CN117113210B - 驼峰排污系统故障诊断装置、方法及控制器 - Google Patents
驼峰排污系统故障诊断装置、方法及控制器 Download PDFInfo
- Publication number
- CN117113210B CN117113210B CN202311385354.8A CN202311385354A CN117113210B CN 117113210 B CN117113210 B CN 117113210B CN 202311385354 A CN202311385354 A CN 202311385354A CN 117113210 B CN117113210 B CN 117113210B
- Authority
- CN
- China
- Prior art keywords
- artificial fish
- hump
- neural network
- blow
- rbf neural
- 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
- 239000010865 sewage Substances 0.000 title claims abstract description 117
- 238000003745 diagnosis Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 109
- 241000251468 Actinopterygii Species 0.000 claims description 152
- 230000006870 function Effects 0.000 claims description 119
- 238000012549 training Methods 0.000 claims description 107
- 239000013598 vector Substances 0.000 claims description 88
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 15
- 229910009207 xMxN Inorganic materials 0.000 claims description 12
- 238000011478 gradient descent method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000002431 foraging effect Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008014 freezing Effects 0.000 description 2
- 238000007710 freezing Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请适用于驼峰排污技术领域，提供了驼峰排污系统故障诊断装置、方法及控制器。该驼峰排污系统故障诊断装置中，排污阀控制排污管路进行排污，第一压力传感器和第二压力传感器检测排污阀的进气口压力和出气口压力，断路器对排污阀的电压进行控制，通过反馈触点将断路器的开关状态传送给控制器；气流传感器检测排污管路的出口气流；电压传感器和电流传感器检测排污阀的电压和电流；控制器将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络，确定驼峰排污系统存在的故障。本申请能够实现对驼峰排污系统的全面监控，以及对驼峰排污系统的故障诊断与预警。
Description
技术领域
本申请属于驼峰排污技术领域，尤其涉及驼峰排污系统故障诊断装置、方法及控制器。
背景技术
编组站是担当大量列车编组作业的车站，其主要任务是根据列车编组计划，办理货物列车的解体和编组作业。由于所有改编列车都要在编组站解体并重新编组成新的列车组，编组站的作业效率对整个铁路网的通过能力、作业安全、车辆周转能力等起着重要的作用。编组站最主要的设施是驼峰场，目前大型编组站的驼峰场都是自动化驼峰，自动化驼峰主要解决溜放车组的速度控制和进路控制，其控制的关键设备是道岔和车辆减速器。为道岔和减速器提供动力风源的是驼峰空压站。为了保证驼峰场内重要设备的稳定运行，防止管路冻堵、锈蚀，必须对空压机的后处理系统和输气管路进行排污。
传统的驼峰排污系统能够在一定程度上实现排污的自动化，但在现场设备的故障处理方面智能化程度较低，通常只能通过人工巡检的方式来查找和处理故障。
发明内容
为克服相关技术中存在的问题，本申请实施例提供了驼峰排污系统故障诊断装置、方法和控制器。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种驼峰排污系统故障诊断装置，包括排污阀、第一压力传感器、第二压力传感器、断路器、气流传感器、电压传感器、电流传感器和控制器；
所述排污阀设置于排污管路上，用于控制排污管路进行排污；
所述第一压力传感器和所述第二压力传感器分别设置在排污阀的进气口和出气口，用于检测排污阀的进气口压力和出气口压力；
所述断路器用于对排污阀的电压进行控制，并通过反馈触点将断路器的开关状态传送给所述控制器；
所述气流传感器设置于排污管路的出口，用于检测排污管路的出口气流；
所述电压传感器和电流传感器分别用于检测所述排污阀的电压和电流；
所述控制器用于将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络，确定驼峰排污系统存在的故障。
上述驼峰排污系统故障诊断装置，能够采集驼峰排污系统的关键设备的运行数据，实现系统的全面监控；将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络算法，实现驼峰排污系统的故障诊断与预警。
