A5、判断是否满足运行条件δk≠0,若是则返回步骤A2,否则结束神经元脉冲值推理算法,输出得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率。
神经元脉冲值推理算法中涉及的向量、矩阵与运算算子含义如下:
α=(α1,α2,...,αs)T为命题神经元的脉冲值向量,其中αi为第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元中没有脉冲,则它的脉冲值为0。
δ=(δ1,δ2,...,δt)T为规则神经元的脉冲值向量,其中δj为第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元中没有脉冲,则它的脉冲值为0。
为命题神经元的点火阈值向量。
为规则神经元的点火阈值向量。
C=diag(c1,c2,...,ct)表示规则神经元的真值对角矩阵,其中cj为第j个规则神经元的真值,j=1,2,...,t。
D1=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到general规则神经元的定向突触连接,如果从命题神经元σi到general规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D2=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到and规则神经元的定向突触连接,如果从命题神经元σi到and规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D3=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到or规则神经元的定向突触连接,如果从命题神经元σi到or规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D4=(dji)t×s为一个t×s阶突触矩阵,表示规则神经元到命题神经元的定向突触连接,如果从规则神经元σs+j到命题神经元σi有突触连接,则dji=1,否则dji=0。
为t×1阶零向量。
*为运算算子,且其运算规则为其中
·为运算算子,且其运算规则为其中
为运算算子,且其运算规则为其中
上标T表示向量和矩阵的转置,下标k表示推理步数。
进一步地,步骤S4中的正向故障预测推理算法包括以下步骤:
B1、设置初始推理步数k=1。
B2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk和
B3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk和
B4、令推理步数k加1。
B5、判断是否满足运行条件若是则返回步骤B2,否则结束正向故障预测推理算法,输出得到三相感应电动机的潜在故障路径及其发生概率。
正向故障预测推理算法中涉及的向量、矩阵与运算算子含义如下:
为脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则编号为0。
为脉冲所在规则神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则编号为0。
Δ为运算算子,且其运算规则为AΔB=(ci1)x×1,其中A=(aik)x×y,B=(bk1)y×1,ci1=max{aik,bk1},1≤i≤x,1≤k≤y。
为运算算子,且其运算规则为其中A=(aik)x×y,B=(bk1)y×1,如果则ci1=0,否则ci1=1,1≤i≤x,1≤k≤y。
为运算算子,且其运算规则为其中A=(aij)x×y,B=(bi1)x×1,cij=aijbi1,1≤i≤x,1≤j≤y。
⊕为运算算子,且其运算规则为A⊕B=(cij)x×y,其中A=(aij)x×y,B=(bij)x×y,cij=max{aij,bij},1≤i≤x,1≤j≤y。
Θ为运算算子,且其运算规则为AΘB=(cij)x×y,其中A=(aij)x×y,B=(bij)x×y,如果aij≥bij,则cij=1,否则cij=0,1≤i≤x,1≤j≤y。
正向故障预测推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4,C)与运算算子(*,·,)的含义与神经元脉冲值推理算法中相同。
上标T表示向量和矩阵的转置,下标k表示推理步数。
进一步地,步骤S5中的逆向溯因故障诊断推理算法包括以下步骤:
C1、设置初始推理步数k=1。
C2、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算和
C3、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算和
C4、根据计算
C5、确定中每个命题神经元的最小割集,并计算命题神经元的最小割集危险度,筛选出最小割集危险度大于λy的脉冲。
C6、根据筛选出来的脉冲更新命题神经元的编号并通过下式计算更新后的命题神经元中故障脉冲的脉冲值:
C7、令推理步数k加1。
C8、判断是否满足运行条件若是则返回步骤C2,否则结束逆向溯因故障诊断推理算法,输出得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率。
逆向溯因故障诊断推理算法中涉及的向量、矩阵与运算算子含义如下:
为故障脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则为0。
为故障脉冲所在命题神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则为0。
为命题神经元的故障脉冲向量,其中θpi表示第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元没有包含脉冲,则它的脉冲值为0。
为规则神经元的故障脉冲向量,其中表示第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元没有包含脉冲,则它的脉冲值为0。
λy为最小割集的危险度阈值,其取值为[0,1]。
为一个s×s阶权重矩阵,其中矩阵元素wik(σi)表示相邻命题神经元之间的紧密程度,如果命题神经元σi和σk有关联,则wik(σi)表示σi和σk之间的紧密程度,即权重,否则wik(σi)=0,1≤i≤s,1≤k≤s。
为一个s×s阶命题神经元脉冲危险度矩阵,其中yik(σi)表示对应于命题神经元σi的事件引发与之关联的命题神经元σk的危险度,1≤i≤s,1≤k≤s,如果σi传递一个脉冲给σk,则yik(σi)=wik(σi)×αi,否则yik(σi)=0。
逆向溯因故障诊断推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4)与运算算子的含义与神经元脉冲值推理算法及正向故障预测推理算法中相同。
上标T表示向量和矩阵的转置,下标k表示推理步数。
进一步地,步骤C5中的最小割集Qx的结构化定义为:
Qx=(Q1,Q2,...,Ql),1≤l≤s
其中Q1,Q2,...,Ql为l个最小割集。
general规则神经元有一个对应于底事件的突触前命题神经元和一个对应于顶事件的突触后命题神经元,其顶事件只能由底事件触发,因此顶事件的最小割集由突触前神经元组成;底事件对应于故障或故障征兆,顶事件对应于故障。
or规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件可以由任何底事件触发,因此顶事件的最小割集由任何突触前命题神经元组成。
