CN115358265A - 一种超低水头提水***故障的检测方法 - Google Patents

一种超低水头提水***故障的检测方法 Download PDF

Info

Publication number
CN115358265A
CN115358265A CN202210979108.4A CN202210979108A CN115358265A CN 115358265 A CN115358265 A CN 115358265A CN 202210979108 A CN202210979108 A CN 202210979108A CN 115358265 A CN115358265 A CN 115358265A
Authority
CN
China
Prior art keywords
firefly
neural network
adaptive
self
lifting system
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
Application number
CN202210979108.4A
Other languages
English (en)
Other versions
CN115358265B (zh
Inventor
陆明伟
梁升
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.)
Shaoxing Miaohui Energy Technology Co ltd
Original Assignee
Shaoxing Miaohui Energy Technology 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 Shaoxing Miaohui Energy Technology Co ltd filed Critical Shaoxing Miaohui Energy Technology Co ltd
Priority to CN202210979108.4A priority Critical patent/CN115358265B/zh
Publication of CN115358265A publication Critical patent/CN115358265A/zh
Application granted granted Critical
Publication of CN115358265B publication Critical patent/CN115358265B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种超低水头提水***故障的检测方法，其特征在于：包括以下步骤：提取提水***不同故障信号的特征数，建立故障集；其次，将萤火虫算法的光强度变化和吸引力引入最优解的寻优过程中，根据解的质量来自适应选择适宜的控制参数值。同时，利用模拟退火算法，进一步提高算法的收敛精度。再次，采用自适应萤火虫算法来寻找BP神经网络的最佳权阈值参数，随之建立超低水头提水***故障诊断模型；与神经网络模型以及萤火虫搜索神经网络模型相比，该方法能够显著提高超低水头提水***故障定位的效率与准确率。