结合第一方面，在一些实施例中，所述控制器还用于对RBF神经网络进行训练，并采用训练后的RBF神经网络确定驼峰排污系统存在的故障；
对RBF神经网络进行训练的过程包括：
获取训练样本集，所述训练样本集包含多个训练样本，每个训练样本包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流、排污阀的电压和电流以及实际故障信息；
基于所述训练样本集构建人工鱼群算法的适应度函数为，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度，x为训练样本，TrainSet为训练样本集，/>与/>分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，；
基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量；
训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量。
结合第一方面，在一些实施例中，所述基于所述适应度函数对人工鱼群进行训练，包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值;
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；其中，RBF神经网络的网络参数包含RBF神经网络的隐含层神经元的中心向量和宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件。
第二方面，本申请实施例提供了一种驼峰排污系统故障诊断方法，应用于第一方面中任一项所述的驼峰排污系统故障诊断装置中的控制器，所述驼峰排污系统故障诊断方法包括：
采集驼峰排污系统的历史运行数据，并对所述历史运行数据进行故障标注，得到训练样本集；其中，所述历史运行数据包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流；
基于所述训练样本集构建人工鱼群算法的适应度函数，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度；
基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量；
训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量；
通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断。
结合第二方面，在一些实施例中，所述适应度函数为，x为训练样本，TrainSet为训练样本集，/>与分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，/>。
结合第二方面，在一些实施例中，所述基于所述适应度函数对人工鱼群进行训练，包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值；
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；其中，RBF神经网络的网络参数包含RBF神经网络的隐含层神经元的中心向量和宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件。
结合第二方面，在一些实施例中，所述确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件，包括：
计算所述第二数量的人工鱼的适应度函数值中的最大值与最小值的差值；
若该差值小于阈值，则该差值满足预设条件，否则该差值不满足预设条件。
结合第二方面，在一些实施例中，所述通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断，包括：
获取驼峰排污系统的待检测运行数据，所述待检测运行数据包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流；
将所述待检测运行数据输入最优的中心向量与宽度向量对应的RBF神经网络，RBF神经网络输出驼峰排污系统的故障信息。
结合第二方面，在一些实施例中，驼峰排污系统的故障标注包含正常、排污阀不闭合和排污阀不开启；
RBF神经网络的参数包含输入层节点数目为7、输出层节点数目为3、隐含层节点数目为M和隐含层节点激活函数为高斯函数，M等于训练样本中数据的数量。
上述驼峰排污系统故障诊断方法，采集驼峰排污系统的历史运行数据，并对历史运行数据进行故障标注；之后，基于训练样本集构建人工鱼群算法的适应度函数，基于适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度；训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量，通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断。上述驼峰排污系统故障诊断方法能够采集驼峰排污系统的关键设备的运行数据，实现系统的全面监控；将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络算法，实现驼峰排污系统的故障诊断与预警。
第三方面，本申请实施例提供了一种控制器，包括存储器和处理器，所述存储器中存储有、可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第二方面任一项所述的驼峰排污系统故障诊断方法。
第四方面，本申请实施例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程序，所述计算机程序被处理器执行时实现如第二方面任一项所述的驼峰排污系统故障诊断方法。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的驼峰排污系统故障诊断装置的结构示意图；
图2是本申请实施例提供的智能诊断模块优化示意图；
图3是本申请实施例提供的驼峰排污系统故障诊断方法的流程示意图；
图4是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
目前国内自动化程度较高的驼峰场采用时间继电器、PLC、ARM等控制器，通过设定排污周期和排污时间，实现自动定时排污。这种控制方式在一定程度上实现了排污的自动化，但未对现场设备的运行状态、输气管路的各项参数进行监测，控制方式较为粗犷；在现场设备的故障处理方面，由于控制系统的智能化程度不高，无法给出故障诊断与预警提示，只能通过人工巡检的方式来查找和处理故障。
原有排污系统中关键设备缺乏状态监测，导致排污装置发生故障后无法及时发现，存在管路积水冻堵隐患；而且原有排污系统无数据存储功能，无法对设备的运行状态、维修和试验过程数据进行存储，故不能对整个系统进行智能分析、故障诊断与预警。
基于上述问题，本申请提供了一种驼峰排污系统故障诊断装置，包括排污阀、第一压力传感器、第二压力传感器、断路器、气流传感器、电压传感器、电流传感器和控制器。
所述排污阀设置于排污管路上，用于控制排污管路进行排污。
所述第一压力传感器和所述第二压力传感器分别设置在排污阀的进气口和出气口，用于检测排污阀的进气口压力和出气口压力。
所述断路器用于对排污阀的电压进行控制，并通过反馈触点将断路器的开关状态传送给所述控制器。
所述气流传感器设置于排污管路的出口，用于检测排污管路的出口气流。
所述电压传感器和电流传感器分别用于检测所述排污阀的电压和电流。
所述控制器用于将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络，确定驼峰排污系统存在的故障。
上述驼峰排污系统故障诊断装置，能够采集驼峰排污系统的关键设备的运行数据，实现对驼峰排污系统的全面监控；将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络算法，实现驼峰排污系统的故障诊断与预警。
一些实施例中，所述控制器还可以用于对RBF神经网络进行训练，并采用训练后的RBF神经网络确定驼峰排污系统存在的故障；
对RBF神经网络进行训练的过程包括：
获取训练样本集，所述训练样本集包含多个训练样本，每个训练样本包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流、排污阀的电压和电流以及实际故障信息；
基于所述训练样本集构建人工鱼群算法的适应度函数为，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度，x为训练样本，TrainSet为训练样本集，/>与/>分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，；
基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量。示例性的，上述基于所述适应度函数对人工鱼群进行训练，可以包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值；
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；其中，RBF神经网络的网络参数包含RBF神经网络的隐含层神经元的中心向量和宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件。
以下结合图1对上述驼峰排污系统故障诊断装置进行详细说明。参见图1，上述驼峰排污系统故障诊断可以包括排污执行模块、数据采集与控制模块、智能诊断模块三部分。
（1）排污执行模块：
该模块主要由1个排污阀、2个压力传感器、1个带反馈触点的断路器、1个气流传感器、1个电压传感器、1个电流传感器组成。排污阀用于管路排污；压力传感器用于检测排污阀进、出口压力；带反馈触点的断路器用于对排污阀的电压进行控制，并通过反馈触点将断路器的开关状态传送给采集模块；气流传感器用于检测排污口的气流、电压传感器和电流传感器分别检测排污阀的电压和电流。
（2）数据采集与控制模块：
该模块的主要功能是采集空压机的主要运行参数、输气管路压力、排污执行模块中的运行数据，将这些数据传送给智能诊断模块，并接收智能诊断模块的控制指令，对排污执行装置进行控制。
（3）智能诊断模块：
该模块的主要功能是将数据采集与控制模块采集的数据进行存储；将排污控制指令下发给数据采集与控制模块，进行排污；根据故障诊断专家库与故障诊断模型，实现排污系统的故障诊断与预警。
其中，故障诊断专家库部署在智能诊断模块上，主要根据专家的经验进行故障诊断规则设计，随着新的故障现象出现，需对诊断规则进行调整和完善，提升故障诊断的准确率。
故障诊断模型部署在智能诊断模块上，对存储的历史数据进行预处理，分析其相关性，基于改进人工鱼群的RBF神经网络算法训练故障诊断模型。该算法的优化目标是RBF神经网络隐含层节点的中心向量和宽度向量（隐含层到输出层的连接权重由求伪逆的方式求得）将人工鱼群适应度函数按如下公式定义为RBF神经网络对训练数据的分类精度，其训练数据是驼峰排污系统的运行数据。
，（1）
其中，fit为人工鱼群适应度函数值，是0与1之间的一个浮点数，用来衡量RBF神经网络对训练数据的分类识别精度；x为训练数据，是由驼峰排污系统的监测数据（包括：排污阀进气口压力、排污阀出气口压力、排污阀控制信号、断路器反馈触点状态、气流传感器状态、排污阀电压、排污阀电流）和与监测数据对应的驼峰排污系统的故障类型数据共同构成。TrainSet是由所有的训练数据x构成的数据集合。与/>分别为训练数据x的网络输出值与实际目标值，/>，用于判断网络输出的正确性；N为训练数据的总个数。
