CN111191725A - 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质 - Google Patents

一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质 Download PDF

Info

Publication number
CN111191725A
CN111191725A CN201911418058.7A CN201911418058A CN111191725A CN 111191725 A CN111191725 A CN 111191725A CN 201911418058 A CN201911418058 A CN 201911418058A CN 111191725 A CN111191725 A CN 111191725A
Authority
CN
China
Prior art keywords
data
fault
gas pressure
pressure regulator
neural network
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.)
Pending
Application number
CN201911418058.7A
Other languages
English (en)
Inventor
李夏喜
王硙
李胜国
王嵩梅
高岷
白丽萍
邢琳琳
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.)
Beijing Gas Group Co Ltd
Original Assignee
Beijing Gas Group 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 Beijing Gas Group Co Ltd filed Critical Beijing Gas Group Co Ltd
Priority to CN201911418058.7A priority Critical patent/CN111191725A/zh
Publication of CN111191725A publication Critical patent/CN111191725A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法、***、终端及计算机存储介质。所述方法包括：获取已知故障类型的燃气调压器原始故障数据；采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类；本申请用主成分分析方法对原始的燃气调压器故障样本数据进行预处理，并且将降维处理后的新样本数据作为径向基神经网络的输入，有效的减小了对于经验的依赖，减少人工参与导致不确定性的出现，能够实现调压器主要易损部件的故障预警及智能化故障诊断，对燃气设备的稳定、安全、可靠运行起到重要的作用。

Description

一种基于PCA数据处理的RBF故障诊断方法、***、终端及计算 机存储介质
技术领域
本申请涉及燃气调压器故障诊断技术领域，尤其是涉及一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法、***、终端及计算机存储介质。
背景技术
供燃气***可谓是城市的生命线工程，对于经济发展以及社会的安全稳定都发挥着功 不可没的作用。伴随着城市的不断发展，城市的燃气供应***规模也在逐步扩大，在日常 的运行过程中它的稳定性和安全性问题也日益凸现出来。通过查找资料和去现场实际调研 得知，天然气管道输配***通常都包含门站、储配站、输配管网、调压室及运行管理操作、 控制设备和调度维护中心等。在一般的城镇燃气供应***中，用户侧的燃气压力常常需要 保持一个较低并且稳定的压力，这就要求燃气管网的中高压天然气需要经过调压器进行降 压稳压才能输配至各个用户，作为燃气输配***中不可或缺的重要设备——燃气调压器， 其可靠稳定地运行关乎整个天然气供应***的安全稳定运行，它的重要性不言而喻。
目前燃气调压器所面临的问题是：以往维修技师都是通过压力表纸和自动仪表采集的数据，然后依据经验来判定燃气调压器是否处在正常运行状态，燃气调压器故障的查找，一般都是由维修技师通过压力表纸和自动仪表采集的数据，然后依据经验来判定燃气调压器是否处在正常运行状态，人为主观性大，并且非常耗时，智能化程度也不高；此外，目前针对所有的燃气调压器都采取定时的维修的策略，也就是不管调压器是否运行良好到检修周期都将进行拆卸检修，这就大大地增加了检修任务量和检修成本，也有可能对原本运行良好的调压器造成维护性损害，同时过度的维修也造成了人力物力等资源的大量浪费。
随着科学技术的进步及发展，自动化技术的发展使得现代设备的功能日趋丰富，同时也使得***复杂化。由于***的复杂化，其由各种因素引起的设备问题也将不可避免。无论国内外，都有许多由于设备的故障发现不及时而导致的重大事故。而人类对于设备的运维从不定期检修到定期检修再到不定期检的过程，反映了人们在进行设备运维的过程中不但追求安全性，同时也开始对经济性做出要求。计划性检修容易产生较高的过剩支出，而非定期检修又会出现检修不及时等情况。目前国内外关于燃气调压器的研究大多还都是集中在它的静态特性曲线上，燃气调压器的生产厂商的说明都能找到相应的特性曲线。另外一些学者对于燃气调压器的动态特性以及模型仿真也有相应的研究，然而关于燃气调压器的在线故障预警和诊断方面的研究还都基本处于初级萌芽阶段，还没有出现完善并有效的燃气调压器故障智能诊断***。在这种多方面的要求下，不难预测进行智能化的故障诊断技术研究的必要性。
因此，为更好地解决燃气调压器故障诊断排查问题，提出一种燃气调压器的故障智能诊断方法显得尤为必要。
发明内容
针对现有技术的不足，本申请提供一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法、***、终端及计算机存储介质，解决了现有技术中燃气调压器故障诊断过程智能化程度低、识别精度低等问题。
为解决上述技术问题，本申请提供一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法，包括：
获取已知故障类型的燃气调压器原始故障数据；
采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
可选的，所述燃气调压器的原始故障数据包括：
燃气调压器的指挥器、皮膜、输入端压力、阀口阀位的原始故障数据。
可选的，所述采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据，包括：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
可选的，所述利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类，包括：
将所述样本数据随机分配为训练数据集与测试数据集；
建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
可选的，所述建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型，包括：
初始化径向基神经网络权值，包括确定径向基神经网络的输入层，隐含层和输出层的节点数目，以及连接权值和神经元激励函数等；
给定样本向量，计算各层神经元的输出，并计算输出层总误差；
判断迭代结束条件输出层总误差是否满足要求，若未达到要求则重新计算误差并调整权值，再回到执行计算各层神经元的输出步骤，并依次向下进行各步骤直到满足要求最后结束为止，完成径向基神经网络的故障匹配训练。
第二方面，本申请还提供一种基于PCA数据处理的燃气调压器智能RBF故障诊断***，包括：
数据获取单元，配置用于获取已知故障类型的燃气调压器原始故障数据；
预处理单元，配置用于采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
故障分类单元，配置用于利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
可选的，所述数据获取单元所获取的数据包括：
燃气调压器的指挥器、皮膜、输入端压力、阀口阀位的原始故障数据。