and规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件只能由所有底事件同时触发,因此顶事件的最小割集由所有突触前命题神经元组成。
Qg={y(σi),y(Qg),λy}为第g个最小割集,1≤g≤l,1≤i≤s,其中y(σi)为第i个命题神经元σi的危险度,其计算公式为:
y(σi)=w(σi)×αi
w(σi)为权重,表示命题神经元σi与它突触后神经元的紧密程度,其取值为[0,1],αi为第i个命题神经元σi的脉冲值。
y(Qg)为第g个最小割集的危险度,其计算公式为:
λy为最小割集的危险度阈值,其取值为[0,1],当最小割集的危险度大于λy时,则最小割集被称为精确最小割集,并且精确最小割集中具有脉冲的命题神经元形成故障路径,每个故障路径的命题神经元被称为故障原因且其第一个命题神经元被称为故障源。
本发明的有益效果是:
(1)本发明从整机的角度建立基于改进模糊推理实数脉冲神经膜系统的三相感应电动机故障分析模型,有效解决了现有方法在故障发生后难以找到精确故障原因与故障源的缺陷。
(2)本发明在三相感应电动机发生故障前,通过正向故障预测推理算法对其进行故障预测,能够有效预测三相感应电动机可能发生的故障情况。
(3)本发明在三相感应电动机发生故障后,通过逆向溯因故障诊断推理算法对其进行故障诊断,能够有效确定引发故障的故障原因与故障源。
附图说明
图1所示为本发明实施例提供的一种基于脉冲神经膜系统的三相感应电动机故障分析方法流程图。
图2所示为本发明实施例提供的general规则神经元示意图。
图3所示为本发明实施例提供的and规则神经元示意图。
图4所示为本发明实施例提供的or规则神经元示意图。
图5所示为本发明实施例提供的三相感应电动机故障分析模型示意图。
图6所示为本发明实施例提供的三相感应电动机局部故障分析模型示意图。
图7所示为本发明实施例提供的潜在故障路径的正向预测示意图。
图8所示为本发明实施例提供的命题神经元之间的紧密程度示意图。
图9所示为本发明实施例提供的逆向故障溯因路径示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于脉冲神经膜系统的三相感应电动机故障分析方法,如图1所示,包括以下步骤S1~S5:
S1、根据三相感应电动机的历史故障数据构建故障模糊产生式规则集,并根据故障模糊产生式规则集建立基于改进模糊推理实数脉冲神经膜系统(Modified FuzzyReasoning Spiking Neural P System with Real Numbers,rMFRSNPS)的三相感应电动机故障分析模型。
本发明实施例中,构建的故障模糊产生式规则集包括以下规则:
规则1:如果命题p1或命题p2发生,则命题p17发生;
规则2:如果命题p2且命题p3发生,则命题p18发生;
规则3:如果命题p3发生,则命题p19发生;
规则4:如果命题p4发生,则命题p20发生;
规则5:如果命题p5发生,则命题p21发生;
规则6:如果命题p6或命题p7发生,则命题p22发生;
规则7:如果命题p8发生,则命题p23发生;
规则8:如果命题p8发生,则命题p24发生;
规则9:如果命题p9或命题p10发生,则命题p25发生;
规则10:如果命题p10或命题p11发生,则命题p26发生;
规则11:如果命题p12或命题p13发生,则命题p27发生;
规则12:如果命题p14发生,则命题p28发生;
规则13:如果命题p15且命题p16发生,则命题p29发生;
规则14:如果命题p17或命题p18或命题p19发生,则命题p30发生;
规则15:如果命题p20发生,则命题p31发生;
规则16:如果命题p21发生,则命题p32发生;
规则17:如果命题p22发生,则命题p33发生;
规则18:如果命题p22或命题p23发生,则命题p34发生;
规则19:如果命题p24发生,则命题p35发生;
规则20:如果命题p25发生,则命题p36发生;
规则21:如果命题p26发生,则命题p37发生;
规则22:如果命题p27发生,则命题p38发生;
规则23:如果命题p28发生,则命题p39发生;
规则24:如果命题p29发生,则命题p40发生;
规则25:如果命题p30或命题p31或命题p32或命题p33发生,则命题p41发生;规则26:如果命题p34或命题p35发生,则命题p42发生;
规则27:如果命题p36发生,则命题p43发生;
规则28:如果命题p37或命题p38发生,则命题p44发生;
规则29:如果命题p39或命题p40发生,则命题p45发生;
规则30:如果命题p41发生,则命题p46发生;
规则31:如果命题p42或命题p43发生,则命题p47发生;
规则32:如果命题p44发生,则命题p48发生;
规则33:如果命题p45发生,则命题p49发生;
规则34:如果命题p46或命题p47或命题p48或命题p49发生,则命题p50发生。其中,命题p1~p50所表示的事件如表1所示。
表1
本发明实施例中,改进模糊推理实数脉冲神经膜系统∏具体为:
∏=(O,σ1,...,σm,syn,in,out)
其中O={a}表示神经脉冲的集合,a表示一个神经脉冲,σ1,...,σm为改进模糊推理实数脉冲神经膜系统∏中的m个神经元,其中σ1,...,σs为命题神经元,σs+1,...,σs+t为规则神经元,s为命题神经元个数,t为规则神经元个数,且s+t=m。
每个命题神经元σi对应于故障模糊产生式规则集中的一个命题,其形式为(αi,λi,ri),1≤i≤s,其中αi为包含在命题神经元σi中的内部脉冲值(即电脉冲值),其取值为[0,1];λi为命题神经元σi的点火阈值,其取值为[0,1];ri为命题神经元σi的点火规则,其形式为E/aα→aθ,其中E={an∧α≥λi}表示点火条件,表示当且仅当命题神经元σi至少接收n个脉冲且该神经元内部脉冲值满足α≥λi时,命题神经元σi的点火规则ri才能被触发,通过触发点火规则ri,命题神经元σi会消耗(移除)一个脉冲的脉冲值α,然后产生(发射)一个新的脉冲值θ,并将其传递给突触后神经元,α和θ的取值均为[0,1]。
每个规则神经元σs+j对应于故障模糊产生式规则集中的一条规则,其形式为(δj,cj,λj,rj),1≤j≤t,其中δj为包含在规则神经元σs+j中的内部脉冲值(即电脉冲值),其取值为[0,1];cj为规则神经元σs+j的真值,其取值为[0,1];λj为规则神经元σs+j的点火阈值,其取值为[0,1];rj为规则神经元σs+j的点火规则,其形式为E/aδ→aβ,其中E={an∧δ≥λj}表示点火条件,表示当且仅当规则神经元σs+j至少接收n个脉冲且该神经元内部脉冲值满足δ≥λj时,规则神经元σs+j的点火规则rj才能被触发,通过触发点火规则rj,规则神经元σs+j会消耗(移除)一个脉冲的脉冲值δ,然后产生(发射)一个新的脉冲值β,并将其传递给突触后神经元,δ和β的取值均为[0,1]。
表示命题神经元与规则神经元之间突触的有向连接关系,in和out分别表示改进模糊推理实数脉冲神经膜系统∏的输入神经元和输出神经元集合。
本发明实施例中,规则神经元包括general规则神经元、and规则神经元以及or规则神经元。
如图2所示,general规则神经元表示如果前件命题事件p1发生,则后件命题事件p2发生。
如图3所示,and规则神经元表示如果前件命题事件p1~pa-1均发生,则后件命题事件pa发生,其中a>2。
如图4所示,or规则神经元表示如果前件命题事件p1~pa-1中的任意一件发生,则后件命题事件pa发生。
采用改进模糊推理实数脉冲神经膜系统∏对上述故障模糊产生式规则集进行建模,最终得到的三相感应电动机故障分析模型如图5所示。
S2、采用神经元脉冲值推理算法(Pulse Value Reasoning Algorithm,PVRA)得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率。
本发明实施例中,神经元脉冲值推理算法包括以下步骤A1~A5:
A1、设置初始推理步数k=1。
A2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk:
A3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk:
A4、令推理步数k加1。
A5、判断是否满足运行条件δk≠0,若是则返回步骤A2,否则结束神经元脉冲值推理算法,输出得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率。
神经元脉冲值推理算法中涉及的向量、矩阵与运算算子含义如下:
α=(α1,α2,...,αs)T为命题神经元的脉冲值向量,其中αi为第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元中没有脉冲,则它的脉冲值为0。
δ=(δ1,δ2,...,δt)T为规则神经元的脉冲值向量,其中δj为第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元中没有脉冲,则它的脉冲值为0。
为命题神经元的点火阈值向量。
为规则神经元的点火阈值向量。
C=diag(c1,c2,...,ct)表示规则神经元的真值对角矩阵,其中cj为第j个规则神经元的真值,j=1,2,...,t。
D1=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到general规则神经元的定向突触连接,如果从命题神经元σi到general规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D2=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到and规则神经元的定向突触连接,如果从命题神经元σi到and规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D3=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到or规则神经元的定向突触连接,如果从命题神经元σi到or规则神经元σs+j有突触连接,则dij=1,否则dij=0。
D4=(dji)t×s为一个t×s阶突触矩阵,表示规则神经元到命题神经元的定向突触连接,如果从规则神经元σs+j到命题神经元σi有突触连接,则dji=1,否则dji=0。
为t×1阶零向量。
*为运算算子,且其运算规则为其中
·为运算算子,且其运算规则为其中
为运算算子,且其运算规则为其中
上标T表示向量和矩阵的转置,下标k表示推理步数。
S3、判断三相感应电动机是否发生故障,若是则进入步骤S5,否则进入步骤S4。
S4、结合故障事件概率,采用正向故障预测推理算法(Forward Fault PredictionReasoning Algorithm,FFPRA)对三相感应电动机的潜在故障进行预测,得到三相感应电动机的潜在故障路径及其发生概率,结束故障分析。
本发明实施例中,正向故障预测推理算法包括以下步骤B1~B5:
B1、设置初始推理步数k=1。
B2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk和
B3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk和
B4、令推理步数k加1。
B5、判断是否满足运行条件若是则返回步骤B2,否则结束正向故障预测推理算法,输出得到三相感应电动机的潜在故障路径及其发生概率。
正向故障预测推理算法中涉及的向量、矩阵与运算算子含义如下:
为脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则编号为0。
为脉冲所在规则神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则编号为0。
Δ为运算算子,且其运算规则为AΔB=(ci1)x×1,其中A=(aik)x×y,B=(bk1)y×1,ci1=max{aik,bk1},1≤i≤x,1≤k≤y。
为运算算子,且其运算规则为其中A=(aik)x×y,B=(bk1)y×1,如果则ci1=0,否则ci1=1,1≤i≤x,1≤k≤y。
为运算算子,且其运算规则为其中A=(aij)x×y,B=(bi1)x×1,cij=aijbi1,1≤i≤x,1≤j≤y。
⊕为运算算子,且其运算规则为A⊕B=(cij)x×y,其中A=(aij)x×y,B=(bij)x×y,cij=max{aij,bij},1≤i≤x,1≤j≤y。
Θ为运算算子,且其运算规则为AΘB=(cij)x×y,其中A=(aij)x×y,B=(bij)x×y,如果aij≥bij,则cij=1,否则cij=0,1≤i≤x,1≤j≤y。
正向故障预测推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4,C)与运算算子(*,·,)的含义与神经元脉冲值推理算法中相同。
上标T表示向量和矩阵的转置,下标k表示推理步数。
S5、结合故障事件概率,采用逆向溯因故障诊断推理算法(Backward AbductiveFault Diagnosis Reasoning Algorithm,BAFDRA)对三相感应电动机的故障进行溯因诊断,得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率,结束故障分析。
本发明实施例中,逆向溯因故障诊断推理算法包括以下步骤C1~C8:
C1、设置初始推理步数k=1。
C2、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算和
C3、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算和
C4、根据计算
C5、确定中每个命题神经元的最小割集,并计算命题神经元的最小割集危险度,筛选出最小割集危险度大于λy的脉冲。
C6、根据筛选出来的脉冲更新命题神经元的编号并通过下式计算更新后的命题神经元中故障脉冲的脉冲值:
C7、令推理步数k加1。
C8、判断是否满足运行条件若是则返回步骤C2,否则结束逆向溯因故障诊断推理算法,输出得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率。
逆向溯因故障诊断推理算法中涉及的向量、矩阵与运算算子含义如下:
为故障脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则为0。
为故障脉冲所在命题神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则为0。
为命题神经元的故障脉冲向量,其中表示第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元没有包含脉冲,则它的脉冲值为0。
为规则神经元的故障脉冲向量,其中表示第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元没有包含脉冲,则它的脉冲值为0。
λy为最小割集的危险度阈值,其取值为[0,1]。
