CN116050030B - 一种鼓风机转子轴心位置确定方法、装置及设备 - Google Patents
一种鼓风机转子轴心位置确定方法、装置及设备 Download PDFInfo
- Publication number
- CN116050030B CN116050030B CN202310341157.XA CN202310341157A CN116050030B CN 116050030 B CN116050030 B CN 116050030B CN 202310341157 A CN202310341157 A CN 202310341157A CN 116050030 B CN116050030 B CN 116050030B
- Authority
- CN
- China
- Prior art keywords
- blower
- data
- layer perceptron
- determining
- magnetic suspension
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000000725 suspension Substances 0.000 claims abstract description 68
- 238000012544 monitoring process Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 238000005339 levitation Methods 0.000 claims description 8
- 229920000742 Cotton Polymers 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 239000000306 component Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mechanical Engineering (AREA)
- Magnetic Bearings And Hydrostatic Bearings (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种鼓风机转子轴心位置确定方法、装置及设备。包括:获取磁悬浮鼓风机的待测鼓风机数据;构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。通过将获取的磁悬浮鼓风机的待测鼓风机数据输入构建的多层感知机模型,多层感知机模型中包括样本鼓风机数据和轴心坐标的对应关系,通过多层感知机模型对待测鼓风机数据进行预测即可输出磁悬浮鼓风机转子的轴心位置,无需人工进行位置比对即可准确确定出轴心位置,降低了人工工作量的同时也提高了轴心位置确定效率,不需要额外设置位移传感器等硬件设备,节约了成本。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种鼓风机转子轴心位置确定方法、装置及设备。
背景技术
磁悬浮鼓风机的核心部件磁悬浮轴承,具有刚度和阻尼的可调、可主动控制的优点,能有效解决由不平衡扰动给高速运行的磁悬浮转子带来的振动问题,基于该主动控制方法,其转子轴心轨迹的测量变得尤为重要。
现有技术对磁悬浮轴承转子监测通常采用位移传感器,通过位移传感器测量转子位移后再通过人工的方式进行比对来确定轴心位置。
但是位移传感器具有成本高以及尺寸受限等问题,并且如果位移传感器精度低,也会导致轴心位置确定不准确,通过人工进行比对来确定轴心位置,增加了人工工作量,降低了轴心位置确定效率。
发明内容
本发明提供了一种鼓风机转子轴心位置确定方法、装置及设备,以实现通过多层感知机模型预测鼓风机转子的轴心位置。
根据本发明的一方面,提供了一种鼓风机转子轴心位置确定方法,该方法包括:
获取磁悬浮鼓风机的待测鼓风机数据;
构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;
根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
可选的,获取磁悬浮鼓风机的待测鼓风机数据,包括:根据指定时间采集磁悬浮鼓风机的监测数据,其中,监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;将监测数据存入指定地址以生成待测鼓风机数据。
可选的,构建多层感知机模型,包括:搭建多层感知机网络结构,并确定网络结构的初始模型参数;获取磁悬浮鼓风机的样本鼓风机数据;根据样本鼓风机数据和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为多层感知机模型。
可选的,获取磁悬浮鼓风机的样本鼓风机数据,包括:根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各历史监测数据的采集时间;根据采集时间和历史监测数据生成各数据分组,将各数据分组作为各样本鼓风机数据,其中,数据分组中包括相同采集时间的历史监测数据。