可选的，所述预处理单元具体用于：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
可选的，所述故障分类单包括：
数据集设置单元，配置用于将所述样本数据随机分配为训练数据集与测试数据集；
模型生成单元，配置用于建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
诊断测试单元，配置用于利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
可选的，所述建模型生成单元，包括：
初始化单元，配置用于初始化径向基神经网络权值，包括确定径向基神经网络的输入层，隐含层和输出层的节点数目，以及连接权值和神经元激励函数等；
误差计算单元，配置用于给定样本向量，计算各层神经元的输出，并计算输出层总误差；
误差判断单元，配置用于判断迭代结束条件输出层总误差是否满足要求；
权值调整单元，配置用于若未达到要求则重新计算误差并调整权值，再回到执行计算各层神经元的输出步骤，并依次向下进行各步骤直到满足要求最后结束为止，完成径向基神经网络的故障匹配训练。
第三方面，本申请提供一种终端，包括：
处理器、存储器，其中，
该存储器用于存储计算机程序，
该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。
第四方面，本申请提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。
本申请提供的基于主元分析法(PCA)与径向基神经网络(RBF)结合的燃气调压器故障诊断方法，用主成分分析方法对原始的燃气调压器故障样本数据进行预处理，降低了原始数据的维数，消除了原始样本之间存在的相关性，简化了网络结构，很有效地提高了故障识别精度；并且将降维处理后的新样本数据作为径向基神经网络的输入，有效的减小了对于经验的依赖，减少人工参与导致不确定性的出现，可以有效的反映出数据特征与运行状况之间复杂的对应关系，能够实现调压器主要易损部件的故障预警及智能化故障诊断，最终解决目前不科学的对调压器进行定期解体维修维护的做法，达到既节省人力物力又避免维修性损伤，对燃气设备的稳定、安全、可靠运行起到极大的作用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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，还可以根据提供的附图获得其他的附图。
图1为本申请实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法的流程图；
图2为本申请实施例所提供的一种燃气调压器的结构示意图；
图3为本申请实施例所提供的一种燃气调压站的基本工艺流程图；
图4为本申请实施例所提供的一种主元分析法的基本流程图；
图5为本申请实施例所提供的一种径向基神经网络训练的基本流程图；
图6为本申请另一实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法的流程图；
图7为本申请实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断***的结构示意图；
图8为本申请实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断终端的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
请参考图1，图1为本申请实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF 故障诊断方法的流程图，该方法100包括：
S101:获取已知故障类型的燃气调压器原始故障数据；
S102:采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
S103:利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
基于上述实施例，作为可选的实施例，所述步骤S101燃气调压器的原始故障数据包括：
燃气调压器的指挥器、皮膜、输入端压力、阀口阀位的原始故障数据。
其中，获取已知故障类型的燃气调压器原始故障数据，作为研究过程中的方法，采用已知数据故障类型，可以判断选用的算法是否合适，可以从算法识别的准确率来择优选取算法。
需要说明的是，燃气调压器具有自动调节功能，它能对燃气进行降压稳压的作用。当给燃气调压器设定好一定的压力波动范围，调压器会根据管网中的燃气压力变化进行自动地调节阀口开度的大小，使输送至用户侧的燃气压力保持在需要的稳定范围。根据燃气调压器的工作环境，燃气调压器故障分为四种，分别是气高峰压力低、关闭压力高、喘振报警和正常模式。
如图2-3所示，图2为燃气调压器的结构示意图，图3为燃气调压站的基本工艺流程图。燃气由燃气调压站的入口进气，并在燃气入口处检测燃气的温度和压力，当燃气入口处的温度、压力超高时会实行燃气切断；随后燃气流经过滤器过滤，并在过滤器出口监测燃气的瞬时流量和累计流量；随后燃气流经燃气调压器实现调压，并在调压器出口监测燃气的压力，当调压器出口燃气的压力超高时实行燃气切断保护，最后燃气由燃气调压站的出口出气。
燃气流经燃气调压器时，燃气调压器的指挥器功能是监测控制压力大小，保证燃气调压器正常运行。造成燃气调压器故障的原因之一为指挥器故障部分，指挥器作用是放大出口压力P2升高或降低的信号，从而加快调压器的动作，提高燃气调压器的精度和灵敏度。当出口压力p2低于给定值时，指挥器的薄膜就下降，使指挥器阀门开启，经节流后压力为p3的燃气补充到主调压器的膜下空间。由于p3大于p2，使主调压器阀门开大，流量增加，p2恢复到给定值。反之，当p2超过给定值时，指挥器薄膜上升，使阀门关闭。当发生故障时，指挥器将不能很好地协调主调压器调节压力大小。此时为了及时监测指挥器故障，用户接口发出监控指令，诊断子***收到监控指令后向监测子***申请数据访问，监测子***收到数据访问申请后，向其发送诊断数据。诊断***利用本申请的主元分析法与径向基神经网络算法提取网络架构最底层的原始数据的分布特征，被重新组合成更为紧密的高层次的分布特征，实现数据的特征提取，之后利用监督学习，完成故障的匹配训练及故障的识别分类。
此外，皮膜为感应元件，用来测量下游工况压力与要求的压力之间的差异，若发生故障，不能检测其差异性。阀位异常将不能控制阀口开度，从而不能控制压力大小。而输入端压力过小将对燃气量产生直接影响。这三部分应用同样原理将采集的数据进行实时采集并进行故障诊断。
基于上述实施例，作为可选的实施例，所述步骤S102采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据，包括：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
如图4所示，图4为主元分析法PCA算法的基本流程图。利用主元分析发对获取燃气调压器的原始故障数据进行降维处理，将原始故障数据样本X进行预处理得到标准数据矩阵Z并计算标准数据矩阵Z的各变量均值，通过标准数据矩阵Z的各变量均值计算得到协方差矩阵R，通过对协方差矩阵R进行特征值分解，得到协方差矩阵R的特征值矩阵及特征向量矩阵，根据上述矩阵计算主元累计方差贡献率，根据主元累计方差贡献率的排序及占比确定主元个数m，进而确定主成分U。
需要说明的是，主元分析法通常被当作是一种线性变换，将原始数据变换到另一新的坐标系中，导致所有数据投影的第一大方差落在第一个坐标上，也即所谓的第一主成分；相应地第二大方差会落在第二个坐标上，称之为第二主成分；第三至第n主成分按照这种方式进行递推。主元分析法常常被用来降低数据的维数，并且会保证数据集对方差贡献最大的这一特征，通过主元分析法去除高阶主成分而保留低阶主成分的,得到的低阶主成分通常保留了数据的大部分重要信息。在原始数据经过主成分分析处理之后得到的数据与原始数据的基本关系可归结为：原始数据的大部分信息仍被主元所保留；变换得到的所有主元均能通过原始数据各变量的线性组合来表示；处理后得到的数据维数远小于变换之前的维数；得到的各个主元它们之间并没有相关性。
采用主元分析法的算法对数据进行降维处理不依赖精确的数学模型，可以把高维空间的数据往低维空间进行投影，使数据的维数得以大为降低，并且减少了变量之间的相关性，去除掉了一些冗余信息，由新的低维空间提取主要的变化信息和统计特征，形成对原始数据特性的理解，实现了通过较少分量的数据来充分反映和代表原来较多数据分量刻画的总体。因此，采用主元分析法对燃气调压器的原始故障数据进行降维处理，不仅减少了冗余信息所造成的误差，提高故障识别效果，还可以用来寻找数据内部的本质结构特征。
基于上述实施例，作为可选的实施例，所述步骤S103所述利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类，包括：
将所述样本数据随机分配为训练数据集与测试数据集；
建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
具体的，经主元分析法分析后数据样本维数降低，降维后的数据样本随机分为训练数据集和测试数据集；构建径向基神经网络模型，确定径向基神经网络的输出变量和隐含层个数，利用经主元分析法降维处理后的训练数据集为输入、故障类型为输出，训练径向基神经网络，生成训练完成的燃气调压器故障诊断模型；利用测试数据集输入训练完成的燃气调压器故障诊断模型中，进行故障分类测试，输出燃气调压器的故障类型。
基于上述实施例，作为可选的实施例，所述建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型，包括：
初始化径向基神经网络权值，包括确定径向基神经网络的输入层，隐含层和输出层的节点数目，以及连接权值和神经元激励函数等；
给定样本向量，计算各层神经元的输出，并计算输出层总误差；
判断迭代结束条件输出层总误差是否满足要求，若未达到要求则重新计算误差并调整权值，再回到执行计算各层神经元的输出步骤，并依次向下进行各步骤直到满足要求最后结束为止，完成径向基神经网络的故障匹配训练。
如图5所示，图5为径向基神经网络训练的基本流程图。根据输入样本即可确定径向基神经网络输入层节点的数目，输入样本的特征矢量的维数应该就等于输入层节点的数目，样本的故障分类模式数(4种)即为径向基神经网络的输出节点个数。而径向基神经网络的隐含层个数需要根据网络的训练和优化来计算得确定：首先取隐含层的节点的个数为0，给定样本向量之后进行训练，计算各层神经元的输出及输出层总误差，判断输出层总误差是否满足要求，同时让隐含层的节点数自动地进行增大对输入误差反复进行检验，判断训练停止的基准为已达到所需要的误差要求或者是中间层的节点数目已取到上限。
需要说明的是，基于径向基神经网络的故障诊断方法具有简单的网络结构，训练较为简单并且有较快地收敛速度，以及还能很好地逼近各种非线性函数的特点。基于径向基神经网络有三层网络结构，分别为输入层，隐含层和输出层。它的隐含层以RBF为“基”，这样致使低维度空间中线性不可分的难解问题转换到高维度空间中以得到很好的解决。如果到固定点的距离值趋向于无穷大值时，而与此同时相应的函数值却趋向于零，该种函数属于局部径向基函数，如若此时的函数值并不趋向于零，则它就属于整体径向基函数的范畴。局部径向基函数和整体径向基函数的不同点是前者只是在输入的数据区域进行中心插值，而后者是进行全局插值的。由一个空间不能进行分类的函数经过映射到另外一个空间得以将问题解决，这乃是RBF网络的本质。故障诊断其实就属于模式识别问题范畴，根据输入样本的矢量维数以及模式分类的数目即可确定网络的输入输出节点个数。网络传递函数最常用的RBF基函数是高斯函数，由于它在局部范围作用的特点，因而距离径向基中心更近则函数更易被激活，这样相对应其函数值也更不易趋近于0。RBF神经网络其结构主要由参数中心与权值来确定，将中间层至输出层的线性变换的权值系数进行求解，从而使权值得到确定。
如图6所示，图6为本申请另一实施例所提供的一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法的流程图。具体步骤如下：
燃气调压器故障诊断***获取燃气调压器的原始故障数据；
对原始故障数据进行归一化处理；以便减少误差，避免较小的值被较大的值“吃掉”；
采用主元分析法对所述归一化处理后的原始故障数据进行降维处理，生成低维不相关的样本数据；
将所述样本数据随机分配为训练数据集与测试数据集；
建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
利用所述测试样本集对训练完成的径向基神经网络进行诊断测试，分析故障诊断结果。
请参考图7，图7为本申请实施例所提供的一种基于PCA数据处理的燃气调压器智能 RBF故障诊断***的结构示意图，该***700包括：
数据获取单元710，配置用于获取已知故障类型的燃气调压器原始故障数据；
预处理单元720，配置用于采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
故障分类单元730，配置用于利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
基于上述实施例，作为可选的实施例，所述数据获取单元710所获取的数据包括：
燃气调压器的指挥器、皮膜、输入端压力、阀口阀位的原始故障数据。
基于上述实施例，作为可选的实施例，所述预处理单元720具体用于：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
基于上述实施例，作为可选的实施例，所述故障分类单元730具体包括：
数据集设置单元，配置用于将所述样本数据随机分配为训练数据集与测试数据集；
模型生成单元，配置用于建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
诊断测试单元，配置用于利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
基于上述实施例，作为可选的实施例，所述模型生成单元包括：
初始化单元，配置用于初始化径向基神经网络权值，包括确定径向基神经网络的输入层，隐含层和输出层的节点数目，以及连接权值和神经元激励函数等；
误差计算单元，配置用于给定样本向量，计算各层神经元的输出，并计算输出层总误差；
误差判断单元，配置用于判断迭代结束条件输出层总误差是否满足要求；
权值调整单元，配置用于若未达到要求则重新计算误差并调整权值，再回到执行计算各层神经元的输出步骤，并依次向下进行各步骤直到满足要求最后结束为止，完成径向基神经网络的故障匹配训练。
请参考图8，图8为本申请实施例所提供的一种终端800的结构示意图，该终端800可以用于执行本发明实施例提供的基于PCA数据处理的燃气调压器智能RBF故障诊断方法。
其中，该终端***800可以包括：处理器801、存储器802及通信单元803。这些组件通过一条或多条总线进行通信，本领域技术人员可以理解，图中示出的服务器的结构并不构成对本发明的限定，它既可以是总线形结构，也可以是星型结构，还可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，该存储器802可以用于存储处理器801的执行指令，存储器802可以由任何类型的易失性或非易失性存储终端或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。当存储器802中的执行指令由处理器801执行时，使得终端800能够执行以下上述方法实施例中的部分或全部步骤。
处理器801为存储终端的控制中心，利用各种接口和线路连接整个电子终端的各个部分，通过运行或执行存储在存储器802内的软件程序和/或模块，以及调用存储在存储器内的数据，以执行电子终端的各种功能和/或处理数据。所述处理器可以由集成电路(Integrated Circuit，简称IC)组成，例如可以由单颗封装的IC所组成，也可以由连接多颗相同功能或不同功能的封装IC而组成。举例来说，处理器801可以仅包括中央处理器(Central Processing Unit，简称CPU)。在本发明实施方式中，CPU可以是单运算核心，也可以包括多运算核心。
通信单元803，用于建立通信信道，从而使所述存储终端可以与其它终端进行通信。接收其他终端发送的用户数据或者向其他终端发送用户数据。
本申请还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-only memory，简称：ROM)或随机存储记忆体(英文：random access memory，简称：RAM)等。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例提供的***而言，由于其与实施例提供的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种基于PCA数据处理的燃气调压器智能RBF故障诊断方法，其特征在于，包括：
获取已知故障类型的燃气调压器原始故障数据；
采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
2.根据权利要求1所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方法，其特征在于，所述燃气调压器的原始故障数据包括：
燃气调压器的指挥器、皮膜、输入端压力、阀口阀位的原始故障数据。
3.根据权利要求1所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方法，其特征在于，所述采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据，包括：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
4.根据权利要求1所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方法，所述利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类，包括：
将所述样本数据随机分配为训练数据集与测试数据集；
建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
5.根据权利要求4所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方法，其特征在于，所述建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型，包括：
初始化径向基神经网络权值，包括确定径向基神经网络的输入层，隐含层和输出层的节点数目，以及连接权值和神经元激励函数等；
给定样本向量，计算各层神经元的输出，并计算输出层总误差；
判断迭代结束条件输出层总误差是否满足要求，若未达到要求则重新计算误差并调整权值，再回到执行计算各层神经元的输出步骤，并依次向下进行各步骤直到满足要求最后结束为止，完成径向基神经网络的故障匹配训练。
6.一种基于PCA数据处理的燃气调压器智能RBF故障诊断***，其特征在于，包括：
数据获取单元，配置用于获取已知故障类型的燃气调压器原始故障数据；
预处理单元，配置用于采用主元分析法对所述原始故障数据进行降维处理，生成低维不相关的样本数据；
故障分类单元，配置用于利用径向基神经网络将经主元分析法降维处理后的样本数据进行故障分类。
7.根据权利要求6所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方***，其特征在于，所述预处理单元具体用于：
将获取的原始故障数据作预处理得到标准数据矩阵；
计算所述标准数据矩阵的各变量均值及协方差矩阵；
计算所述协方差矩阵的特征值矩阵及特征向量矩阵；
利用所述特征值矩阵及特征向量矩阵计算主元累计方差贡献率，确定主元个数，进而确定主成分。
8.根据权利要求6所述的基于PCA数据处理的燃气调压器智能RBF故障诊断方***，其特征在于，所述故障分类单包括：
数据集设置单元，配置用于将所述样本数据随机分配为训练数据集与测试数据集；
模型生成单元，配置用于建立径向基神经网络，利用所述训练数据集训练所述径向基神经网络，生成训练完成的燃气调压器故障诊断模型；
诊断测试单元，配置用于利用所述测试样本集测试训练完成的径向基神经网络，分析故障诊断结果。
9.一种终端，其特征在于，包括：
处理器；
用于存储处理器的执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-5任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
CN201911418058.7A 2019-12-31 2019-12-31 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质 Pending CN111191725A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911418058.7A CN111191725A (zh) 2019-12-31 2019-12-31 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911418058.7A CN111191725A (zh) 2019-12-31 2019-12-31 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质

Publications (1)

Publication Number Publication Date
CN111191725A true CN111191725A (zh) 2020-05-22

Family

ID=70707926

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911418058.7A Pending CN111191725A (zh) 2019-12-31 2019-12-31 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质

Country Status (1)

Country Link
CN (1) CN111191725A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273638A (zh) * 2020-01-21 2020-06-12 华东理工大学 基于改进Elman神经网络的气动阀执行机构故障诊断方法
CN112836346A (zh) * 2021-01-07 2021-05-25 河南理工大学 基于cn和pca的电机故障诊断方法、电子设备及介质
CN114875196A (zh) * 2022-07-01 2022-08-09 北京科技大学 一种转炉出钢量的确定方法和***
CN114997539A (zh) * 2022-08-03 2022-09-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425150A (zh) * 2015-11-09 2016-03-23 江苏科技大学 一种基于rbf和pca-svdd的电机故障诊断方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理***的故障诊断方法
US20190195727A1 (en) * 2017-12-22 2019-06-27 Qujing Bureau, Csg Ehv Power Transmission Company Gil fault on-line monitoring system based on vibration signals and support vector machine

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105425150A (zh) * 2015-11-09 2016-03-23 江苏科技大学 一种基于rbf和pca-svdd的电机故障诊断方法
CN108229544A (zh) * 2017-12-22 2018-06-29 南昌大学 一种npc三电平光伏逆变器开路故障诊断方法
US20190195727A1 (en) * 2017-12-22 2019-06-27 Qujing Bureau, Csg Ehv Power Transmission Company Gil fault on-line monitoring system based on vibration signals and support vector machine
CN108921230A (zh) * 2018-07-25 2018-11-30 浙江浙能嘉华发电有限公司 基于类均值核主元分析和bp神经网络的故障诊断方法
CN109447236A (zh) * 2018-09-28 2019-03-08 重庆邮电大学 一种混合动力汽车热管理***的故障诊断方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273638A (zh) * 2020-01-21 2020-06-12 华东理工大学 基于改进Elman神经网络的气动阀执行机构故障诊断方法
CN111273638B (zh) * 2020-01-21 2021-10-26 华东理工大学 基于改进Elman神经网络的气动阀执行机构故障诊断方法
CN112836346A (zh) * 2021-01-07 2021-05-25 河南理工大学 基于cn和pca的电机故障诊断方法、电子设备及介质
CN112836346B (zh) * 2021-01-07 2024-04-23 河南理工大学 基于cn和pca的电机故障诊断方法、电子设备及介质
CN114875196A (zh) * 2022-07-01 2022-08-09 北京科技大学 一种转炉出钢量的确定方法和***
CN114875196B (zh) * 2022-07-01 2022-09-30 北京科技大学 一种转炉出钢量的确定方法和***
US11987855B2 (en) 2022-07-01 2024-05-21 University Of Science And Technology Beijing Method and system for determining converter tapping quantity
CN114997539A (zh) * 2022-08-03 2022-09-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与***
CN114997539B (zh) * 2022-08-03 2022-12-02 上海叁零肆零科技有限公司 一种燃气压力调节器故障预测方法与***

Similar Documents

Publication Publication Date Title
CN111191725A (zh) 一种基于pca数据处理的rbf故障诊断方法、***、终端及计算机存储介质
CN111191727A (zh) 基于pso-kpca-lvq的燃气调压器故障诊断方法、***、终端及计算机存储介质
CN110223196B (zh) 基于典型行业特征库和反窃电样本库的反窃电分析方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN110097297A (zh) 一种多维度窃电态势智能感知方法、***、设备及介质
CN107949812A (zh) 用于检测配水***中的异常的组合方法
CN112819107B (zh) 基于人工智能的燃气调压设备故障预测方法
CN111291783A (zh) 一种燃气调压设备的智能化故障诊断方法、***、终端及存储介质
CN105225979A (zh) 一种半导体器件制程预测***和方法
Yang et al. A hybrid model-based fault detection strategy for air handling unit sensors
CN110766320A (zh) 一种机场智能电网运行安全评价方法及装置
CN115681821A (zh) 用于智慧燃气设备管理的加臭自动控制方法和物联网***
CN115685045A (zh) 一种电压互感器在线评估方法
CN111275246A (zh) 一种基于大数据技术的单品种农产品价格预测方法
KR20180024331A (ko) 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템
Mansour et al. Methodology of on-line optimisation applied to a chemical reactor
CN112052496A (zh) 一种基于var模型的高拱坝谷幅变形影响因素分析***的操作方法
CN111476400A (zh) 电路故障预测方法、装置、设备及计算机可读介质
CN115907033A (zh) 一种基于机器学习算法预测每小时用电量的方法及***
US20190354893A1 (en) System for generating learning data
CN114139643B (zh) 一种基于机器视觉的单甘酯质量检测方法及***
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
CN113703974A (zh) 一种预测服务器容量的方法及装置
CN113375713A (zh) 一种燃气调压器故障监测方法和装置
CN117871771B (zh) 一种基于大数据的燃气能源监测方法

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