CN116108361B - 油液质量智能检测方法与监测系统 - Google Patents
油液质量智能检测方法与监测系统 Download PDFInfo
- Publication number
- CN116108361B CN116108361B CN202211307355.6A CN202211307355A CN116108361B CN 116108361 B CN116108361 B CN 116108361B CN 202211307355 A CN202211307355 A CN 202211307355A CN 116108361 B CN116108361 B CN 116108361B
- Authority
- CN
- China
- Prior art keywords
- neural network
- oil
- output
- parameter
- oil quality
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims description 127
- 238000013528 artificial neural network Methods 0.000 claims description 95
- 230000001537 neural effect Effects 0.000 claims description 72
- 239000002245 particle Substances 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 30
- 230000009467 reduction Effects 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 25
- 238000011161 development Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 51
- 238000000034 method Methods 0.000 description 27
- 230000008569 process Effects 0.000 description 19
- 239000013598 vector Substances 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 10
- 238000012546 transfer Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000006837 decompression Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Feedback Control In General (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了油液质量智能检测方法和监测系统,包括油液参数测量终端、现场监控端,油液参数测量终端负责采集被检测油液参数信息,在现场监控端中有油液质量的智能等级分类器,通过网关节点实现油液参数测量终端、现场监控端、云平台和油液监测手机APP的双向通信,实现被检测油液参数采集和油液质量安全等级的分类。本发明针对现有油液监测设备昂贵,只有当油液的污染程度相当恶劣时,才采取一定的措施,可能已经对产生了很大危害;提高检测油液品质的精确性和可靠性,降低油液监测的成本,推动油液污染监测与控制的普及,有效控制油质的失效,推动油处理技术的发展,产生良好的经济社会效益。
Description
技术领域
本发明涉及油液检测技术领域,具体涉及一种油液质量智能检测方法与监测系统。
背景技术
油液在炼制、储存、运输和使用过程中,由于呼吸作用和其它原因,可能会有水分和杂质进入,由于温度与空气的氧化作用,亦可能会老化、变质,从这个意义上说,油中污染物不可避免。油液污染度是衡量油中颗粒污染程度的量化指标,油液污染的监测与控制是油液使用和维护的重要内容。通过对油样品进行取样,结合设备的实际工况、润滑状态等进行数据结果分析,不但可以对在用设备的磨损状态进行定性和定量分析,还可有效的对设备故障进行预防预测,结合摩擦磨损特性的变化进行监测分析结果,在机械工程领域、装备制造、故障维护以及摩擦理论学的发展发挥了极为关键的作用,可以对设备的故障类型、故障部位、故障原因和进行快速而科学的诊断,这对于现代工业生产中装置设备的安全运行有着重要而深远的意义。
发明内容
本发明针对现有油液监测设备昂贵,只有当油液的污染程度相当恶劣时,才采取一定的措施,可能已经对产生了很大危害;提高检测油液品质的精确性和可靠性,降低油液监测的成本,推动油液污染监测与控制的普及,有效控制油质的失效,推动油处理技术的发展,产生良好的经济社会效益。
为解决上述问题,本发明采用如下的技术方案:
一、油液质量智能检测方法步骤:
1、构建参数检测模块,参数检测模块由粒子群优化自适应小波神经网络-NARX神经网络模型、TDL按拍延迟线A、小波分解模型、降噪自编码神经网络-NARX神经网络模型、LSTM神经网络-NARX神经网络模型、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型组成,参数传感器输出作为粒子群优化自适应小波神经网络-NARX神经网络模型的输入,粒子群优化自适应小波神经网络-NARX神经网络模型输出作为TDL按拍延迟线A的输入,TDL按拍延迟线A的输出作为小波分解模型输入,小波分解模型输出的低频趋势部分和多个高频波动部分分别作为LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输入,LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入,TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型的对应输入,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出的4个参数分别为a、b、c和d,a、b、c和d作为TDL按拍延迟线D的输入,a和b组成区间数(a,b)作为被检测参数的极小值,c和d组成区间数(c,d)作为被检测参数的极大值,区间数(a,b)和区间数(c,d)组成[(a,b),(c,d)]作为被检测参数的区间犹豫模糊数,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出作为参数检测模块的输出。参数检测模块结构见图1所示。
2、构建油液质量的智能等级分类器,油液质量的智能等级分类器由4个参数检测模块、TDL按拍延迟线E和区间数的BAM神经网络-DRNN神经网络模型油液质量分类器组成,油液污染传感器、黏度传感器、水分传感器和温度传感器的输出分别作为对应的参数检测模块的输入,参数检测模块的输出作为区间数的BAM神经网络-DRNN神经网络模型油液质量分类器的对应输入,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的2个参数分别为e、f,e、f作为TDL按拍延迟线E的输入,e和f组成区间数(e,f),区间数(e,f)作为被检测油液质量等级的区间数,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的区间数分别对应油液质量很好、油液质量较好、油液质量一般、油液质量较差、油液质量很差共5种油液质量类型;油液质量的智能等级分类器结构见图1所示。
3、影响油液质量的油液污染参数、黏度参数、温度参数和水分参数的传感器输出作为油液质量的智能等级分类器的输入,油液质量的智能等级分类器输出被检测油液的质量安全等级;
4、粒子群优化自适应小波神经网络-NARX神经网络模型、降噪自编码神经网络-NARX神经网络模型、LSTM神经网络-NARX神经网络模型、BAM神经网络-AANN自联想神经网络模型、BAM神经网络-DRNN神经网络模型油液质量分类器的特征在于:粒子群优化自适应小波神经网络与NARX神经网络模型串联、降噪自编码神经网络与NARX神经网络模型串联、LSTM神经网络与NARX神经网络模型串联、BAM神经网络与AANN自联想神经网络模型串联、BAM神经网络与DRNN神经网络模型油液质量分类器串联。
二、油液质量智能监测系统:
油液质量智能监测系统包括油液参数测量终端、现场监控端、网关节点、云平台和油液监测手机APP,油液参数测量终端负责采集被检测油液参数信息,在现场监控端中有油液质量的智能等级分类器,通过网关节点实现油液参数测量终端、现场监控端、云平台和油液监测手机APP的双向通信,实现被检测油液参数采集和油液质量安全等级的分类。油液质量智能监测系统结构见图2所示。
相比于现有技术,本发明具有以下明显优点:
一、本发明针对油液参数测量过程中,油液参数测量传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性,本发明通过参数检测模块将油液参数测量传感器输出值转化为区间犹豫模糊数的的BAM神经网络-AANN自联想神经网络模型形式,它们有效地处理了油液参数测量的模糊性、动态性和不确定性,提高了油液参数传感器检测参数的客观性和可信度。
二、本发明BAM神经网络-AANN自联想神经网络模型的BAM神经网络是一种联想记忆神经网络模型,BAM神经网络输出作为AANN自联想神经网络模型输入,BAM神经网络可以实现双向异联想模型,通过双向联想记忆矩阵,把事先概括好的BAM神经网络的输入样本数据对存储起来,当有BAM神经网络有新的信息输入时,BAM神经网络并行回忆联想出相对应的输出结果作为AANN自联想神经网络模型输入,BAM神经网络的双向联想记忆网络是一种两层的非线性反馈神经网络,具有联想记忆、分布式存储及自学习等功能,当向BAM神经网络的一层加入输入信号时,BAM神经网络的另一层可以得到输出信号。
三、本发明提高了油液质量的智能等级分类器的科学性与可靠性,根据被检测油液参数、专家经验和油液相关国家标准,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出类型分别为油液质量很好、油液质量较好、油液质量一般、油液质量较差、油液质量很差5种作为被检测油液质量等级,区间数的BAM神经网络-DRNN神经网络模型实现对油液质量等级的更加科学和精确分类,提高被检测油液质量分类的科学性与可靠性。
四、本发明粒子群优化的自适应小波神经网络模型,该模型中隐含层的传递函数使用小波函数,通过自适应调整小波函数的参数,能够更加有效输入提取信号时频特征,具有结构稳定,算法简单,全局搜索能力强,收敛速度快,泛化能力强等优点,粒子群优化自适应小波神经网络能够有效对输入信号进行预测,具有受噪声影响小、稳定性好等特点,收敛速度快,识别精度高。避免了BP网络在结构设计的盲目性,网络权系数线性分布和学习目标函数的凸性,使网络的训练过程从根本上避免了局部最优化等问题,算法概念简单,收敛速度快,有较强的函数学习能力,可以高精度逼近任意非线性函数。
五、本发明采用粒子群优化的自适应小波神经网络,避免了梯度下降法中要求激活函数可微,以及对函数求导的过程计算,并且各个粒子搜索时迭代公式简单,因而计算速度又比梯度下降法快得多。通过对迭代公式中参数的调整,还能很好地跳出局部极值,进行全局寻优,简单有效地提高了网络的训练速度。粒子群优化算法的自适应小波神经网络模型的误差更小,收敛速度更快,泛化能力更强。以小波函数作为隐含层的激励函数,采用粒子群优化算法,对权值、伸缩参数、平移参数进行调整,粒子群优化算法的自适应小波神经网络模型,该模型具有算法简单、结构稳定、计算收敛速度快、全局寻优能力强、识别精度高、泛化能力强的优点。
六、本发明采用LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从输入参数的序列数据中提取信息,还能够保留来自于先前较远步骤输入参数的长期相关性的信息,输入参数存在长期空间和时间上的相关性,而LSTM神经网络模型有足够的长期记忆来处理先前输入参数之间的时空关系,提高处理LSTM神经网络模型输入参数的准确性和鲁棒性。
附图说明
图1为本发明油液质量的智能等级分类器;
图2为本发明油液质量智能监测系统;
图3为本发明油液参数测量终端;
图4为本发明网关节点;
图5为本发明现场监控端。
具体实施方式
为了更好解释本发明,以便于理解,下面结合附图1-5对本发明的技术方案作详细描述。以下实施例是对本发明的解释,而本发明并不局限于以下实施例。
一、油液品质智能检测方法的步骤:
1、构建参数检测模块,参数检测模块由粒子群优化自适应小波神经网络-NARX神经网络模型、TDL按拍延迟线A、小波分解模型、降噪自编码神经网络-NARX神经网络模型、LSTM神经网络-NARX神经网络模型、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型组成,参数检测模块结构见图1所示。
(1)、粒子群优化自适应小波神经网络-NARX神经网络模型设计
参数传感器输出作为粒子群优化自适应小波神经网络-NARX神经网络模型的输入,粒子群优化自适应小波神经网络-NARX神经网络模型输出作为TDL按拍延迟线A的输入,粒子群优化自适应小波神经网络的输出作为NARX神经网络模型的输入。自适应小波神经网络是在小波理论基础上,采用非线性小波基取代常用的非线性Sigmoid函数并结合人工神经网络而提出的一种前馈型网络,隐含层的传递函数使用小波函数,通过自适应调整小波函数的参数,能够更加有效提取参数传感器输入信号时频特征。它是以小波函数为神经元的激励函数,小波的伸缩、平移因子,以及连接权重,在对误差能量函数的优化过程中被自适应调整。设小波神经网络的输入信号可以表示为一个参数传感器输出的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),小波神经网络输出层值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的自适应小波神经网络的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络预测输出不断逼近期望输出。采用粒子群优化自适应小波神经网络,避免了梯度下降法中要求激活函数可微,以及对函数求导的过程计算,并且各个粒子搜索时迭代公式简单,因而计算速度又比梯度下降法快得多。而且通过对迭代公式中参数的调整,还能很好地跳出局部极值。初始化一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪二个“极值”来更新自己。第一个就是粒子本身所找到的最优解pbest,这个解称为个体极值;另一个是整个种群目前找到的最优解,这个解称为全局极值gbest。用粒子群优化自适应小波神经网络,就是首先将自适应小波神经网络的各种参数列为粒子的位置向量X,将均方误差能量函数式设为用于优化的目标函数,通过粒子群优算法的基本公式进行迭代,寻求最优解。粒子群优化自适应小波神经网络训练算法如下:
A、初始化网络结构,确定网络隐含层神经元个数,确定目标搜索空间的维数D。
B、确定微粒个数m,初始化微粒的位置向量和速度向量,将粒子的位置向量和速度向量带入算法迭代公式进行更新,以误差能量函数作为目标函数进行优化计算,记录下每个粒子迄今搜索到的最优位置pbest和整个粒子群迄今搜索到的最优位置gbest。
C、将整个粒子群迄今搜索到最优位置gbest,映射为网络权值和阈值进行本学习,以误差能量函数作为粒子的适应度进行化计算。
D、若误差能量函数值在实际问题允许的误范围内,则迭代完毕;反之,转回算法继续迭代。
NARX神经网络模型(Nonlinear Auto-Regression with External input neuralnetwork)是一种动态的前馈神经网络,NARX神经网络是一个有着外部输入的非线性自回归网络,它有一个多步时延的动态特性,并通过反馈连接封闭网络的若干层,NARX神经网络模型是非线性动态系统中应用最广泛的一种回归动态神经网络,其性能普遍优于全回归神经网络。NARX神经网络模型主要由输入层、隐层、输出层及输入和输出延时层构成,在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数,NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n),还取决于NARX神经网络模型当前的粒子群优化自适应小波神经网络输出向量X(t)以及粒子群优化自适应小波神经网络输出向量的延迟阶数等。NARX神经网络模型的粒子群优化自适应小波神经网络输出通过时延层传递给隐层,隐层对粒子群优化自适应小波神经网络输出的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的神经网络输出信号,时延层将NARX神经网络模型反馈的信号和输入层的粒子群优化自适应小波神经网络输出的信号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对参数传感器输出进行预测。x(t)表示NARX神经网络模型的输入,即粒子群优化自适应小波神经网络输出;m表示外部输入的延迟阶数;y(t)是神经网络的输出,即下一时段的粒子群优化自适应小波神经网络输出的预测值;n是输出延迟阶数;s为隐含层神经元的个数;由此可以得到第j个隐含单元的输出为:
上式中,wji为第i个输入与第j个隐含神经元之间的连接权值,bj是第j个隐含神经元的偏置值。
(2)、小波分解模型设计
TDL按拍延迟线A的输出作为小波分解模型输入,小波分解模型输出的低频趋势部分和多个高频波动部分分别作为LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输入,小波分解模型把TDL按拍延迟线A输出分成低频分量和多个高频分量,本发明专利用小波分分解方法对把TDL按拍延迟线A输出的时间序列参数传感器输出预测值进行分解,对分解后的各层信息进行自相关和互相关分析;小波分解过程中对信号做了平滑处理,根据各层信号分析后的特点分别建立相应的LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型来再一次预测参数传感器输出,小波多分辨率分解过程一般采用Mallat算法,该算法的分解关系表示如下:
式(3)中h0、h1分别为低通分解滤波器和高通分解滤波器。mp、np分别是低频系数和高频系数,该算法重构关系如下:
式(4)中g0、g1分别为低通重构滤波器和高通重构滤波器。Ap、Dp分别是低频分量和高频分量。Mallat算法将每一层分解后的低频信号部分再次分解成高频和低频,这样进行层层分解。原始信号X进行p层分解后得到的结果为:
X=D1+D2+…Dp+Ap (5)
式(5)中Ap为第p层分解后的低频信号部分,Dp为第p层分解后的高频部分。个小波分解可以将TDL按拍延迟线A输出的时间序列信号分解到不同的分辨率空间中,这样处理后的效果是分解到各分辨率空间中的参数传感器输出预测值分为多个高频波动部分和低频趋势部分。
(3)、降噪自编码神经网络-NARX神经网络模型设计
小波分解模型输出的多个高频波动部分降噪自编码神经网络-NARX神经网络模型的输入,降噪自编码神经网络-NARX神经网络模型输出作为TDL按拍延迟线C的输入。降噪自编码神经网络-NARX神经网络模型的降噪自编码神经网络输出作为NARX神经网络模型输入,降噪自编码神经网络是一种降维方法,通过训练具有小中心层的多层神经网络,将高维数据转换为低维数据。降噪自编码神经网络(DAE)是一种典型的三层神经网络,在隐藏层和输入层之间有一个编码过程,在输出层和隐藏层之间有一个解码过程。降噪自编码神经网络通过对输入数据的编码操作得到编码表示(编码器),通过对隐含层的输出解码操作得到重构的输入数据(解码器),隐含层的数据就是降维数据。然后定义重构误差函数来测量降噪自编码神经网络的学习效果。基于误差函数可以添加约束条件,生成各种类型的降噪自编码神经网络,编码器和解码器以及损失函数如下所示:
编码器:h=δ(Wx+b) (6)
解码器:
损失函数:
AE的训练过程与BP神经网络类似,W和W′为权值矩阵,b和b′为偏置量,h为隐含层的输出值,x为输入向量,为输出向量,δ为激励函数,一般使用Sigmoid函数或tanh函数。降噪自编码神经网络分为编码过程和解码过程,输入层到隐藏层为编码过程,隐藏层到输出层为解码过程。降噪自编码神经网络的目标是利用误差函数使输入和输出尽量相近,通过反向传播最小化误差函数,得到自编码网络最优的权值和偏置,为建立深度自编码网络模型做准备。根据自编码网络编码和解码原理,利用含有噪声测量数据得到编码数据和解码数据,通过解码数据和原始数据构造误差函数,通过反向传播最小化误差函数,得到最优的网络权值和偏置。通过加入噪声来破坏测量数据,然后将损坏的数据作为输入层输入到神经网络中。降噪自编码神经网络的重构结果应与测量参数原始数据近似,通过这种方法,可以消除测量参数扰动,并获得稳定的结构。原始测量参数通过加入噪声得到干扰输入,然后输入到编码器中得到特征表达,再通过解码器映射到输出层。
NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n),还取决于NARX神经网络模型当前的降噪自编码神经网络输出向量X(t)以及降噪自编码神经网络输出向量的延迟阶数等。NARX神经网络模型的降噪自编码神经网络输出通过时延层传递给隐层,隐层对降噪自编码神经网络输出的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的神经网络输出信号,时延层将NARX神经网络模型反馈的信号和输入层的降噪自编码神经网络输出的信号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对参数传感器输出预测值的多个高频波动部分进一步处理。
(4)、LSTM神经网络-NARX神经网络模型设计
小波分解模型输出的低频趋势部分作为LSTM神经网络-NARX神经网络模型输入,LSTM神经网络-NARX神经网络模型作为TDL按拍延迟线B,LSTM神经网络-NARX神经网络模型的LSTM神经网络输出作为NARX神经网络模型输入,LSTM神经网络引入了记忆单元(MemoryCell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递。一个LSTM神经网络的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(ForgetGate)和输出门(Output Gate)。其中,输入门能控制小波分解模型输出的时间序列的低频趋势值部分的加入信息或滤出;遗忘门能忘记需要丢掉的小波分解模型输出的时间序列的低频趋势值部分信息以及保留过去有用的小波分解模型输出的时间序列的低频趋势值部分信息;输出门能使记忆单元只输出与当前时间步相关的信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络是可以持续较长时间短期记忆模型,适合小波分解模型输出的时间序列的低频趋势值部分进行预测,LSTM神经网络有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络可以学习长期的参数传感器输出预测值的时间序列的低频趋势值部分的之间依赖信息,同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的小波分解模型输出的时间序列的低频趋势值部分的动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制小波分解模型输出的时间序列的低频趋势值部分的它们历史信息的使用。设输入小波分解模型输出的时间序列的低频趋势值部分的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (9)
ft=sigmoid(Whfht-1+WhfXt) (10)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (11)
Ot=sigmoid(Whoht-1+WhxXt+Wcoct) (12)
ht=ot⊙tanh(ct) (13)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数。NARX神经网络模型的当时输出不仅取决于过去的NARX神经网络模型输出y(t-n),还取决于NARX神经网络模型当前的LSTM神经网络输出向量X(t)以及LSTM神经网络输出向量的延迟阶数等。NARX神经网络模型的LSTM神经网络输出通过时延层传递给隐层,隐层对LSTM神经网络输出的信号进行处理后传递到输出层,输出层将隐层输出信号做线性加权获得最终的神经网络输出信号,时延层将NARX神经网络模型反馈的信号和输入层的LSTM神经网络输出的信号进行延时,然后输送到隐层。NARX神经网络模型具有非线性映射能力、良好的鲁棒性和自适应性等特点,适宜对参数传感器输出预测值的趋势部分进一步处理。
(5)、区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型设计
TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型的对应输入,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出的4个参数分别为a、b、c和d,a、b、c和d作为TDL按拍延迟线D的输入,a和b组成区间数(a,b)作为被检测参数的极小值,c和d组成区间数(c,d)作为被检测参数的极大值,区间数(a,b)和区间数(c,d)组成[(a,b),(c,d)]作为被检测参数的区间犹豫模糊数,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出作为参数检测模块的输出。BAM神经网络-AANN自联想神经网络模型为BAM神经网络输出作为AANN自联想神经网络模型输入,BAM神经网络模型拓扑结构中,网络输入端的初始模式为x(t),通过权值矩阵W1加权后到达输出端y端,经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x,再经过x端输出节点转移特性fx的非线性变换,变为输入端x的输出,反复这一运行过程,BAM神经网络模型状态转移方程见式(14)。
BAM神经网络输出为AANN自联想神经网络模型输入,AANN自联想神经网络模型是一种特殊结构的前馈自联想自联想神经网(Auto-associative neural network,AANN),AANN自联想神经网络模型结构包括一个输入层、一定数量的隐含层和一个输出层。首先通过参数的输入层、映射层以及瓶颈层实现了BAM神经网络输出数据信息的压缩,从BAM神经网络输出的高维参数空间中提取了反映BAM神经网络输出的最具代表性的低维子空间,同时有效地滤去了BAM神经网络输出数据中的噪声和测量误差,再通过瓶颈层、解映射层和输出层实现BAM神经网络输出的解压缩,将前面压缩的信息还原到各个输入值,从而实现各BAM神经网络输出数据的重构。为了达到BAM神经网络输出信息压缩的目的,AANN自联想神经网络模型瓶颈层节点数目明显小于输入层,又为了防止形成BAM神经网络输出与AANN自联想神经网络输出层之间的简单单一映射,除了AANN自联想神经网络输出层激励函数采用线形函数外,其它各层均采用非线形的激励函数。从本质来讲,AANN自联想神经网络模型的隐含层第一层叫作映射层,映射层的节点传递函数可能是S型函数也可能是其他类似的非线性函数;隐含层第二层叫做瓶颈层,瓶颈层的维数是网络中最小的,它的传递函数可能是线性的或者是非线性,瓶颈层避免了那种很容易实现的一对一的输出和输入相等的映射关系,它使网络对BAM神经网络输出信号进行编码和压缩,并在瓶颈层后进行BAM神经网络输出数据解码和解压缩以产生BAM神经网络输出信号的估计值;隐含层第三层或最后一层叫做解映射层,解映射层的节点传递函数是通常是非线性的S型函数,AANN自联想神经网络用误差反向传播算法来训练。
2、油液质量的智能等级分类器设计
油液质量的智能等级分类器结构见图1,油液质量的智能等级分类器由4个参数检测模块、TDL按拍延迟线E和区间数的BAM神经网络-DRNN神经网络模型油液质量分类器组成,油液污染传感器、黏度传感器、水分传感器和温度传感器的输出分别作为对应的参数检测模块的输入,参数检测模块的输出作为区间数的BAM神经网络-DRNN神经网络模型油液质量分类器的对应输入,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的2个参数分别为e、f,e、f作为TDL按拍延迟线E的输入,e和f组成区间数(e,f),区间数(e,f)作为被检测油液质量等级的区间数,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的区间数分别对应油液质量很好、油液质量较好、油液质量一般、油液质量较差、油液质量很差共5种油液质量类型;区间数的BAM神经网络-DRNN神经网络模型为BAM神经网络输出作为DRNN神经网络模型输入,DRNN神经网络模型输出2个参数分别为e、f,DRNN神经网络模型输出区间数与油液质量等级关系对应表1所示。DRNN神经网络模型为输入层、隐含层和输出层的三层结构,其隐层为回归层。设I=[I1(t),I2(t),…,In(t)]为DRNN神经网络模型输入向量,其中Ii(t)为DRNN神经网络模型输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN神经网络模型的输出。则DRNN神经网络模型输出层输出为:
表1 DRNN神经网络模型输出区间数与油液质量等级关系
序号 | 油液质量等级 | 区间数 |
1 | 油液质量很好 | (0.0,0.2) |
2 | 油液质量较好 | (0.2,0.4) |
3 | 油液质量一般 | (0.4,0.6) |
4 | 油液质量较差 | (0.6,0.8) |
5 | 油液质量很差 | (0.8,1.0) |
二、油液质量智能监测系统设计
油液质量智能监测系统包括油液参数测量终端、现场监控端、网关节点、云平台和油液监测手机APP,油液参数测量终端负责采集被检测油液参数信息,在现场监控端中有油液质量的智能等级分类器,通过网关节点实现油液参数测量终端、现场监控端、云平台和油液监测手机APP的双向通信,实现被检测油液参数采集和油液质量安全等级的分类,油液监测手机APP通过5G网络访问云平台实现对油液参数进行采集与监视。具体实施方式如下:
1、系统总体功能的设计
本发明油液质量智能监测系统实现对油液参数进行检测和油液质量进行评价分类,该系统的多个油液参数的油液参数测量终端以自组织方式构建成无线测控网络来实现油液参数测量终端、网关节点、现场监控端、云平台和油液监测手机APP的双向无线通信;油液参数测量终端将检测的油液参数通过网关节点发送给现场监控端和云平台,现场监控端的油液质量的智能等级分类器对油液参数进行处理和油液质量进行分类;在油液监测手机APP端通过访问云平台实现对油液参数和质量进行实时监视。油液质量智能监测系统见图2所示。
2、油液参数测量终端的设计
采用大量基于无线传感器网络的油液参数测量终端作为油液参数感知终端,油液参数测量终端和网关节点通过自组织无线网络实现现场监控端以及云平台之间的信息相互交互。油液参数测量终端包括采集油液参数温度、油污传感器、水分和黏度的传感器和对应的信号调理电路、STM32微处理器和CC2530无线传输模块;油液参数测量终端的软件主要实现无线通信和油液参数参数的采集与预处理。软件采用C语言程序设计,兼容程度高,大大提高了软件设计开发的工作效率,增强了程序代码的可靠性、可读性和可移植性。油液参数测量终端结构见图3。
3、网关节点设计
网关节点包括CC2530模块、NB-IoT模块、STM32单片机和RS232接口,网关节点包括CC2530模块实现与油液参数测量终端之间通信的自组织通信网络,NB-IoT模块实现网关与云平台之间的数据双向交互,RS232接口连接现场监控端实现网关与现场监控端之间的信息交互。网关节点见图4。
3、现场监控端软件
现场监控端是一台工业控制计算机,现场监控端主要实现对油液参数进行采集和油液质量的智能等级分类器,实现与油液参数测量终端与网关节点以及云平台的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理、油液质量的智能等级分类器。该管理软件选择了Microsoft Visual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图5。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (3)
1. 油液质量智能检测方法,其特征在于,包括以下步骤:
步骤1、构建参数检测模块
参数检测模块包括粒子群优化自适应小波神经网络-NARX神经网络模型、TDL按拍延迟线A、小波分解模型、降噪自编码神经网络-NARX神经网络模型、LSTM神经网络-NARX神经网络模型、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型;
步骤2、构建油液质量的智能等级分类器
油液质量的智能等级分类器包括4个参数检测模块、TDL按拍延迟线E和区间数的BAM神经网络-DRNN神经网络模型油液质量分类器;
步骤3、影响油液质量的油液污染参数、黏度参数、温度参数和水分参数的传感器输出作为油液质量的智能等级分类器的输入,油液质量的智能等级分类器输出被检测油液的质量安全等级;
所述步骤1中,参数传感器输出作为粒子群优化自适应小波神经网络-NARX神经网络模型的输入,粒子群优化自适应小波神经网络-NARX神经网络模型输出作为TDL按拍延迟线A的输入,TDL按拍延迟线A的输出作为小波分解模型输入,小波分解模型输出的低频趋势部分和多个高频波动部分分别作为LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输入,LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入,TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型的对应输入,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出的4个参数分别为a、b、c、d作为TDL按拍延迟线D的输入,区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出作为参数检测模块的输出;
a和b组成区间数(a,b)作为被检测参数的极小值,c和d组成区间数(c,d)作为被检测参数的极大值,区间数(a,b)和区间数(c,d)组成[(a,b),(c,d)]作为被检测参数的区间犹豫模糊数。
2.根据权利要求1所述的油液质量智能检测方法,其特征在于,所述步骤2中,油液污染传感器、黏度传感器、水分传感器和温度传感器的输出分别作为对应的参数检测模块的输入,参数检测模块的输出作为区间数的BAM神经网络-DRNN神经网络模型油液质量分类器的对应输入,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的2个参数分别为e、f,e、f作为TDL按拍延迟线E的输入,e和f组成区间数(e,f),区间数(e,f)作为被检测油液质量等级的区间数,区间数的BAM神经网络-DRNN神经网络模型油液质量分类器输出的区间数分别对应5种油液质量类型。
3.油液质量智能监测系统,其特征在于,所述监测系统包括油液参数测量终端、现场监控端,油液参数测量终端负责采集被检测油液参数信息,在现场监控端中有油液质量的智能等级分类器,通过网关节点实现油液参数测量终端、现场监控端、云平台和油液监测手机APP的双向通信,实现被检测油液参数采集和油液质量安全等级的分类,其中现场监控端、油液参数测量终端加载有实现如权利要求1-2任一项所述的油液质量智能检测方法的计算机程序步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307355.6A CN116108361B (zh) | 2022-10-24 | 2022-10-24 | 油液质量智能检测方法与监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211307355.6A CN116108361B (zh) | 2022-10-24 | 2022-10-24 | 油液质量智能检测方法与监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116108361A CN116108361A (zh) | 2023-05-12 |
CN116108361B true CN116108361B (zh) | 2024-05-17 |
Family
ID=86266283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211307355.6A Active CN116108361B (zh) | 2022-10-24 | 2022-10-24 | 油液质量智能检测方法与监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116108361B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
CN112906735A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种食用菌环境大数据检测系统 |
CN114399024A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 油气浓度大数据智能检测系统 |
CN115016276A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
-
2022
- 2022-10-24 CN CN202211307355.6A patent/CN116108361B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2416153A1 (en) * | 2010-08-02 | 2012-02-08 | ENI S.p.A. | Method for predicting the quality and yields of a crude oil |
CN106940281A (zh) * | 2016-12-09 | 2017-07-11 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于信息融合技术智能模型的航空油液分析方法 |
CN110702852A (zh) * | 2019-09-10 | 2020-01-17 | 淮阴工学院 | 一种基于物联网的多油气浓度传感器的智能监测系统 |
CN112906735A (zh) * | 2021-01-13 | 2021-06-04 | 淮阴工学院 | 一种食用菌环境大数据检测系统 |
CN114399024A (zh) * | 2021-12-20 | 2022-04-26 | 淮阴工学院 | 油气浓度大数据智能检测系统 |
CN115016276A (zh) * | 2022-06-17 | 2022-09-06 | 淮阴工学院 | 智能水分调节与环境参数物联网大数据系统 |
Non-Patent Citations (3)
Title |
---|
The determination of combustion engine condition and reliability using oil analysis by MLP and RBF neural networks;Jakub Gajewski等;Tribology International;第557-572页 * |
基于RBF神经网络的柴油机排气温度智能检测方法的研究;张丹;赵军;李东;;仪器仪表学报(第02期);第401-404页 * |
基于灰色理论与神经网络的油液污染和机械磨损状况研究;廉书林;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第3-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN116108361A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115630101B (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
CN113126676B (zh) | 一种畜禽舍养殖环境参数智能控制系统 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN113031555B (zh) | 一种畜禽舍环境有害气体智能净化系统 | |
CN112904756B (zh) | 一种管网大数据检测系统 | |
CN115687995A (zh) | 大数据环境污染监测方法及系统 | |
CN113301127A (zh) | 一种牲畜饲料检测系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
CN112911533B (zh) | 一种基于移动端App的温度检测系统 | |
CN117221352A (zh) | 物联网数据采集与智能化的大数据处理方法及云平台系统 | |
CN113255739A (zh) | 一种鱼饲料检测与配方系统 | |
CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网系统 | |
CN113283642A (zh) | 一种家禽饲料检测与配方系统 | |
CN112903929A (zh) | 一种食品质量检测系统 | |
CN116108361B (zh) | 油液质量智能检测方法与监测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN115659201A (zh) | 物联网气体浓度检测方法及监控系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN115616163A (zh) | 气体精确配制与浓度测量系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 | |
CN115905938B (zh) | 基于物联网储罐安全监测方法及系统 |
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 |