CN114936466A - 一种面向工业母线的在线监控方法 - Google Patents
一种面向工业母线的在线监控方法 Download PDFInfo
- Publication number
- CN114936466A CN114936466A CN202210628602.6A CN202210628602A CN114936466A CN 114936466 A CN114936466 A CN 114936466A CN 202210628602 A CN202210628602 A CN 202210628602A CN 114936466 A CN114936466 A CN 114936466A
- Authority
- CN
- China
- Prior art keywords
- industrial bus
- data
- temperature
- historical data
- day
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000000694 effects Effects 0.000 claims abstract description 24
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 23
- 238000004088 simulation Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000002354 daily effect Effects 0.000 description 25
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向工业母线的在线监控方法，包括如下步骤：历史数据收集：获取并存储工业母线运行过程历史数据，包括工业母线采集的温度历史数据、每日环境温度历史数据、每日产量历史数据；数据预处理，形成历史数据表；历史数据清洗；构建工业母线运行状态的变系数函数型混合效应模型：响应变量为工业母线温度，协变量为车间环境温度与日产量；工业母线状态在线监控的函数混合效应模型的参数估计；工业母线运行状态监控设计。
Description
技术领域
本发明涉及一种面向工业母线的在线监控方法，属于计算机集成制造技术和自动化技术领域。
背景技术
工业母线是电力系统中的关键部件，该部件将配电装置中的各个载流分支回路连接在一起，起着汇集、分配和传送电能的作用。当电力系统运行时，工业母线中有巨大的电能通过，若该部件出现短接或者松解等情况时，将产生显著的热效应，破坏系统稳定运行，严重时会发生火灾等事故。当前，企业通过在线监控的方式，保证工业母线正常运行，即使用传感器实时采集工业母线的温度数据，当工业母线的温度出现异常高温并超出经验阈值时，即发出报警信号，以提醒设备维护人员及时巡检和处理工业母线故障。
然而，该种方式实时性不高，实际表现为：当传感器采集的温度高于经验阈值，设备巡检人员经常会发现工业母线与插接箱等其他部件的连接处已经出现颜色发黑甚至是烧蚀现象，这给企业保证用电安全带来不利影响。
发明内容
本发明设计了一种面向工业母线的在线监控方法及系统，通过分析工业母线温度及其影响因素的数据特征，构建工业母线温度及其影响因素之间的变系数函数型混合效应模型，使用回归样条的方法对模型进行估计，获得模型参数值，继而构建监控统计量，并指定受控ARL值，即ARL0，计算控制限，在其基础上，采集当前工业母线温度以及影响因素的实时数据，计算当前数据条件下的统计量，实时判断当前统计量是否超出给定的控制限，若超出给定的控制限，则推断工业母线运行状态出现异常，发出报警信号，从而及时提醒设备管理人员对工业母线及时巡检和设备维护，以保障企业电力系统运行的安全性和稳定性。技术方案如下：
一种面向工业母线的在线监控方法，包括如下步骤：
(1)历史数据收集：获取并存储工业母线运行过程历史数据，包括工业母线采集的温度历史数据、每日环境温度历史数据、每日产量历史数据；
设所收集的工业母线运行过程历史数据样本大小为N，每天的工业母线温度数据和环境温度数据，是依时间t的连续平滑曲线，而每日的日产量数据为标量型数据；令第i天第
时刻的工业母线温度为
第i天第
时刻的车间环境温度为
第i天的日产量数据为x2i，i＝1，…，N；
(2)数据预处理：使用粗糙度惩罚的样条平滑方法，将工业母线温度数据
每日环境温度数据
分别进行数据拟合预处理，使之能够对其进行等间隔采样，达到数据对齐的目的；
对工业母线温度数据的拟合曲线
按小时等间隔采样，得到yi(t0)，…，yi(t23)；
