【技术实现步骤摘要】
本专利技术涉及不同泵类的在线诊断及实时预警领域，更具体地，涉及一种基于时序模糊神经网络的城市污水提升泵智能预警方法。
技术介绍
1、污水提升泵是城市污水处理厂的关键设备，也是保证城市污水处理过程的动力源设备，其运行性能及稳定性直接影响着城市污水处理厂的经济效益。城市污水处理厂中的水泵数目繁多、点多面广，且长期处于恶劣的环境当中，加上污水处理工况复杂，相较于净水泵更易出现故障，一旦发生故障会影响污水处理效率，无法保证排出污水的安全性，甚至威胁到工作人员的人身安全。同时，随着城市污水处理量的不断扩大，原有设备的巡检方式已不能满足污水提升泵的安全运行需求。开展污水提升泵异常状态的在线预警，能够实时发现污水提升泵运行过程中的异常现象，及时发现污水提升泵使用和管理上的不合理之处，从而杜绝因异常引起的非计划停机等不可控因素的发生。
2、以污水提升泵为代表的各种泵类设备运行过程中积累了大量数据，包括振动信号、电压、电流、温度、流量、泵前泵后液位等，对这些数据的挖掘、揭示、运用已成为当前水泵状态在线预警的主流手段。然而，已有的诊断及预警算法均是对多组独立特征参数数据点进行故障预警建模，虽取得了不错的试验效果，但没有考虑数据点之间的时序变化规律，因此预警的准确率仍有待提高。
3、因此，有必要开发一种基于时序模糊神经网络的城市污水提升泵智能预警方法。
4、公开于本专利技术
技术介绍
部分的信息仅仅旨在加深对本专利技术的一般
技术介绍
的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
技术实现思路
1、本专利技术提出了一种基于时序模糊神经网络的城市污水提升泵智能预警方法，其能够通过振动、温度、电流数据搭建模糊神经网络(fnn)模型，得到数据点的孤立故障概率，建立电流时序模型(ism)监测电流变换率，得到时序故障概率，通过加权融合孤立故障概率和时序故障概率得到最终的故障概率，继而进行污水提升泵的故障决策判断，提高了在不敏感特征参数变化下城市污水处理提升泵故障预警的能力，从而提高了预警准确度，适用于城市污水处理提升泵及其他泵类的在线诊断及实时预警。
2、本公开实施例提供了一种基于时序模糊神经网络的城市污水提升泵智能预警方法，包括：
3、进行污水提升泵的故障特征参数归一化，其中，所述故障特征参数包括电流、振动、温度；
4、建立fnn模型，得到采样点的孤立故障概率；
5、通过ism监测所述电流的变换率，得到时序故障概率；
6、加权融合所述孤立故障概率和所述时序故障概率，得到最终的故障概率；
7、根据最终的故障概率进行所述污水提升泵的故障决策判断。
8、优选地，基于所述污水提升泵的电流传感器、振动传感器、温度传感器输出的数据参数进行归一化处理，分别获得归一化后的电流、振动、温度。
9、优选地，通过公式(1)进行归一化处理：
10、
11、其中，xi表示当前输入数据，xmin表示整组数据中的最小值，xmax表示整组数据中的最大值，xi’表示归一化后的数值。
12、优选地，所述fnn模型为四层前馈网络，包括输入层、径向基层、归一化层与输出层；
13、将所述归一化后的电流、振动、温度作为所述fnn模型的输入参数输入所述输入层；
14、第i个神经元在所述径向基层的输出为：
15、
16、其中，i＝1，2，…，n，n是模糊规则的数量；ci和σi是第i个模糊规则的隶属函数的中心和宽度；
17、在所述归一化层中，每个神经元的输入包括前一层神经元的输出与相应模糊规则的结果参数，归一化层的表达式为：
18、
19、其中，αi＝[αi0,αi1]t是第i个模糊规则的后继参数矢量，ξ＝[1,s]t表示扩展的输入向量；
20、所述输出层的输出为每个采样点污水提升泵孤立故障概率：
21、
22、优选地，以所述电流的变化率为对象进行建模，并以振动变化率、温度变化率的持续时间函数进行约束，建立时序模型，计算所述时序故障概率。
23、优选地，通过ism监测所述电流的变换率，得到时序故障概率包括：
24、计算电流、振动、温度各时刻的数值变化率：
25、ki＝(ii-ii-1)/ii-1 (5)
26、li＝(vi-vi-1)/vi-1 (6)
27、mi＝(ti-ti-1)/ti-1 (7)
28、其中，ki表示i时刻的电流变化率，li表示i时刻的振动变化率，mi表示i时刻的温度变化率，k1＝l1＝m1＝0；ii表示i时刻的电流值，vi表示i时刻的振动值，ti表示i时刻的温度值，i＝2,...,num，num为电流时序样本总数；
29、计算温度变化率持续时间函数d1(i)和振动变化率持续时间函数d2(i)：
30、d1(i)＝[d1(i-1)+1]u[li-ld] (8)
31、d2(i)＝[d2(i-1)+1]u[mi-md] (9)
32、其中，u(x)为单位阶跃函数，ld为振动变化率的判断门限；md为温度变化率的判断门限；d1(1)＝d2(1)＝0，
33、当li>ld时，d1(i)叠加；当mi>md时，d2(i)叠加；
34、若d1(i)大于等于2，则判断温度上升；若d2(i)大于等于2，则判断振动增强；
35、建立时序模型，将所述电流的变化率输入所述时序模型，得到时序故障概率，其中，电流变化率ki的阈值为bi，从大到小分别为b1、b2、b3和b4；定义时序故障概率等级为f，其值由大到小分别为t1、t2、t3、t4、t5。
36、优选地，通过公式(10)计算最终的故障概率：
37、ηi＝λ1pi+λ2ti (10)
38、其中，pi为孤立故障概率，ti为时序故障概率，λ1和λ2分别为孤立故障概率和时序故障概率的权值，ηi为i时刻最终的故障概率。
39、优选地，还包括：
40、计算误报纠错项，用于当故障特征参数的变化未到达故障时，纠正所述fnn模型的误判。
41、优选地，通过公式(11)计算误报纠错项：
42、
43、其中，ts为误报纠错项。
44、优选地，根据最终的故障概率进行所述污水提升泵的故障决策判断包括：
45、计算故障概率相对差值：
46、
47、其中，ji为故障概率相对差值，rw为无故障概率的稳态值；假设n个时刻的稳态值分别为xi，其稳态值的估计值为：
48、
49、当所述故障概率相对差值大于或等于预警值，判断故障发生并发出警报。
50、其有益效果在于：
51、(1)本专利技术通过时序本文档来自技高网...
【技术保护点】
1.一种基于时序模糊神经网络的城市污水提升泵智能预警方法，其特征在于，包括：
2.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，基于所述污水提升泵的电流传感器、振动传感器、温度传感器输出的数据参数进行归一化处理，分别获得归一化后的电流、振动、温度。
3.根据权利要求2所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，通过公式(1)进行归一化处理：
4.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，所述FNN模型为四层前馈网络，包括输入层、径向基层、归一化层与输出层；
5.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，以所述电流的变化率为对象进行建模，并以振动变化率、温度变化率的持续时间函数进行约束，建立时序模型，计算所述时序故障概率。
6.根据权利要求5所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，通过ISM监测所述电流的变换率，得到时序故障概率包括：
7.根据权利要求1所述的基于时序模糊神经
8.根据权利要求7所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，还包括：
9.根据权利要求8所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，通过公式(11)计算误报纠错项：
10.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，根据最终的故障概率进行所述污水提升泵的故障决策判断包括：
...【技术特征摘要】
1.一种基于时序模糊神经网络的城市污水提升泵智能预警方法，其特征在于，包括：
2.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，基于所述污水提升泵的电流传感器、振动传感器、温度传感器输出的数据参数进行归一化处理，分别获得归一化后的电流、振动、温度。
3.根据权利要求2所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，通过公式(1)进行归一化处理：
4.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，所述fnn模型为四层前馈网络，包括输入层、径向基层、归一化层与输出层；
5.根据权利要求1所述的基于时序模糊神经网络的城市污水提升泵智能预警方法，其中，以所述电流的变化率为对象进行建模，并以振动变化率、温度...
【专利技术属性】
技术研发人员：赵国清，黄文佳，何政，冯伟，孙哲然，李广路，潘慧峰，王清瑶，
申请(专利权)人：北京城市排水集团有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。