参见图2，该智能诊断模块优化步骤如下：
0）设置智能模块的运行参数：智能诊断模块的输入数据（即排污系统的监控数据）的数量M、输出数据（即排污系统故障类型）的数量N，以及隐含层神经元的数量K，系统根据智能模块的运行参数自动计算每条人工鱼的长度为；
1）采用随机的方式，初始化人工鱼群（包括50条人工鱼）。每一条人工鱼是RBF神经网络隐含层节点的中心向量和宽度向量的一种随机实现。
2）计算所有人工鱼的适应度函数值，并记录或更新最佳10条人工鱼状态。
3）检查上述最佳10个人工鱼的适应度函数值，并根据适应度函数值大小进行排序；并检查公式是否能够成立。
其中，为适应度函数值排名第一的人工鱼所代表的RBF神经网络的分类精度，/>为适应度函数值排名第十的人工鱼所代表的RBF神经网络的分类精度，/>为一个预先定义好的阈值。
如果公式成立，则说明该智能优化算法的优化潜能已经被开发殆尽，则可以跳出循环。否则，继续往下执行。
4）检查人工鱼群算法循环迭代次数是否大于最大迭代次数。如果是，则结束人工鱼群的优化过程，跳出，否则，继续往下执行。
5）对人工鱼群执行觅食、聚群、追尾、随机等操作。
6）计算所有人工鱼的适应度函数值，并记录或更新最佳10条人工鱼状态。
7）挑选出当前适应度最好的人工鱼所对应的RBF神经网络的网络参数，作为该目标函数的初始点，采取梯度下降法进行若干步的精细搜索优化。
8）根据7）的搜索结果，更新该条人工鱼自身的数据以及对应的适应度函数的值，并跳到2）继续执行。
9）采用训练与部署分离的原则，将RBF神经网络的各个参数导出到驼峰排污故障诊断装置里。
10）利用导入的RBF神经网络的参数，构建RBFNN故障诊断系统，对驼峰排污设备进行故障诊断。
智能诊断模块的数据处理流程（以排污阀故障诊断为例）如下：
1）模块的输入数据
驼峰排污系统故障诊断装置的智能诊断模块的输入数据就是由驼峰排污设备现场的传感器实时采集上来的各种监控数据，包括：空压机运行参数、排污阀的进气口压力、排污阀的出气口压力、排污阀控制信号、断路器反馈触点状态（即断路器的开关状态）、气流传感器状态（即排污管路的出口气流）、排污阀的电压和排污阀的电流。
2）模块的输出数据（排污阀故障类别）
该智能诊断模块的输出数据就是该智能诊断模块智能识别输入数据，深入挖掘蕴含数据中的设备运行信息，是驼峰排污设备运行状态做出的最终判断。也就是模块的输出数据就是排污阀故障的类别，包括正常、排污阀不闭合和排污阀不开启。
3）模型的数据处理流程
A、根据上述输入与输出数据的相关情况，配置RBF神经网络的参数，包括：输入层节点数目为7、输出层节点数目为3、隐含层节点数目为M、隐含层节点激活函数为高斯函数。
B、初始化包含50条人工鱼的人工鱼群。每条人工鱼代表RBF神经网络各个参数（隐含层节点的中心向量和宽度向量）的一种随机实现。
C、按照上述智能诊断模块的优化步骤，继续优化智能模块，直至模块优化结束。
D、将适应度函数值最大的人工鱼所代表的RBF神经网络的隐含层节点的中心与宽度，以及隐含层到输出层节点的连接权重，保存到bestParams.npy文件中。
E、将bestParams.npy拷贝到驼峰排污设备数据监控中心。
F、利用文件bestParams.npy中保存的RBF神经网络的参数重构网络模型RBFNN*。
G、利用模型RBFNN*对从现场采集回来的驼峰排污系统设备的监控数据进行故障诊断即可。
图3是本申请实施例提供的驼峰排污系统故障诊断方法的流程示意图，参照图3，对该驼峰排污系统故障诊断方法的详述如下：
步骤101，采集驼峰排污系统的历史运行数据，并对所述历史运行数据进行故障标注，得到训练样本集。
其中，所述历史运行数据可以包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流。
步骤102，基于所述训练样本集构建人工鱼群算法的适应度函数，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度。
示例性的，所述适应度函数为，x为训练样本，TrainSet为训练样本集，/>与/>分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，/>。
步骤103，基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量。
一些实施例中，上述基于所述适应度函数对人工鱼群进行训练的过程可以包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值；
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；其中，RBF神经网络的网络参数包含RBF神经网络的隐含层神经元的中心向量和宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件。
示例性的，上述确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件，具体可以包括：计算所述第二数量的人工鱼的适应度函数值中的最大值与最小值的差值；若该差值小于阈值，则该差值满足预设条件，否则该差值不满足预设条件。
例如，计算所有人工鱼的适应度函数值，并记录或更新最佳10条人工鱼状态。检查上述最佳10个人工鱼的适应度函数值，并根据适应度函数值大小进行排序；并检查公式是否能够成立。其中，/>为适应度函数值排名第一的人工鱼所代表的RBF神经网络的分类精度，/>为适应度函数值排名第十的人工鱼所代表的RBF神经网络的分类精度，/>为一个预先定义好的阈值。
如果公式成立，则该差值满足预设条件，否则该差值不满足预设条件。
步骤104，训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量，通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断。
一些实施例中，上述通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断，可以包括：
获取驼峰排污系统的待检测运行数据，所述待检测运行数据包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流；
将所述待检测运行数据输入最优的中心向量与宽度向量对应的RBF神经网络，RBF神经网络输出驼峰排污系统的故障信息。
示例性的，驼峰排污系统的故障标注可以包含正常、排污阀不闭合和排污阀不开启；RBF神经网络的参数包含输入层节点数目为7、输出层节点数目为3、隐含层节点数目为M和隐含层节点激活函数为高斯函数，M等于训练样本中数据的数量。
上述驼峰排污系统故障诊断方法，采集驼峰排污系统的历史运行数据，并对历史运行数据进行故障标注；之后，基于训练样本集构建人工鱼群算法的适应度函数，基于适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度；训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量，通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断。上述驼峰排污系统故障诊断方法能够采集驼峰排污系统的关键设备的运行数据，实现系统的全面监控；将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络算法，实现驼峰排污系统的故障诊断与预警。
另外，本申请实施例中将人工鱼群算法与梯度下降法相结合对RBF神经网络的网络参数进行优化，能够更快速、更高概率地找到RBF神经网络参数的全局最优解。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请实施例还提供了一种终端设备，该终端设备可以为上述驼峰排污系统故障诊断装置中的控制器。参见图4，该终端设备200可以包括：至少一个处理器210和存储器220，所述存储器220中存储有可在所述至少一个处理器210上运行的计算机程序，所述处理器210执行所述计算机程序时实现上述任意各个方法实施例中的步骤，例如图3所示实施例中的步骤101至步骤104。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器220中，并由处理器210执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备200中的执行过程。
本领域技术人员可以理解，图4仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器210可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器220可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器220用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器220还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例还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程序，所述计算机程序被处理器执行时实现可实现上述驼峰排污系统故障诊断方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述驼峰排污系统故障诊断方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (6)
1.一种驼峰排污系统故障诊断装置，其特征在于，包括排污阀、第一压力传感器、第二压力传感器、断路器、气流传感器、电压传感器、电流传感器和控制器；
所述排污阀设置于排污管路上，用于控制排污管路进行排污；
所述第一压力传感器和所述第二压力传感器分别设置在排污阀的进气口和出气口，用于检测排污阀的进气口压力和出气口压力；
所述断路器用于对所述排污阀的电压进行控制，并通过反馈触点将断路器的开关状态传送给所述控制器；
所述气流传感器设置于排污管路的出口，用于检测排污管路的出口气流；
所述电压传感器和电流传感器分别用于检测所述排污阀的电压和电流；
所述控制器用于将空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流，输入至RBF神经网络，确定驼峰排污系统存在的故障；
所述控制器还用于对RBF神经网络进行训练，并采用训练后的RBF神经网络确定驼峰排污系统存在的故障；
对RBF神经网络进行训练的过程包括：
获取训练样本集，所述训练样本集包含多个训练样本，每个训练样本包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流、排污阀的电压和电流以及实际故障信息；
基于所述训练样本集构建人工鱼群算法的适应度函数为，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度，x为训练样本，TrainSet为训练样本集，/>与/>分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，；
基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量；
训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量；
所述基于所述适应度函数对人工鱼群进行训练，包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值;
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；其中，RBF神经网络的网络参数包含RBF神经网络的隐含层神经元的中心向量和宽度向量，以及RBF神经网络隐含层到输出层连接的权重；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件。
2.一种驼峰排污系统故障诊断方法，其特征在于，应用于如权利要求1所述的驼峰排污系统故障诊断装置中的控制器，所述驼峰排污系统故障诊断方法包括：
采集驼峰排污系统的历史运行数据，并对所述历史运行数据进行故障标注，得到训练样本集；其中，所述历史运行数据包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流；
基于所述训练样本集构建人工鱼群算法的适应度函数，人工鱼群算法的适应度函数用于衡量RBF神经网络对训练样本的分类识别精度；
基于所述适应度函数对人工鱼群进行训练，每个人工鱼的位置对应于RBF神经网络的隐含层神经元的一组中心向量与宽度向量；
训练完成后，得到RBF神经网络的隐含层神经元的一组最优的中心向量与宽度向量，通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断；
所述基于所述适应度函数对人工鱼群进行训练，包括：
步骤A1、采用随机的方式，初始化人工鱼群，该人工鱼群包含第一数量的人工鱼；训练样本数据维数为M，RBF神经网络隐含层神经元数量为N，网络输出层的神经元的个数为K，每一条人工鱼是一个长度为2×M×N+N×K的实数数组，该数组的前M×N个元素存放的是数据维数为M的N个中心向量所对应的元素，该数组接下来的第M×N+1至第2×M×N个元素存放的是数据维数为M的N个宽度向量所对应的元素，该数组最后N×K的元素里存放的是数据维数为N的K个权重向量所对应的元素；
步骤A2、计算所有人工鱼的适应度函数值，并根据适应度函数值确定最佳的第二数量的人工鱼，第二数量小于第一数量；
步骤A3、确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件；若满足预设条件，结束训练；若不满足预设条件，对人工鱼群执行觅食、聚群、追尾、随机行为；
步骤A4、计算所有人工鱼的适应度函数值；
步骤A5、以RBF神经网络的目标函数为优化对象，将人工鱼群中适应度函数值最高的人工鱼所对应的RBF神经网络的网络参数作为该目标函数的初始点，采用梯度下降法，进行搜索；
步骤A6、根据步骤A5搜索的结果，更新该条人工鱼自身的数据以及对应的适应度函数的值；
步骤A7、返回步骤A2，直至第二数量的人工鱼的适应度函数值的差值满足预设条件；
所述适应度函数为，x为训练样本，TrainSet为训练样本集，/>与/>分别为训练样本x的网络输出值与实际目标值，N为训练样本集中训练样本的个数，/>。
3.如权利要求2所述的驼峰排污系统故障诊断方法，其特征在于，所述确定所述第二数量的人工鱼的适应度函数值的差值是否满足预设条件，包括：
计算所述第二数量的人工鱼的适应度函数值中的最大值与最小值的差值；
若该差值小于阈值，则该差值满足预设条件，否则该差值不满足预设条件。
4.如权利要求2所述的驼峰排污系统故障诊断方法，其特征在于，所述通过最优的中心向量与宽度向量对应的RBF神经网络对驼峰排污系统进行故障诊断，包括：
获取驼峰排污系统的待检测运行数据，所述待检测运行数据包含空压机运行参数、排污阀的进气口压力和出气口压力、断路器的开关状态、排污管路的出口气流以及排污阀的电压和电流；
将所述待检测运行数据输入最优的中心向量与宽度向量对应的RBF神经网络，RBF神经网络输出驼峰排污系统的故障信息。
5.如权利要求2所述的驼峰排污系统故障诊断方法，其特征在于，驼峰排污系统的故障标注包含正常、排污阀不闭合和排污阀不开启；
RBF神经网络的参数包含输入层节点数目为7、输出层节点数目为3、隐含层节点数目为M和隐含层节点激活函数为高斯函数，M等于训练样本中数据的数量。
6.一种控制器，包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求2至5任一项所述的驼峰排污系统故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385354.8A CN117113210B (zh) | 2023-10-25 | 2023-10-25 | 驼峰排污系统故障诊断装置、方法及控制器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311385354.8A CN117113210B (zh) | 2023-10-25 | 2023-10-25 | 驼峰排污系统故障诊断装置、方法及控制器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113210A CN117113210A (zh) | 2023-11-24 |
| CN117113210B true CN117113210B (zh) | 2023-12-29 |
Family
ID=88804241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311385354.8A Active CN117113210B (zh) | 2023-10-25 | 2023-10-25 | 驼峰排污系统故障诊断装置、方法及控制器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113210B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206671916U (zh) * | 2017-04-13 | 2017-11-24 | 北京联泰信科铁路技术股份有限公司 | 铁路驼峰风管路设备的自动温控系统 |
| CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
| CN116800202A (zh) * | 2023-06-21 | 2023-09-22 | 国网山东省电力公司日照供电公司 | 基于参数辨识的光伏组件故障诊断方法和系统 |
-
2023
- 2023-10-25 CN CN202311385354.8A patent/CN117113210B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN206671916U (zh) * | 2017-04-13 | 2017-11-24 | 北京联泰信科铁路技术股份有限公司 | 铁路驼峰风管路设备的自动温控系统 |
| CN116304955A (zh) * | 2023-05-15 | 2023-06-23 | 河北省科学院应用数学研究所 | 道岔设备故障检测方法、装置、终端设备及存储介质 |
| CN116800202A (zh) * | 2023-06-21 | 2023-09-22 | 国网山东省电力公司日照供电公司 | 基于参数辨识的光伏组件故障诊断方法和系统 |
Non-Patent Citations (5)
| Title |
|---|
| 一种驼峰排污智能控制系统设计;董佳 等;中国科技信息;第1段到总结 * |
| 基于FNN的驼峰车辆减速器出口速度的计算;徐万安, 史绚, 林通源;中国铁道科学(第03期);全文 * |
| 智能算法优化神经网络在变压器故障诊断中的应用;要航;赵伟钦;;电气开关(第06期);全文 * |
| 矿用干式变压器绝缘在线监测及故障诊断预警系统研制;万志强;宋建成;雷志鹏;温敏敏;李传扬;;工矿自动化(第10期);全文 * |
| 驼峰压缩空气储气罐自动恒温装置;马俊明;刘国瑞;;铁道通信信号(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113210A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8849732B2 (en) | Adaptive remote maintenance of rolling stocks | |
| CN113935439B (zh) | 排水管网的故障检测方法、设备、服务器及存储介质 | |
| CN104538041A (zh) | 异常声音检测方法及系统 | |
| CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
| CN104021238A (zh) | 一种铅酸动力电池系统故障诊断方法 | |
| CN110837718B (zh) | 道岔故障检测方法、装置、电子设备及存储介质 | |
| CN111400961B (zh) | 风力发电机组叶片故障判断方法及装置 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN106803101A (zh) | 基于隐马尔科夫模型的里程计故障诊断方法 | |
| CN115673596B (zh) | 一种基于Actor-Critic强化学习模型的焊接异常实时诊断方法 | |
| CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN117113210B (zh) | 驼峰排污系统故障诊断装置、方法及控制器 | |
| CN111353640A (zh) | 一种组合法风速预测模型构建方法 | |
| CN111476102A (zh) | 一种安全防护方法、中控设备及计算机存储介质 | |
| Rahman et al. | Deep learning model for railroad structural health monitoring via distributed acoustic sensing | |
| CN117421692B (zh) | 垃圾投放站的垃圾违规投放识别方法、装置、设备 | |
| CN104697765A (zh) | 汽车空调故障检测系统及方法 | |
| CN106055776A (zh) | 基于人工智能有监督学习线性回归方法建立不同车型分区域远程定损系统及方法 | |
| CN113858566A (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 | |
| Zeng et al. | Rail break prediction and cause analysis using imbalanced in-service train data | |
| EP4209464A1 (en) | Chemical dosing optimization apparatus and method for water treatment plant | |
| CN116304955A (zh) | 道岔设备故障检测方法、装置、终端设备及存储介质 | |
| CN115238904A (zh) | 用于在车辆中创建训练数据的方法、设备和计算机程序 | |
| CN106056140A (zh) | 基于人工智能有监督学习线性回归方法建立不同车型分工况远程定损系统及方法 |
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 |