对x1i(t)进行等间隔采样，得到x1i(t0)，…，x1i(t23)；
基于预处理数据后的数据，形成历史数据表；
(3)历史数据清洗：删除日产量为空的数据及相应的车间环境温度数据和工业母线温度数据；
(4)构建工业母线运行状态的变系数函数型混合效应模型：响应变量为工业母线温度，协变量为车间环境温度与日产量，其中，工业母线温度和车间环境温度为关于时间t的函数型变量，日产量为标量型变量，两个协变量对工业母线温度的影响系数是随时间t变化的时间函数，构建工业母线运行状态的变系数函数型混合效应模型：
yi(tj)＝γ0(tj)+x1i(tj)γ1(tj)+x2iγ2(tj)+vi(tj)+εi(tj)#(1)
其中，固定效应为γ0(tj)、x1i(tj)γ1(tj)、x2iγ2(tj)，随机效应为vi(tj)，误差项为εi(tj)，i＝1,…,n，n为历史数据样本容量，j＝0,…,23，yi(tj)为第i天第tj时刻的工业母线温度，γ0(tj)为截距项，x1i(tj)为“环境温度”协变量在第i天第tj时刻的值，γ1(tj)表示在tj时刻时环境温度对工业母线温度的影响程度，x2i为“日产量”协变量在第i天的值，γ2(tj)表示在tj时刻时日产量对工业母线温度的影响程度，vi(tj)是随机效应，εi(tj)为第i天第tj时刻的工业母线温度的误差项，εi(t)～N(0,R)，vi(t)～GP(0,Γ)；
令x2i(tj)＝x2i，Xi(tj)＝(1,x1i(tj),x2i(tj))T，γ(tj)＝(γ0(tj),γ1(tj),γ2(tj))T，将式(1)写成向量的形式：
yi(t)＝xi(t)Tγ(t)+vi(t)+εi(t)#(2)
(5)工业母线状态在线监控的函数混合效应模型的参数估计
1)参数化转换：使用三次B样条对γk(t)，k＝0，1，2和vi(t)进行参数化转换：γk(t)＝Φkp(t)Tαk，vi(t)＝Ψq(t)Tbi，其中Φkp(t)＝[φk1(t),…,φkp(t)]T，αk＝[αk1,…,αkp]T，Ψq(t)＝[ψ1(t),…,ψq(t)]T，p和q是预先给定的B样条基的数量，将式(2)转换为参数化的线性函数：
yi＝Xi Tα+Zi Tbi+εi#(3)
其中，Xi＝(Xi1 T,…,Xi23 T)，Xij＝[Φ0p(tj)T,x1i(tj)Φ1p(tj)T,x2i(tj)Φ2p(tj)T]T，yi＝(yi1,…,yi23)T，yij＝yi(tj)，
Zi＝(Zi1 T,…,Zi23 T)，Zij＝Ψq(tj)，bi＝[bi1,…,biq]T，bi～N(0,D)；
2)构建带有惩罚项的广义log似然目标函数：
其中，λv和λr是惩罚参数，Gv和Gr分别是对应Ψq(t)和Φkp(t)的粗糙度惩罚矩阵；
3)估计模型参数值：
最小化式(4)，得到α的估计值
以及bi的估计值
其中，X＝(X1,…,Xn)T，y＝(y1,…,yn)T，
对于R和D，事先不可知，使用既定的最大期望EM算法得到其估计值
和
从而得到误差项εi的估计值
(6)工业母线运行状态监控设计
1)工业母线监控统计量计算：设计基于残差的监控统计量Ti 2：
2)工业母线运行状态监控的控制限UCL计算：预先给定工业母线运行受控状态下的平均运行长度ARL0，使用既定的蒙特卡洛仿真方法，得到控制限；其中，蒙特卡洛仿真步骤为：
a)取M为重复模拟的次数，预先取UCL的经验值为L；
b)在第j次仿真模拟中，当1≤j≤M时，通过以下方法计算运行长度RL(j)：当n≥1时，生成工业母线温度、日均环境温度以及日产量的仿真数据，计算Ti 2的值，如果Ti 2<L，则令RL(j)＝n+1，反之，则令RL(j)＝n，并终止第j次循环，转入到j+1步；
c)完成M次循环后，计算ARL，即RL(j)求和后的均值，若ARL＝ARL0，则令UCL＝L，否则调整a的值，继续进行仿真模拟；
3)工业母线运行状态异常监控：在当前时刻i，实时采集当前时刻的工业母线温度数据
当日的车间环境温度数据
和当日产量数据x2i，根据步骤(2)对数据预处理和对齐，根据步骤(5)计算
根据步骤(6)计算监控统计量Ti 2，对Ti 2是否超出UCL做出推断，若Ti 2>UCL，则发出报警信号，提醒设备维护人员对设备进行巡检和维护。
2.根据权利要求1所述的方法，其特征在于，ARL0＝200。
3.根据权利要求1所述的方法，其特征在于，M＝10000。
附图说明
图1：为所设计的监控方法在母线监控过程中的实际应用，水平实线为在给定ARL0＝200的情况下计算的控制限，实心圆为所计算的监控统计量，超出控制限的实心圆表示母线监控过程已经失控，提醒设备维护人员对母线进行巡检。
图2：为工业母线监控系统的功能模块及关系图，所开发的工业母线监控系统分为四个模块：
(1)历史数据存储模块：存储工业母线温度历史数据、环境温度历史数据以及每日产量的历史数据；
(2)监控模型存储与计算模块：该模块的功能为对历史数据进行预处理，去除掉异常数据，然后拟合和等间隔采样历史数据，输入到工业母线状态监控模型中，对模型的参数进行估计，并计算控制限；
(3)实时数据采集模块：采集当前工业母线温度实时数据、环境温度实时数据以及每日产量的数据；
(4)工业母线实时监控模块：获得实时数据采集模块中的数据，计算监控统计量，并判断数值是否超出控制限，若监控统计量超出控制限，则发出报警信号，提醒设备维护人员进行巡检，若没有超出控制限，则继续采集当前工业母线温度实时数据，保持监控状态的正常运行。
具体实施方式
下面结合说明书附图和具体实施方式对本发明进一步解释和说明。
本发明以某企业电力系统中的工业母线为研究对象，设计了一种面向工业母线的在线监控方法及系统，通过分析工业母线温度及其影响因素(环境温度和作业载荷)的数据特征，发现，工业母线和环境温度是函数型数据，作业载荷为标量型数据，同时工业母线温度数据存在显着的相关性，由此构建工业母线温度及其影响因素之间的非参数型函数混合效应模型，使用回归样条的方法对模型进行估计，获得上模型参数值，继而构建监控统计量，并在给定的受控ARL，即ARL0下计算控制限，在其基础上，采集当前工业母线温度以及影响因素的实时数据，计算当前数据条件下的模型参数和监控统计量，实时判断当前统计量是否超出给定的控制限，若超出给定的控制限，则推断工业母线运行状态出现异常，发出报警信号，从而及时提醒设备管理人员对工业母线及时巡检和设备维护，以保障企业电力系统运行的安全性和稳定性。
如附图1，本发明的一种面向工业母线的在线监控方法，包括如下步骤：
(1)历史数据收集：获取并存储工业母线运行过程历史数据，包括工业母线采集的温度历史数据、每日环境温度历史数据、每日产量历史数据。
为了方便描述，以y，x1和x2表示工业母线温度变量、车间环境温度变量以及日产量变量，并且假设我们所收集的历史数据样本大小为N，其中，每天的工业母线温度数据和环境温度数据，是以间隔2-5min实时数据流的形式形成依时间t的连续平滑曲线，而每日的日产量数据为标量型数据，在1天内不以时间t而变化。令第i天第
时刻的工业母线温度为
第i天第
时刻的车间环境温度为
第i天的日产量数据为x2i，i＝1，…，N。
(2)数据预处理：由于
使得后续过程监控的数值计算十分不便，因此需要将工业母线温度数据
每日环境温度数据
分别进行数据拟合预处理，使之能够对其进行等间隔采样，达到数据对齐的目的。
连续非参数型平滑曲线的数据拟合可以使用Local Polynomial Kernelsmoother(局部多项式平滑)和Spline smoother(样条平滑)等方法，由于样条构造简单易用，计算效率高，因此本发明使用粗糙度惩罚的样条平滑方法(一种经典数据处理方法，可参考：Lancaster,P.,&Salkauskas,K.(1986).Curve and surface fitting.Anintroduction.London:Academic Press.)对工业母线温度数据和环境温度数据分别进行平滑拟合，其中样条基使用B样条基(B-spline basis)，以yi(tyi)为例说明本发明的数据拟合方法为：
1)写出yi(tyi)的非参数化形式：
其中，
为
的平滑函数值，
为误差项，ε(t)～N(0,R)。
2)使用B样条基对
展开：
其中，
bi＝(bi1,…,bik)T。
3)构建yi(t)拟合的目标函数：
‖yi-Xibi‖2+λbi TSbi
其中，
λ为平滑参数，S为粗糙度惩罚矩阵，S＝∫[D2β(t)]2dt，D2为二阶微分算子。
4)使用惩罚最小二乘方法对bi进行估计，得到bi估计值
和yi的估计值
5)对工业母线温度数据的拟合曲线
按小时等间隔采样，得到yi(t0)，…，yi(t23)。
6)依据此方法对x1i(t)进行等间隔采样，得到x1i(t0)，…，x1i(t23)。
7)基于预处理数据后的数据，形成历史数据表，表格形式为：
表1历史数据表形式
(3)历史数据清洗：删除日产量为空的数据及相应的车间环境温度数据和工业母线温度数据；
(4)构建工业母线运行状态的变系数函数型混合效应模型：响应变量为工业母线温度，协变量为车间环境温度与日产量，其中，工业母线温度和车间环境温度为关于时间t的函数型变量，日产量为标量型变量，两个协变量对工业母线温度的影响系数是随时间t变化的时间函数，针对该特点，构建工业母线运行状态的变系数函数型混合效应模型：
yi(tj)＝γ0(tj)+x1i(tj)γ1(tj)+x2iγ2(tj)+vi(tj)+εi(tj)#(8)
其中，固定效应为γ0(tj)、x1i(tj)γ1(tj)、x2iγ2(tj)，随机效应为vi(tj)，误差项为εi(tj)，i＝1,...,n，n为历史数据样本容量，j＝0,...,23，yi(tj)为第i天第tj时刻的工业母线温度，γ0(tj)为截距项，增加该项是为了保证更好的拟合效果，x1i(tj)为“环境温度”协变量在第i天第tj时刻的值，γ1(tj)表示在tj时刻时环境温度对工业母线温度的影响程度，x2i为“日产量”协变量在第i天的值，γ2(tj)表示在tj时刻时日产量对工业母线温度的影响程度，vi(tj)是随机效应，通过该随机效应不仅可以估计工业母线运行状态的总体情况，也可以估计每一天的工业母线运行状态情况，提高了模型估计的精度和灵活性，εi(tj)为第i天第tj时刻的工业母线温度的误差项，εi(t)～N(0,R)，vi(t)～GP(0,Γ)。
为了后续模型求解的方便，令x2i(tj)＝x2i，Xi(tj)＝(1,x1i(tj),x2i(tj))T，γ(tj)＝(γ0(tj),γ1(tj),γ2(tj))T，可将式(1)写成向量的形式：
yi(t)＝xi(t)Tγ(t)+vi(t)+εi(t)#(9)
(5)工业母线状态在线监控的函数混合效应模型的参数估计
1)参数化转换：使用三次B样条对γk(t)，k＝0，1，2和vi(t)进行参数化转换：γk(t)＝Φkp(t)Tαk，vi(t)＝Ψq(t)Tbi，其中Φkp(t)＝[φk1(t),…,φkp(t)]T，αk＝[αk1,…,αkp]T，Ψq(t)＝[ψ1(t),…,ψq(t)]T，bi＝[bi1,…,biq]T，bi～N(0,D)，p和q是预先给定的B样条基的数量。通过参数化转换，将式(2)转换为参数化的线性函数：
yi＝Xi Tα+Zi Tbi+εi#(10)
其中，Xi＝(Xi1 T,…,Xi23 T)，Xij＝[Φ0p(tj)T,x1i(tj)Φ1p(tj)T,x2i(tj)Φ2p(tj)T]T，yi＝(yi1,…,yi23)T，yij＝yi(tj)，
Zi＝(Zi1 T,…,Zi23 T)，Zij＝Ψq(tj)。
2)构建带有惩罚项的广义log似然目标函数：
其中，λv和λr是惩罚参数，Gv和Gr分别是对应Ψq(t)和Φkp(t)的粗糙度惩罚矩阵。
3)估计模型参数值：
最小化式(4)，得到α的估计值
以及bi的估计值
其中，X＝(X1,…,Xn)T，y＝(y1,…,yn)T，
对于R和D，事先不可知，则使用既定的EM(最大期望)算法得到其估计值
和
从而得到误差项εi的估计值
(6)工业母线运行状态监控方法设计
1)工业母线监控统计量计算：理论上，如果工业母线运行状态正常，那么工业母线的温度实际值与估计值的残差
应该接近于0，如果
很大，说明工业母线运行状态失控。因此，本发明设计了基于残差的监控统计量Ti 2：其计算方法为：
2)工业母线运行状态监控的控制限UCL计算：本发明使用仿真的方法计算其控制限，预先给定工业母线运行受控状态下的平均运行长度ARL0，建议ARL0＝200，使用既定的蒙特卡洛仿真方法，得到控制图控制限。其中，蒙特卡洛仿真步骤为：
a)取M为重复模拟的次数，它可以被选择为一个大的正整数(例如，M＝100000)，预先取UCL的经验值为L；
b)在第j次仿真模拟中，当1≤j≤M时，通过以下方法计算运行长度RL(j)：当n≥1时，生成工业母线温度、日均环境温度以及日产量的仿真数据，计算Ti 2的值，如果Ti 2<L，则令RL(j)＝n+1，反之，则令RL(j)＝n，并终止第j次循环，转入到j+1步；
c)完成M次循环后，计算ARL，即RL(j)求和后的均值，若ARL＝200，则令UCL＝L，否则调整L的值，继续进行仿真模拟。
3)工业母线运行状态异常监控：在当前时刻i，实时采集当前时刻的工业母线温度数据
当日的车间环境温度数据
和当日产量数据x2i，根据步骤(2)对数据预处理和对齐，根据步骤(5)计算
根据步骤(6)计算监控统计量Ti 2，对Ti 2是否超出UCL做出推断，若Ti 2>UCL，则发出报警信号，提醒设备维护人员对设备进行巡检和维护。
Claims (3)
1.一种面向工业母线的在线监控方法，包括如下步骤：
(1)历史数据收集：获取并存储工业母线运行过程历史数据，包括工业母线采集的温度历史数据、每日环境温度历史数据、每日产量历史数据；
设所收集的工业母线运行过程历史数据样本大小为N，每天的工业母线温度数据和环境温度数据，是依时间t的连续平滑曲线，而每日的日产量数据为标量型数据；令第i天第
时刻的工业母线温度为
第i天第
时刻的车间环境温度为