为一个s×s阶权重矩阵,其中矩阵元素wik(σi)表示相邻命题神经元之间的紧密程度(即权重),如果命题神经元σi和σk有关联,则wik(σi)表示σi和σk之间的紧密程度,即权重,否则wik(σi)=0,1≤i≤s,1≤k≤s。
为一个s×s阶命题神经元脉冲危险度矩阵,其中yik(σi)表示对应于命题神经元σi的事件引发与之关联的命题神经元σk的危险度,1≤i≤s,1≤k≤s,如果σi传递一个脉冲给σk,则yik(σi)=wik(σi)×αi,否则yik(σi)=0。
逆向溯因故障诊断推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4)与运算算子的含义与神经元脉冲值推理算法及正向故障预测推理算法中相同。
上标T表示向量和矩阵的转置,下标k表示推理步数。
本发明实施例中,为了提高故障诊断的准确性,将精确最小割集(PreciseMinimum Cut Set,PMCS)的筛选机制融合进脉冲神经膜系统的并行推理能力中。在两个相邻的故障事件中,底事件对应于故障或故障征兆,顶事件对应于故障。所涉及精确最小割集的结构化定义为:
Qx=(Q1,Q2,...,Ql),1≤l≤s
其中Q1,Q2,...,Ql为l个最小割集(Minimum Cut Set,MCS)。
general规则神经元有一个对应于底事件的突触前命题神经元和一个对应于顶事件的突触后命题神经元,其顶事件只能由底事件触发,因此顶事件的最小割集由突触前神经元组成。
or规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件可以由任何底事件触发,因此顶事件的最小割集由任何突触前命题神经元组成。也就是说,如果有l个底事件可以触发顶事件,那么顶事件将有l个最小割集,每个最小割集由一个对应于l个底事件之一的突触前神经元组成。
and规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件只能由所有底事件同时触发,因此顶事件的最小割集由所有突触前命题神经元组成。也就是说,如果有l个底事件可以触发顶事件,那么顶事件将只有一个最小割集,它应该由对应于l个底事件的所有突触前神经元组成。
Qg={y(σi),y(Qg),λy}为第g个最小割集,1≤g≤l,1≤i≤s,其中y(σi)为第i个命题神经元σi的危险度,其计算公式为:
y(σi)=w(σi)×αi
w(σi)为权重,表示命题神经元σi与它突触后神经元的紧密程度,其取值为[0,1],αi为第i个命题神经元σi的脉冲值。
y(Qg)为第g个最小割集的危险度,其计算公式为:
λy为最小割集的危险度阈值,其取值为[0,1],当最小割集的危险度大于λy时,则最小割集被称为精确最小割集,并且精确最小割集中具有脉冲的命题神经元形成故障路径,每个故障路径的命题神经元被称为故障原因且其第一个命题神经元被称为故障源。
下面以一个具体实验例对本发明提供的一种基于脉冲神经膜系统的三相感应电动机故障分析方法作详细描述。
由于采用图5所示的全局模型进行案例分析,所涉及矩阵的维度太大,所涉及模型的图幅也过大,不利于对所提方法的过程进行细致展示。因此,本实验例以电动机局部故障分析模型(如图6所示)为对象进行案例分析。
首先采用神经元脉冲值推理算法推导各故障事件的概率,获得其对应神经元的脉冲值。
命题神经元和规则神经元的初始脉冲值向量分别为:α0=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,O18)T,δ0=(O18)T。
规则神经元的真值对角线矩阵为:C=diag(0.8,0.88,0.87,0.8,0.92,0.89,0.89,0.89,0.89,0.92,0.94,0.9,0.92,0.91,0.94,0.93,0.97,0.93)。
命题神经元与规则神经元的点火阈值向量分别为:
突触矩阵D1,D2,D3,D4由图5所示的三相感应电动机故障分析模型得到,其表示如下:
D4=[O18×8 E18×18]
其中:
O为零矩阵,E为单位矩阵。
神经元脉冲值推理算法的执行过程如下:
当k=1时,δ1=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,O10)T,α1=(O8,0.64,0.53,0.78,0.74,0.74,0.8,0.73,0.73,O10)T。
当k=2时,δ2=(O8,0.78,0.74,0.74,0.8,0.8,0.73,O4)T,α2=(O16,0.69,0.68,0.7,0.72,0.74,0.66,O4)T。
当k=3时,δ3=(O14,0.72,0.74,O2)T,α3=(O22,0.68,0.69,O2)T。
当k=4时,δ4=(O16,0.68,0.69)T,α4=(O24,0.66,0.64)T。
当k=5时,δ5=(O18)T。
因此,满足终止条件,推理停止。得到该局部故障分析模型所有神经元的脉冲值:
α=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,0.64,0.53,0.78,0.74,0.74,0.8,0.73,0.73,0.69,0.68,0.7,0.72,0.74,0.66,0.68,0.69,0.66,0.64)T。
δ=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,0.78,0.74,0.74,0.8,0.8,0.73,0.72,0.74,0.68,0.69)T。
然后,采用正向故障预测推理算法进行潜在故障预测。假设当前在线监测到电动机的故障征兆,“电动机负载过大(p1)”、“某相绕组电阻变小(p3)”、“轴封环结构损坏(p5)”和“密封表面轴粗糙度值过大(p7)”,因此,得到了具有故障脉冲的命题神经元的初始编号向量
命题神经元与规则神经元初始脉冲值分别为:
规则神经元真值为:C=diag(0.8,0.88,0.87,0.8,0.9,0.89,0.89,0.89,0.92,0.84,0.9,0.92,0.91,0.94,0.93,0.97,0.9)T。
故障脉冲所在命题神经元编号为:
正向故障预测推理算法的执行过程如下:
当k=1时,δ1=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,O10)T,α1=(O8,0.64,0.53,0.78,0.74,0.74,0.8,0.73,0.73,O10)T,
当k=2时,δ2=(O8,0.78,0.74,0.74,0.8,0.8,0.73,O4)T,α2=(O16,0.69,0.68,0.7,0.72,0.74,0.66,O4)T,
当k=3时,δ3=(O14,0.72,0.74,O2)T,α3=(O22,0.68,0.69,O2)T,
当k=4时,δ4=(O16,0.68,0.69)T,α4=(O24,0.66,0.64)T,
当k=5时,δ5=(O18)T,
因此,满足终止条件,推理停止。包含故障脉冲的神经元如图7所示,得到了潜在的故障路径,即:L1=(σ1,σ17,σ30,σ41,σ46),L2=(σ3,σ19,σ30,σ41,σ46),L3=(σ5,σ21,σ32,σ41,σ46),L4=(σ7,σ22,σ33,σ41,σ46),L5=(σ7,σ22,σ34,σ42,σ47),其中σ17,σ19,σ21,σ22,σ30,σ32,σ33,σ34,σ41,σ42,σ46和σ47为潜在故障。每个故障路径的发生概率为:P(L1)=0.159,P(L2)=0.217,P(L3)=0.186,P(L4)=0.16,P(L5)=0.162。因此,故障路径的检查顺序是L2,L3,L5,L4,L1。其中,路径的概率是通过将每个路径中神经元的脉冲值相乘来获得的。