Description

一种超低水头提水***故障的检测方法
技术领域
本发明涉及故障检测技术领域，具体涉及一种超低水头提水***故障的检测方法。
背景技术
自然能提水***利用水流落差产生高压空气，通过高压空气将水压到高处。***运行过程中会因为内外因素的影响而产生故障，各种故障都会在输送管道处形成不同的振动信号。各种振动信号之间的差异较小，需要针对振动信号进行有效地分析，才能准确地判断出不同的故障。
发明内容
本发明的目的在于克服现有技术的不足，提供一种超低水头提水***故障的检测方法。
为实现上述目的，本发明提供了如下技术方案来实现的：
一种超低水头提水***故障的检测方法，包括以下步骤：
步骤1、收集超低水头提水***多种故障模式所对应的振动信号，并对故障模式进行编码后作为输出样本；
步骤2、提取各振动信号所对应的特征值，并采用随机选取的方式将该特征值分为两组，分别作为BP神经网络的训练集和测试集；
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构；
步骤4、将BP神经网络的权阈值参数编码为自适应萤火虫算法的解向量，并将自适应萤火虫搜索算法的光强度和吸引力嵌入到解的过程中，通过搜索得到自适应萤火虫搜索算法的最优解，并将所述最优解作为BP神经网络的最优权阈值参数；
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络，采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络进行学习训练，得到自适应萤火虫搜索神经网络的诊断模型；
步骤6、利用自适应萤火虫搜索神经网络诊断模型对步骤2得到的测试集进行故障诊断，输出诊断结果，并将诊断结果与步骤1得到的输出样本进行对照；
步骤7、每隔30s到60s收集一次提水***的振动信号，根据自适应萤火虫搜索神经网络诊断模型判断出提水***的故障类型。
作为优选，步骤4具体包括如下步骤：
步骤4.1、初始化自适应萤火虫搜索算法的参数；
所述自适应萤火虫搜索算法的基本参数包括设置萤火虫数目n，最大吸引度β0，光强度吸收系数γ，步长因子α，最大迭代次数Tmax；
步骤4.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将BP神经网络的权阈值参数编码为自适应萤火虫搜索算法的解向量；
步骤4.3、初始化问题，将个体转化为萤火虫，设置亮度函数，并初始化所有参数β，γ，α；
步骤4.4、根据萤火虫的位置计算出每个萤火虫的光强度值，光强度值越高的萤火虫亮度越高；
其中光强度值按照如下规则计算：
Figure BDA0003799627220000021
步骤4.5、确定每个萤火虫两两之间的距离：任意两个萤火虫i和j在空间坐标的笛卡尔距离为：
Figure BDA0003799627220000031
步骤4.6、计算对周围萤火虫的吸引度：由于萤火虫的吸引力与相邻萤火虫看到的光强度成正比，则通过以下规则进行计算：
Figure BDA0003799627220000032
其中β0是r＝0处的吸引力；
步骤4.7、对于每个萤火虫而言，找到吸引度最高的萤火虫个体，并更新移动位置；当一只萤火虫被另一只更亮的萤火虫吸引时，运动规律如下：
Figure BDA0003799627220000033
式中，α是步长因子，rand是一个均匀分布在[0,1]中的随机数生成器。
步骤4.8、重新计算每个萤火虫的光强度，如果完成迭代或者强度达到要求则结束。
步骤4.9、将最优位置作为BP神经网络的最优权阈值参数。
作为优选，步骤2中，所述特征值选择振动信号频谱分量的幅值为：<0.5f0、f0、2f0、3f0、>3f0，其中f0为基频。
作为优选，步骤3中，输出误差E为：
Figure BDA0003799627220000034
式中，N为训练集的样本数，zi为第i个样本的网络实际输出值，Oi为第i个样本的期望输出值。
与现有技术相比，本发明的有益效果是：通过建立模型来对收集的振动信号进行分析计算，将振动信号与故障模式相对应，能够显著提高提水***的故障检测效率和准确率。
具体实施方式
下面对本发明的实施例进行详细阐述。
一种超低水头提水***故障的检测方法，包括以下步骤：
步骤1、收集超低水头提水***多种故障模式所对应的振动信号，并对故障模式进行编码后作为输出样本，故障模式包括进气管道泄露、集气管管道异常振动、集气管泄露等，同时收集无故障时的振动信号；
步骤2、提取步骤1中收集到的各振动信号所对应的特征值，并采用随机选取的方式将该特征值分为两组，分别作为BP神经网络的训练集和测试集；
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构；
步骤4、将BP神经网络的权阈值参数编码为自适应萤火虫算法的解向量，并将自适应萤火虫搜索算法的光强度和吸引力嵌入到解的过程中，通过搜索得到自适应萤火虫搜索算法的最优解，并将所述最优解作为BP神经网络的最优权阈值参数；
具体步骤为4.1、初始化自适应萤火虫搜索算法的参数；
所述自适应萤火虫搜索算法的基本参数包括设置萤火虫数目n，最大吸引度β0，光强度吸收系数γ，步长因子α，最大迭代次数Tmax；
4.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将BP神经网络的权阈值参数编码为自适应萤火虫搜索算法的解向量；
4.3、初始化问题，将个体转化为萤火虫，设置亮度函数，并初始化所有参数β，γ，α；
4.4、根据萤火虫的位置计算出每个萤火虫的光强度值，光强度值越高的萤火虫亮度越高；
其中光强度值按照如下规则计算：
Figure BDA0003799627220000041
4.5、确定每个萤火虫两两之间的距离：任意两个萤火虫i和j在空间坐标的笛卡尔距离为：
Figure BDA0003799627220000051
