CN117150932A - 一种变频增压屏蔽泵的能效评价方法 - Google Patents
一种变频增压屏蔽泵的能效评价方法 Download PDFInfo
- Publication number
- CN117150932A CN117150932A CN202311411569.2A CN202311411569A CN117150932A CN 117150932 A CN117150932 A CN 117150932A CN 202311411569 A CN202311411569 A CN 202311411569A CN 117150932 A CN117150932 A CN 117150932A
- Authority
- CN
- China
- Prior art keywords
- energy efficiency
- data
- variable
- matrix
- frequency
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims abstract description 118
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000012544 monitoring process Methods 0.000 claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 abstract description 3
- 238000011960 computer-aided design Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 14
- 238000005457 optimization Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
本发明涉及计算机辅助设计技术领域，具体涉及一种变频增压屏蔽泵的能效评价方法，具体包括：采集变频增压屏蔽泵的各类特征数据，根据各类特征数据的时间序列之间的变化构建时间序列相关性矩阵，改进VARIMA模型进行各类特征数据预测，根据各类特征数据之间的关系得到实时监测数据的能效评价指标，计算预测数据的能效评价指标，根据能效评价指标得到能效达标率，根据能效达标率分析变频增压屏蔽泵是否存在能耗异常现象，判断变频增压屏蔽泵能效状态。从而实现变频增压屏蔽泵的能效评价，提高了变频增压屏蔽泵的能效评价结果的准确性，有助于分析变频增压屏蔽泵模型的合理性及可靠性，克服了现有能效评价测试需要制作样机的不足。
Description
技术领域
本申请涉及计算机辅助设计技术领域，具体涉及一种变频增压屏蔽泵的能效评价方法。
背景技术
屏蔽泵的特点是把叶轮和电机转子连接为一体，可以浸没在输送的液体当中，不需要联轴器和密封装置，从而避免了液体的泄漏和噪音的产生，同时对电机有一定的电磁屏蔽作用。综上而言变频增压屏蔽泵是一种具有变频控制功能、用于提供增压服务，并且具有一定电磁屏蔽能力以及防泄漏功能的泵设备。对于变频增压屏蔽泵仿真优化设计而言，进行能效评估可以对变频增压屏蔽泵模型工作性能进行准确评价，从而降低变频增压屏蔽泵研制及运营成本，因此对变频增压屏蔽泵进行能效评估是十分必要的流程。
在能效评估技术中常用时序预测算法，如自回归移动平均模型（ARIMA模型）、向量自回归移动平均模型（VARIMA模型）等，但ARIMA模型只能针对单类特征数据时间序列进行预测，而VARIMA模型虽然可以对多类特征数据时间序列进行预测，但其对于多种特征变量之间的相互关系描述只基于局部滞后值，并未体现所有特征数据时间序列的整体相关性。
综上所述，本发明提出一种变频增压屏蔽泵的能效评价方法，对变频增压屏蔽泵的各类特征数据进行分析，使用VARIMA模型对数据进行预测，结合各类特征数据之间的关系构建预测数据的能效评价指标以及实时监测数据的能效评价指标，根据预测数据及实时监测数据的能效评价指标分析变频增压屏蔽泵是否存在能耗异常现象，辅助完成变频增压屏蔽泵模型优化调整，具有较高能效检测精度。
发明内容
为了解决上述技术问题，本发明提供一种变频增压屏蔽泵的能效评价方法，以解决现有的问题。
本发明的一种变频增压屏蔽泵的能效评价方法采用如下技术方案：
本发明一个实施例提供了一种变频增压屏蔽泵的能效评价方法，该方法包括以下步骤：
采集变频增压屏蔽泵的各类特征数据，包括功率、频率、噪声、振幅、进口压力及出口压力数据；
根据各类特征数据得到时序矩阵；根据各类特征数据的时间序列之间的差异得到总特征数据的DTW矩阵；获取总特征数据的皮尔逊相关系数矩阵；根据DTW矩阵及皮尔逊相关系数矩阵得到总特征数据的时间序列相关性矩阵；根据各自回归系数矩阵及时间序列相关性矩阵得到各改进自回归系数矩阵；通过改进自回归系数矩阵得到改进向量自回归移动平均模型；将距当前时刻固定时间段内的所有特征数据作为实时监测数据；根据实时监测数据中进口压力数据变化得到各进口压力变化区间；根据功率数据变化得到各进口压力变化区间内功率变化率；结合频率数据变化获取频率变化率；根据功率变化率及频率变化率得到实时监测数据的能效评价指标；通过改进VARIMA模型预测距当前时刻固定时间内各类特征数据的预测数据；获取预测数据的能效评价指标；
将实时监测数据与预测数据的能效评价指标的比值作为变频增压屏蔽泵的能效达标率；根据能效达标率进行变频增压屏蔽泵能效评价。
优选的，所述根据各类特征数据得到时序矩阵，具体为：将各类特征数据的时间序列按顺序排列组成的矩阵作为时序矩阵，其中时序矩阵中第列、第/>行元素表示第/>时间点采集到的第/>类特征数据。
优选的，所述根据各类特征数据的时间序列之间的差异得到总特征数据的DTW矩阵，具体为：通过动态时间规整算法获取任意两类特征数据时间序列之间的DTW距离；将各所述DTW距离作为各元素；将所有元素组成的矩阵作为总特征数据的DTW矩阵。
优选的，所述获取总特征数据的皮尔逊相关系数矩阵，具体为：计算任意两类特征数据的时间序列之间的皮尔逊相关系数绝对值；将各所述皮尔逊相关系数绝对值作为各元素；将所有元素组成的矩阵作为总特征数据的皮尔逊相关系数矩阵。
优选的，所述根据DTW矩阵及皮尔逊相关系数矩阵得到总特征数据的时间序列相关性矩阵，具体包括：
对于任意两类特征数据的时间序列，计算时间序列之间的皮尔逊相关系数绝对值与DTW距离的比值；将各所述比值作为各元素；将所有元素组成的矩阵作为总特征数据的时间序列相关性矩阵。
优选的，所述根据各自回归系数矩阵及时间序列相关性矩阵得到各改进自回归系数矩阵，具体包括：
对于各自回归系数矩阵，将自回归系数矩阵中各元素与时间序列相关性矩阵中相同位置元素的乘积作为自回归系数矩阵中各元素改进值；将所有元素改进值组成的矩阵作为改进自回归系数矩阵。
优选的，所述根据实时监测数据中进口压力数据变化得到各进口压力变化区间，具体为：
获取实时监测数据中进口压力时间序列的一阶差分序列；预设连续阈值；若一阶差分序列中数值大于0且相连的元素个数大于等于连续阈值，则将对应时间区间作为进口压力变化区间。
优选的，所述根据功率数据变化得到各进口压力变化区间内功率变化率，具体包括：
在各进口压力变化区间内，将功率数据最大值与最小值的差值作为功率变化量；将进口压力变化区间的终止时间点与起始时间点的差值作为区间长度；将功率变化量与区间长度的比值作为进口压力变化区间内功率变化率。
优选的，所述根据功率变化率及频率变化率得到实时监测数据的能效评价指标，具体包括：
在各进口压力变化区间内，将功率变化率与频率变化率的乘积记为第一乘积；获取所有出口压力数据的标准差；计算噪声数据最大值、振幅数据最大值及所述标准差的乘积，记为第二乘积；计算第一乘积与第二乘积的比值；
计算所有进口压力变化区间内所述比值的和值；将所述和值作为实时监测数据的能效评价指标。
优选的，所述根据能效达标率进行变频增压屏蔽泵能效评价，具体为：预设正常区间，当能效达标率处于正常区间时，变频增压屏蔽泵能效正常；当能效达标率不处于正常区间时，变频增压屏蔽泵能效异常。
本发明至少具有如下有益效果：
本发明通过采集变频增压屏蔽泵优化模型在计算机上模拟运行时的各类特征数据，根据各类特征数据的时间序列之间的变化改进VARIMA模型进行各类特征数据预测，结合各类特征数据之间的关系构建预测数据及实时监测数据的能效评价指标，分析变频增压屏蔽泵是否存在能耗异常现象，完成变频增压屏蔽泵的能效评价，解决了VARIMA模型对于多种特征变量之间的相互关系描述只基于局部滞后值，不能体现所有特征数据时间序列的整体相关性的问题，提高了VARIMA模型的预测准确度，提高了变频增压屏蔽泵的能效评价结果的精度，有助于变频增压屏蔽泵的模型设计及优化；
本发明根据各类特征数据的时间序列之间的差异得到变频增压屏蔽泵特征数据的DTW矩阵及皮尔逊相关系数矩阵，构建变频增压屏蔽泵特征数据的时间序列相关性矩阵，根据时间序列相关性矩阵对原VARIMA模型中的自回归系数矩阵进行改进得到改进后的VARIMA模型，根据进口压力实时监测数据的时间序列得到进口压力变化区间；计算进口压力变化区间内功率及频率变化率构建实时监测数据的能效评价指标；通过改进后的VARIMA模型得到预测数据，计算预测数据的能效评价指标；根据能效评价指标得到能效达标率，判断变频增压屏蔽泵能效状态，通过分析能效异常出现的时间，有助于分析模型是否正确合理，方便检测模型的总体可行性，提高了变频增压屏蔽泵的能效评价结果的准确性，克服了现有能效评价测试需要制作样机的不足。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。
图1为本发明提供的一种变频增压屏蔽泵的能效评价方法的流程图；
图2为一种变频增压屏蔽泵的能效评价方法的步骤图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种变频增压屏蔽泵的能效评价方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种变频增压屏蔽泵的能效评价方法的具体方案。
本发明一个实施例提供的一种变频增压屏蔽泵的能效评价方法。
具体的，提供了如下的一种变频增压屏蔽泵的能效评价方法，请参阅图1，该方法包括以下步骤：
步骤S001，采集变频增压屏蔽泵的各类特征数据。
为方便判断变频增压屏蔽泵优化模型的正确性、可用性等，本实施对变频增压屏蔽泵优化模型的能效状态进行评价。首先通过运行该模型的计算机软件的数据采集系统获取变频增压屏蔽泵优化模型的各类特征数据，具体包括：功率、频率、噪声、振幅、进口压力及出口压力数据。每隔秒采集一次上述所有类型的特征数据，共收集计算机模拟运行时间中距当前时刻/>小时内的数据，需要说明的是，/>及/>的取值实施者可自行设定，本实施例将/>及/>的取值分别设定为/>、/>。对所收集到的数据进行清洗以及归一化操作，以消除噪声以及异常值对后续分析内容的影响。
最终采集到的变频增压屏蔽泵的各类特征数据包括功率、频率、噪声、振幅、进口压力及出口压力数据，将对应的时间序列分别记为功率时间序列，频率时间序列/>，噪声时间序列/>，振幅时间序列/>，进口压力时间序列/>以及出口压力时间序列/>。
步骤S002，对变频增压屏蔽泵的各类特征数据进行分析，改进VARIMA模型进行各类特征数据预测，结合各类特征数据之间的关系构建预测数据及实时监测数据的能效评价指标。
向量自回归移动平均模型（VARIMA模型）是一种用于建模多个时间序列数据的统计模型，它结合了向量自回归(VAR)和向量滑动平均(VMA)两种方法，可以捕捉多个变量之间的线性关系和噪声影响。VAR模型是VARIMA模型的自回归部分，用于描述多个变量之间的相互关系，而VMA模型是VARIMA模型的移动平均部分，用于描述每个变量的当前值与其滞后误差项之间的线性关系。该算法虽然可以基于不同变量之间的相关性做出预测，但其仅通过局部滞后值之间的关系进行评估而未对各变量数据时间序列整体相关性做出解释，存在预测精度低等问题。
为解决上述问题，本实施例首先根据采集到的各类特征数据的时间序列构建时序矩阵，如下所示：
式中，为所有特征数据的时序矩阵，时序矩阵中每一列数据表示每个时间点的不同特征数据，每一行数据表示每个传感器在不同时间点收集到的数据，即/>为第c个时间点功率传感器收集到的功率数据，/>为第c个时间点频率传感器收集到的频率数据，/>为第c个时间点噪音传感器收集到的噪声数据，/>为第c个时间点振动传感器收集到的振幅数据，为第c个时间点进口管道上压力传感器收集到的进口压力数据，/>为第c个时间点出口管道上压力传感器收集到的出口压力数据。
将时序矩阵作为VARIMA模型的输入数据，同时该算法输入还包括自回归阶数/>以及移动平均阶数/>，其具体获取过程如下：首先确定阶数区间，本实施例中选取0-10阶，然后分别计算AIC准则、SC准则、HQ准则、LogL准则以及最终预测误差FPE这五个准则在/>和/>选取不同阶数进行组合情况下的估计值，选取五个检验准则最小值数量最多的/>和/>阶数组合，将该组合中/>和/>的阶数分别作为该模型的自回归阶数/>以及移动平均阶数/>。算法输出即为各类特征数据时间序列的预测值。
对于变频增压屏蔽泵来说，在流体输入压力较小时，变频增压屏蔽泵工作功率应该增大，以保证流体输出压力足够稳定；而在流体输入压力足够大时，变频增压屏蔽泵的工作功率应该较小，保证流体输出压力在符合要求的情况下减少能耗，降低噪声以及振动。由上述内容可知变频增压屏蔽泵各个特征变量之间存在一定的相互关系，首先通过动态时间规整算法（DTW）计算任意两类特征数据时间序列之间的DTW距离以构建所有特征数据的DTW矩阵，其中动态时间规整算法为公知技术，具体计算过程不再赘述。分析各类特征数据的时间序列之间的整体相似性，则变频增压屏蔽泵所有特征数据的时间序列之间的DTW矩阵如下所示：
式中，为变频增压屏蔽泵总特征数据的DTW矩阵，/>为第a类特征数据与第b类特征数据的时间序列之间的DTW距离，即若采集的变频增压屏蔽泵的各类特征数据的时间序列按如下顺序排列：功率时间序列/>、频率时间序列/>、噪声时间序列/>、振幅时间序列/>、进口压力时间序列/>以及出口压力时间序列/>，则第一类特征数据为功率数据，第二类特征数据为频率数据，那么/>表示功率时间序列/>与频率时间序列/>之间的DTW距离；k为变频增压屏蔽泵特征数据种类，由上述可知/>。其中/>、/>、…、/>表示各类特征数据的时间序列与自身之间的DTW距离，由DTW距离计算原理可知其大小均为0。
DTW矩阵中的元素体现了两个不同类型特征数据的时间序列之间变化程度的相似性，矩阵中各元素的值越小，说明对应的两类特征数据在时间序列中的波动程度相关性越强。由于DTW距离只能判定序列之间变化程度的相关性而不能体现序列变化的时延关系，所以后续计算不同特征数据时间序列之间的皮尔逊相关系数，用以评判变频增压屏蔽泵不同特征数据的时间序列之间发生变化时的响应速度，变频增压屏蔽泵总特征数据时间序列的皮尔逊相关系数矩阵，如下所示：