最后,采用逆向溯因故障诊断推理算法进行已发故障诊断。假设三相感应电动机已发生故障,如:绝缘绕组烧毁(p46)。因此,确定故障发生位置,即故障脉冲所在命题神经元编号
命题神经元和规则神经元的脉冲值向量分别为α和δ:
α=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,0.64,0.53,0.78,0.74,0.74,0.8,0.73,0.73,0.69,0.68,0.7,0.72,0.74,0.66,0.68,0.69,0.66,0.64)T。
δ=(0.8,0.6,0.9,0.92,0.8,0.9,0.62,0.82,0.78,0.74,0.74,0.8,0.8,0.73,0.72,0.74,0.68,0.69)T。
各个命题神经元之间的紧密程度如图8所示,由此可得到权重矩阵W。
逆向溯因故障诊断推理算法的执行过程如下:
当k=1时, Q1={σ41},y(Q1)=y(σ41)=0.68。
首先,删除危险程度小于λy的最小割集中命题神经元的脉冲。因此,更新命题神经元编号向量及其相对应的脉冲值,即和
当k=2时, Q1={σ30},Q2={σ31},Q3={σ32},Q4={σ33},y(Q1)=y(σ30)=0.61,y(Q2)=y(σ31)=0.57,y(Q3)=y(σ32)=0.6,y(Q4)=y(σ33)=0.58。
再次,还必须删除危险程度小于λy的最小割集中命题神经元的脉冲。因此,更新命题神经元编号向量及其相对应的脉冲值,即
当k=3时,,,
,
Q1={σ17},Q2={σ18},Q3={σ19},Q4={σ21},y(Q1)=y(σ17)=0.61,y(Q2)=y(σ18)=0.5,y(Q3)=y(σ19)=0.72,y(Q4)=y(σ21)=0.74。
再次,必须确保删除危险程度小于λy的最小割集中命题神经元的脉冲。因此,更新命题神经元编号向量及其相对应的脉冲值,即
当k=4时,,,
,
Q1={σ1},Q2={σ2},Q3={σ3},Q4={σ5},y(Q1)=y(σ1)=0.71,y(Q2)=y(σ2)=0.55,
y(Q3)=y(σ3)=0.9,y(Q4)=y(σ5)=0.8。
同样,删除危险程度小于λy的最小割集中命题神经元的脉冲。因此,更新命题神经元编号向量及其相对应的脉冲值,即和
当k=5时,
因此,满足终止条件,推理停止。可以发现,基于改进模糊推理实数脉冲神经膜系统的溯因推理模型如图9所示,其中表示删除的脉冲。然后,故障路径可以在图9中找到,即L1=(σ1,σ17,σ30,σ41,σ46),L2=(σ3,σ19,σ30,σ41,σ46),L3=(σ5,σ21,σ32,σ41,σ46),其中σ1,σ3,σ5为“绝缘绕组烧毁”的故障源。此外,每个故障路径的发生概率为:P(L1)=0.159,P(L2)=0.217,P(L3)=0.186。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于脉冲神经膜系统的三相感应电动机故障分析方法,其特征在于,包括以下步骤:
S1、根据三相感应电动机的历史故障数据构建故障模糊产生式规则集,并根据故障模糊产生式规则集建立基于改进模糊推理实数脉冲神经膜系统的三相感应电动机故障分析模型;
S2、采用神经元脉冲值推理算法得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率;
S3、判断三相感应电动机是否发生故障,若是则进入步骤S5,否则进入步骤S4;
S4、结合故障事件概率,采用正向故障预测推理算法对三相感应电动机的潜在故障进行预测,得到三相感应电动机的潜在故障路径及其发生概率,结束故障分析;
S5、结合故障事件概率,采用逆向溯因故障诊断推理算法对三相感应电动机的故障进行溯因诊断,得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率,结束故障分析;
所述步骤S1中构建的故障模糊产生式规则集包括以下规则:
规则1:如果命题p1或命题p2发生,则命题p17发生;
规则2:如果命题p2且命题p3发生,则命题p18发生;
规则3:如果命题p3发生,则命题p19发生;
规则4:如果命题p4发生,则命题p20发生;
规则5:如果命题p5发生,则命题p21发生;
规则6:如果命题p6或命题p7发生,则命题p22发生;
规则7:如果命题p8发生,则命题p23发生;
规则8:如果命题p8发生,则命题p24发生;
规则9:如果命题p9或命题p10发生,则命题p25发生;
规则10:如果命题p10或命题p11发生,则命题p26发生;
规则11:如果命题p12或命题p13发生,则命题p27发生;
规则12:如果命题p14发生,则命题p28发生;
规则13:如果命题p15且命题p16发生,则命题p29发生;
规则14:如果命题p17或命题p18或命题p19发生,则命题p30发生;
规则15:如果命题p20发生,则命题p31发生;
规则16:如果命题p21发生,则命题p32发生;
规则17:如果命题p22发生,则命题p33发生;
规则18:如果命题p22或命题p23发生,则命题p34发生;
规则19:如果命题p24发生,则命题p35发生;
规则20:如果命题p25发生,则命题p36发生;
规则21:如果命题p26发生,则命题p37发生;
规则22:如果命题p27发生,则命题p38发生;
规则23:如果命题p28发生,则命题p39发生;
规则24:如果命题p29发生,则命题p40发生;
规则25:如果命题p30或命题p31或命题p32或命题p33发生,则命题p41发生;
规则26:如果命题p34或命题p35发生,则命题p42发生;
规则27:如果命题p36发生,则命题p43发生;
规则28:如果命题p37或命题p38发生,则命题p44发生;
规则29:如果命题p39或命题p40发生,则命题p45发生;
规则30:如果命题p41发生,则命题p46发生;
规则31:如果命题p42或命题p43发生,则命题p47发生;
规则32:如果命题p44发生,则命题p48发生;
规则33:如果命题p45发生,则命题p49发生;
规则34:如果命题p46或命题p47或命题p48或命题p49发生,则命题p50发生;
其中,命题p1表示电动机负载过大,命题p2表示转子绕组短路,命题p3表示某相绕组电阻变小,命题p4表示熔断器熔体故障,命题p5表示轴封环结构损坏,命题p6表示油封材料过热,命题p7表示密封表面轴粗糙度值过大,命题p8表示温度过高,命题p9表示转子绕组机械故障,命题p10表示电动机中心线与机泵中心线不一致,命题p11表示轴承锁紧装置故障,命题p12表示转子铁芯变形,命题p13表示磁性槽楔破裂或脱落,命题p14表示绕组与引接线接头处脱焊,命题p15表示接线盒接头松动,命题p16表示电源控制回路开关接触不良,命题p17表示转速下降,命题p18表示某相电流过大,命题p19表示激磁电流过大,命题p20表示某相电压缺失,命题p21表示转轴间隙进入异物,命题p22表示电动机进油,命题p23表示轴承润滑油氧化、分解,命题p24表示轴承受热膨胀,命题p25表示轴承产生附加载荷,命题p26表示转子轴向窜动,命题p27表示定、转子铁芯有气隙,命题p28表示转子绕组断路,命题p29表示接触电阻增大,命题p30表示电动机运行过热,命题p31表示电动机缺相运行,命题p32表示电动机转动异常或卡机,命题p33表示电动机绝缘老化,命题p34表示润滑油量减少,命题p35表示曲路环与轴孔产生摩擦,命题p36表示电动运行振动过大,命题p37表示轴承噪音过大,命题p38表示电动机扫堂,命题p39表示定子三相电流增大,命题p40表示压降增大,命题p41表示三相电流不对称,命题p42表示轴承过度磨损,命题p43表示无规律冲击性负荷,命题p44表示电动机运行有异响,命题p45表示电动机转动无力或不转且发出嗡嗡声,命题p46表示绝缘绕组烧毁,命题p47表示电动机抱轴,命题p48表示转子卡转或停止转动,命题p49表示电动机局部高热,命题p50表示电动机故障;
所述步骤S1中的改进模糊推理实数脉冲神经膜系统∏具体为:
∏=(O,σ1,...,σm,syn,in,out)
其中O={a}表示神经脉冲的集合,a表示一个神经脉冲,σ1,...,σm为改进模糊推理实数脉冲神经膜系统∏中的m个神经元,其中σ1,...,σs为命题神经元,σs+1,...,σs+t为规则神经元,s为命题神经元个数,t为规则神经元个数,且s+t=m;
每个所述命题神经元σi对应于故障模糊产生式规则集中的一个命题,其形式为(αi,λi,ri),1≤i≤s,其中αi为包含在命题神经元σi中的内部脉冲值,其取值为[0,1];λi为命题神经元σi的点火阈值,其取值为[0,1];ri为命题神经元σi的点火规则,其形式为E/aα→aθ,其中E={an∧α≥λi}表示点火条件,表示当且仅当命题神经元σi至少接收n个脉冲且该神经元内部脉冲值满足α≥λi时,命题神经元σi的点火规则ri才能被触发,通过触发点火规则ri,命题神经元σi会消耗一个脉冲的脉冲值α,然后产生一个新的脉冲值θ,并将其传递给突触后神经元,α和θ的取值均为[0,1];
每个所述规则神经元σs+j对应于故障模糊产生式规则集中的一条规则,其形式为(δj,cj,λj,rj),1≤j≤t,其中δj为包含在规则神经元σs+j中的内部脉冲值,其取值为[0,1];cj为规则神经元σs+j的真值,其取值为[0,1];λj为规则神经元σs+j的点火阈值,其取值为[0,1];rj为规则神经元σs+j的点火规则,其形式为E/aδ→aβ,其中E={an∧δ≥λj}表示点火条件,表示当且仅当规则神经元σs+j至少接收n个脉冲且该神经元内部脉冲值满足δ≥λj时,规则神经元σs+j的点火规则rj才能被触发,通过触发点火规则rj,规则神经元σs+j会消耗一个脉冲的脉冲值δ,然后产生一个新的脉冲值β,并将其传递给突触后神经元,δ和β的取值均为[0,1];
表示命题神经元与规则神经元之间突触的有向连接关系,in和out分别表示改进模糊推理实数脉冲神经膜系统∏的输入神经元和输出神经元集合;
所述规则神经元包括general规则神经元、and规则神经元以及or规则神经元;
所述general规则神经元表示如果命题p1发生,则命题p2发生;
所述and规则神经元表示如果命题p1~pa-1均发生,则命题pa发生,其中a>2;
所述or规则神经元表示如果命题p1~pa-1中的任意一件发生,则命题pa发生;
所述步骤S2中的神经元脉冲值推理算法包括以下步骤:
A1、设置初始推理步数k=1;
A2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk:
A3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk:
A4、令推理步数k加1;
A5、判断是否满足运行条件δk≠0,若是则返回步骤A2,否则结束神经元脉冲值推理算法,输出得到三相感应电动机故障分析模型中的所有神经元脉冲值,即三相感应电动机的所有故障事件的概率;
所述神经元脉冲值推理算法中涉及的向量、矩阵与运算算子含义如下:
α=(α1,α2,...,αs)T为命题神经元的脉冲值向量,其中αi为第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元中没有脉冲,则它的脉冲值为0;
δ=(δ1,δ2,...,δt)T为规则神经元的脉冲值向量,其中δj为第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元中没有脉冲,则它的脉冲值为0;
为命题神经元的点火阈值向量;
为规则神经元的点火阈值向量;
C=diag(c1,c2,...,ct)表示规则神经元的真值对角矩阵,其中cj为第j个规则神经元的真值,j=1,2,...,t;
D1=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到general规则神经元的定向突触连接,如果从命题神经元σi到general规则神经元σs+j有突触连接,则dij=1,否则dij=0;
D2=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到and规则神经元的定向突触连接,如果从命题神经元σi到and规则神经元σs+j有突触连接,则dij=1,否则dij=0;
D3=(dij)s×t为一个s×t阶突触矩阵,表示命题神经元到or规则神经元的定向突触连接,如果从命题神经元σi到or规则神经元σs+j有突触连接,则dij=1,否则dij=0;
D4=(dji)t×s为一个t×s阶突触矩阵,表示规则神经元到命题神经元的定向突触连接,如果从规则神经元σs+j到命题神经元σi有突触连接,则dji=1,否则dji=0;
为t×1阶零向量;
*为运算算子,且其运算规则为其中
·为运算算子,且其运算规则为其中
ο为运算算子,且其运算规则为其中
上标T表示向量和矩阵的转置,下标k表示推理步数;
所述步骤S4中的正向故障预测推理算法包括以下步骤:
B1、设置初始推理步数k=1;
B2、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算δk和
B3、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算αk和
B4、令推理步数k加1;
B5、判断是否满足运行条件若是则返回步骤B2,否则结束正向故障预测推理算法,输出得到三相感应电动机的潜在故障路径及其发生概率;
所述正向故障预测推理算法中涉及的向量、矩阵与运算算子含义如下:
为脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则编号为0;
为脉冲所在规则神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则编号为0;
Δ为运算算子,且其运算规则为AΔB=(ci1)x×1,其中A=(aik)x×y,B=(bk1)y×1,ci1=max{aik,bk1},1≤i≤x,1≤k≤y;
为运算算子,且其运算规则为其中A=(aik)x×y,B=(bk1)y×1,如果则ci1=0,否则ci1=1,1≤i≤x,1≤k≤y;
为运算算子,且其运算规则为其中A=(aij)x×y,B=(bi1)x×1,cij=aijbi1,1≤i≤x,1≤j≤y;
为运算算子,且其运算规则为其中A=(aij)x×y,B=(bij)x×y,cij=max{aij,bij},1≤i≤x,1≤j≤y;
Θ为运算算子,且其运算规则为AΘB=(cij)x×y,其中A=(aij)x×y,B=(bij)x×y,如果aij≥bij,则cij=1,否则cij=0,1≤i≤x,1≤j≤y;
所述正向故障预测推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4,C)与运算算子的含义与神经元脉冲值推理算法中相同;
上标T表示向量和矩阵的转置,下标k表示推理步数;
所述步骤S5中的逆向溯因故障诊断推理算法包括以下步骤:
C1、设置初始推理步数k=1;
C2、对每个满足点火规则的规则神经元进行点火计算,并根据下式计算和
C3、对每个满足点火规则的命题神经元进行点火计算,并根据下式计算和
C4、根据计算
C5、确定中每个命题神经元的最小割集,并计算命题神经元的最小割集危险度,筛选出最小割集危险度大于λy的脉冲;
C6、根据筛选出来的脉冲更新命题神经元的编号并通过下式计算更新后的命题神经元中故障脉冲的脉冲值:
C7、令推理步数k加1;
C8、判断是否满足运行条件若是则返回步骤C2,否则结束逆向溯因故障诊断推理算法,输出得到三相感应电动机的故障原因、故障源、溯因推理的路径及其概率;
所述逆向溯因故障诊断推理算法中涉及的向量、矩阵与运算算子含义如下:
为故障脉冲所在命题神经元的编号向量,如果一个命题神经元包含脉冲,则该脉冲所在命题神经元的编号为1,否则为0;
为故障脉冲所在命题神经元的编号向量,如果一个规则神经元包含脉冲,则该脉冲所在规则神经元的编号为1,否则为0;
为命题神经元的故障脉冲向量,其中θpi表示第i个命题神经元σi的脉冲值,i=1,2,...,s,如果一个命题神经元没有包含脉冲,则它的脉冲值为0;
为规则神经元的故障脉冲向量,其中表示第j个规则神经元σs+j的脉冲值,j=1,2,...,t,如果一个规则神经元没有包含脉冲,则它的脉冲值为0;
λy为最小割集的危险度阈值,其取值为[0,1];
为一个s×s阶权重矩阵,其中矩阵元素wik(σi)表示相邻命题神经元之间的紧密程度,如果命题神经元σi和σk有关联,则wik(σi)表示σi和σk之间的紧密程度,即权重,否则wik(σi)=0,1≤i≤s,1≤k≤s;
为一个s×s阶命题神经元脉冲危险度矩阵,其中yik(σi)表示对应于命题神经元σi的事件引发与之关联的命题神经元σk的危险度,1≤i≤s,1≤k≤s,如果σi传递一个脉冲给σk,则yik(σi)=wik(σi)×αi,否则yik(σi)=0;
所述逆向溯因故障诊断推理算法中涉及的向量(α,δ,λp,λr,0)、矩阵(D1,D2,D3,D4)与运算算子的含义与神经元脉冲值推理算法及正向故障预测推理算法中相同;
上标T表示向量和矩阵的转置,下标k表示推理步数。
2.根据权利要求1所述的三相感应电动机故障分析方法,其特征在于,所述步骤C5中的最小割集Qx的结构化定义为:
Qx=(Q1,Q2,...,Ql),1≤l≤s
其中Q1,Q2,...,Ql为l个最小割集;
所述general规则神经元有一个对应于底事件的突触前命题神经元和一个对应于顶事件的突触后命题神经元,其顶事件只能由底事件触发,因此顶事件的最小割集由突触前神经元组成;所述底事件对应于故障或故障征兆,顶事件对应于故障;
所述or规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件可以由任何底事件触发,因此顶事件的最小割集由任何突触前命题神经元组成;
所述and规则神经元有多个突触前命题神经元,每个突触前命题神经元对应于一个底事件,且只有一个对应于顶事件的突触后命题神经元,其顶事件只能由所有底事件同时触发,因此顶事件的最小割集由所有突触前命题神经元组成;
Qg={y(σi),y(Qg),λy}为第g个最小割集,1≤g≤l,1≤i≤s,其中y(σi)为第i个命题神经元σi的危险度,其计算公式为:
y(σi)=w(σi)×αi
w(σi)为权重,表示命题神经元σi与它突触后神经元的紧密程度,其取值为[0,1],αi为第i个命题神经元σi的脉冲值;
y(Qg)为第g个最小割集的危险度,其计算公式为:
λy为最小割集的危险度阈值,其取值为[0,1],当最小割集的危险度大于λy时,则最小割集被称为精确最小割集,并且精确最小割集中具有脉冲的命题神经元形成故障路径,每个故障路径的命题神经元被称为故障原因且其第一个命题神经元被称为故障源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382977.6A CN112613613B (zh) | 2020-12-01 | 2020-12-01 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011382977.6A CN112613613B (zh) | 2020-12-01 | 2020-12-01 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112613613A CN112613613A (zh) | 2021-04-06 |
CN112613613B true CN112613613B (zh) | 2024-03-05 |
Family
ID=75228369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011382977.6A Active CN112613613B (zh) | 2020-12-01 | 2020-12-01 | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613613B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113484685B (zh) * | 2021-07-16 | 2023-08-18 | 西华大学 | 一种基于时序组织型p系统的电网故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
EP2549281A1 (en) * | 2011-07-21 | 2013-01-23 | Renesas Electronics Corporation | Microcontroller, control device and determination method |
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN105005644A (zh) * | 2015-06-29 | 2015-10-28 | 山东科技大学 | 一种检测三相异步电动机故障的方法 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3811364A1 (en) * | 2018-06-01 | 2021-04-28 | Regeneron Pharmaceuticals, Inc. | Methods and systems for sparse vector-based matrix transformations |
-
2020
- 2020-12-01 CN CN202011382977.6A patent/CN112613613B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2549281A1 (en) * | 2011-07-21 | 2013-01-23 | Renesas Electronics Corporation | Microcontroller, control device and determination method |
CN102831477A (zh) * | 2012-09-13 | 2012-12-19 | 西华大学 | 一种自适应模糊脉冲神经膜系统及推理算法和学习算法 |
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN105005644A (zh) * | 2015-06-29 | 2015-10-28 | 山东科技大学 | 一种检测三相异步电动机故障的方法 |
CN106447031A (zh) * | 2016-09-27 | 2017-02-22 | 西华大学 | 一种基于区间值模糊脉冲神经膜系统的故障诊断方法及装置 |
CN106771846A (zh) * | 2016-11-08 | 2017-05-31 | 西华大学 | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 |
CN108120903A (zh) * | 2018-02-05 | 2018-06-05 | 西南交通大学 | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
Non-Patent Citations (3)
Title |
---|
A Fault Analysis Method for Three-Phase Induction Motors Based on Spiking Neural P Systems;Zhu Huang等;《Complexity》(第4期);第1-19页 * |
Fault Diagnosis of Electric Power Systems Based on Fuzzy Reasoning Spiking Neural P Systems;Tao Wang等;《 IEEE Transactions on Power Systems 》;第30卷(第3期);第1182-1194页 * |
基于决策树与脉冲神经膜系统的输电网故障诊断方法;刘伟等;《西华大学学报(自然科学版)》;第39卷(第2期);第33-38+94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112613613A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | A fault analysis method for three‐phase induction motors based on spiking neural P systems | |
Isermann et al. | Trends in the application of model based fault detection and diagnosis of technical processes | |
Cao et al. | Delay-dependent robust stabilization of uncertain systems with multiple state delays | |
Zaher et al. | Online wind turbine fault detection through automated SCADA data analysis | |
Guimaraes et al. | Fuzzy inference to risk assessment on nuclear engineering systems | |
KR20210068687A (ko) | 복합설비 고장진단 및 지식기반탐색 방법 | |
Žarković et al. | Artificial intelligence SF6 circuit breaker health assessment | |
Isermann et al. | Integrated fault detection and diagnosis | |
Gugaliya et al. | A hybrid decision making framework for modified failure mode effects and criticality analysis: A case study on process plant induction motors | |
CN112613613B (zh) | 一种基于脉冲神经膜系统的三相感应电动机故障分析方法 | |
Sahu et al. | Fault analysis of dragline subsystem using Bayesian network model | |
Leahy et al. | Cluster analysis of wind turbine alarms for characterising and classifying stoppages | |
Zhou | A fuzzy petri-net approach for fault analysis considering factor influences | |
CN115856613A (zh) | 断路器状态评估方法 | |
Alberti et al. | A two-scale maintenance policy for protection systems subject to shocks when meeting demands | |
Aranizadeh et al. | Prioritizing CBs maintenance and identifying mandatory maintenance at higher priorities | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
CN116235121A (zh) | 识别用于执行生产过程的工业设施中的异常的装置和方法 | |
Lakehal et al. | Fault prediction of induction motor using Bayesian network model | |
Volochiy et al. | Method of developing unified model for estimating safety and reliability of complex systems for critical application | |
CN115936679B (zh) | 一种复杂系统的预测维修决策数字化方法和装置 | |
Chao et al. | A multi-layer power transformer life span evaluating decision model based on information fusion | |
Soller et al. | Evaluation and adaption of maintenance prediction methods in mixed production line setups based on anomaly detection | |
Pandya et al. | Early fault detection for rotating machinery onboard ships motor using fuzzy logic and k-means | |
Zaiets et al. | Forecasting Breakdowns of Electric Motors of a Sugar Factory Using Machine Learning Methods |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240125 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd. Country or region after: China Address before: 610039, No. 999, Jin Zhou road, Jinniu District, Sichuan, Chengdu Applicant before: XIHUA University Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |