CN117452989B - 一种基于bp神经网络的温度调控阀门性能调控与测试方法 - Google Patents

一种基于bp神经网络的温度调控阀门性能调控与测试方法 Download PDF

Info

Publication number
CN117452989B
CN117452989B CN202311798492.9A CN202311798492A CN117452989B CN 117452989 B CN117452989 B CN 117452989B CN 202311798492 A CN202311798492 A CN 202311798492A CN 117452989 B CN117452989 B CN 117452989B
Authority
CN
China
Prior art keywords
neural network
optimal
temperature
control valve
gradient
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
Application number
CN202311798492.9A
Other languages
English (en)
Other versions
CN117452989A (zh
Inventor
于洋
陶波
何明
孙瑞亮
李豪
朱全琛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
HEFEI GENERAL ENVIRONMENT CONTROL TECHNOLOGY CO LTD
Hefei General Machinery Research Institute Co Ltd
Original Assignee
HEFEI GENERAL ENVIRONMENT CONTROL TECHNOLOGY CO LTD
Hefei General Machinery Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by HEFEI GENERAL ENVIRONMENT CONTROL TECHNOLOGY CO LTD, Hefei General Machinery Research Institute Co Ltd filed Critical HEFEI GENERAL ENVIRONMENT CONTROL TECHNOLOGY CO LTD
Priority to CN202311798492.9A priority Critical patent/CN117452989B/zh
Publication of CN117452989A publication Critical patent/CN117452989A/zh
Application granted granted Critical
Publication of CN117452989B publication Critical patent/CN117452989B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04C—ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; ROTARY-PISTON, OR OSCILLATING-PISTON, POSITIVE-DISPLACEMENT PUMPS
    • F04C29/00—Component parts, details or accessories of pumps or pumping installations, not provided for in groups F04C18/00 - F04C28/00
    • F04C29/02—Lubrication; Lubricant separation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
    • F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
    • F16K37/0075—For recording or indicating the functioning of a valve in combination with test equipment
    • F16K37/0091—For recording or indicating the functioning of a valve in combination with test equipment by measuring fluid parameters
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16N—LUBRICATING
    • F16N23/00—Special adaptations of check valves
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及数据处理技术领域，具体是一种基于BP神经网络的温度调控阀门性能调控与测试方法，包括以下步骤：获取喷油螺杆压缩机在工作过程中的数据样本；构建基于Keras序列模型的基础神经网络；将数据样本输入到基础神经网络中进行训练，使用改进的adam算法对神经网络进行梯度更新，以获得最优神经网络；使用最优神经网络预测待测样本的温控阀调控结果。本发明能够有效地提高温度调控阀门调控结果检测的准确性，进而为阀门的调控提供精准的指导。

Description

一种基于BP神经网络的温度调控阀门性能调控与测试方法
技术领域
本发明涉及数据处理技术领域，具体是一种基于BP神经网络的温度调控阀门性能调控与测试方法。
背景技术
温度调控阀门是喷油螺杆压缩机组不可或缺的重要零部件之一，安装在油气分离器、油冷却器和油过滤器之间，是螺杆主机润滑油闭路循环系统的核心调控设备。温度调控阀门启闭功能和动作精度直接决定螺杆主机的喷油温度和主机热力性能，影响螺杆压缩机组热效率和可靠性。
在不同的环境条件下，随着润滑油流量、温度和压力的变化，温度调控阀门的动作特性和调控精度会偏离设计工况，无法实现预期温度调控效果，进而影响系统的优化配置。然而在一般用喷油螺杆压缩机领域，目前尚没有一种能够同时分析调控温度调控阀门外部温度和润滑油流量、温度和压力作为独立变量来有效调节和稳态控制的调控与测试系统，因此亟待解决。
发明内容
为了避免和克服现有技术中存在的技术问题，本发明提供了一种基于BP神经网络的温度调控阀门性能调控与测试方法。本发明能够有效的提高温度调控阀门调控结果检测的准确性，进而为阀门的调控提供准确的指导。
为实现上述目的，本发明提供如下技术方案：
一种基于BP神经网络的温度调控阀门性能调控与测试方法，包括以下步骤：
S1、获取喷油螺杆压缩机在工作过程中的数据样本；
S2、构建基于Keras序列模型的基础神经网络；
S3、将数据样本输入到基础神经网络中进行训练，使用改进的adam算法对基础神经网络进行梯度更新，以获得最优神经网络；
S4、使用最优神经网络预测待测样本的温控阀调控结果。
作为本发明进一步的方案：使用改进的adam算法对基础神经网络进行梯度更新的具体步骤如下：
S31、输入到基础神经网络中的所有数据样本构成总体区域，将总体区域分割成设定数量的优化区域；
S32、在各个优化区域内随机选取一个数据样本，同时随机选取一个梯度更新方向，按照步骤S321至步骤S327的内容同时更新各个优化区域内的权重参数；
S321、使用损失函数对各个优化区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
；
其中，表示第i个优化区域内在t时刻的梯度；/>表示第i个优化区域内在t时刻的权重参数；L表示损失函数；▽表示梯度符号；
S322、计算梯度在动量形式下的一阶矩估计，计算公式如下：
；
其中，表示第i个优化区域内在t时刻的梯度在动量形式下的一阶矩估计；β 1表示时间步长；/>表示第i个优化区域内在t-1时刻的梯度在动量形式下的一阶矩估计；
S323、计算梯度在动量形式下的二阶矩估计，计算公式如下：
；
其中，表示第i个优化区域内在t时刻的梯度在动量形式下的二阶矩估计；β 2表示衰减率；/>表示第i个优化区域内在t-1时刻的梯度在动量形式下的二阶矩估计；
S324、计算偏差纠正后的一阶矩估计，计算公式如下：
；
其中，表示/>偏差纠正后形成的一阶矩估计；
S325、计算偏差纠正后的二阶矩估计，计算公式如下：
；
其中，表示/>偏差纠正后形成的二阶矩估计；
S326、使用t时刻的权重参数更新得到t+1时刻的权重参数，更新公式如下：
；
表示第i个优化区域内在t+1时刻的权重参数；η表示学习率；
S327、将各个优化区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止该优化区域内的权重参数，并将当前的权重参数记为最优参数；反之，则继续更新该优化区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；
S33、比较各个优化区域内最优权重参数的大小，选择最优权重参数最小的优化区域作为最适区域，并按照步骤S331至步骤S335的内容对最适区域进行权重参数的更新；
S331、使用损失函数对最适区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
；
其中，表示最适区域内在t时刻的梯度；/>表示最适区域内在t时刻的权重参数；s表示最适区域；
S332、计算最适区域内的梯度在动量形式下的一阶矩估计，计算公式如下：
；
其中，表示最适区域内在t时刻的梯度在动量形式下的一阶矩估计；/>表示最适区域内在t-1时刻的梯度在动量形式下的一阶矩估计；/>为最适区域的学习步长；
S333、计算最适区域内的梯度在动量形式下的二阶矩估计，计算公式如下：
；
其中，表示最适区域内在t时刻的梯度在动量形式下的二阶矩估计；/>表示最适区域内在t-1时刻的梯度在动量形式下的二阶矩估计；ε表示微小量；/>表示最适区域的衰减率；/>表示/>的绝对值；
S334、使用最适区域内t时刻的权重参数更新得到t+1时刻的权重参数，更新公式如下：
；
其中，表示最适区域内在t+1时刻的权重参数；κ表示超参数；
S335、将最适区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止最适区域内的权重参数，并将当前的权重参数记为最终参数；反之，则继续更新最适区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；
S34、将最终参数赋予基础神经网络，即可得到最优神经网络。
作为本发明再进一步的方案：步骤S1的具体步骤如下：
S11、获取喷油螺杆压缩机在工作过程中的数据样本，数据样本的样本特征包括喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01、润滑油温度T 01、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、旁路调控流量M F3、降温前后润滑油的压力差ΔP、降温前后润滑油的温度差ΔT、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2；
数据样本的样本标签包括温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V ；
S12、对数据样本进行PCA主成分分析，PCA主成分分析包括以下两个场景：
场景一：对喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01和润滑油温度T 01进行PCA主成分分析，获得的场景一下的第一主成分为主油路关键参数PCA 01；
场景二：对旁路调控流量M F3、降温前后润滑油的压力差ΔP和降温前后润滑油的温度差ΔT进行PCA主成分分析，获得的场景二下的第一主成分为旁路关键参数PCA 02；
S13、对主油路关键参数PCA 01、旁路关键参数PCA 02、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2、温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 进行Z-Score归一化处理，并将归一化处理后的结果作为基础神经网络的输入数据。
作为本发明再进一步的方案：步骤S2的具体步骤如下：
S21、根据Keras序列模型的原理构建隐藏层只有两层全连接层的基础神经网络；
S22、将两层全连接层的传递函数均设为log(sig(x))，log(sig(x))的计算公式如下：
；
其中，x表示隐藏层传递函数的输入。
作为本发明再进一步的方案：在得到最优神经网络后，将含有标签的测试样本输入到最优神经网络中，根据最优神经网络的预测结果计算最优神经网络的准确率，准确率的计算公式如下：
；
其中，n correct 表示最优神经网络预测的温控阀调控结果符合要求的测试样本个数；N表示输入最优神经网络中的测试样本总数。
作为本发明再进一步的方案：n correct 的计算过程如下：
当测试样本在最优神经网络中预测出的温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 均不小于对应的阈值时，则该测试样本的温控阀调控结果符合要求；反之，该测试样本的温控阀调控结果不符合要求。
作为本发明再进一步的方案：在采集喷油螺杆压缩机工作过程中的数据样本时，按时间顺序依次采集，并将时间戳存储在对应的数据样本中。
作为本发明再进一步的方案：对基础神经网络和最优神经网络的输入数据进行独特编码处理，并将处理后的输入数据存储在对应的寄存器中。
作为本发明再进一步的方案：所述基础神经网络为BP神经网络或卷积神经网络。
作为本发明再进一步的方案：将步骤S13获取的输入数据按照设定的比例分割成训练集、验证集和测试集；
将训练集输入到基础神经网络中进行训练，以得到最优神经网络；
将验证集输入到最优神经网络中，验证最优神经网络；
将测试集输入到最优神经网络中，通过准确率计算公式确定最优神经网络的准确率。
与现有技术相比，本发明的有益效果是：
1、本发明通过采集油气分离器、油过滤器、压力调节阀出口端的流量计、压力传感器、温度传感器的信号，实时解析出油路管路中的润滑油流量、温度和压力的数值，数据依据时刻标签进行统一化数据编排，并完成数据预处理并留档，数据按时刻建档可追溯。
2、基于降维设计，压缩润滑油流量，调温前后润滑油温度与压力的信息维度，该步骤可直接提升信息的利用效率，减少隐藏层设计层数，提升函数的收敛性能，减少模型开销。
3、采用可变转速的螺杆压缩机主机、润滑油动力子系统，基于前述算法实现润滑油压力和流量的自动调节，稳定喷油螺杆压缩机的润滑油工作压力波动，提升压缩机整体寿命。
4、采用配置变频风扇的油冷却器、流量调节阀、进出口温度、压力传感器等组成的润滑油冷却子系统，基于前述算法，可以实现提前对从温度调控阀门开启后分流过来的高温润滑油进行智能调节，基于润滑油温度的波动趋势，预先的调节冷却器工作功率，与温控阀调节开度、油泵运行功率进行耦合调节，选取最优工作状态，提升整机能效，节能环保。
附图说明
图1为本发明的主要操作步骤流程图。
图2为本发明喷油螺杆压缩机的工作原理图。
具体实施方式
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，都属于本发明保护的范围。
请参阅图1，本发明实施例中，一种基于BP神经网络的温度调控阀门性能调控与测试方法，包括以下内容。
首先获取喷油螺杆压缩机在工作过程中的数据样本。获取数据样本的具体过程如下：
在采集喷油螺杆压缩机工作过程中的数据样本时，按时间顺序依次采集，并将时间戳存储在对应的数据样本中。即存储在数据库中的数据样本可通过采集的时间进行排序的，进而使数据库构成一个时序数据库，数据样本按时刻建档可追溯，为后续性能评估提供数据比对。
喷油螺杆压缩机的工作原理如图2所示，油气分离器OS首先对原料进行油气分离。油气分离时，油气分离器的采集液位为P 01。分离后的润滑油沿着管道流动并经过第一温度传感器的测温，测得润滑油温度为T 01。接着润滑油依次经过第一润滑油过滤器OF 1、第一流量传感器、第二温度传感器和第二压力传感器，分别测得润滑油路流量M F1、润滑油路温度T 02和润滑油路油压P 02。
在润滑油经过上述测量之后，润滑油经过分流阀门开始分流，一部分沿着原管道继续流动，另一部分沿着旁路流动，以进行冷却。在旁路中润滑油依次经过温控阀V 05、第三压力传感器、第三温度传感器、冷却系统、第四温度传感器、第四压力传感器和第二流量传感器，最后流回原管道中，并与原管道中的润滑油混合。在旁路中依次测得温控阀V 05的开度、润滑油路油压P 03、润滑油路温度T 03、冷却系统M 2的工作功率C 2、润滑油路温度T 04、润滑油路油压P 04和润滑油路流量M F2。
混合后的润滑油沿着原管路依次经过第五温度传感器、第五压力传感器、原管路中的温控阀V 05、第二润滑油过滤器OF 2、增压油泵和螺杆机，最后再流回油气分离器OS，进而构成一个闭环回路。在此过程中，依次获得温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、温控阀旁路降温后的润滑油流量M F2和喷油螺杆压缩机的功率P comp 。
喷油螺杆压缩机在工作过程中的数据样本的样本特征包括喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01、润滑油温度T 01、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、旁路调控流量M F3、降温前后润滑油的压力差ΔP、降温前后润滑油的温度差ΔT、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2。
数据样本的样本标签包括温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 。
接着对数据样本进行PCA主成分分析，PCA主成分分析包括以下两个场景：
场景一：对喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01和润滑油温度T 01进行PCA主成分分析，获得的场景一下的第一主成分为主油路关键参数PCA 01。
场景二：对旁路调控流量M F3、降温前后润滑油的压力差ΔP和降温前后润滑油的温度差ΔT进行PCA主成分分析，获得的场景二下的第一主成分为旁路关键参数PCA 02。
通过两个场景下的初步划分，将关联的物理量进行压缩降维，降低了神经网络输入层节点参数的数量，进而降低神经网络计算的开销。
再对主油路关键参数PCA 01、旁路关键参数PCA 02、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2、温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 进行Z-Score归一化处理，并将归一化处理后的结果作为神经网络的输入数据。对神经网络的输入数据进行独特编码处理，并将处理后的输入数据存储在对应的寄存器中。
按照上述内容的描述，从数据库中选取600组按时间序列排序的变工况数据样本作为样本集。从样本集中选取480个数据样本存入训练集中，选取100个数据样本存入验证集中，选取20个数据样本存入测试集中。各个数据样本将按照后续Sample数据说明表示。Sample=[PCA 01 M F1 T 02 P 02 T 05 P 05 T aim PCA 02 M F2 C 2 V t C 1 P V ] T 。
在获取到数据样本后，接着构建基于Keras序列模型的基础神经网络。构建过程具体如下：
首先根据Keras序列模型的原理构建隐藏层只有两层全连接层的基础神经网络。
接着将两层全连接层的传递函数均设为log(sig(x))，通过log(sig(x))连续可微、平滑且导数结果连续不突变的特性，可以有效的提高神经网络的预测精准度。
基础神经网络为BP神经网络，基于反向传播思想，通过输入层与输出层标签对信息进行双向传播，迭代修正隐藏层的权重参数。
构建好基础神经网络后，将数据样本输入到基础神经网络中进行训练，使用改进的adam算法对神经网络的进行梯度更新，以获得最优神经网络。
使用改进的adam算法对神经网络的进行梯度更新的具体步骤如下：
输入基础神经网络的所有数据样本构成总体区域，将总体区域分割成设定数量的优化区域。
本发明涉及温控阀阀门开度、冷却系统功率与增压补油所组成的三维度优化场景。其中冷却系统功率与温控阀阀门开度基于温控阀阀门精度，设定为100级范围。油泵功率等级设定为50级范围。三者所组成的250000个隐含场景较多，计算量较大的情况。于是将250000个隐含场景组合形成的总体区域划分出27个优化区域， 再对各个优化区域采用改进的adam算法进行优化，解决压缩细粒度计算下导致的训练过久与降低局部最优解的情况。在各个优化区域结合改进的adam算法进行区域内的局部求解，并对求解结果进行比对，选出总体区域的最适区域，最后再在该最适区域段中的步长与学习率进行更细的调整，降低学习率与步长，避免全局使用过小的学习率、步长与衰减率导致的陷入局部最优解。
在各个优化区域内随机选取一个数据样本，同时随机选取一个梯度更新方向，按照如下步骤同时更新各个优化区域内的权重参数。
首先使用损失函数对各个优化区域内的数据样本进行求导，以获得对应的梯度。
接着计算梯度在动量形式下的一阶矩估计。再计算梯度在动量形式下的二阶矩估计。然后计算偏差纠正后的一阶矩估计。再次计算偏差纠正后的二阶矩估计。使用t时刻的权重参数更新得到t+1时刻的权重参数。再将各个优化区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止该优化区域内的权重参数，并将当前的权重参数记为最优参数；反之，则继续更新该优化区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值MAE为止；该阈值MAE的计算如下：
；
其中，e i 为数据样本的真实值，为输出层的预测值。
再比较各个优化区域内最优权重参数的大小，选择最优参数最小的优化区域作为最适区域，并按照如下步骤对最适区域进行权重参数的更新：
首先使用损失函数对最适区域内的数据样本进行求导，以获得对应的梯度。再计算最适区域内的梯度在动量形式下的一阶矩估计。然后计算最适区域内的梯度在动量形式下的二阶矩估计。接着使用最适区域内t时刻的权重参数更新得到t+1时刻的权重参数。再将最适区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止最适区域内的权重参数，并将当前的权重参数记为最终参数；反之，则继续更新最适区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止。最后将最终参数赋予基础神经网络，即可得到最优神经网络。
在最优神经网络训练完成后，将含有标签的测试样本输入到最优神经网络中，根据最优神经网络的预测结果计算最优神经网络的准确率。
n correct 的计算过程如下：当待测样本在最优神经网络中预测出的温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 均不小于对应的阈值时，则该待测样本的温控阀调控结果符合要求；反之，该待测样本的温控阀调控结果不符合要求。
以现有技术中的喷油螺杆压缩机运行调节工况为例，进行验证。
该款喷油螺杆压缩机主机采用低压电机，额定电压为380V，工作频率为50Hz，额定转速为2960rpm，最大转速3550rpm，实际工况中采用变速为实际使用场景，验证调节系统调节能力。冷却系统采用R22制冷剂实现温控阀冷却支路的降温调节。压缩机整机总润滑油添加量为525L，其中油气分离器中注油375L，油冷注油量150L。油泵工作额定电压为380V，工作频率50Hz，额定转速1450rpm，额定功率1100w。冷却系统润滑油介质流量最大为750L/min，压降不高于95kPa。
按照设计的采集方案采集喷油螺杆压缩机数据样本，选取二十四组数据样本进行演示，其中部分数据见表1所示。
表1 部分数据样本
对数据样本进行处理：
场景一下的数据处理：对喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01和润滑油温度T 01进行PCA主成分分析，获得场景一下的第一主成分为主油路关键参数PCA 01。
场景二下的数据处理：对旁路调控流量M F3、降温前后润滑油的压力差ΔP和降温前后润滑油的温度差ΔT进行PCA主成分分析，获得场景二下的第一主成分为旁路关键参数PCA 02。
结合采集其他数据后完成数据样本的准备工作，然后基于Keras序列模型训练好的基础神经网络对验证集的二十四组数据进行验证。学习率η设为0.0003，27个优化区域中时间步长β 1设为0.98，衰减率β 2设为0.99，微小量ε设为10-8。v t 和m t 的初始值均设为零。选择最适区域之后，调整最适区域内的学习步长和衰减率，设为0.998，/>设为0.995。预测出在分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V ，结果在5%之内的部分数据样本的预测准确率如下表2所示。
表2 预测的准确率
三者均满足误差在5%以内数据共有22组，最终预测的准确率为91.67%，总体具有较高的预测精度。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，包括以下步骤：
S1、获取喷油螺杆压缩机在工作过程中的数据样本；
S2、构建基于Keras序列模型的基础神经网络；
S3、将数据样本输入到基础神经网络中进行训练，使用改进的adam算法对基础神经网络进行梯度更新，以获得最优神经网络；
S4、使用最优神经网络预测待测样本的温控阀调控结果；
使用改进的adam算法对基础神经网络进行梯度更新的具体步骤如下：
S31、输入到基础神经网络中的所有数据样本构成总体区域，将总体区域分割成设定数量的优化区域；
S32、在各个优化区域内随机选取一个数据样本，同时随机选取一个梯度更新方向，按照步骤S321至步骤S327的内容同时更新各个优化区域内的权重参数；
S321、使用损失函数对各个优化区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
其中，/>表示第i个优化区域内在t时刻的梯度；/>表示第i个优化区域内在t时刻的权重参数；L表示损失函数；▽表示梯度符号；
S322、计算梯度在动量形式下的一阶矩估计，计算公式如下：
其中，/>表示第i个优化区域内在t时刻的梯度在动量形式下的一阶矩估计；β 1表示时间步长；/>表示第i个优化区域内在t-1时刻的梯度在动量形式下的一阶矩估计；
S323、计算梯度在动量形式下的二阶矩估计，计算公式如下：
其中，/>表示第i个优化区域内在t时刻的梯度在动量形式下的二阶矩估计；β 2表示衰减率；/>表示第i个优化区域内在t-1时刻的梯度在动量形式下的二阶矩估计；
S324、计算偏差纠正后的一阶矩估计，计算公式如下：
其中，/>表示/>偏差纠正后形成的一阶矩估计；
S325、计算偏差纠正后的二阶矩估计，计算公式如下：
其中，/>表示/>偏差纠正后形成的二阶矩估计；
S326、使用t时刻的权重参数更新得到t+1时刻的权重参数，更新公式如下：
其中，/>表示第i个优化区域内在t+1时刻的权重参数；η表示学习率；
S327、将各个优化区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止该优化区域内的权重参数，并将当前的权重参数记为最优参数；反之，则继续更新该优化区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；
S33、比较各个优化区域内最优权重参数的大小，选择最优权重参数最小的优化区域作为最适区域，并按照步骤S331至步骤S335的内容对最适区域进行权重参数的更新；
S331、使用损失函数对最适区域内的数据样本进行求导，以获得对应的梯度，梯度的计算公式如下：
其中，/>表示最适区域内在t时刻的梯度；/>表示最适区域内在t时刻的权重参数；s表示最适区域；
S332、计算最适区域内的梯度在动量形式下的一阶矩估计，计算公式如下：
其中，/>表示最适区域内在t时刻的梯度在动量形式下的一阶矩估计；/>表示最适区域内在t-1时刻的梯度在动量形式下的一阶矩估计；/>为最适区域的学习步长；
S333、计算最适区域内的梯度在动量形式下的二阶矩估计，计算公式如下：
其中，/>表示最适区域内在t时刻的梯度在动量形式下的二阶矩估计；/>表示最适区域内在t-1时刻的梯度在动量形式下的二阶矩估计；ε表示微小量；/>表示最适区域的衰减率；/>表示/>的绝对值；
S334、使用最适区域内t时刻的权重参数更新得到t+1时刻的权重参数，更新公式如下：
其中，/>表示最适区域内在t+1时刻的权重参数；κ表示超参数；
S335、将最适区域更新后的权重参数代入基础神经网络中进行预测，当基础神经网络的预测误差小于设定的阈值时，则更新停止最适区域内的权重参数，并将当前的权重参数记为最终参数；反之，则继续更新最适区域内的权重参数，直到基础神经网络的预测误差小于设定的阈值为止；
S34、将最终参数赋予基础神经网络，即可得到最优神经网络。
2.根据权利要求1所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，步骤S1的具体步骤如下：
S11、获取喷油螺杆压缩机在工作过程中的数据样本，数据样本的样本特征包括喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01、润滑油温度T 01、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、旁路调控流量M F3、降温前后润滑油的压力差ΔP、降温前后润滑油的温度差ΔT、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2；
数据样本的样本标签包括温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V ；
S12、对数据样本进行PCA主成分分析，PCA主成分分析包括以下两个场景：
场景一：对喷油螺杆压缩机的功率P comp 、油气分离器的采集液位P 01和润滑油温度T 01进行PCA主成分分析，获得的场景一下的第一主成分为主油路关键参数PCA 01；
场景二：对旁路调控流量M F3、降温前后润滑油的压力差ΔP和降温前后润滑油的温度差ΔT进行PCA主成分分析，获得的场景二下的第一主成分为旁路关键参数PCA 02；
S13、对主油路关键参数PCA 01、旁路关键参数PCA 02、润滑油路流量M F1、润滑油路温度T 02、润滑油路油压P 02、温控阀旁路降温后的润滑油温度T 05、温控阀旁路降温后的润滑油压力P 05、设定的调控目标温度T aim 、温控阀旁路降温后的润滑油流量M F2和冷却系统的工作功率C 2、温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 进行Z-Score归一化处理，并将归一化处理后的结果作为基础神经网络的输入数据。
3.根据权利要求2所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，步骤S2的具体步骤如下：
S21、根据Keras序列模型的原理构建隐藏层只有两层全连接层的基础神经网络；
S22、将两层全连接层的传递函数均设为log(sig(x))，log(sig(x))的计算公式如下：
其中，x表示隐藏层传递函数的输入。
4.根据权利要求3所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，在得到最优神经网络后，将含有标签的测试样本输入到最优神经网络中，根据最优神经网络的预测结果计算最优神经网络的准确率，准确率的计算公式如下：
其中，n correct 表示最优神经网络预测的温控阀调控结果符合要求的测试样本个数；N表示输入最优神经网络中的测试样本总数。
5.根据权利要求4所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，n correct 的计算过程如下：
当测试样本在最优神经网络中预测出的温控阀旁路分流阀门的理想开度V t 、冷却系统的理想工作功率C 1和增压油泵的理想工作功率P V 均不小于对应的阈值时，则该测试样本的温控阀调控结果符合要求；反之，该测试样本的温控阀调控结果不符合要求。
6.根据权利要求5所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，在采集喷油螺杆压缩机工作过程中的数据样本时，按时间顺序依次采集，并将时间戳存储在对应的数据样本中。
7.根据权利要求6所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，对基础神经网络和最优神经网络的输入数据进行独特编码处理，并将处理后的输入数据存储在对应的寄存器中。
8.根据权利要求7所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，所述基础神经网络为BP神经网络或卷积神经网络。
9.根据权利要求8所述的一种基于BP神经网络的温度调控阀门性能调控与测试方法，其特征在于，将步骤S13获取的输入数据按照设定的比例分割成训练集、验证集和测试集；
将训练集输入到基础神经网络中进行训练，以得到最优神经网络；
将验证集输入到最优神经网络中，验证最优神经网络；
将测试集输入到最优神经网络中，通过准确率计算公式确定最优神经网络的准确率。
CN202311798492.9A 2023-12-26 2023-12-26 一种基于bp神经网络的温度调控阀门性能调控与测试方法 Active CN117452989B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311798492.9A CN117452989B (zh) 2023-12-26 2023-12-26 一种基于bp神经网络的温度调控阀门性能调控与测试方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311798492.9A CN117452989B (zh) 2023-12-26 2023-12-26 一种基于bp神经网络的温度调控阀门性能调控与测试方法

Publications (2)

Publication Number Publication Date
CN117452989A CN117452989A (zh) 2024-01-26
CN117452989B true CN117452989B (zh) 2024-03-15

Family

ID=89595227

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311798492.9A Active CN117452989B (zh) 2023-12-26 2023-12-26 一种基于bp神经网络的温度调控阀门性能调控与测试方法

Country Status (1)

Country Link
CN (1) CN117452989B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5174741A (en) * 1991-04-12 1992-12-29 Kabushiki Kaisha Kobe Seiko Sho Liquid injecting type oil-free screw compressor
CN214036124U (zh) * 2020-09-21 2021-08-24 浙江开山压缩机股份有限公司 喷油螺杆压缩机控制系统
CN113431925A (zh) * 2021-07-12 2021-09-24 南京工程学院 电液比例阀及其位置控制系统、控制方法与故障预测方法
WO2023153675A1 (ko) * 2022-02-14 2023-08-17 주식회사 에스브이씨 인공지능 학습에 의한 능동제어 고장진단 가동상태 모니터링이 가능한 스마트밸브 시스템
KR20230147439A (ko) * 2022-04-14 2023-10-23 한국기계연구원 인공지능을 이용한 밸브 고장진단 시스템 및 이를 이용한 밸브 고장진단 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5174741A (en) * 1991-04-12 1992-12-29 Kabushiki Kaisha Kobe Seiko Sho Liquid injecting type oil-free screw compressor
CN214036124U (zh) * 2020-09-21 2021-08-24 浙江开山压缩机股份有限公司 喷油螺杆压缩机控制系统
CN113431925A (zh) * 2021-07-12 2021-09-24 南京工程学院 电液比例阀及其位置控制系统、控制方法与故障预测方法
WO2023153675A1 (ko) * 2022-02-14 2023-08-17 주식회사 에스브이씨 인공지능 학습에 의한 능동제어 고장진단 가동상태 모니터링이 가능한 스마트밸브 시스템
KR20230147439A (ko) * 2022-04-14 2023-10-23 한국기계연구원 인공지능을 이용한 밸브 고장진단 시스템 및 이를 이용한 밸브 고장진단 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An online compressor liquid floodback fault diagnosis method for variable refrigerant flow air conditioning system;Zhenxin Zhou et.al;International Journal of Refrigeration;20191228;9-19 *
单级喷油螺杆压缩机功能系统的集成研究;杨宗斌;通用机械制造;20130831(第2013年第8期期);84-86 *
基于BP神经网络的煤矿综掘面风流智能调控模型研究;龚晓燕等;安全与环境工程;20231130;第30卷(第6期);138-145 *
龚晓燕等.基于BP神经网络的煤矿综掘面风流智能调控模型研究.安全与环境工程.2023,第30卷(第6期),138-145. *

Also Published As

Publication number Publication date
CN117452989A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
CN107146004B (zh) 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法
CN105548764B (zh) 一种电力设备故障诊断方法
CN112200433A (zh) 一种发电厂热力性能分析与优化系统
CN105574284B (zh) 一种基于趋势特征点的电力设备故障诊断方法
CN104571077B (zh) 设备的监视诊断装置
CN109213127A (zh) 一种基于深度学习的hvac系统渐变故障诊断方法
CN114992106B (zh) 一种基于数字孪生的泵站机组运行状态分析系统
CN109058151A (zh) 一种基于预测模型的离心压缩机防喘振控制方法
WO2023097705A1 (zh) 一种基于多源数据融合的压气机旋转失速预测方法
CN113268883A (zh) 一种基于pca-abc-svm模型的海底原油管道腐蚀速率预测方法
CN115656857A (zh) 一种锂离子电池剩余使用寿命的多尺度融合预测方法
CN115905974B (zh) 一种高炉异常炉况检测方法
CN108537377A (zh) 一种基于网络搜素指数的房价预测方法
CN114113773A (zh) 一种基于零样本学习的非侵入式负荷监测方法
CN108426717A (zh) 发动机试验参数异常状况自动判断方法及存储介质
CN117452989B (zh) 一种基于bp神经网络的温度调控阀门性能调控与测试方法
CN117436845B (zh) 一种智慧小区供热系统异常数据监测方法
CN112966399A (zh) 一种基于机器学习的脉管制冷机工况预测方法及系统
CN116955963A (zh) 基于历史数据分析的暖通节能阶梯寻优控制方法
CN112836920A (zh) 煤电机组能效状态评价方法、装置及煤电机组系统
CN108804796B (zh) 基于频谱特征的环冷机漏风率检测方法
CN111914209A (zh) 一种基于熵值法的排水采气效果模糊综合评价方法
CN106959668A (zh) 一种机械制造设备切削状态辨识与数据处理方法方法
Wenqiang et al. Remaining useful life prediction for mechanical equipment based on temporal convolutional network
CN114741922A (zh) 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法

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