式中，为变频增压屏蔽泵总特征数据的皮尔逊相关系数矩阵，/>为第a类特征数据与第b类特征数据的时间序列之间的皮尔逊相关系数绝对值，k为变频增压屏蔽泵特征数据种类，矩阵中各元素解释与/>的解释类似，具体各元素解释不再赘述。皮尔逊相关系数矩阵中各元素值越小，说明两类特征数据的时间序列之间的线性相关性越小，即两个时间序列之间变化响应越慢。
至此获取了不同特征数据的时间序列之间的DTW距离以及皮尔逊相关系数的绝对值，构建了变频增压屏蔽泵总特征数据的DTW矩阵以及皮尔逊相关系数矩阵/>，计算变频增压屏蔽泵总特征数据的时间序列相关性矩阵/>，表达式为：
式中，为变频增压屏蔽泵总特征数据的时间序列相关性矩阵，/>为归一化函数，/>为总特征数据的皮尔逊相关系数矩阵，/>为总特征数据的DTW矩阵，/>为对应位置相除符号，/>表示矩阵/>与/>中相同位置元素相除得到矩阵/>中相同位置的元素值，即/>与/>的比值为矩阵/>中第a行、第b列的元素值；/>为/>维的单位矩阵，表示为/>，即只有主对角线上元素为1，其余位置元素全为0，避免DTW矩阵中对角线元素为0的情况。
当皮尔逊相关系数矩阵中的元素值越大时，说明两类特征数据的时间序列之间线性相关性越强，即两个时间序列之间变化响应较快，那么时间序列相关性矩阵相应的值也越大；当DTW矩阵中元素越小时，说明两类特征数据的时间序列之间的变化程度越相似，两个时间序列之间的整体相关度越强，则时间序列相关性矩阵中相应的值也越大。通过VARIMA模型进行数据预测时，参考所有特征数据的时间序列整体之间的关系，使用时间序列相关性矩阵对变量局部滞后值之间存在的关系进行补充。
在原VARIMA模型表达式中，是自回归系数矩阵，具体可表示为：
式中，为第i个自回归系数矩阵，以/>举例说明，此元素表示当前时间点/>的功率/>与前/>个时间点的频率/>之间的线性关系，矩阵内其余元素与上述举例说明的含义相同，不再一一进行赘述；/>为自回归阶数，其值可确定VARIMA模型表达式中自回归系数矩阵的个数。
那么最终每个自回归系数矩阵与时间序列相关性矩阵/>中对应位置的元素相乘可以得到改进后的自回归系数矩阵/>，该矩阵不仅体现了不同特征变量滞后值的线性关系，也体现了各类特征数据的时间序列整体变化趋势之间的相互影响程度，改进后的每个自回归系数矩阵/>的表达式为：
式中，为第/>个改进自回归系数矩阵，/>为原VARIMA模型表达式中第/>个自回归系数矩阵，/>为变频增压屏蔽泵总特征数据的时间序列相关性矩阵，/>为对应位置相乘符号，/>表示矩阵/>与/>中相同位置元素相乘得到矩阵/>中相同位置的元素。对于VARIMA模型表达式，将各改进自回归系数矩阵/>替换原来的自回归系数矩阵/>得到的表达式作为改进后的VARIMA模型表达式，从而得到改进后的VARIMA模型。
获取变频增压屏蔽泵实时监测数据，以及基于改进后的VARIMA模型的预测数据，构建变频增压屏蔽泵实时监测数据的能效评价指标，具体为：采集一段实时监测数据中进口压力时序数据，分析流体进入增压泵之前压力的变化情况，确定进口流体压力发生变化的区间，根据此区间内其余变量的变化状态等构建能效评价指标，具体方法为：
与模型训练数据采集方式相同，每隔30秒采集一次所有传感器的数据，共采集距当前时刻小时的数据作为变频增压屏蔽泵的实时监测数据，需要说明的是，/>的值实施者可自行设定，本实施例将/>的值设定为/>。将所有实时监测数据组成的集合记为集合/>。将采集的实时监测数据中进口压力时间序列记为/>，那么相应的有功率时间序列/>，频率时间序列/>，噪声时间序列/>，振幅时间序列/>以及出口压力时间序列/>。首先计算进口压力时间序列/>的一阶差分序列/>，一阶差分序列由进口压力时间序列/>中相邻元素作差获取，其中，一阶差分序列的获取方式为公知技术，具体过程不再赘述。然后设定连续阈值/>，将一阶差分序列中连续/>个或/>个以上都大于0的数据所对应的时间点区间记为进口压力变化区间，把第/>个进口压力变化区间记为/>，举例说明：当一阶差分序列/>中有/>时，将到/>这6个数据对应的时间点所在时间区间记为第一个进口压力变化区间。那么在各进口压力变化区间内功率及频率变化率的表达式为：
式中，为第/>个进口压力变化区间内的功率变化率，/>、/>分别为第/>个进口压力变化区间内功率数据最大值、最小值，/>、/>分别为第/>个进口压力变化区间的终止时间点、起始时间点，即/>表示第/>个进口压力变化区间的区间长度，/>为第/>个进口压力变化区间内的频率变化率，/>、分别为第/>个进口压力变化区间内频率数据最大值、最小值。进口压力变化区间的区间长度越短，功率及频率数据的变化量（最大值与最小值的差值）越大，则区间内的功率、频率变化率越大。
由各进口压力变化区间内的各类特征数据变化对实时监测数据总体进行分析，构建实时监测数据的能效评价指标，表达式为：
式中，为实时监测数据的能效评价指标，/>为进口压力变化区间的个数，为第/>个进口压力变化区间内的功率变化率，/>为第/>个进口压力变化区间内的频率变化率，/>、/>分别为第/>个进口压力变化区间内噪声数据最大值、振幅数据最大值，/>为第/>个进口压力变化区间内所有出口压力数据的标准差。其中/>为第一乘积，/>为第二乘积。
当越大时，说明功率变化率以及频率变化率比较大，在进口压力变化时，变频增压屏蔽泵能够及时做出响应，能效评价指标/>越大；当越小时，说明在进口压力发生变化时，变频增压屏蔽泵改变工作状态但噪声以及振幅的最大值都较小，体现了增压泵良好的屏蔽性能，则能效评价指标越大；当/>越小时，说明在进口压力发生变化时，出口压力参数并未发生大幅度改变，即变频增压屏蔽泵发挥了自身变频功效，使得出口压力能保持在一定区间内，则能效评价指标/>越大。
通过改进后的VARIMA模型进行时序预测，基于获取的24小时模型训练数据预测距当前时刻1小时内各时间点的各类特征数据，VARIMA模型预测为公知技术，具体过程不再赘述。将预测得到的所有特征数据记为预测数据，组成的集合记为预测数据集合，即集合/>中包含变频增压屏蔽泵6类特征数据的预测值，并使用上述实时监测数据的能效评价指标计算方法获取预测数据的能效评价指标/>。
步骤S003，根据预测数据及实时监测数据的能效评价指标分析变频增压屏蔽泵优化模型是否存在能耗异常现象，是否需要进行模型优化调整。
根据预测数据的能效评价指标以及实时监测数据的能效评价指标/>进行能效评价，构建能效达标率/>，表达式为：
式中，为变频增压屏蔽泵的能效达标率，/>为实时监测数据的能效评价指标值；/>为预测数据的能效评价指标值。当/>越大时，说明在实际运行中，变频增压屏蔽泵的能效越高，则能效达标率/>越大；当/>越接近100%时，说明变频增压屏蔽泵在模拟运行中越接近预测数据，其工作状态越正常。设定正常区间/>，需要说明的是，/>、/>的值实施者可自行设定，本实施例将/>、/>的值分别设定为80%、100%，当/>大于等于/>、小于等于/>时，说明变频增压屏蔽泵能效正常；当/>小于/>或大于/>时，说明变频增压屏蔽泵能效异常。上述获取变频增压屏蔽泵能效评价结果的步骤图如图2所示。通过计算机数据采集系统获取各模拟时刻的能效状态，通过分析能效状态异常出现的时间对变频增压屏蔽泵设计优化进行进一步处理，能效异常出现的时间越早，说明变频增压屏蔽泵模型设计越不合理，越容易出现异常状况，越需要对模型进行故障筛查、优化改进等操作。至此，结合计算机辅助完成变频增压屏蔽泵模型设计及优化。
综上所述，本发明实施例通过采集变频增压屏蔽泵优化模型在计算机上模拟运行时的各类特征数据，根据各类特征数据的时间序列之间的变化改进VARIMA模型进行各类特征数据预测，结合各类特征数据之间的关系构建预测数据及实时监测数据的能效评价指标，分析变频增压屏蔽泵是否存在能耗异常现象，完成变频增压屏蔽泵的能效评价，解决了VARIMA模型对于多种特征变量之间的相互关系描述只基于局部滞后值，不能体现所有特征数据时间序列的整体相关性的问题，提高了VARIMA模型的预测准确度，提高了变频增压屏蔽泵的能效评价结果的精度，有助于变频增压屏蔽泵的模型设计及优化；
本实施例根据各类特征数据的时间序列之间的差异得到变频增压屏蔽泵特征数据的DTW矩阵及皮尔逊相关系数矩阵，构建变频增压屏蔽泵特征数据的时间序列相关性矩阵，根据时间序列相关性矩阵对原VARIMA模型中的自回归系数矩阵进行改进得到改进后的VARIMA模型，根据进口压力实时监测数据的时间序列得到进口压力变化区间；计算进口压力变化区间内功率及频率变化率构建实时监测数据的能效评价指标；通过改进后的VARIMA模型得到预测数据，计算预测数据的能效评价指标；根据能效评价指标得到能效达标率，判断变频增压屏蔽泵能效状态，通过分析能效异常出现的时间，有助于分析模型是否正确合理，方便检测模型的总体可行性，提高了变频增压屏蔽泵的能效评价结果的准确性，克服了现有能效评价测试需要制作样机的不足。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
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；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，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范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种变频增压屏蔽泵的能效评价方法，其特征在于，该方法包括以下步骤：
采集变频增压屏蔽泵的各类特征数据，包括功率、频率、噪声、振幅、进口压力及出口压力数据；
根据各类特征数据得到时序矩阵；根据各类特征数据的时间序列之间的差异得到总特征数据的DTW矩阵；获取总特征数据的皮尔逊相关系数矩阵；根据DTW矩阵及皮尔逊相关系数矩阵得到总特征数据的时间序列相关性矩阵；根据各自回归系数矩阵及时间序列相关性矩阵得到各改进自回归系数矩阵；通过改进自回归系数矩阵得到改进向量自回归移动平均模型；将距当前时刻固定时间段内的所有特征数据作为实时监测数据；根据实时监测数据中进口压力数据变化得到各进口压力变化区间；根据功率数据变化得到各进口压力变化区间内功率变化率；结合频率数据变化获取频率变化率；根据功率变化率及频率变化率得到实时监测数据的能效评价指标；通过改进VARIMA模型预测距当前时刻固定时间内各类特征数据的预测数据；获取预测数据的能效评价指标；
将实时监测数据与预测数据的能效评价指标的比值作为变频增压屏蔽泵的能效达标率；根据能效达标率进行变频增压屏蔽泵能效评价。
2.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据各类特征数据得到时序矩阵，具体为：将各类特征数据的时间序列按顺序排列组成的矩阵作为时序矩阵，其中时序矩阵中第列、第/>行元素表示第/>时间点采集到的第/>类特征数据。
3.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据各类特征数据的时间序列之间的差异得到总特征数据的DTW矩阵，具体为：通过动态时间规整算法获取任意两类特征数据时间序列之间的DTW距离；将各所述DTW距离作为各元素；将所有元素组成的矩阵作为总特征数据的DTW矩阵。
4.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述获取总特征数据的皮尔逊相关系数矩阵，具体为：计算任意两类特征数据的时间序列之间的皮尔逊相关系数绝对值；将各所述皮尔逊相关系数绝对值作为各元素；将所有元素组成的矩阵作为总特征数据的皮尔逊相关系数矩阵。
5.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据DTW矩阵及皮尔逊相关系数矩阵得到总特征数据的时间序列相关性矩阵，具体包括：
对于任意两类特征数据的时间序列，计算时间序列之间的皮尔逊相关系数绝对值与DTW距离的比值；将各所述比值作为各元素；将所有元素组成的矩阵作为总特征数据的时间序列相关性矩阵。
6.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据各自回归系数矩阵及时间序列相关性矩阵得到各改进自回归系数矩阵，具体包括：
对于各自回归系数矩阵，将自回归系数矩阵中各元素与时间序列相关性矩阵中相同位置元素的乘积作为自回归系数矩阵中各元素改进值；将所有元素改进值组成的矩阵作为改进自回归系数矩阵。
7.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据实时监测数据中进口压力数据变化得到各进口压力变化区间，具体为：
获取实时监测数据中进口压力时间序列的一阶差分序列；预设连续阈值；若一阶差分序列中数值大于0且相连的元素个数大于等于连续阈值，则将对应时间区间作为进口压力变化区间。
8.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据功率数据变化得到各进口压力变化区间内功率变化率，具体包括：
在各进口压力变化区间内，将功率数据最大值与最小值的差值作为功率变化量；将进口压力变化区间的终止时间点与起始时间点的差值作为区间长度；将功率变化量与区间长度的比值作为进口压力变化区间内功率变化率。
9.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据功率变化率及频率变化率得到实时监测数据的能效评价指标，具体包括：
在各进口压力变化区间内，将功率变化率与频率变化率的乘积记为第一乘积；获取所有出口压力数据的标准差；计算噪声数据最大值、振幅数据最大值及所述标准差的乘积，记为第二乘积；计算第一乘积与第二乘积的比值；
计算所有进口压力变化区间内所述比值的和值；将所述和值作为实时监测数据的能效评价指标。
10.如权利要求1所述的一种变频增压屏蔽泵的能效评价方法，其特征在于，所述根据能效达标率进行变频增压屏蔽泵能效评价，具体为：预设正常区间，当能效达标率处于正常区间时，变频增压屏蔽泵能效正常；当能效达标率不处于正常区间时，变频增压屏蔽泵能效异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411569.2A CN117150932B (zh) | 2023-10-30 | 2023-10-30 | 一种变频增压屏蔽泵的能效评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311411569.2A CN117150932B (zh) | 2023-10-30 | 2023-10-30 | 一种变频增压屏蔽泵的能效评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150932A true CN117150932A (zh) | 2023-12-01 |
| CN117150932B CN117150932B (zh) | 2024-01-26 |
Family
ID=88906482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311411569.2A Active CN117150932B (zh) | 2023-10-30 | 2023-10-30 | 一种变频增压屏蔽泵的能效评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150932B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| CN110929407A (zh) * | 2019-11-29 | 2020-03-27 | 清华大学 | 一种供暖用屏蔽电泵的能效评价方法 |
| KR20210036638A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 |
| CN115545256A (zh) * | 2021-06-30 | 2022-12-30 | 南京工程学院 | 一种基于多维数据特征学习的小尺度光伏功率预测方法 |
| CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
| CN116664578A (zh) * | 2023-08-01 | 2023-08-29 | 中日友好医院(中日友好临床医学研究所) | 脑血流和脑功能之间的跨模态耦合图像处理方法及装置 |
| WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
| CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及系统 |
-
2023
- 2023-10-30 CN CN202311411569.2A patent/CN117150932B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109145499A (zh) * | 2018-09-13 | 2019-01-04 | 江苏卓易信息科技股份有限公司 | 基于河道多态计算及Arima模型的权重组合水质预测方法 |
| KR20210036638A (ko) * | 2019-09-26 | 2021-04-05 | 금오공과대학교 산학협력단 | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 |
| CN110929407A (zh) * | 2019-11-29 | 2020-03-27 | 清华大学 | 一种供暖用屏蔽电泵的能效评价方法 |
| CN115545256A (zh) * | 2021-06-30 | 2022-12-30 | 南京工程学院 | 一种基于多维数据特征学习的小尺度光伏功率预测方法 |
| WO2023168912A1 (zh) * | 2022-03-08 | 2023-09-14 | 之江实验室 | 一种基于多关系功能连接矩阵的疾病预测系统及装置 |
| CN116611609A (zh) * | 2023-04-18 | 2023-08-18 | 中国人民解放军海军工程大学 | 基于监控参数的设备稳定性状态预测及评价方法 |
| CN116664578A (zh) * | 2023-08-01 | 2023-08-29 | 中日友好医院(中日友好临床医学研究所) | 脑血流和脑功能之间的跨模态耦合图像处理方法及装置 |
| CN116821713A (zh) * | 2023-08-31 | 2023-09-29 | 山东大学 | 基于多变量动态时间规整算法的隔震效率评价方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张劲帆;刚健华;钱宗鑫;张龄琰;: "基于混频向量自回归模型的宏观经济预测", 金融研究, no. 07 * |
| 钟登华;沈子洋;王佳俊;崔博;任炳昱;王栋;: "基于实时监控的混凝土坝振捣施工质量动态评价研究", 水利学报, no. 07 * |
| 陈刚;: "时间序列相关性分析研究", 现代信息科技, no. 13 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150932B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiang et al. | Multicellular LSTM-based deep learning model for aero-engine remaining useful life prediction | |
| CN109522600B (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
| Kong et al. | Spatio-temporal fusion attention: A novel approach for remaining useful life prediction based on graph neural network | |
| Zheng et al. | A data-driven approach for remaining useful life prediction of aircraft engines | |
| Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
| JP3651693B2 (ja) | プラント監視診断装置および方法 | |
| CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
| Zhu et al. | Res-HSA: Residual hybrid network with self-attention mechanism for RUL prediction of rotating machinery | |
| CN113671917A (zh) | 针对多模态工业过程异常状态的检测方法、系统、设备 | |
| CN112598303A (zh) | 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法 | |
| CN116680105A (zh) | 一种基于邻域信息融合注意力机制的时序异常检测方法 | |
| CN110245460A (zh) | 一种基于多阶段oica的间歇过程故障监测方法 | |
| Fu et al. | MCA-DTCN: A novel dual-task temporal convolutional network with multi-channel attention for first prediction time detection and remaining useful life prediction | |
| Liu et al. | Deep & attention: A self-attention based neural network for remaining useful lifetime predictions | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
| CN115935622A (zh) | 一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法 | |
| CN116147917A (zh) | 一种预测轴承剩余使用寿命标签的构建方法、装置和设备 | |
| CN117664575A (zh) | 基于双图注意力和gru的滚动轴承剩余使用寿命预测方法 | |
| CN117150932B (zh) | 一种变频增压屏蔽泵的能效评价方法 | |
| WO2024178939A1 (zh) | 一种工业设备流量预测方法、装置、设备及可读存储介质 | |
| CN117744495A (zh) | 一种不同退化阶段下多模型驱动的特大型轴承寿命预测方法 | |
| US11449781B2 (en) | Plant abnormality prediction system and method | |
| CN114548701B (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
| Wang et al. | A multi-scale fuel cell degradation prediction method based on isometric convolution block and long short-term memory networks |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 2 Shengda Road, Zeguo Town, Wenling City, Taizhou City, Zhejiang Province Applicant after: Zhejiang Weige Intelligent Pump Industry Co.,Ltd. Address before: 2 Shengda Road, Zeguo Town, Wenling City, Taizhou City, Zhejiang Province Applicant before: ZHEJIANG WIGO Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |