一種基于神經網絡的水泵狀態實時檢測方法技術

本發明專利技術公開了一種基于神經網絡的水泵狀態實時檢測方法，包括：1）收集水泵歷史運行數據及其對應的歷史狀態；2）對收集的歷史數據進行處理分析，獲得水泵運行數據與水泵狀態的關系；3）基于水泵運行數據與水泵狀態的關系，構建模糊神經網絡模型；4）將處理后的歷史數據分為訓練集和測試集，使用訓練集數據訓練模糊神經網絡模型，獲得水泵狀態檢測模型；5）采集水泵實時運行數據，將水泵的實時運行數據輸入水泵狀態檢測模型，輸出水泵的實時狀態。本發明專利技術實現對水泵電機空轉狀態的自動化檢測，防止空轉導致電機損壞，影響水泵正常運轉，檢測效率高，檢測準確性好，實時性強，有利于提高智能泵的自動化水平。的自動化水平。的自動化水平。

【技術實現步驟摘要】
一種基于神經網絡的水泵狀態實時檢測方法


[0001]本專利技術涉及水泵自動化
，具體涉及一種基于神經網絡的水泵狀態實時檢測方法。

技術介紹

[0002]水泵廣泛應用于工農業生產及各類建筑的給水、排水、消防、噴淋管網增壓以及空調冷熱水循環等多種場合，是現代工農業生產中不必可缺少的設備。水泵電機的圓周運動通過機械裝置使水泵內部的隔膜做往復式運動，從而壓縮、拉伸泵腔內的空氣，在單向閥作用下，在排水口處形成正壓；在抽水口處形成真空，從而與外界大氣壓間產生壓力差。在壓力差的作用下，將水壓入進水口，再從排水口排出。在電機傳遞的動能作用下，水持續不斷的吸入、排出，形成較穩定的流量。
[0003]水泵中的電機由于各種原因會造成空轉，這會使得泵體過熱導致機械密封損壞，嚴重時會燒毀電動機，影響水泵正常工作。因此，如何對水泵電機的空轉進行檢測是一個亟待解決的問題。

技術實現思路

[0004]本專利技術主要是為了解決水泵電機空轉會嚴重影響水泵正常運轉的問題，提供了一種基于神經網絡的水泵狀態實時檢測方法，利用水泵狀態檢測模型實現對水泵電機空轉狀態的自動化檢測，防止空轉導致電機損壞，影響水泵正常運轉，檢測效率高，檢測準確性好，實時性強，有利于提高智能泵的自動化水平。
[0005]為了實現上述目的，本專利技術采用以下技術方案。
[0006]一種基于神經網絡的水泵狀態實時檢測方法，包括以下步驟：步驟S1：收集水泵歷史運行數據及其對應的歷史狀態，運行數據包括母線端電壓U、母線端電流I、電機效率η、電機轉速N、電機功率參考參數k；狀態包括空轉狀態和正常狀態；步驟S2：對收集的歷史數據進行處理分析，獲得水泵運行數據與水泵狀態的關系，即電機空轉狀態判斷公式；步驟S3：基于水泵運行數據與水泵狀態的關系，構建模糊神經網絡模型；步驟S4：將處理后的歷史數據分為訓練集和測試集，使用訓練集數據訓練模糊神經網絡模型，獲得水泵狀態檢測模型，再使用測試集數據對水泵狀態檢測模型進行驗證；步驟S5：采集水泵實時運行數據，將水泵的實時運行數據輸入水泵狀態檢測模型，輸出水泵的實時狀態，即水泵電機是否處于空轉狀態；本專利技術提供了一種基于神經網絡的水泵狀態實時檢測方法，收集水泵歷史數據并進行處理分析，獲得電機空轉狀態判斷公式；基于電機空轉狀態判斷公式構建模糊神經網絡模型，使用歷史數據訓練模糊神經網絡模型獲得水泵狀態檢測模型；采集水泵實時運行數據作為水泵狀態檢測模型的輸入，輸出水泵狀態判斷結果，即水泵電機是否處于空轉狀
態。本專利技術實現對水泵電機空轉狀態的自動化檢測，防止空轉導致電機損壞，影響水泵正常運轉，能夠及時發現故障并且做出應急反應，保護財產安全；檢測效率高，檢測準確性好，實時性強，有利于提高智能泵的自動化水平。
[0007]作為優選，步驟S2中，所述水泵運行數據與水泵狀態的關系表示為T0?
F
?
ΔT≤0，其中，T0表示電機實時電磁輸出轉矩，F表示電機摩擦阻力，ΔT表示誤差值，當滿足T0?
F
?
ΔT≤0時，判斷水泵電機處于空轉狀態。T0?
F
?
ΔT≤0為電機空轉狀態判斷公式。
[0008]作為優選，所述電機實時電磁輸出轉矩T0的計算過程為：根據電機負載功率P＝U*I*η，電機負載參考功率P
′
＝T0*N*k，P＝P
′
以及收集的母線端電壓U、母線端電流I、電機效率η、電機轉速N、電機功率參考參數k，計算可獲得電機實時電磁輸出轉矩T0。考慮到計算電機實時電磁輸出轉矩T0時，電機負載功率等于電機負載參考功率，即U*I*η＝T0*N*k，而母線端電壓U、母線端電流I、電機效率η、電機轉速N、電機功率參考參數k已知，由此可計算出電機實時電磁輸出轉矩T0。
[0009]作為優選，所述電機摩擦阻力F的計算公式為：F＝B*N，其中，B表示電機摩擦阻尼系數，N表示電機轉速。電機轉速N可通過建立相繞組空間參考坐標系獲得。
[0010]作為優選，步驟S4的具體過程，包括以下步驟：步驟S41：使用訓練集數據對步驟S3構建的模糊神經網絡模型進行有監督預訓練；步驟S42：保留有監督預訓練后模糊神經網絡模型的參數，用深度置信網絡替換模糊神經網絡模型的全連接層；步驟S43：使用訓練集數據對深度置信網絡進行無監督預訓練；步驟S44：保留無監督預訓練后深度置信網絡的參數，在現有網絡的輸出層后添加softmax層；步驟S45：使用訓練集數據對整個網絡進行有監督訓練并生成水泵狀態檢測模型；步驟S46：使用測試集數據對所述水泵狀態檢測模型進行驗證，若驗證成功，生成的水泵狀態檢測模型則可用來檢測水泵電機是否處于空轉狀態，實現水泵狀態自動化檢測，提高檢測準確性和實時性。
[0011]作為優選，步驟S45的具體過程為：使用訓練集數據對步驟S44搭建好的網絡進行迭代訓練，訓練過程中將softmax層輸出和輸入數據對應標簽的交叉熵作為損失函數，通過深度學習中的反向傳播算法迭代更新網絡參數，從而實現網絡損失函數的最小化目標，同時保存有監督訓練后生成的水泵狀態檢測模型，所述水泵狀態包括空轉狀態和正常狀態。
[0012]作為優選，步驟S46的具體過程為：將測試集的水泵運行數據輸入步驟S45生成的水泵狀態檢測模型，對模型softmax層輸出的概率值進行判斷，當概率值大于0.5時，認定輸入的測試集水泵運行數據對應模型輸出的水泵狀態，最后將所述水泵狀態與測試集數據中對應的水泵狀態標簽進行匹配，從而驗證所述水泵狀態檢測模型，若驗證成功，生成的水泵狀態檢測模型則可用來檢測水泵電機是否處于空轉狀態，實現水泵狀態自動化檢測，提高檢測準確性和實時性。
[0013]作為優選，所述電機轉速N的計算過程，包括以下步驟：步驟A1：建立相繞組空間參考坐標系；步驟A2：采集電機的定子三相電流；步驟A3：建立定子虛擬兩軸坐標系；
步驟A4：將所述定子三相電流轉換為所述定子虛擬兩軸坐標系下的定子兩相電流；步驟A5：建立轉子虛擬兩軸坐標系；步驟A6：將所述定子三相電流轉換為所述轉子虛擬兩軸坐標系下的轉子兩相電流；步驟A7：計算所述定子虛擬兩軸坐標系和所述轉子虛擬兩軸坐標系的夾角和電機轉速N。
[0014]因此，本專利技術的優點是：(1)利用水泵狀態檢測模型實現對水泵電機空轉狀態的自動化檢測，防止空轉導致電機損壞，影響水泵正常運轉；(2)有利于及時發現電機空轉并且做出應急反應，保護財產安全；(3)檢測效率高，檢測準確性好，實時性強，有利于提高智能泵的自動化水平。
附圖說明
[0015]圖1是本專利技術實施例中一種基于神經網絡的水泵狀態實時檢測方法的流程圖。
具體實施方式
[0016]下面結合附圖與具體實施方式對本專利技術做進一步的描述。
[0017]一種基于神經網絡的水泵狀態實時檢測方法，如圖1所示，包括以下步驟：步驟S1：收集水泵歷史運行數據及其對應的歷史狀態，運行數據包括母線端電壓U、母線端電流I、電機效率η、電機轉速N、電機功率參考參數k；狀本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于神經網絡的水泵狀態實時檢測方法，其特征在于，包括以下步驟：步驟S1：收集水泵歷史運行數據及其對應的歷史狀態；步驟S2：對收集的歷史數據進行處理分析，獲得水泵運行數據與水泵狀態的關系；步驟S3：基于水泵運行數據與水泵狀態的關系，構建模糊神經網絡模型；步驟S4：將處理后的歷史數據分為訓練集和測試集，使用訓練集數據訓練模糊神經網絡模型，獲得水泵狀態檢測模型；步驟S5：采集水泵實時運行數據，將水泵的實時運行數據輸入水泵狀態檢測模型，輸出水泵的實時狀態。2.根據權利要求1所述的一種基于神經網絡的水泵狀態實時檢測方法，其特征在于，步驟S2中，所述水泵運行數據與水泵狀態的關系表示為T0?
F
?
ΔT≤0，其中，T0表示電機實時電磁輸出轉矩，F表示電機摩擦阻力，ΔT表示誤差值，當滿足T0?
F
?
ΔT≤0時，判斷水泵電機處于空轉狀態。3.根據權利要求2所述的一種基于神經網絡的水泵狀態實時檢測方法，其特征在于，所述電機實時電磁輸出轉矩T0的計算過程為：根據電機負載功率P＝U*I*η，電機負載參考功率P
′
＝T0*N*k，P＝P
′
以及收集的母線端電壓U、母線端電流I、電機效率η、電機轉速N、電機功率參考參數k，計算可獲得電機實時電磁輸出轉矩T0。4.根據權利要求2或3所述的一種基于神經網絡的水泵狀態實時檢測方法，其特征在于，所述電機摩擦阻力F的計算公式為：F＝B*N，其中，B表示電機摩擦阻尼系數，N表示電機轉速。5.根據權利要求1所述的一種基于神經網絡的水泵狀態實時檢測方法，其特征在于，步驟S4的具體過程，包括以下步驟：步驟S41：使用訓練集數據對步驟S3構建的模糊神經網絡模型進行有監督預訓練；步驟S42：保留有監督預訓練后模糊神經網絡模型的參數，...

【專利技術屬性】
技術研發人員：張逸，顏成剛，林榮，
申請(專利權)人：利歐集團浙江泵業有限公司，
類型：發明
國別省市：