• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于SC-BP 的設備故障預警研究

      2023-05-19 03:18:54賈彥斌李熒興薛紅平
      火力與指揮控制 2023年3期
      關(guān)鍵詞:電流值火炮預警

      王 彪,賈彥斌,李熒興,閆 琦,薛紅平

      (北方自動控制技術(shù)研究所,太原 030006)

      0 引言

      隨著裝備信息化的不斷深入,電子設備應用在作戰(zhàn)過程中越來越普遍,其所扮演的角色也越來越重要。但作戰(zhàn)過程中設備發(fā)生故障,會直接影響到戰(zhàn)局的走向。所以需要對設備進行故障預警,提前將故障消除,實現(xiàn)設備的主動性維護管理。從R.B Dhumale 等研究成果可以看出,使用人工神經(jīng)網(wǎng)絡可以實現(xiàn)設備的故障預警,此預警方法可以分析多故障參數(shù),在設備故障形成早期發(fā)現(xiàn)征兆,基于此,將神經(jīng)網(wǎng)絡應用到設備故障預警方面就能夠通過快速構(gòu)建設備運行狀態(tài)模型,對比實際值與預測值的差別,從而分析設備故障信息。

      例如系統(tǒng)運維人員如能對電氣設備隱患提前預判并及時處理,可大大減少設備故障發(fā)生率,提高系統(tǒng)的安全穩(wěn)定性能。近年來在信息通信新技術(shù)的推動下,利用智能化手段對電氣設備的運行狀態(tài)進行實時監(jiān)視與動態(tài)分析,從而實現(xiàn)對設備存在的隱患主動式的事前預警成為了新的課題。近年國內(nèi)外學者對故障診斷和預警做了大量的研究,文獻[2]基于時序關(guān)系和空間資源等組合因素,進行了電力通信網(wǎng)故障分析研究,文獻[3]結(jié)合故障樹理論和故障溯源分析,對智能變電站故障診斷進行分析研究,文獻[4]介紹了數(shù)據(jù)挖掘算法在故障診斷中的應用,文獻[6]對電力通信故障預警及防御進行了研究和應用。

      神經(jīng)網(wǎng)絡這種具有高度非線性和很強自適應學習能力的新方法,為網(wǎng)絡性能預警技術(shù)帶來了新思路。但神經(jīng)網(wǎng)絡方法也存在著全局搜索能力差、收斂速度慢等缺點,容易使得最終結(jié)果陷入局部極值。因此,單純使用神經(jīng)網(wǎng)絡的效果不一定是最優(yōu)的。本文提出基于標準化電流優(yōu)化BP 神經(jīng)網(wǎng)絡預測模型(SC-BP)設備故障預警方法。引入標準化電流,結(jié)合擬合模型算法,構(gòu)建相關(guān)系數(shù)矩陣等,完成設備故障預警。并對故障征兆進行屬性約簡,可以較大幅度地減少輸入神經(jīng)元個數(shù),從而優(yōu)化算法結(jié)構(gòu),提高設備故障預警診斷的效率及可讀性。

      1 總體架構(gòu)

      設備故障預警模型可分為兩部分,如圖1 所示,第1 部分是預警模型,另一部分是擬合模型。第1 部分需要采集數(shù)據(jù)并進行特征提取,讀取當前的工況信息,選取設備正常模式下的歷史數(shù)據(jù)訓練模型,使之能更好地對設備進行預測。第2 部分則是將數(shù)據(jù)進行標準化處理后進行擬合對比,并與模型結(jié)果進行比較和邏輯判斷,從而準確發(fā)現(xiàn)位于常規(guī)的報警系統(tǒng)界限內(nèi)的設備異常,便于及時制定和執(zhí)行設備管理決策。設備預警的結(jié)果反饋到數(shù)據(jù)診斷庫中又可不斷積累故障知識,提高預見性分析和診斷的效率。

      圖1 預警模型原理圖Fig.1 Schematic diagram of a prediction model

      2 故障預測模型

      2.1 火炮設備預警分析與建模

      設備故障預警基于預測模型與擬合檢測算法來檢測異常狀態(tài),并能夠根據(jù)故障報警狀態(tài)結(jié)合設備的原理及控制特點進一步分析和判斷,準確查明故障原因,合理正確地排除故障[1]。

      2.2 建立SC-BP 神經(jīng)網(wǎng)絡預測模型

      建立預測模型,具體構(gòu)建流程如圖2 所示。為確定神經(jīng)網(wǎng)絡預測模型的最佳參數(shù),研究通過多次連續(xù)實驗,將模型參數(shù)設置如下:

      圖2 預測模型構(gòu)建流程Fig.2 Building process of prediction model

      輸入層節(jié)點數(shù)4 個,即系統(tǒng)電壓、方位電流、溫度、氣壓4 個參數(shù);隱藏層層數(shù)2 層,節(jié)點數(shù)8 個;輸出層節(jié)點數(shù)1 個,即標準化電流;激活函數(shù)為Re-LU 函數(shù);損失函數(shù)為均方誤差(mean-squared error)損失函數(shù)。

      2.3 SC-BP 神經(jīng)網(wǎng)絡預測模型分析

      下頁圖3 為SC-BP 神經(jīng)網(wǎng)絡預測模型的典型結(jié)構(gòu)。從圖3 可以看出,網(wǎng)絡模型主要包括接受輸入信號的輸入層、不直接與輸入層和輸出層發(fā)生聯(lián)系的隱藏層或中間層以及輸出信號的輸出層。從輸入層到隱藏層是固定的非線性轉(zhuǎn)換,輸入信息被直接映射到新的空間,而隱藏層到輸出層之間為線性的,輸出層在新的線性空間中完成加權(quán)組合線性計算,權(quán)是可調(diào)參數(shù)。對于不同工況條件,輸入層需要控制參數(shù)。本文主要考慮系統(tǒng)電壓、方位電流、溫度、氣壓;而輸出層需要考慮目標變量,主要考慮標準化電流。

      圖3 SC-BP 神經(jīng)網(wǎng)絡預測模型Fig.3 SC-BP network prediction model

      模型的基本結(jié)構(gòu)確定后,利用輸入及輸出數(shù)據(jù)進行自我訓練,以確定輸入變量和輸出變量之間的映射關(guān)系;隨之該預測模型也確定。

      3 擬合模型

      3.1 算法原理

      火炮系統(tǒng)設備正常運行狀態(tài)的歷史數(shù)據(jù),通過系統(tǒng)內(nèi)部相關(guān)性分析,建立相關(guān)參數(shù)間的非線性模型,進而得到狀態(tài)估計結(jié)果[5]。該方法是基于對火炮設備健康狀態(tài)監(jiān)測、火炮設備出現(xiàn)異常情況告警等方面所構(gòu)建的算法。算法基本原理如下:

      假設某型號火炮設備單體正常工作的“相關(guān)變量集”中電流值共有P 個關(guān)聯(lián)的變量值,將某一時間i 內(nèi)觀測的N 個變量值記為N 個觀測向量,即在該過程或火炮設備正常工作的時段內(nèi),不同工況下運行采集到m 個觀測電流值,即n 種不同工況下產(chǎn)生m 個不同的電流值,可以形成n×m 電流值工況矩陣D,即:

      這n 種不同工況下所產(chǎn)生的的電流值經(jīng)過均值運算可得到對應工況狀態(tài)下的電流均值,即期望電流值,記為EX,這些期望電流值可構(gòu)成n×m 電流期望矩陣,記為矩陣D1,即:

      因此,可以計算出各工況狀態(tài)下電流值的離均差矩陣,記為矩陣A,即:

      那么就可以得到在n 種不同工況下m 個電流值對應的方差矩陣,記為N,即

      同理也可計算出標準化電流的方差,記為Q,即

      由式(6)即可綜合計算出不同工況下的電流值與對應的標準化電流值的相關(guān)系數(shù)矩陣,記為矩陣r,即

      該算法能夠?qū)⒉煌r下電流數(shù)據(jù)進行解析,通過最終計算相關(guān)系數(shù)大小來度量不同工況之間相關(guān)關(guān)系強度,進而得到數(shù)據(jù)擬合優(yōu)度[6]。

      3.2 數(shù)據(jù)采集

      采集模塊對數(shù)據(jù)的采集周期為12 ms,模塊采集的內(nèi)部數(shù)據(jù)信息包括基礎(電流、電壓、溫度、氣壓)數(shù)據(jù)以及系統(tǒng)運行參數(shù)數(shù)據(jù)兩種類型,前者由火炮配電設備、數(shù)據(jù)庫以及中間設備單體的實時與歷史數(shù)據(jù)構(gòu)成;后者則主要包括火炮設備運行狀態(tài)監(jiān)控與故障系統(tǒng)各主要頁面的響應數(shù)據(jù)以及響應時長等指標。

      針對實時產(chǎn)生的數(shù)據(jù),使用DataAcqEqu 軟件對實時數(shù)據(jù)進行采集,此軟件可將最新數(shù)據(jù)發(fā)送至軟件后臺執(zhí)行實時處理操作,快速生成分析結(jié)果;針對歷史數(shù)據(jù),使用Origin 軟件對其進行分析,用MATLAB 對歷史數(shù)據(jù)流進行逐條讀取,并將其作進一步的分析處理。

      3.3 標準化處理

      將采集的數(shù)據(jù)信息輸入到事先訓練好的SC-BP 預測模型中,經(jīng)模型會輸出標準化電流值,多組(電流、電壓、溫度、氣壓)數(shù)據(jù)會生成多組標準化電流值,將采集到的數(shù)據(jù)歸一化到標準化條件下,為下一步的分析判斷提供了數(shù)據(jù)支撐,該標準化的目的是為了整合大量的數(shù)據(jù),以較少的數(shù)據(jù)指標來替代多個指標對評估問題進行分析,這給綜合評價的開展帶來了很大的方便。

      根據(jù)3.1 的擬合算法相關(guān)系數(shù)計算公式,可以求得火炮設備標準化數(shù)據(jù)矩陣的相關(guān)系數(shù)矩陣,記為r,即:

      式中,rij是第i 個指標與第j 個指標之間的相關(guān)系數(shù),其計算公式為:

      3.4 指標評價

      擬合優(yōu)度評價是用于檢驗總體中的一類數(shù)據(jù)其分布是否與某種理論分布相一致的統(tǒng)計方法[8]。對于擬合模型,擬合優(yōu)度的評價指標主要有相關(guān)系數(shù),兩者相關(guān)系數(shù)越趨于1,表明兩者擬合的擬合優(yōu)度越好,擬合優(yōu)度是指實測值在擬合曲線周圍的離散程度,離散程度越小,表明擬合效果越好,反之亦然,擬合優(yōu)度的衡量指標如表1 所示,該指標中的系數(shù)范圍是通過對火炮不同工況下同一過程運行數(shù)據(jù)進行相關(guān)系數(shù)運算,歸納總結(jié)得出的。

      表1 狀態(tài)反饋參考表Table 1 Status feedback reference table

      4 算例分析

      為檢驗上述算法的可行性,本文以實地采集的系統(tǒng)設備運行數(shù)據(jù)的系統(tǒng)電壓、方位電流、溫度、氣壓為輸入源,經(jīng)SC-BP 模型輸出標準化電流值,其中無故障運行標準化電流值數(shù)據(jù)5 組、存在故障的標準化電流值數(shù)據(jù)1 組,故障主要表征為設備電流值突變等損傷。遵循上述故障預警流程進行異常檢測,經(jīng)SC-BP 模型所得無故障、有故障輸出的標準化電流值曲線結(jié)果如圖4 所示,圖4 是將同一運行過程在不同工況下的標準化電流值用matlab 作出的電流值變化曲線圖。

      圖4 不同工況標準化電流幅值變化曲線Fig.4 Standardized current amplitude variation curve at different operating conditions

      將不同工況下的電流值(N1、N2、N3、N4、E1、T1)數(shù)據(jù)進行統(tǒng)一的標準化數(shù)據(jù)處理,然后將每組標準化后的數(shù)據(jù)輸入擬合模型算法,用式(9)即可求得任意兩組標準化電流值之間的相關(guān)系數(shù),結(jié)果如下頁表2 所示。本文同一工況條件下的標準化電流擬合函數(shù)曲線周圍的離散程度基本一致,不同工況條件下擬合函數(shù)曲線周圍的離散程度存在差異,即不同工況條件下的數(shù)據(jù)存在差異性[9]。N1,N2,N3,N4是同一工況條件下火炮設備正常工作的4 種參數(shù),經(jīng)SC-BP 模型輸出的標準化電流值變化幅值曲線,從表2 中可查詢出正常工況下的標準化電流擬合優(yōu)度分別為:0.862 3、0.776 6、0.716 6,由此可知該工況條件下,設備運行狀態(tài)穩(wěn)定,符合健康標準;E1為在不同于N1、N2、N3、N4的工況下火炮設備正常工作所產(chǎn)生的標準化電流幅值曲線,查詢可知,該工況與正常工況下標準化電流擬合優(yōu)度分別為0.676 6、0.676 0、0.693 9、0.559 9,偏離正常工況下的擬合優(yōu)度,表明該運行狀態(tài)需要引起注意;T1表示在火炮設備運行中出現(xiàn)方位卡死故障時所產(chǎn)生的標準化電流幅值的變化曲線,該工況的標準化電流值曲線與正常工況下標準化電流值的擬合優(yōu)度分別為:0.175 3、0.174 5、0.161 8、0.122 9,偏離正常工況下的擬合優(yōu)度過大,表明已經(jīng)影響設備的正常運行或發(fā)展成嚴重狀態(tài)。

      表2相關(guān)系數(shù)矩陣表Table 2 Matrix of correlation coefficients

      5 結(jié)論

      影響火炮設備運行的不確定性,使得火炮設備故障預警評估成為一個難點[10],同時由于火炮設備結(jié)構(gòu)組成的復雜性,火炮設備發(fā)生故障所產(chǎn)生的嚴重后果無法想象,因此,急需一種能夠科學評估火炮設備故障預警的模型方法。將神經(jīng)網(wǎng)絡與擬合算法相結(jié)合引入,既充分考慮了評估中的模糊性和隨機性,使評估結(jié)果更科學,同時還能得到定性和定量的評估結(jié)果,分析不同工況下火炮設備運行數(shù)據(jù)的共性特征,弱化原始數(shù)據(jù)分布差異對特征的影響,及時發(fā)現(xiàn)火炮設備故障發(fā)生早期的微弱征兆,實現(xiàn)大幅度的提前預警[11]。通過擬合模型算法的評估驗證,不僅得到了該火炮設備運行時的擬合值,而且能夠為火炮設備的下一步改進特征參數(shù)提供了一個可靠的基礎。

      猜你喜歡
      電流值火炮預警
      制冷劑與潤滑油混合物對空調(diào)器泄漏電流影響分析及研究
      日用電器(2022年4期)2022-05-26 03:51:28
      放療中CT管電流值對放療胸部患者勾畫靶區(qū)的影響
      火炮也減肥
      變壓器差動斜率保護計算方法
      法國發(fā)布高溫預警 嚴陣以待備戰(zhàn)“史上最熱周”
      園林有害生物預警與可持續(xù)控制
      光伏發(fā)電系統(tǒng)諧波監(jiān)測與評估研究
      機載預警雷達對IFF 的干擾分析
      預警個啥
      小說月刊(2014年11期)2014-04-18 14:12:28
      陸戰(zhàn)之神——火炮
      图木舒克市| 枝江市| 蒙自县| 申扎县| 临西县| 留坝县| 榕江县| 漳州市| 乐都县| 定州市| 清河县| 铜鼓县| 化德县| 蒲城县| 周宁县| 宁波市| 仪征市| 洛宁县| 河池市| 温泉县| 漯河市| 大同县| 蒙阴县| 双鸭山市| 宜宾市| 沧州市| 华安县| 社旗县| 张北县| 炉霍县| 金门县| 肇州县| 岳西县| 邳州市| 沂源县| 吉林省| 高淳县| 丽江市| 宁明县| 望都县| 南阳市|