CN117093815A - 一种用于bmc变频循环屏蔽泵流速检测技术 - Google Patents
一种用于bmc变频循环屏蔽泵流速检测技术 Download PDFInfo
- Publication number
- CN117093815A CN117093815A CN202311300599.6A CN202311300599A CN117093815A CN 117093815 A CN117093815 A CN 117093815A CN 202311300599 A CN202311300599 A CN 202311300599A CN 117093815 A CN117093815 A CN 117093815A
- Authority
- CN
- China
- Prior art keywords
- data
- time window
- power
- matrix
- water pump
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 138
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 238000010438 heat treatment Methods 0.000 claims abstract description 69
- 239000013598 vector Substances 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 7
- 230000020169 heat generation Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims 4
- 125000004122 cyclic group Chemical group 0.000 claims 4
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D15/00—Control, e.g. regulation, of pumps, pumping installations or systems
- F04D15/0088—Testing machines
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Mathematical Analysis (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Control Of Non-Positive-Displacement Pumps (AREA)
Abstract
本发明涉及流速检测领域,具体涉及一种用于BMC变频循环屏蔽泵流速检测技术,获取流速数据、发热数据和功率数据;根据功率数据各时间窗口各子序列的数据特征分布得到各时间窗口的模态相关性矩阵;获取发热数据各时间窗口的模态相关性矩阵;根据发热数据和功率数据各时间窗口的模态相关性矩阵得到各时间窗口的水泵热衰减差异性矩阵及特征值向量,同时结合功率数据和发热数据各时间窗口的模态相似性矩阵得到水泵热衰减流速补偿数据;通过LSTM神经网络构建BMC变频循环屏蔽泵流速检测模型,用于对水泵流速进行检测。从而解决了传统算法中仅通过传感器获取流速信号的采集误差,提高流速数据的准确性和精准度。
Description
技术领域
本申请涉及流速检测领域,具体涉及一种用于BMC变频循环屏蔽泵流速检测技术。
背景技术
BMC变频循环屏蔽泵是指使用BMC(Blown Multilayer Co-Extrusion)技术制造的循环屏蔽泵,屏蔽泵是指泵的转子和叶轮处于同一条轴承上,减少了传动损耗。该泵通过变频技术进行控制和调速,该泵常被用于循环水***、供水***、冷却***等。这些***对流速的精准度要求较高,因此需要精准地检测变频循环屏蔽泵的流速,实现对流速的实时准确控制。
传统的实现对BMC变频循环屏蔽泵的流速检测的方法是通过流速传感器获得变频循环屏蔽泵的实时流速;但是实际情况中流速传感器获得的流速数据不是准确流速,且变频循环屏蔽泵的热衰减对水泵流速的影响也较大,可能会对精度需求较高的***带来一定的损害。
综上所述,本发明针对水泵热衰减提出了一种用于BMC变频循环屏蔽泵流速检测的方法,对发热数据和功率数据各数据点进行分析得到各数据采集时刻数据点的水泵热衰减流速补偿系数,便于神经网络构建BMC变频循环屏蔽泵流速检测模型,完成对水泵流速的检测。
发明内容
为了解决上述技术问题,本发明提供一种用于BMC变频循环屏蔽泵流速检测技术,以解决现有的问题。
本发明的一种用于BMC变频循环屏蔽泵流速检测技术采用如下技术方案:
本发明一个实施例提供了一种用于BMC变频循环屏蔽泵流速检测技术,该技术包括以下步骤:
获取流速数据、发热数据和功率数据;
对发热数据和功率数据划分时间窗口;采用聚类算法获取功率数据各时间窗口的子序列;对于功率数据各时间窗口各子序列,根据子序列的数据特征分布得到子序列的功率同向性系数;采用模态分解算法获取子序列的功率模态矩阵;采用双线性差值算法使得各子序列的功率模态矩阵同维;根据功率数据各时间窗口各子序列的模态特征得到各时间窗口的模态相关性矩阵;获取发热数据各时间窗口的模态相关性矩阵;将发热数据和功率数据各时间窗口的模态相关性矩阵采用双线性差值算法得到统一尺寸大小的矩阵;
根据发热数据和功率数据各时间窗口的模态相关性矩阵得到各时间窗口的水泵热衰减差异性矩阵;获取各时间窗口的水泵热衰减差异性矩阵的特征值向量;根据各时间窗口的水泵热衰减差异性矩阵的特征值向量、功率数据和发热数据各时间窗口的模态相似性矩阵得到各时间窗口的水泵热衰减流速补偿系数;将各时间窗口的水泵热衰减流速补偿系数作为水泵热衰减流速补偿数据各数据点的数值;
根据流速数据、功率数据、发热数据、水泵热衰减流速补偿数据以及高精度流速数据构建BMC变频循环屏蔽泵流速检测模型,用于对水泵流速进行检测。
优选的,所述对发热数据和功率数据划分时间窗口,包括:
将发热数据和功率数据以时间窗口划分数据得到各时间窗口,其中/>为预设时间窗口尺寸。
优选的,所述根据子序列的数据特征分布得到子序列的功率同向性系数,包括:
获取子序列数据的均值和标准差;
对于子序列各数据,计算数据数值与所述均值的差值,将所述差值与所述标准差的比值绝对值作为数据的波动系数;
将子序列所有数据的所述波动系数的均值作为子序列的功率同向性系数。
优选的,所述采用模态分解算法获取子序列的功率模态矩阵,包括:
采用模态分解算法获取子序列的各模态分量,各模态分量的数据数量与子序列的数据数量一致;
子序列的功率模态矩阵的尺寸大小为子序列模态分量数量与子序列数据数量的乘积;
子序列的功率模态矩阵各个行向量为子序列各模态分量。
优选的,所述根据功率数据各时间窗口各子序列的模态特征得到各时间窗口的模态相关性矩阵,包括:
对于功率数据各时间窗口各子序列,根据子序列与时间窗口其他剩余各子序列的功率模态矩阵和功率同向性系数得到子序列的模态相关性序列;
将所述模态相关性序列作为时间窗口的模态相关性矩阵的行向量。
优选的,所述根据子序列与时间窗口其他剩余各子序列的功率模态矩阵和功率同向性系数得到子序列的模态相关性序列,包括:
计算子序列的功率模态矩阵与剩余各子序列的功率模态矩阵的转置矩阵点乘后的F范数;
计算子序列的功率同向性系数、剩余各子序列的功率同向性系数和功率模态矩阵的元素数量的乘积;
将所述F范数与所述乘积的比值作为子序列与剩余各子序列的模态相关性;将子序列与其他剩余各子序列的模态相关性组成子序列的模态相关性序列。
优选的,所述根据发热数据和功率数据各时间窗口的模态相关性矩阵得到各时间窗口的水泵热衰减差异性矩阵,包括:
对于各时间窗口,将发热数据时间窗口的模态相关性矩阵与功率数据时间窗口的模态相关性矩阵的Hadamard乘积作为时间窗口的水泵热衰减差异性矩阵。
优选的,所述获取各时间窗口的水泵热衰减差异性矩阵的特征值向量,包括:
对于各时间窗口,采用奇异值分解算法获取时间窗口的水泵热衰减差异性矩阵各个子序列的特征值,将时间窗口各个子序列的所述特征值组成时间窗口的水泵热衰减差异性矩阵的特征值向量。
优选的,所述根据各时间窗口的水泵热衰减差异性矩阵的特征值向量、功率数据和发热数据各时间窗口的模态相似性矩阵得到各时间窗口的水泵热衰减流速补偿系数,包括:
对于各时间窗口,获取时间窗口的水泵热衰减差异性矩阵的特征值向量的模;
计算时间窗口的功率数据模态相似性矩阵的F范数与发热数据模态相似性矩阵的F范数的和值;
将所述模与所述和值的乘积作为时间窗口的水泵热衰减流速补偿系数。
优选的,所述根据流速数据、功率数据、发热数据、水泵热衰减流速补偿数据以及高精度流速数据构建BMC变频循环屏蔽泵流速检测模型,包括:
采用LSTM网络,将流速数据作为流速基准值,将高精度流速数据作为流速优化目标,将功率数据、发热数据和水泵热衰减流速补偿数据作为优化参数,将流速数据、高精度流速数据、功率数据、发热数据和水泵热衰减流速补偿数据输入到LSTM网络,LSTM网络输出最终流速数据,得到BMC变频循环屏蔽泵流速检测模型。
本发明至少具有如下有益效果:
本发明获取BMC变频循环屏蔽泵的流速数据、发热数据和功率数据,通过划分时间窗口以及各时间窗口内的各子序列,根据子序列的数据特征分布得到同向性系数,即可以表征子序列中的水泵功率数据、发热数据收到外界的影响程度,从而反应水泵的工作状态;结合同向性系数,通过模态分解构建出各子序列的模态矩阵,由于一个时间窗口有多个子序列,由此基于时间窗口构建模态相关性矩阵,计算时间窗口内各子序列各模态之间的相关性,即可以表征各子序列之间各种特征之间的分布相似性;
通过功率数据和发热数据的模态相关性矩阵构建水泵热衰减差异性矩阵,通过矩阵分解得到各时间窗口的特征值向量,即可以表征在水泵受热衰减影响下的发热数据与功率数据之间的相似变化程度,从而更准确判别这两种数据的收到水泵热衰减时的影响关系变化;最终构建出水泵热衰减流速补偿系数,结合LSTM网络将获得的参数和原始数据共同输入到网络中,最终拟合得到水泵的精确流速,同时构建出BMC变频循环屏蔽泵流速检测模型,解决传统算法中仅通过传感器获取流速信号的采集误差,提高流速数据的准确性和精准度。
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用于BMC变频循环屏蔽泵流速检测技术的流程图;
图2为数据处理步骤图。
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用于BMC变频循环屏蔽泵流速检测技术,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用于BMC变频循环屏蔽泵流速检测技术的具体方案。
本发明一个实施例提供的一种用于BMC变频循环屏蔽泵流速检测技术。
具体的,提供了如下的一种用于BMC变频循环屏蔽泵流速检测技术,请参阅图1,该技术包括以下步骤:
步骤S001,获取BMC变频循环屏蔽泵的流速数据、发热数据和功率数据并进行预处理。
本实施例通过流速检测技术对BMC变频循环屏蔽泵流速进行检测,BMC变频循环屏蔽泵通常使用在日常供水、化工运输和医学输液等领域,凭借着高效率和寿命长的优点在众多行业扮演着重要的角色,在这些行业中都要求水泵的流速准确,可以通过当前时刻下的输出功率直接计算获得水泵的预计流速,或者用流速传感器获取流速信息,但是这些流速数据流量数据都不够准确。
由于变频循环屏蔽泵相较于普通水泵其内部含有变频器和相应控制单元,会存在电子发热现象。当水泵长时间工作时,通过叶轮摩擦和电路单元发热会消耗一定的水泵功率,导致水泵转换效率降低,此时流速会有一定的减少,但是受制于流速传感器精度的影响,可能在流速数据上表现不明显。因此对于精度需求较高的***,仅通过传感器获取流速数据将不再准确,需要考虑水泵的热衰减对流速的影响,对热衰减下水泵的流速进行一定的补偿。为了方便表述,下文中用水泵代指BMC变频循环屏蔽泵。
为了监测水泵热衰减对水泵流速的影响,需要获取水泵的流速数据和发热数据,因此在水泵的出水处放置涡轮流速传感器,获取水泵的流速数据,记作。紧贴水泵泵壳表面放置热电传感器获得水泵的发热数据,记作/>。此外还需要获取水泵的输出功率数据,记作/>。
上述数据的获取都是通过相应的传感器获取,为了提高检测的精准度,设置采样频率为1000HZ。此外,由于获取的信号数据大小和单位不一,为了方便分析,对获得到的数据进行归一化处理。其中,归一化处理为公知技术,本实施例不再赘述。
至此,可通过上述方法获取到水泵流速数据、发热数据和功率数据,方便对水泵准确的流速数据进行分析。具体数据处理步骤如图2所示。
步骤S002,对发热数据和功率数据进行分析得到各时间窗口的水泵热衰减流速补偿系数。
通过上述步骤可以获取水泵运行时的各项数据,即流速数据、发热数据/>和功率数据/>,这些数据都是通过传感器对连续信号采样得到的离散数据。
在水泵正常工作中受供电***稳定性的影响,水泵的功率和流速会出现一定波动,并不是维持不变的,并且受水泵热衰减的影响,这种波动会逐渐增大,进一步影响水泵自身的稳定性。
在实际工作中功率数据和流速数据/>可能因为工况需求的调整而发生突变,而针对温度信号不会发生突变,温度信号对此突变的响应是温度升高的趋势或温度波动的幅度发生较大的变化。
在检测过程中传感器不间断获取信号数据,因此当达到一定时间后,得到的时序信号序列是接近无限长的,不利于计算机处理,因此需要划分出时间窗口。本实施例设置时间窗口,接下来分析每个时间窗口的信号的变化情况。
通过划分时间窗口,可以将无限长的离散信号截取成小的时间段,分析时间段内信号的分布。下述分析无特殊说明时,通指单个时间窗口内的数据。
由于数据采样频率很高,因此在单个时间窗口内会有很多时刻对应的信号值,信号值之间分布不一,为了方便分析,本实施例采用DTC无监督时间序列聚类模型,实现对时间窗口内的信号序列划分子序列,假设划分子序列的个数为个。其中,DTC无监督时间序列聚类模型为公知技术,本实施例不再赘述。
接下来针对功率数据其中一个时间窗口进行分析,发热数据的分析方法与功率数据的分析方法相同。
用表示水泵在时间窗口第k个子序列第i个时刻的功率,由于子序列的划分是通过时间窗口内数据的时间空间相似性进行划分,不同的子序列代表不同的数据特征,由此计算时间窗口第k个子序列的功率同向性系数:
式中,表示第k个子序列的功率同向性系数,/>表示第k个子序列数据的个数,表示第k个子序列第i个时刻的功率,/>和/>分别表示第k个子序列数据的均值和标准差,其中,/>第k个子序列第i个时刻数据的波动系数。
需要说明的是,反映了在第k个子序列中功率数据整体的分布情况,当电路稳定水泵不受热衰减影响时,水泵的功率信号波动较小,在子序列中各个时刻的值都较集中在均值附近波动,即距均值偏移较小,因此得到的各个时刻功率值距均值偏移量和标准差均较小,由于此时由于功率信号较为稳定标准差较小,即此刻分子占主导优势,最终使得功率同向性系数α较大;当水泵受热衰减影响严重时,水泵工作状态不稳定,在功率信号上会有较大的波动且异常值较多,此时子序列各个时刻功率值距均值偏移量和标准差均变大,由于标准差受异常值影响较大,此时得到的标准差将较大,即此刻分母占主导优势,最终使得α的值偏小。
通过子序列功率同向性系数能够得到在子序列中水泵功率数据受外界的影响程度,但是仅通过波动性评判水泵的工作状态相对比较片面。
为进一步分析水泵功率信号的波动情况,本实施例采用经验模态分解的EMD算法对子序列的功率数据进行模态分解,假设根据子序列能够得到个模态分量,由此构建子序列的功率模态矩阵,具体如下:
式中,表示第k个子序列的功率模态矩阵,尺寸大小为/>,/>为第k个子序列的模态分量数量,/>为第k个子序列的数据数量,/>中各行向量表示第k个子序列的各模态。
需要说明的是,该子序列中的各模态分量表征该子序列功率数据的各种数据特征,即将功率数据中各种数据特征抽离出来,方便对各种特征分别进行分析。
对于功率数据各时间窗口内的个子序列,通过上述方法可以得到各子序列的功率同向性系数和功率模态矩阵。由于DTC聚类算法得到子序列的长度和模态数量并不一致,为了方便计算,通过使用双线性插值算法使得功率模态矩阵同维。
由于各子序列均有包含自身各种特征的功率模态矩阵,为了表征该时间窗口下各个子序列之间是否存在相似的特征,对时间窗口内各个子序列之间的模态相关性进行分析,从而构建时间窗口的模态相关性矩阵。其中,时间窗口的模态相关性矩阵中的每个元素的计算方式如下:
式中,表示时间窗口的功率模态相关性矩阵第i行第j列的值,/>表示第i个子序列的功率模态矩阵,/>表示第j个子序列的功率模态矩阵的转置矩阵,/>表示矩阵点乘后得到矩阵的F范数,/>和/>分别表示第i个和第j个子序列的功率同向性系数,/>表示对时间窗口内子序列进行维度同步得到的功率模态矩阵行数和列数。
遍历完时间窗口内所有子序列,最终可以得到时间窗口的模态相关性矩阵。在模态相关性矩阵中各元素反映时间窗口内各个子序列之间功率数据的分布相似性,最终得到的模态相关性矩阵/>的尺寸大小为/>。
当水泵的功率信号波动较大时,表明水泵受热衰减的影响较为严重,说明水泵发热数据和功率数据之间存在一定的影响,因此采用与水泵功率数据同样的方式构建水泵发热数据的模态相关性矩阵/>,尺寸大小为/>。
由于通过DTC聚类的数量与数据本身分布有关,因此对于功率数据和发热数据在同一时间窗口内聚类的子序列个数会有细微差距,为了保证矩阵运算的正常进行,因此将矩阵维度采用双线性差值算法统一扩展到最大维度,即/>,最终得到的/>和都是/>尺寸大小的矩阵。
水泵功率数据和发热数据的模态相似性矩阵分别反映水泵工作时功率和发热的波动情况,两者都表征水泵的工作状态,因此通过和/>可以得到最终的水泵热衰减差异性矩阵:
式中,表示该时间窗口的水泵热衰减差异性矩阵,/>表示该时间窗口的水泵功率数据的模态相似性矩阵,/>表示该时间窗口的水泵发热数据的模态相似性矩阵,/>表示矩阵的Hadamard乘积符号。
需要说明的是,水泵热衰减差异性矩阵中的各个元素的大小可以表征水泵功率数据的模态相似性矩阵/>对应位置元素与水泵发热数据的模态相似性矩阵/>对应位置元素之间的相关性程度。当水泵热衰减差异性矩阵各元素值越大,则说明同一时间窗口下的发热数据与功率数据之间的数据的变化程度较为相似。
水泵热衰减差异性矩阵反映了水泵在该时间窗口下的发热数据与功率数据之间的状态关系。由于使用矩阵表征比较麻烦,为简化分析,本实施例采用SVD奇异值分解算法求得水泵热衰减差异性矩阵对应各个子序列的特征值,由此构建出特征值向量,即。
特征值向量中的各个特征值表征各对应子序列的发热数据与功率数据共同结合起来的波动变化程度,特征值越大,表征各子序列的发热数据与功率数据在此刻的波动变化剧烈。
结合时间窗口的特征值向量、功率数据和发热数据在该时间窗口的模态相似性矩阵计算得到该时间窗口内的水泵热衰减流速补偿系数:
式中,表示时间窗口的水泵热衰减流速补偿系数,/>表示时间窗口的水泵热衰减差异性矩阵的特征值向量的模,/>表示时间窗口功率数据的模态相似性矩阵,/>表示时间窗口发热数据的模态相似性矩阵,/>表示矩阵的F范数。
需要说明的是,反映了该时间窗口水泵热衰减的情况下对流速的补偿系数,当水泵的工作状态稳定,此时功率数据和发热数据波动较小,且两者之间的相似性较高,最终得到的补偿系数较小;反之,当水泵工作状态不稳定,表明水泵受热衰减影响较大,此时功率数据和发热数据会有较大的波动,且两者之间的差异性较大,最终得到的补偿系数较大。
步骤S003,将各时间窗口的水泵热衰减流速补偿系数和流速数据输入到神经网络构建BMC变频循环屏蔽泵流速检测模型,完成对水泵流速进行检测。
根据上述得到水泵热衰减流速补偿系数,值的大小反映了水泵热衰减对流速的影响情况,根据各时间窗口的/>得到水泵热衰减流速补偿数据/>,该数据/>反应了在各个时间窗口下的水泵热衰减流速补偿系数。
将得到的流速数据、功率数据/>和发热数据/>划分相同的时间窗口τ=1s,采用时间窗口内数据的均值作为当前时间窗口的数据,得到基于时间窗口的序列/>、/>和/>。
将传感器获得的不准确的流速数据作为基准值,在同等工况下采用高精度传感器获取水泵管道截面各个点的流速值,估计出水泵流速曲面,将获得高精度流速数据作为优化目标,记作/>。
由此将、/>、/>、/>以及/>输入到LSTM神经网络中,以/>作为流速基准值,以/>作为流速优化目标,以/>、/>和/>作为优化参数,采用交叉熵损失函数以及Adam优化器,最终得到神经网络输出拟合后的最终流速数据/>以及针对水泵热衰减构建的BMC变频循环屏蔽泵流速检测模型。其中,LSTM神经网络为公知技术,本实施例不再赘述。
BMC变频循环屏蔽泵流速检测模型可通过水泵监测数据检测水泵流速,得到较为准确的流速,提高流速监测精准度。
综上所述,本发明实施例针对水泵热衰减提出了一种用于BMC变频循环屏蔽泵流速检测的方法,对发热数据和功率数据各数据点进行分析得到各数据采集时刻数据点的水泵热衰减流速补偿系数,便于神经网络构建BMC变频循环屏蔽泵流速检测模型,完成对水泵流速的检测。
本发明实施例获取BMC变频循环屏蔽泵的流速数据、发热数据和功率数据,通过划分时间窗口以及各时间窗口内的各子序列,根据子序列的数据特征分布得到同向性系数,即可以表征子序列中的水泵功率数据、发热数据收到外界的影响程度,从而反应水泵的工作状态;结合同向性系数,通过模态分解构建出各子序列的模态矩阵,由于一个时间窗口有多个子序列,由此基于时间窗口构建模态相关性矩阵,计算时间窗口内各子序列各模态之间的相关性,即可以表征各子序列之间各种特征之间的分布相似性;
通过功率数据和发热数据的模态相关性矩阵构建水泵热衰减差异性矩阵,通过矩阵分解得到各时间窗口的特征值向量,即可以表征在水泵受热衰减影响下的发热数据与功率数据之间的相似变化程度,从而更准确判别这两种数据的收到水泵热衰减时的影响关系变化;最终构建出水泵热衰减流速补偿系数,结合LSTM网络将获得的参数和原始数据共同输入到网络中,最终拟合得到水泵的精确流速,同时构建出BMC变频循环屏蔽泵流速检测模型,解决传统算法中仅通过传感器获取流速信号的采集误差,提高流速数据的准确性和精准度。
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)
1.一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,该技术包括以下步骤:
获取流速数据、发热数据和功率数据;
对发热数据和功率数据划分时间窗口;采用聚类算法获取功率数据各时间窗口的子序列;对于功率数据各时间窗口各子序列,根据子序列的数据特征分布得到子序列的功率同向性系数;采用模态分解算法获取子序列的功率模态矩阵;采用双线性差值算法使得各子序列的功率模态矩阵同维;根据功率数据各时间窗口各子序列的模态特征得到各时间窗口的模态相关性矩阵;获取发热数据各时间窗口的模态相关性矩阵;将发热数据和功率数据各时间窗口的模态相关性矩阵采用双线性差值算法得到统一尺寸大小的矩阵;
根据发热数据和功率数据各时间窗口的模态相关性矩阵得到各时间窗口的水泵热衰减差异性矩阵;获取各时间窗口的水泵热衰减差异性矩阵的特征值向量;根据各时间窗口的水泵热衰减差异性矩阵的特征值向量、功率数据和发热数据各时间窗口的模态相似性矩阵得到各时间窗口的水泵热衰减流速补偿系数;将各时间窗口的水泵热衰减流速补偿系数作为水泵热衰减流速补偿数据各数据点的数值;
根据流速数据、功率数据、发热数据、水泵热衰减流速补偿数据以及高精度流速数据构建BMC变频循环屏蔽泵流速检测模型,用于对水泵流速进行检测。
2.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述对发热数据和功率数据划分时间窗口,包括:
将发热数据和功率数据以时间窗口划分数据得到各时间窗口,其中/>为预设时间窗口尺寸。
3.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据子序列的数据特征分布得到子序列的功率同向性系数,包括:
获取子序列数据的均值和标准差;
对于子序列各数据,计算数据数值与所述均值的差值,将所述差值与所述标准差的比值绝对值作为数据的波动系数;
将子序列所有数据的所述波动系数的均值作为子序列的功率同向性系数。
4.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述采用模态分解算法获取子序列的功率模态矩阵,包括:
采用模态分解算法获取子序列的各模态分量,各模态分量的数据数量与子序列的数据数量一致;
子序列的功率模态矩阵的尺寸大小为子序列模态分量数量与子序列数据数量的乘积;
子序列的功率模态矩阵各个行向量为子序列各模态分量。
5.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据功率数据各时间窗口各子序列的模态特征得到各时间窗口的模态相关性矩阵,包括:
对于功率数据各时间窗口各子序列,根据子序列与时间窗口其他剩余各子序列的功率模态矩阵和功率同向性系数得到子序列的模态相关性序列;
将所述模态相关性序列作为时间窗口的模态相关性矩阵的行向量。
6.如权利要求5所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据子序列与时间窗口其他剩余各子序列的功率模态矩阵和功率同向性系数得到子序列的模态相关性序列,包括:
计算子序列的功率模态矩阵与剩余各子序列的功率模态矩阵的转置矩阵点乘后的F范数;
计算子序列的功率同向性系数、剩余各子序列的功率同向性系数和功率模态矩阵的元素数量的乘积;
将所述F范数与所述乘积的比值作为子序列与剩余各子序列的模态相关性;将子序列与其他剩余各子序列的模态相关性组成子序列的模态相关性序列。
7.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据发热数据和功率数据各时间窗口的模态相关性矩阵得到各时间窗口的水泵热衰减差异性矩阵,包括:
对于各时间窗口,将发热数据时间窗口的模态相关性矩阵与功率数据时间窗口的模态相关性矩阵的Hadamard乘积作为时间窗口的水泵热衰减差异性矩阵。
8.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述获取各时间窗口的水泵热衰减差异性矩阵的特征值向量,包括:
对于各时间窗口,采用奇异值分解算法获取时间窗口的水泵热衰减差异性矩阵各个子序列的特征值,将时间窗口各个子序列的所述特征值组成时间窗口的水泵热衰减差异性矩阵的特征值向量。
9.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据各时间窗口的水泵热衰减差异性矩阵的特征值向量、功率数据和发热数据各时间窗口的模态相似性矩阵得到各时间窗口的水泵热衰减流速补偿系数,包括:
对于各时间窗口,获取时间窗口的水泵热衰减差异性矩阵的特征值向量的模;
计算时间窗口的功率数据模态相似性矩阵的F范数与发热数据模态相似性矩阵的F范数的和值;
将所述模与所述和值的乘积作为时间窗口的水泵热衰减流速补偿系数。
10.如权利要求1所述的一种用于BMC变频循环屏蔽泵流速检测技术,其特征在于,所述根据流速数据、功率数据、发热数据、水泵热衰减流速补偿数据以及高精度流速数据构建BMC变频循环屏蔽泵流速检测模型,包括:
采用LSTM网络,将流速数据作为流速基准值,将高精度流速数据作为流速优化目标,将功率数据、发热数据和水泵热衰减流速补偿数据作为优化参数,将流速数据、高精度流速数据、功率数据、发热数据和水泵热衰减流速补偿数据输入到LSTM网络,LSTM网络输出最终流速数据,得到BMC变频循环屏蔽泵流速检测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300599.6A CN117093815B (zh) | 2023-10-10 | 2023-10-10 | 一种用于bmc变频循环屏蔽泵流速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311300599.6A CN117093815B (zh) | 2023-10-10 | 2023-10-10 | 一种用于bmc变频循环屏蔽泵流速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093815A true CN117093815A (zh) | 2023-11-21 |
CN117093815B CN117093815B (zh) | 2024-01-26 |
Family
ID=88771911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311300599.6A Active CN117093815B (zh) | 2023-10-10 | 2023-10-10 | 一种用于bmc变频循环屏蔽泵流速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093815B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090135385A1 (en) * | 2006-05-09 | 2009-05-28 | Carl Zeiss Smt Ag | Optical imaging device with thermal attenuation |
US10204189B1 (en) * | 2014-03-28 | 2019-02-12 | Dennis J. Koop | Geothermal heat pump design simulation and analysis |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
US20200073908A1 (en) * | 2018-03-06 | 2020-03-05 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
CN115358314A (zh) * | 2022-08-19 | 2022-11-18 | 天翼云科技有限公司 | 风电功率预测模型的训练和功率预测的方法、装置和设备 |
CN115545265A (zh) * | 2022-06-10 | 2022-12-30 | 四川大学 | 一种基于数据修复和分解序列预测的售电量预测方法 |
-
2023
- 2023-10-10 CN CN202311300599.6A patent/CN117093815B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090135385A1 (en) * | 2006-05-09 | 2009-05-28 | Carl Zeiss Smt Ag | Optical imaging device with thermal attenuation |
US10204189B1 (en) * | 2014-03-28 | 2019-02-12 | Dennis J. Koop | Geothermal heat pump design simulation and analysis |
US20200073908A1 (en) * | 2018-03-06 | 2020-03-05 | Dalian University Of Technology | Sparse component analysis method for structural modal identification when the number of sensors is incomplete |
CN110659621A (zh) * | 2019-09-27 | 2020-01-07 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN115545265A (zh) * | 2022-06-10 | 2022-12-30 | 四川大学 | 一种基于数据修复和分解序列预测的售电量预测方法 |
CN115358314A (zh) * | 2022-08-19 | 2022-11-18 | 天翼云科技有限公司 | 风电功率预测模型的训练和功率预测的方法、装置和设备 |
Non-Patent Citations (1)
Title |
---|
马吉科;石星煜;王黎明;李同哲;: "融合多源信息的短期风电功率预测方法研究", 计算机仿真, no. 07 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093815B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Improved dynamic kernel principal component analysis for fault detection | |
CN108444201B (zh) | 一种基于负荷动态变化的冷库温度前馈-模糊控制***及控制方法 | |
CN117216603B (zh) | 一种管式降膜蒸发器故障预测方法及*** | |
CN116518640B (zh) | 一种冷柜控制方法、***和设备 | |
Deng et al. | Nonlinear multimode industrial process fault detection using modified kernel principal component analysis | |
CN117093815B (zh) | 一种用于bmc变频循环屏蔽泵流速检测方法 | |
Zhang et al. | Principal polynomial analysis for fault detection and diagnosis of industrial processes | |
CN111981862A (zh) | 一种表面式间冷***的循环水流量控制方法及装置 | |
CN116757553A (zh) | 一种农业有机废弃物资源利用数字化信息管理*** | |
Shang et al. | Efficient recursive canonical variate analysis approach for monitoring time‐varying processes | |
CN115090200A (zh) | 用于电子级氢氟酸制备的自动配料***及其配料方法 | |
CN113742936A (zh) | 基于函数型状态空间模型的复杂制造过程建模与预测方法 | |
CN117875071A (zh) | 一种区块风冷金属件三维温度场实时重构方法 | |
Galvão et al. | Linear-wavelet networks | |
CN117278150A (zh) | 一种室内无线网络信号测量计算方法、设备和介质 | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、***、计算机可读存储介质和计算设备 | |
Yang et al. | A new incipient fault monitoring method based on modified principal component analysis | |
CN111914206B (zh) | 一种基于动态近邻保持嵌入算法的过程监测方法 | |
Liu et al. | A novel process monitoring method based on dynamic related ReliefF-SFA method | |
Qi et al. | Enhanced batch process monitoring and quality prediction using multi-phase dynamic PLS | |
CN114534476B (zh) | 一种三氮唑生产用淋酸器塔顶恒温控制***及控制方法 | |
CN117806154B (zh) | 一种用于篦式冷却机的pid控制器参数优化方法及*** | |
Peng et al. | ILFDA Model: An Online Soft Measurement Method Using Improved Local Fisher Discriminant Analysis | |
CN117611031B (zh) | 一种冷链物联网物流温度实时监控方法及*** | |
CN117554109B (zh) | 一种换热器故障数据信息智能监测方法及*** |
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 | ||
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 |