第i天的日产量数据为x2i，i＝1，…，N；
(2)数据预处理：使用粗糙度惩罚的样条平滑方法，将工业母线温度数据
每日环境温度数据
分别进行数据拟合预处理，使之能够对其进行等间隔采样，达到数据对齐的目的；
对工业母线温度数据的拟合曲线
按小时等间隔采样，得到yi(t0)，…，yi(t23)；
对x1i(t)进行等间隔采样，得到x1i(t0)，…，x1i(t23)；
基于预处理数据后的数据，形成历史数据表；
(3)历史数据清洗：删除日产量为空的数据及相应的车间环境温度数据和工业母线温度数据；
(4)构建工业母线运行状态的变系数函数型混合效应模型：响应变量为工业母线温度，协变量为车间环境温度与日产量，其中，工业母线温度和车间环境温度为关于时间t的函数型变量，日产量为标量型变量，两个协变量对工业母线温度的影响系数是随时间t变化的时间函数，构建工业母线运行状态的变系数函数型混合效应模型：
yi(tj)＝γ0(tj)+x1i(tj)γ1(tj)+x2iγ2(tj)+vi(tj)+εi(tj)#(1)
其中，固定效应为γ0(tj)、x1i(tj)γ1(tj)、x2iγ2(tj)，随机效应为vi(tj)，误差项为εi(tj)，i＝1,…,n，n为历史数据样本容量，j＝0,…,23，yi(tj)为第i天第tj时刻的工业母线温度，γ0(tj)为截距项，x1i(tj)为“环境温度”协变量在第i天第tj时刻的值，γ1(tj)表示在tj时刻时环境温度对工业母线温度的影响程度，x2i为“日产量”协变量在第i天的值，γ2(tj)表示在tj时刻时日产量对工业母线温度的影响程度，vi(tj)是随机效应，εi(tj)为第i天第tj时刻的工业母线温度的误差项，εi(t)～N(0,R)，vi(t)～GP(0,Γ)；
令x2i(tj)＝x2i，Xi(tj)＝(1,x1i(tj),x2i(tj))T，γ(tj)＝(γ0(tj),γ1(tj),γ2(tj))T，将式(1)写成向量的形式：
yi(t)＝xi(t)Tγ(t)+vi(t)+εi(t)#(2)
(5)工业母线状态在线监控的函数混合效应模型的参数估计
1)参数化转换：使用三次B样条对γk(t)，k＝0，1，2和vi(t)进行参数化转换：γk(t)＝Φkp(t)Tαk，vi(t)＝Ψq(t)Tbi，其中Φkp(t)＝[φk1(t),…,φkp(t)]T，αk＝[αk1,…,αkp]T，Ψq(t)＝[ψ1(t),…,ψq(t)]T，p和q是预先给定的B样条基的数量，将式(2)转换为参数化的线性函数：
yi＝Xi Tα+Zi Tbi+εi#(3)
其中，Xi＝(Xi1 T,…,Xi23 T)，Xij＝[Φ0p(tj)T,x1i(tj)Φ1p(tj)T,x2i(tj)Φ2p(tj)T]T，yi＝(yi1,…,yi23)T，yij＝yi(tj)，
Zi＝(Zi1 T,…,Zi23 T)，Zij＝Ψq(tj)，bi＝[bi1,…,biq]T，bi～N(0,D)；
2)构建带有惩罚项的广义log似然目标函数：
其中，λv和λr是惩罚参数，Gv和Gr分别是对应Ψq(t)和Φkp(t)的粗糙度惩罚矩阵；
3)估计模型参数值：
最小化式(4)，得到α的估计值
以及bi的估计值
其中，X＝(X1,…,Xn)T，y＝(y1,…,yn)T，
对于R和D，事先不可知，使用既定的最大期望EM算法得到其估计值
和
从而得到误差项εi的估计值
(6)工业母线运行状态监控设计
1)工业母线监控统计量计算：设计基于残差的监控统计量
2)工业母线运行状态监控的控制限UCL计算：预先给定工业母线运行受控状态下的平均运行长度ARL0，使用既定的蒙特卡洛仿真方法，得到控制限；其中，蒙特卡洛仿真步骤为：
a)取M为重复模拟的次数，预先取UCL的经验值为L；
b)在第j次仿真模拟中，当1≤j≤M时，通过以下方法计算运行长度RL(j)：当n≥1时，生成工业母线温度、日均环境温度以及日产量的仿真数据，计算
的值，如果
则令RL(j)＝n+1，反之，则令RL(j)＝n，并终止第j次循环，转入到j+1步；
c)完成M次循环后，计算ARL，即RL(j)求和后的均值，若ARL＝ARL0，则令UCL＝L，否则调整a的值，继续进行仿真模拟；
3)工业母线运行状态异常监控：在当前时刻i，实时采集当前时刻的工业母线温度数据
当日的车间环境温度数据
和当日产量数据x2i，根据步骤(2)对数据预处理和对齐，根据步骤(5)计算
根据步骤(6)计算监控统计量
对
是否超出UCL做出推断，若
则发出报警信号，提醒设备维护人员对设备进行巡检和维护。
2.根据权利要求1所述的方法，其特征在于，ARL0＝200。
3.根据权利要求1所述的方法，其特征在于，M＝10000。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628602.6A CN114936466B (zh) | 2022-06-06 | 2022-06-06 | 一种面向工业母线的在线监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210628602.6A CN114936466B (zh) | 2022-06-06 | 2022-06-06 | 一种面向工业母线的在线监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114936466A true CN114936466A (zh) | 2022-08-23 |
| CN114936466B CN114936466B (zh) | 2024-04-16 |
Family
ID=82866948
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210628602.6A Active CN114936466B (zh) | 2022-06-06 | 2022-06-06 | 一种面向工业母线的在线监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114936466B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040037334A (ko) * | 2002-10-28 | 2004-05-07 | 하나에버텍 주식회사 | 고압폐쇄배전반의 이상온도 감시장치 및 방법 |
| WO2012175603A1 (en) * | 2011-06-21 | 2012-12-27 | Kk-Electronic A/S | Method for estimating the end of lifetime for a power semiconductor device |
| WO2017093560A1 (fr) * | 2015-12-03 | 2017-06-08 | Electricite De France | Estimation de la fiabilite d'un systeme industriel |
| US20190332073A1 (en) * | 2006-02-14 | 2019-10-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
-
2022
- 2022-06-06 CN CN202210628602.6A patent/CN114936466B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040037334A (ko) * | 2002-10-28 | 2004-05-07 | 하나에버텍 주식회사 | 고압폐쇄배전반의 이상온도 감시장치 및 방법 |
| US20190332073A1 (en) * | 2006-02-14 | 2019-10-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
| WO2012175603A1 (en) * | 2011-06-21 | 2012-12-27 | Kk-Electronic A/S | Method for estimating the end of lifetime for a power semiconductor device |
| WO2017093560A1 (fr) * | 2015-12-03 | 2017-06-08 | Electricite De France | Estimation de la fiabilite d'un systeme industriel |
Non-Patent Citations (1)
| Title |
|---|
| 刘宁宁 等: "基于云监控的变电站母线实时监测系统", 智慧工厂, no. 10, pages 89 - 91 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114936466B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE60220063T2 (de) | Integrierung von fehlererkennung mit run-to-run steuerung | |
| DE60023395T2 (de) | Verfahren zur Bearbeitung von Halbleitern | |
| WO2018095237A1 (zh) | 基于mes的热处理智能系统及其控制方法 | |
| CN115882456B (zh) | 一种基于大规模电网潮流的电力控制方法及系统 | |
| CN114936466A (zh) | 一种面向工业母线的在线监控方法 | |
| Wang et al. | An FNLP approach for planning energy-efficient manufacturing: Wafer fabrication as an example | |
| Huang et al. | Adaptive fuzzy PID temperature control system based on OPC and modbus/TCP protocol | |
| CN114692386B (zh) | 一种面向工业母线的运行状态异常监控方法 | |
| CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及系统 | |
| CN116307526A (zh) | 一种基于数学模型智慧工厂产能分析系统 | |
| KR20240047178A (ko) | AIoT 기반 첨단 복합소재 사출성형 제조 데이터 최적화를 위한 통합관리 시스템 및 방법 | |
| Zaiets et al. | Development of a resource–process approach to increasing the efficiency of electrical equipment for food production | |
| Aminnayeri et al. | Short-run process control based on non-conformity degree | |
| Stojkov et al. | Applying artificial neural network to optimize the performance of the compressor station: A case study | |
| Kluchko et al. | Implementation of a Hardware and Software Complex for Monitoring Industrial Equipment (Using the Example of AIS" Dispatcher") | |
| Ghosh | Changing role of SCADA in manufacturing plant | |
| Chadeev et al. | Analysis of the efficiency of automation control at the national level | |
| Sun et al. | Short-term PV Power Prediction Based on Data Mining and Multi-kernel SVM | |
| Abdufattokhov et al. | INTELLIGENT MANGEMENT OF ENERGY SYSTEM IN MANUFACTURING PROCESS USING DATA-DRIVEN STOCHASTIC MODEL | |
| Nikolaidis et al. | Towards ZDM in Danobat, Using Prediction for Equipment RUL | |
| Valeev et al. | Energy Consumption Optimization of Production Lines of Enterprise for Process Safety Provision | |
| TWM563108U (zh) | 智慧型電力管理及自我品質管控系統 | |
| Starr et al. | Data fusion applications in intelligent condition monitoring | |
| CN113807666A (zh) | 第三代半导体的生产设备节能方法及相关设备 | |
| CN118487282A (zh) | 用于高效节能电动机的电网电压智能调节方法及系统 |
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 |