4.6、计算对周围萤火虫的吸引度：由于萤火虫的吸引力与相邻萤火虫看到的光强度成正比，则通过以下规则进行计算：
Figure BDA0003799627220000052
其中β0是r＝0处的吸引力；
4.7、对于每个萤火虫而言，找到吸引度最高的萤火虫个体，并更新移动位置；当一只萤火虫被另一只更亮的萤火虫吸引时，运动规律如下：
Figure BDA0003799627220000053
式中，α是步长因子，rand是一个均匀分布在[0,1]中的随机数生成器。
4.8、重新计算每个萤火虫的光强度，如果完成迭代或者强度达到要求则结束。
4.9、将最优位置作为BP神经网络的最优权阈值参数。
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络，采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络进行学习训练，得到自适应萤火虫搜索神经网络的诊断模型。
步骤6、利用自适应萤火虫搜索神经网络诊断模型对步骤2得到的测试集进行故障诊断，输出诊断结果，并将诊断结果与步骤1得到的输出样本进行对照，从而形成检测标准。
步骤7、每隔30s到120s收集一次提水***的振动信号，或者每隔60s收集一次提水***的振动信号，通过自适应萤火虫搜索神经网络诊断模型计算出诊断结果，将该诊断结果与步骤6中的检测标准进行对照，即可判断出提水***中存在的故障类型。
作为优选，步骤2中，所述特征值选择振动信号频谱分量的幅值为：<0.5f0、f0、2f0、3f0、>3f0，其中f0为基频。
步骤3中，输出误差E为：
Figure BDA0003799627220000061
式中，N为训练集的样本数，zi为第i个样本的网络实际输出值，Oi为第i个样本的期望输出值。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种超低水头提水***故障的检测方法，其特征在于：包括以下步骤：
步骤1、收集超低水头提水***多种故障模式所对应的振动信号，并对故障模式进行编码后作为输出样本；
步骤2、提取各振动信号所对应的特征值，并采用随机选取的方式将该特征值分为两组，分别作为BP神经网络的训练集和测试集；
步骤3、按照BP神经网络的输出误差最小原则来确定BP神经网络的拓扑结构；
步骤4、将BP神经网络的权阈值参数编码为自适应萤火虫算法的解向量，并将自适应萤火虫搜索算法的光强度和吸引力嵌入到解的过程中，通过搜索得到自适应萤火虫搜索算法的最优解，并将所述最优解作为BP神经网络的最优权阈值参数；
步骤5、将步骤4获得的最优权阈值参数赋予BP神经网络，采用步骤2得到的训练集对具有最优权阈值参数的BP神经网络进行学习训练，得到自适应萤火虫搜索神经网络的诊断模型；
步骤6、利用自适应萤火虫搜索神经网络诊断模型对步骤2得到的测试集进行故障诊断，输出诊断结果，并将诊断结果与步骤1得到的输出样本进行对照；
步骤7、每隔30s到60s收集一次提水***的振动信号，根据自适应萤火虫搜索神经网络诊断模型判断出提水***的故障类型。
2.根据权利要求1所述的一种超低水头提水***故障的检测方法，其特征在于：步骤4具体包括如下步骤：
步骤4.1、初始化自适应萤火虫搜索算法的参数；
所述自适应萤火虫搜索算法的基本参数包括设置萤火虫数目n，最大吸引度β0，光强度吸收系数γ，步长因子α，最大迭代次数Tmax；
步骤4.2、随机选取BP神经网络的故障诊断模型的权阈值参数，并将BP神经网络的权阈值参数编码为自适应萤火虫搜索算法的解向量；
步骤4.3、初始化问题，将个体转化为萤火虫，设置亮度函数，并初始化所有参数β，γ，α；
步骤4.4、根据萤火虫的位置计算出每个萤火虫的光强度值，光强度值越高的萤火虫亮度越高；
其中光强度值按照如下规则计算：
Figure FDA0003799627210000021
步骤4.5、确定每个萤火虫两两之间的距离：任意两个萤火虫i和j在空间坐标的笛卡尔距离为：
Figure FDA0003799627210000022
步骤4.6、计算对周围萤火虫的吸引度：由于萤火虫的吸引力与相邻萤火虫看到的光强度成正比，则通过以下规则进行计算：
Figure FDA0003799627210000023
其中β0是r＝0处的吸引力；
步骤4.7、对于每个萤火虫而言，找到吸引度最高的萤火虫个体，并更新移动位置；当一只萤火虫被另一只更亮的萤火虫吸引时，运动规律如下：
Figure FDA0003799627210000024
式中，α是步长因子，rand是一个均匀分布在[0，1]中的随机数生成器；
步骤4.8、重新计算每个萤火虫的光强度，如果完成迭代或者强度达到要求则结束；
步骤4.9、将最优位置作为BP神经网络的最优权阈值参数。
3.根据权利要求1所述的一种超低水头提水***故障的检测方法，其特征在于：步骤2中，所述特征值选择振动信号频谱分量的幅值为：<0.5f0、f0、2f0、3f0、>3f0，其中f0为基频。
4.根据权利要求1所述的一种超低水头提水***故障的检测方法，其特征在于：步骤3中，输出误差E为：
Figure FDA0003799627210000031
式中，N为训练集的样本数，zi为第i个样本的网络实际输出值，Oi为第i个样本的期望输出值。
CN202210979108.4A 2022-08-16 2022-08-16 一种超低水头提水***故障的检测方法 Active CN115358265B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210979108.4A CN115358265B (zh) 2022-08-16 2022-08-16 一种超低水头提水***故障的检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210979108.4A CN115358265B (zh) 2022-08-16 2022-08-16 一种超低水头提水***故障的检测方法

Publications (2)

Publication Number Publication Date
CN115358265A true CN115358265A (zh) 2022-11-18
CN115358265B CN115358265B (zh) 2024-04-30

Family

ID=84033037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210979108.4A Active CN115358265B (zh) 2022-08-16 2022-08-16 一种超低水头提水***故障的检测方法

Country Status (1)

Country Link
CN (1) CN115358265B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN109444740A (zh) * 2018-11-14 2019-03-08 湖南大学 一种风电机组的故障状态智能监测与诊断方法
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和***
CN110307981A (zh) * 2019-06-17 2019-10-08 西安工程大学 基于pnn-ifa的轴承故障诊断方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及***
US20220149759A1 (en) * 2020-11-09 2022-05-12 Hydrocision, Inc. System, apparatus, and method for a pump motor failsafe
CN114528883A (zh) * 2022-02-24 2022-05-24 河北工业大学 一种风电变流器igbt故障识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110073301A (zh) * 2017-08-02 2019-07-30 强力物联网投资组合2016有限公司 工业物联网中具有大数据集的数据收集环境下的检测方法和***
CN108596212A (zh) * 2018-03-29 2018-09-28 红河学院 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN109444740A (zh) * 2018-11-14 2019-03-08 湖南大学 一种风电机组的故障状态智能监测与诊断方法
CN110307981A (zh) * 2019-06-17 2019-10-08 西安工程大学 基于pnn-ifa的轴承故障诊断方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及***
US20220149759A1 (en) * 2020-11-09 2022-05-12 Hydrocision, Inc. System, apparatus, and method for a pump motor failsafe
CN114528883A (zh) * 2022-02-24 2022-05-24 河北工业大学 一种风电变流器igbt故障识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JORGE ARROYO ET AL: "Diagnostic method based on the analysis of the vibration and acoustic emission energy for emergency diesel generators in nuclear plants", 《APPLIED ACOUSTICS》, vol. 74, no. 4, pages 502 - 508 *
杨彤等: "基于CEEMDAN和混合灰狼算法优化SVM的水电机组故障诊断方法", 《水电能源科学》, vol. 40, no. 3, pages 195 - 198 *

Also Published As

Publication number Publication date
CN115358265B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
CN109035233B (zh) 视觉注意力网络***及工件表面缺陷检测方法
CN108596212B (zh) 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法
CN109612708B (zh) 基于改进卷积神经网络的电力变压器在线检测***及方法
CN110176001B (zh) 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法
CN109873610A (zh) 基于iv特性和深度残差网络的光伏阵列故障诊断方法
CN113486865B (zh) 一种基于深度学习的输电线路悬挂异物目标检测方法
CN108760829B (zh) 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法
CN108876021B (zh) 一种中长期径流预报方法及***
CN109325263A (zh) 基于神经网络的桁架桥梁损伤位置与损伤程度识别方法
CN111833310B (zh) 一种基于神经网络架构搜索的表面缺陷分类方法
CN112762362A (zh) 基于卷积神经网络的水下管道泄漏声发射检测方法
CN114037163A (zh) 一种基于动态权重pso优化bp神经网络的污水处理出水质量预警方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
CN114417926A (zh) 一种基于深度卷积生成对抗网络的电力设备局部放电模式识别方法及***
CN115163424A (zh) 基于神经网络的风电机组齿轮箱油温故障检测方法和***
CN115358265B (zh) 一种超低水头提水***故障的检测方法
CN117347796B (zh) 一种基于智能网关的开关设备局部放电诊断***及方法
CN110956112B (zh) 一种新的高可靠性回转支承寿命评估方法
CN116913316A (zh) 一种基于Mosaic数据增强的电力变压器典型故障声纹诊断方法
CN115577744A (zh) 一种油气管道泄漏火灾风险的智能预测方法
CN113592028A (zh) 多专家分类委员会机器测井流体识别的方法及***
CN117874480A (zh) 基于ico-boss算法的土壤重金属光谱特征提取方法
Xianjiang et al. Research on intelligent diagnosis of oil pumping well based on optimized BP neural network
CN117113066B (zh) 一种基于计算机视觉的输电线路绝缘子缺陷检测方法
CN114048682B (zh) 一种基于优选小波基与多维深度特征融合的滚动轴承声发射智能诊断方法

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