可选的,根据样本鼓风机数据和初始模型参数确定最终模型参数,包括:将样本鼓风机数据输入多层感知机网络结构以获取输出的样本轴心坐标;确定样本鼓风机数据的真实轴心坐标,并确定样本轴心坐标和真实轴心坐标的平方误差;根据平方误差和初始模型参数确定最终模型参数。
可选的,根据平方误差和初始模型参数确定最终模型参数,包括:判断平方误差是否小于预设阈值,若是,将初始模型参数作为最终模型参数;否则,基于平方误差对初始模型参数进行调整以获取调整模型参数,将调整模型参数作为最终模型参数。
可选的,根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置,包括:将待测鼓风机数据输入多层感知机模型,并获取多层感知机模型输出的轴心坐标;根据轴心坐标确定轴心位置。
根据本发明的另一方面,提供了一种鼓风机转子轴心位置确定装置,该装置包括:
待测鼓风机数据获取模块,用于获取磁悬浮鼓风机的待测鼓风机数据;
多层感知机模型构建模块,用于构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;
轴心位置确定模块,用于根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的一种鼓风机转子轴心位置确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种鼓风机转子轴心位置确定方法。
本发明实施例的技术方案,通过将获取的磁悬浮鼓风机的待测鼓风机数据输入构建的多层感知机模型,多层感知机模型中包括样本鼓风机数据和轴心坐标的对应关系,通过多层感知机模型对待测鼓风机数据进行预测即可输出磁悬浮鼓风机转子的轴心位置,无需人工进行位置比对即可准确确定出轴心位置,降低了人工工作量的同时也提高了轴心位置确定效率,不需要额外设置位移传感器等硬件设备,节约了成本。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种鼓风机转子轴心位置确定方法的流程图;
图2是根据本发明实施例一提供的另一种鼓风机转子轴心位置确定方法的流程图;
图3是根据本发明实施例一提供的一种多层感知机网络结构示意图;
图4是根据本发明实施例二提供的另一种鼓风机转子轴心位置确定方法的流程图;
图5是根据本发明实施例二提供的一种数据分组个数与平方误差数值的关系示意图;
图6是根据本发明实施例三提供的一种鼓风机转子轴心位置确定装置的结构示意图;
图7是实现本发明实施例的一种鼓风机转子轴心位置确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
图1为本发明实施例一提供了一种鼓风机转子轴心位置确定方法的流程图,本实施例可适用于确定鼓风机转子轴心位置的情况,该方法可以由鼓风机转子轴心位置确定装置来执行,该鼓风机转子轴心位置确定装置可以采用硬件和/或软件的形式实现,该鼓风机转子轴心位置确定装置可配置于计算机中。如图1所示,该方法包括:
S110、获取磁悬浮鼓风机的待测鼓风机数据。
其中,磁悬浮鼓风机是一种输送气体的机械设备,转子是指固定于两个径向磁悬浮轴承与两个推力磁悬浮轴承之间的电机转子,当转子偏移时,主控制器会根据转子的偏移量调节磁轴承各自由度的磁场力,让转子回到正确位置,以使磁悬浮鼓风机正常运行。轴心位置是指转子中心转轴的位置坐标,位置坐标是指转子在鼓风机平面坐标系中的坐标,本实施方式中不对鼓风机平面坐标系建立过程进行限定。
可选的,获取磁悬浮鼓风机的待测鼓风机数据,包括:根据指定时间采集磁悬浮鼓风机的监测数据,其中,监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;将监测数据存入指定地址以生成待测鼓风机数据。
具体的,控制器会获取磁悬浮鼓风机的待测鼓风机数据,控制器可以根据指定时间采集磁悬浮鼓风机的监测数据,指定时间是用户根据测量要求提前在控制器内部进行设置,用户是指确定鼓风机转子轴心位置的工作人员或技术人员。监测数据是指来自磁悬浮鼓风机远程监控平台监测的各项数据指标,监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速。其中,滤网差压是指通过进气口过滤棉的压力变化值,进口温度和出口温度是指磁悬浮鼓风机进气口和出气口的温度值。采集到监测数据后,控制器将监测数据存入指定地址的文件中生成待测鼓风机数据,例如,存入的方式可以是按行写进指定地址的csv文件进行保存。
S120、构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系。
具体的,本发明实施例采用多层感知机(Multi-Layer Perceptron,MLP)作为实现手段,多层感知机由感知机推广而来,最主要的特点是有多个神经元层,因此也叫深度神经网络(Deep Neural Networks,DNN)。
图2为本发明实施例一提供了一种鼓风机转子轴心位置确定方法的流程图,步骤S120主要包括如下的步骤S121至步骤S123:
S121、搭建多层感知机网络结构,并确定网络结构的初始模型参数。
具体的,图3为本发明实施例提供了一种多层感知机网络结构示意图,图3中使用了两层感知机,每个圆形代表1个神经元,第一层包括12个神经元,图3中省略号表示剩余10个神经元,第二层包括6个神经元,输出为2个神经元,两层的前向过程一致,第一层的输入为12维数据,输出为6维数据;第二层的输入为6维数据,输出为2维数据,即轴心位置,MLP的具体前向过程表示为:
(1)
其中,表示多层感知机的输出,/>表示每个神经元的权重,/>表示每个神经元的输入,/>表示偏置项,/>表示神经元个数,/>表示第/>个神经元。当控制器搭建好多层感知机的网络结构后,会确定网络结构的初始模型参数,初始模型参数包括迭代次数、网络初始化权重以及学习率等。
S122、获取磁悬浮鼓风机的样本鼓风机数据。
可选的,获取磁悬浮鼓风机的样本鼓风机数据,包括:根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各历史监测数据的采集时间;根据采集时间和历史监测数据生成各数据分组,将各数据分组作为各样本鼓风机数据,其中,数据分组中包括相同采集时间的历史监测数据。
具体的,控制器会获取样本鼓风机数据对多层感知机进行训练,控制器可以根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,历史监测数据是指来自磁悬浮鼓风机远程监控平台监测的各项历史数据指标,指定时间间隔是用户根据需要提前进行设置的,指定时间间隔可以是每10秒进行一次采集,历史监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速。控制器会确定各历史检测数据的采集时间,然后将相同采集时间的历史检测数据划分至一个数据分组,然后将各数据分组中的历史检测数据作为样本鼓风机数据,控制器会获取大量10秒时间间隔的历史监测数据生成数据分组作为多层感知机模型的训练基础,例如,数据分组个数可以为64000组,以保证多层感知机模型训练的准确性。
S123、根据样本鼓风机数据和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为多层感知机模型。
具体的,通过样本鼓风机数据可以对多层感知机进行训练,在训练过程中对初始模型参数进行调整获得最终模型参数,训练时可以采用Adam优化器进行优化,通过对梯度的一阶矩估计(First Moment Estimation,即梯度的均值)和二阶矩估计(Second MomentEstimation,即梯度的未中心化的方差)进行综合考虑,计算出更新步长。Adam优化器具有如下优点:实现简单,计算高效,对内存需求少;参数的更新不受梯度的伸缩变换影响;超参数具有很好的解释性,且通常无需调整或仅需很少的微调;更新的步长能够被限制在大致的范围内(初始学习率);能自然地实现步长退火过程(自动调整学习率);很适合应用于大规模的数据及参数的场景;适用于不稳定目标函数;适用于梯度稀疏或梯度存在很大噪声的问题。由此可知,Adam优化器在很多情况下算作工作性能比较优秀的优化器,并且在轴心检测任务中,相比较于梯度下降算法更加适用,能够使模型训练出更好的效果。控制器会将最终模型参数对应的网络结构作为最终进行预测的多层感知机模型,示例性的,确定出的最终模型参数可以是迭代次为6000次,学习步长0.01。
S130、根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
可选的,根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置,包括:将待测鼓风机数据输入多层感知机模型,并获取多层感知机模型输出的轴心坐标;根据轴心坐标确定轴心位置。
具体的,训练好多层感知机模型后,控制器可以将待测鼓风机数据输入多层感知机模型,通过多层感知机模型中其他维度的样本鼓风机数据,推演出轴心坐标,实现“看不见的位移传感器”,并根据多层感知机模型输出的轴心坐标确定出轴心位置,一旦轴心位置出现偏差,就能更快地定位问题、发现问题和解决问题。
本发明实施例的技术方案,通过将获取的磁悬浮鼓风机的待测鼓风机数据输入构建的多层感知机模型,多层感知机模型中包括样本鼓风机数据和轴心坐标的对应关系,通过多层感知机模型对待测鼓风机数据进行预测即可输出磁悬浮鼓风机转子的轴心位置,无需人工进行位置比对即可准确确定出轴心位置,降低了人工工作量的同时也提高了轴心位置确定效率,不需要额外设置位移传感器等硬件设备,节约了成本。
实施例二
图4为本发明实施例二提供的一种鼓风机转子轴心位置确定方法的流程图,本实施例在上述实施例一的基础上增加了根据样本鼓风机数据和初始模型参数确定最终模型参数的具体过程。其中,步骤S210-S230以及S280的具体内容与实施例一中的步骤S110,S121-S122以及S130大致相同,因此本实施方式中不再进行赘述。如图4所示,该方法包括:
S210、获取磁悬浮鼓风机的待测鼓风机数据。
可选的,获取磁悬浮鼓风机的待测鼓风机数据,包括:根据指定时间采集磁悬浮鼓风机的监测数据,其中,监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;将监测数据存入指定地址以生成待测鼓风机数据。
S220、搭建多层感知机网络结构,并确定网络结构的初始模型参数。
S230、获取磁悬浮鼓风机的样本鼓风机数据。
可选的,获取磁悬浮鼓风机的样本鼓风机数据,包括:根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各历史监测数据的采集时间;根据采集时间和历史监测数据生成各数据分组,将各数据分组作为各样本鼓风机数据,其中,数据分组中包括相同采集时间的历史监测数据。
S240、将样本鼓风机数据输入多层感知机网络结构以获取输出的样本轴心坐标。
S250、确定样本鼓风机数据的真实轴心坐标,并确定样本轴心坐标和真实轴心坐标的平方误差。
具体的,控制器会根据样本鼓风机数据特点调整初始模型参数,可以使训练效果更佳理想。考虑到采集数据相对困难的特点,为了提高模型的鲁棒性和实际使用难度,在保持鲁棒性的情况下,使用平方误差函数作为损失函数,其中,平方误差表示为:
(2)
式中,表示平方误差,/>表示/>时刻的样本轴心坐标,/>表示/>时刻的真实轴心坐标,/>表示时间。训练目标为将平方误差最小化,即使输出无限逼近真实值。
S260、根据平方误差和初始模型参数确定最终模型参数。
可选的,根据平方误差和初始模型参数确定最终模型参数,包括:判断平方误差是否小于预设阈值,若是,将初始模型参数作为最终模型参数;否则,基于平方误差对初始模型参数进行调整以获取调整模型参数,将调整模型参数作为最终模型参数。
具体的,控制器会将平方误差和预设阈值进行比较,预设阈值是用户根据预测精度进行设置的,预设阈值越小表示多层感知机模型的预测精度越高,当平方误差小于预设阈值时,控制器可以将初始模型参数作为最终模型参数,当平方误差大于预设阈值时,基于平方误差对初始模型参数进行调整获取调整模型参数,即调整模型参数对应的多层感知机模型输出的样本鼓风机数据对应的样本轴心坐标与真实轴心坐标平方误差小于预设阈值,并将调整模型参数作为最终模型参数。图5为本发明实施例提供了一种数据分组个数与平方误差数值的关系示意图,图5中,横坐标代表样本鼓风机数据的数据分组个数,纵坐标代表平方误差的大小,示例性的,预设阈值可以为0.2,图5对应的平方误差小于0.12,满足预设阈值的要求。
S270、将最终模型参数对应的网络结构作为多层感知机模型。
S280、根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
可选的,根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置,包括:将待测鼓风机数据输入多层感知机模型,并获取多层感知机模型输出的轴心坐标;根据轴心坐标确定轴心位置。
本发明实施例的技术方案,通过将获取的磁悬浮鼓风机的待测鼓风机数据输入构建的多层感知机模型,通过样本鼓风机数据确定出平方误差,根据平方误差对初始模型参数进行调整生成最终模型参数,保证了多层感知机模型的预测准确性,多层感知机模型中包括样本鼓风机数据和轴心坐标的对应关系,通过多层感知机模型对待测鼓风机数据进行预测即可输出磁悬浮鼓风机转子的轴心位置,无需人工进行位置比对即可准确确定出轴心位置,降低了人工工作量的同时也提高了轴心位置确定效率,不需要额外设置位移传感器等硬件设备,节约了成本。
实施例三
图6为本发明实施例三提供的一种鼓风机转子轴心位置确定装置的结构示意图。如图6所示,该装置包括:待测鼓风机数据获取模块310,用于获取磁悬浮鼓风机的待测鼓风机数据;多层感知机模型构建模块320,用于构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;轴心位置确定模块330,用于根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
可选的,待测鼓风机数据获取模块310,具体用于:根据指定时间采集磁悬浮鼓风机的监测数据,其中,监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;将监测数据存入指定地址以生成待测鼓风机数据。
可选的,多层感知机模型构建模块320,具体包括:初始模型参数确定单元,用于搭建多层感知机网络结构,并确定网络结构的初始模型参数;样本鼓风机数据获取单元,用于获取磁悬浮鼓风机的样本鼓风机数据;多层感知机模型构建单元,用于根据样本鼓风机数据和初始模型参数确定最终模型参数,并将最终模型参数对应的网络结构作为多层感知机模型。
可选的,样本鼓风机数据获取单元,具体用于:根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各历史监测数据的采集时间;根据采集时间和历史监测数据生成各数据分组,将各数据分组作为各样本鼓风机数据,其中,数据分组中包括相同采集时间的历史监测数据。
可选的,多层感知机模型构建单元,具体包括:样本轴心坐标确定子单元,用于将样本鼓风机数据输入多层感知机网络结构以获取输出的样本轴心坐标;平方误差确定子单元,用于确定样本鼓风机数据的真实轴心坐标,并确定样本轴心坐标和真实轴心坐标的平方误差;最终模型参数确定子单元,用于根据平方误差和初始模型参数确定最终模型参数。
可选的,最终模型参数确定子单元,具体用于:判断平方误差是否小于预设阈值,若是,将初始模型参数作为最终模型参数;否则,基于平方误差对初始模型参数进行调整以获取调整模型参数,将调整模型参数作为最终模型参数。
可选的,轴心位置确定模块330,具体用于:将待测鼓风机数据输入多层感知机模型,并获取多层感知机模型输出的轴心坐标;根据轴心坐标确定轴心位置。
本发明实施例的技术方案,通过将获取的磁悬浮鼓风机的待测鼓风机数据输入构建的多层感知机模型,多层感知机模型中包括样本鼓风机数据和轴心坐标的对应关系,通过多层感知机模型对待测鼓风机数据进行预测即可输出磁悬浮鼓风机转子的轴心位置,无需人工进行位置比对即可准确确定出轴心位置,降低了人工工作量的同时也提高了轴心位置确定效率,不需要额外设置位移传感器等硬件设备,节约了成本。
本发明实施例所提供的一种鼓风机转子轴心位置确定装置可执行本发明任意实施例所提供的一种鼓风机转子轴心位置确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如ROM 12、RAM 13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在ROM 12中的计算机程序或者从存储单元18加载到RAM 13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种鼓风机转子轴心位置确定方法。也即:获取磁悬浮鼓风机的待测鼓风机数据;构建多层感知机模型,其中,多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;根据待测鼓风机数据和多层感知机模型确定磁悬浮鼓风机转子的轴心位置。
在一些实施例中,一种鼓风机转子轴心位置确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种鼓风机转子轴心位置确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种鼓风机转子轴心位置确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (7)
1.一种鼓风机转子轴心位置确定方法,其特征在于,包括:
获取磁悬浮鼓风机的待测鼓风机数据;
构建多层感知机模型,其中,所述多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;
根据所述待测鼓风机数据和所述多层感知机模型确定所述磁悬浮鼓风机转子的轴心位置;
其中,所述构建多层感知机模型,包括:
搭建多层感知机网络结构,并确定所述网络结构的初始模型参数;
获取磁悬浮鼓风机的样本鼓风机数据;
根据所述样本鼓风机数据和所述初始模型参数确定最终模型参数,并将所述最终模型参数对应的网络结构作为所述多层感知机模型;
其中,所述获取磁悬浮鼓风机的样本鼓风机数据,包括:
根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各所述历史监测数据的采集时间;
根据所述采集时间和所述历史监测数据生成各数据分组,将各所述数据分组作为各所述样本鼓风机数据,其中,所述数据分组中包括相同采集时间的历史监测数据,所述相同采集时间的历史检测数据为所述多层感知机模型的训练基础;
其中,所述获取磁悬浮鼓风机的待测鼓风机数据,包括:
根据指定时间采集磁悬浮鼓风机的监测数据,其中,所述监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;所述滤网差压是指通过进气口过滤棉的压力变化值,所述进口温度是指磁悬浮鼓风机进气口的温度值,所述出口温度是指磁悬浮鼓风机出气口的温度值;
将所述监测数据存入指定地址以生成所述待测鼓风机数据。
2.根据权利要求1所述的方法,其特征在于,所述根据所述样本鼓风机数据和所述初始模型参数确定最终模型参数,包括:
将所述样本鼓风机数据输入所述多层感知机网络结构以获取输出的样本轴心坐标;
确定所述样本鼓风机数据的真实轴心坐标,并确定所述样本轴心坐标和所述真实轴心坐标的平方误差;
根据所述平方误差和所述初始模型参数确定所述最终模型参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述平方误差和所述初始模型参数确定所述最终模型参数,包括:
判断所述平方误差是否小于预设阈值,若是,将所述初始模型参数作为所述最终模型参数;
否则,基于所述平方误差对所述初始模型参数进行调整以获取调整模型参数,将所述调整模型参数作为所述最终模型参数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待测鼓风机数据和所述多层感知机模型确定所述磁悬浮鼓风机转子的轴心位置,包括:
将所述待测鼓风机数据输入所述多层感知机模型,并获取所述多层感知机模型输出的轴心坐标;
根据所述轴心坐标确定所述轴心位置。
5.一种鼓风机转子轴心位置确定装置,其特征在于,包括:
待测鼓风机数据获取模块,用于获取磁悬浮鼓风机的待测鼓风机数据;
多层感知机模型构建模块,用于构建多层感知机模型,其中,所述多层感知机模型包括样本鼓风机数据和轴心坐标的对应关系;
轴心位置确定模块,用于根据所述待测鼓风机数据和所述多层感知机模型确定所述磁悬浮鼓风机转子的轴心位置;
其中,所述多层感知机模型构建模块,具体包括:初始模型参数确定单元,用于搭建多层感知机网络结构,并确定所述网络结构的初始模型参数;
样本鼓风机数据获取单元,用于获取磁悬浮鼓风机的样本鼓风机数据;
多层感知机模型构建单元,用于根据所述样本鼓风机数据和所述初始模型参数确定最终模型参数,并将所述最终模型参数对应的网络结构作为所述多层感知机模型;
其中,所述样本鼓风机数据获取单元,具体用于:
根据指定时间间隔获取磁悬浮鼓风机的历史监测数据,并确定各所述历史监测数据的采集时间;
根据所述采集时间和所述历史监测数据生成各数据分组,将各所述数据分组作为各所述样本鼓风机数据,其中,所述数据分组中包括相同采集时间的历史监测数据,所述相同采集时间的历史检测数据为所述多层感知机模型的训练基础;
其中,所述待测鼓风机数据获取模块,具体用于:
根据指定时间采集磁悬浮鼓风机的监测数据,其中,所述监测数据包括滤网差压、电机温度、出口温度、散热片温度、进口温度、输出电流、工作转速、出口压力、设定转速、运行功率和安全转速;所述滤网差压是指通过进气口过滤棉的压力变化值,所述进口温度是指磁悬浮鼓风机进气口的温度值,所述出口温度是指磁悬浮鼓风机出气口的温度值;
将所述监测数据存入指定地址以生成所述待测鼓风机数据。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341157.XA CN116050030B (zh) | 2023-04-03 | 2023-04-03 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310341157.XA CN116050030B (zh) | 2023-04-03 | 2023-04-03 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116050030A CN116050030A (zh) | 2023-05-02 |
CN116050030B true CN116050030B (zh) | 2023-07-28 |
Family
ID=86113658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310341157.XA Active CN116050030B (zh) | 2023-04-03 | 2023-04-03 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050030B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116500524B (zh) * | 2023-07-01 | 2023-08-18 | 北京格瑞拓动力设备有限公司 | 磁悬浮电机的轴向磁轴承刚度测试装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111594478A (zh) * | 2020-06-04 | 2020-08-28 | 亿昇(天津)科技有限公司 | 一种基于大数据的磁悬浮离心鼓风机防喘控制方法 |
CN112186976A (zh) * | 2020-08-07 | 2021-01-05 | 山东大学 | 一种无轴承磁悬浮电机转子径向位置检测装置及控制方法 |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
CN112821826A (zh) * | 2021-01-05 | 2021-05-18 | 江苏大学 | 一种多维一体的车载磁悬浮飞轮电池控制系统 |
CN114135580A (zh) * | 2021-11-04 | 2022-03-04 | 珠海格力电器股份有限公司 | 磁轴承转子的位置评估方法及装置 |
CN114819385A (zh) * | 2022-05-16 | 2022-07-29 | 青岛绿色发展研究院有限公司 | 风电功率预测方法、装置、电子设备及存储介质 |
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10974567B2 (en) * | 2018-09-20 | 2021-04-13 | Ford Global Technologies, Llc | Automatic adaptive climate controls |
CN110196029A (zh) * | 2019-05-14 | 2019-09-03 | 沈阳鼓风机集团安装检修配件有限公司 | 轴心位置信息的生成方法及系统 |
CN110606620A (zh) * | 2019-08-15 | 2019-12-24 | 江苏如是地球空间信息科技有限公司 | 污水处理工艺及基于神经网络对其中生化环节控制的方法 |
US20230116964A1 (en) * | 2020-03-12 | 2023-04-20 | Johnson Controls Tyco IP Holdings LLP | Systems and methods for controlling variable refrigerant flow systems and equipment using artificial intelligence models |
CN113659575A (zh) * | 2021-10-19 | 2021-11-16 | 武汉理工大学 | 一种电力系统暂态稳定性预测方法及装置 |
CN115659138A (zh) * | 2022-10-11 | 2023-01-31 | 成都理工大学 | 一种动水干扰环境电磁法水中测量信号降噪方法 |
-
2023
- 2023-04-03 CN CN202310341157.XA patent/CN116050030B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111594478A (zh) * | 2020-06-04 | 2020-08-28 | 亿昇(天津)科技有限公司 | 一种基于大数据的磁悬浮离心鼓风机防喘控制方法 |
CN112186976A (zh) * | 2020-08-07 | 2021-01-05 | 山东大学 | 一种无轴承磁悬浮电机转子径向位置检测装置及控制方法 |
CN112330609A (zh) * | 2020-10-21 | 2021-02-05 | 武汉理工大学 | 一种磁悬浮转子系统的故障智能诊断方法 |
CN112821826A (zh) * | 2021-01-05 | 2021-05-18 | 江苏大学 | 一种多维一体的车载磁悬浮飞轮电池控制系统 |
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN114135580A (zh) * | 2021-11-04 | 2022-03-04 | 珠海格力电器股份有限公司 | 磁轴承转子的位置评估方法及装置 |
CN114819385A (zh) * | 2022-05-16 | 2022-07-29 | 青岛绿色发展研究院有限公司 | 风电功率预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116050030A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116050030B (zh) | 一种鼓风机转子轴心位置确定方法、装置及设备 | |
CN114065863A (zh) | 联邦学习的方法、装置、系统、电子设备及存储介质 | |
WO2024016892A1 (zh) | 传感器外参标定方法、装置以及电子设备 | |
CN117540163A (zh) | 泵性能曲线生成方法、模型构建和训练方法及装置 | |
CN116596106A (zh) | 风电场站的功率预测方法、装置、电子设备及存储介质 | |
CN115790665B (zh) | 一种陀螺误差补偿方法、装置、电子设备及存储介质 | |
JP2024008834A (ja) | 可変速揚水発電ユニットのポンプの動作状態の最適化方法、装置及び機器 | |
CN116305564A (zh) | 一种航空发动机转子系统数字孪生模型试验台设计方法 | |
CN116176531A (zh) | 开度调节的性能指标的确定方法、装置和存储介质 | |
CN113252933B (zh) | 一种螺旋桨来流速度检测装置及方法 | |
CN116295389B (zh) | 一种捷联罗经系统状态平稳切换方法、装置、设备和介质 | |
CN221224781U (zh) | 一种集成化偏航误差校正装置 | |
CN114448839B (zh) | 自适应分布式系统压测方法、装置及系统 | |
CN114802425B (zh) | 一种电机输出扭矩确定方法、装置、设备和存储介质 | |
CN113362304B (zh) | 清晰度预测模型的训练方法和确定清晰等级的方法 | |
CN115983486A (zh) | 一种风电出力预测方法、装置、电子设备及存储介质 | |
US20220146691A1 (en) | Methods and systems of gps location polling based on user locomotive activity | |
CN117489470A (zh) | 发动机增压压力的控制方法及装置、电子设备和存储介质 | |
WO2023173531A1 (zh) | 一种基于NExT-递归图的结构损伤检测方法及系统 | |
CN116877284A (zh) | 发动机扭矩补偿方法、装置、电子设备以及存储介质 | |
CN118144803A (zh) | 一种整车重量确定方法、装置、车辆及存储介质 | |
CN117993275A (zh) | 数据生成模型的训练方法及装置、电子设备和存储介质 | |
CN117590239A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
CN115728515A (zh) | 风电机组的风向测量偏差识别方法、装置、设备以及介质 | |
CN116818338A (zh) | 一种转盘绝热壁温测量方法、装置、设备及介质 |
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 |