亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)

        2024-01-05 02:13:32楊子成盧建生郭海旭
        工業(yè)加熱 2023年11期
        關(guān)鍵詞:診斷系統(tǒng)電爐知識(shí)庫(kù)

        楊子成,盧建生,王 超,郭海旭

        (國(guó)網(wǎng)山西省電力公司,山西 太原 030000)

        隨著國(guó)家電網(wǎng)企業(yè)在電能聯(lián)網(wǎng)工作中的層層部署,現(xiàn)在供電單位的電能數(shù)據(jù)采集系統(tǒng)已存儲(chǔ)了很多可以用于計(jì)量裝置異常診斷的數(shù)據(jù)信息。因?yàn)椴杉秒娦畔⒌墓ぷ髁恐鹑赵龆?維護(hù)該數(shù)據(jù)信息[1]的工作也增加了不少風(fēng)險(xiǎn),且傳統(tǒng)的異常診斷技術(shù)[2]太過(guò)于依賴人工處理,經(jīng)常出現(xiàn)難以準(zhǔn)確診斷計(jì)量裝置異常的現(xiàn)象,維護(hù)數(shù)據(jù)及檢查裝置異常仍存在一定困難,因此研究電能計(jì)量異常診斷系統(tǒng)并對(duì)其進(jìn)行優(yōu)化具有深遠(yuǎn)的意義。

        羅華富[3]等人建立了電能計(jì)量系統(tǒng),該系統(tǒng)由分析診斷模塊、應(yīng)用模塊、云計(jì)算平臺(tái),采集數(shù)據(jù)模塊等組成,在傳統(tǒng)的電爐電能計(jì)量裝置系統(tǒng)上展開(kāi)優(yōu)化升級(jí)設(shè)計(jì),將HDFS電能數(shù)據(jù)備份和存儲(chǔ)數(shù)據(jù)信息相結(jié)合優(yōu)化計(jì)量與分析系統(tǒng),大幅度提升了采集數(shù)據(jù)信息的效率等。但該系統(tǒng)存在易診斷失敗的問(wèn)題。陳崇明[4]等人設(shè)計(jì)出全新電爐電能計(jì)量裝置診斷系統(tǒng),此系統(tǒng)通過(guò)計(jì)量裝置異常的數(shù)據(jù)知識(shí)庫(kù)對(duì)電爐電能計(jì)量裝置展開(kāi)監(jiān)測(cè)診斷,具體為采集存儲(chǔ)數(shù)據(jù)信息,分析故障原因,診斷異常緣由等。為計(jì)量裝置的維修和技術(shù)改進(jìn)提供現(xiàn)有依據(jù),但該系統(tǒng)存在診斷系統(tǒng)的診斷準(zhǔn)確率較低的問(wèn)題。丁建順[5]等人采取跨間隔電能計(jì)量的多維測(cè)試技術(shù)完善計(jì)量裝置系統(tǒng),其主要目的分析診斷計(jì)量裝置異常原因,同時(shí)對(duì)系統(tǒng)內(nèi)傳輸分布式終端展開(kāi)處理,但該系統(tǒng)存在診斷系統(tǒng)準(zhǔn)確率低,檢測(cè)失敗等問(wèn)題。為了解決上述系統(tǒng)中存在的問(wèn)題,本文提出基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)。

        1 系統(tǒng)功能模塊設(shè)計(jì)

        電爐電能計(jì)量裝置異常診斷系統(tǒng)由主控模塊、遠(yuǎn)程通信模塊和數(shù)據(jù)管理模塊組成。其中,主控模塊可以實(shí)現(xiàn)與人機(jī)和通信單元之間的互相傳輸,系統(tǒng)功能模塊結(jié)構(gòu)如圖1所示。

        圖1 系統(tǒng)功能模塊結(jié)構(gòu)圖

        1)主控模塊

        主控模塊分別由電能誤差測(cè)試單元、脈沖采集切換單元、采集監(jiān)測(cè)、電壓PT切換單元、電流CT切換單元、信號(hào)采集單元等構(gòu)成[6-8]。該模塊是通過(guò)監(jiān)測(cè)各個(gè)電爐電能計(jì)量裝置點(diǎn),實(shí)現(xiàn)數(shù)據(jù)采集、讀取和儲(chǔ)存的目的。其中監(jiān)測(cè)范圍包括計(jì)量裝置異常診斷系統(tǒng)內(nèi)的各個(gè)單元。

        2)遠(yuǎn)程通信模塊

        該模塊是在數(shù)據(jù)管理模塊及信號(hào)采集模塊的基礎(chǔ)上建立起來(lái)的,實(shí)現(xiàn)數(shù)據(jù)與通信的交互。建立連接的方式主要有以太網(wǎng)、Wifi無(wú)線、電話網(wǎng)絡(luò)及RSR232串行等[9-12]。

        3)數(shù)據(jù)管理模塊

        該模塊的原理是通過(guò)集中管理所有信息采集系統(tǒng)監(jiān)測(cè)到的數(shù)據(jù)、參數(shù)的過(guò)程。且可以將監(jiān)測(cè)到的數(shù)據(jù)信息反向輸出給需要的系統(tǒng)。該模塊具體為數(shù)據(jù)統(tǒng)計(jì)分析、遠(yuǎn)程遙控、異常信息報(bào)警,數(shù)據(jù)共享等功能[13-15]。遠(yuǎn)程遙控功能用于監(jiān)測(cè)該系統(tǒng)采集單元中的參數(shù)測(cè)試,數(shù)據(jù)配置等;數(shù)據(jù)統(tǒng)計(jì)分析功能可查看歷史記錄;異常信息報(bào)警功能是對(duì)監(jiān)測(cè)到的異常情況及時(shí)上報(bào);數(shù)據(jù)分享功能可共享各個(gè)子系統(tǒng)中的數(shù)據(jù)參數(shù)。

        2 系統(tǒng)軟件設(shè)計(jì)

        2.1 電爐電能計(jì)量裝置異常診斷系統(tǒng)知識(shí)庫(kù)構(gòu)建

        電爐電能計(jì)量裝置異常診斷系統(tǒng)中還包含異常知識(shí)庫(kù),該知識(shí)庫(kù)既可以儲(chǔ)存異常事件還可以進(jìn)行查詢、修改及刪除等操作。為異常診斷結(jié)論提供了細(xì)致準(zhǔn)確的參考數(shù)據(jù)[16-18]。電爐電能計(jì)量裝置異常診斷系統(tǒng)知識(shí)庫(kù)如圖2所示。

        圖2 電爐電能計(jì)量裝置異常診斷系統(tǒng)知識(shí)庫(kù)圖

        該知識(shí)庫(kù)中含有規(guī)則和模型,該模型主要是記錄其異常特征的;該規(guī)則主要是調(diào)整和改進(jìn)異常事件的判定閾值,建立完善規(guī)范的異常事件庫(kù)[19-22]。專家?guī)炷K由導(dǎo)入、導(dǎo)出、變更等模塊組成。通過(guò)對(duì)計(jì)量裝置展開(kāi)驗(yàn)證,判別該裝置檢測(cè)異常事件及知識(shí)庫(kù)的問(wèn)題。檢測(cè)出的異常知識(shí)庫(kù)事件概括為:電表超差誤差、斷相、電壓、電流不平衡、掉電等;異常事件概括為:電壓二次超差等。

        2.2 基于關(guān)聯(lián)規(guī)則的電爐電能計(jì)量裝置異常數(shù)據(jù)挖掘

        由于關(guān)聯(lián)規(guī)則挖掘技術(shù)善于發(fā)現(xiàn)知識(shí)庫(kù)內(nèi)每個(gè)模塊間的聯(lián)系關(guān)系,為進(jìn)一步挖掘計(jì)量裝置異常診斷系統(tǒng)內(nèi)的知識(shí)庫(kù)內(nèi)的信息奠定了基礎(chǔ),為此,采取此項(xiàng)技術(shù)挖掘電爐電能計(jì)量裝置異常診斷系統(tǒng)知識(shí)庫(kù)內(nèi)的異常數(shù)據(jù)。

        關(guān)聯(lián)規(guī)則定義如下:假設(shè)O={i1,i2,i3,…,in}表示為n個(gè)項(xiàng)的電爐電能計(jì)量裝置異常數(shù)據(jù)的集合,任意一項(xiàng)il定義為數(shù)據(jù)項(xiàng)(item),在異常診斷數(shù)據(jù)集合中的任意一項(xiàng)子集C都可定義為數(shù)據(jù)項(xiàng)集(itemset),也可稱為項(xiàng)集;數(shù)據(jù)項(xiàng)集的長(zhǎng)度可表示為l,則子集C存在于l數(shù)據(jù)項(xiàng)集中[23-25]。

        假設(shè)Y是整體計(jì)量裝置異常診斷數(shù)據(jù)項(xiàng)集O中的任意子集,設(shè)yi={i1,i2,…,ij,ig},條件為Y?O,每個(gè)Y都表示為yid。由多個(gè)任意子集組成計(jì)量裝置異常診斷數(shù)據(jù)庫(kù)F,可表示為F={y1,y2,…,yi,yl}。數(shù)據(jù)集可用C表示,條件為C?O,定義N為F數(shù)據(jù)庫(kù)中含有C的數(shù)據(jù)數(shù)量,定義S為F數(shù)據(jù)庫(kù)全部的數(shù)據(jù)數(shù)量。關(guān)于項(xiàng)集的支持度公式如下:

        (1)

        式中:關(guān)聯(lián)規(guī)則的支持度sup()為數(shù)據(jù)項(xiàng)集C的重要程度。

        關(guān)聯(lián)規(guī)則T的形式可表示為C?U的包含公式,且C?O,U?O及C∩U=?,C?U,假如C項(xiàng)集在F異常診斷數(shù)據(jù)庫(kù)中出現(xiàn),那么U肯定也會(huì)出現(xiàn),C決定著U的結(jié)果。由此證明挖掘到的異常數(shù)據(jù)集之間存在關(guān)聯(lián)規(guī)則。T支持度(support)表示為sup(T)=sup(C∪U),因?yàn)殛P(guān)聯(lián)規(guī)則T:C?U,關(guān)于T的置信度可用下式表示:

        (2)

        式中:conf()為關(guān)聯(lián)規(guī)則的置信度,可描述為可靠程度。

        強(qiáng)關(guān)聯(lián)規(guī)則定義原理是數(shù)據(jù)空間內(nèi)的關(guān)聯(lián)規(guī)則需同時(shí)滿足兩個(gè)條件才可以實(shí)現(xiàn),分別為最小支持度和最小置信度[26]。

        關(guān)聯(lián)規(guī)則的電爐電能計(jì)量裝置異常數(shù)據(jù)挖掘步驟如下:

        (1)檢索挖掘出大于或等于最小支持度的全部異常診斷數(shù)據(jù)項(xiàng)集,也可表示為頻繁項(xiàng)集。

        T:N?(S-N),sup(T)=sup(S),conf(T)=

        sup(S)/sup(N)

        設(shè)數(shù)據(jù)庫(kù)F={T1,T2,T3,T4,T5}如表1所示。

        表1 關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)庫(kù)

        設(shè)關(guān)聯(lián)規(guī)則的最小支持度min-sup=0.5,最小置信度min-conf=0.8,{N,R}定義為頻繁項(xiàng),在{N,R}中,sup(N)=0.8,sup(R)=0.6,sup(N,R)=0.6;若sup(N,R)/sup(N)=0.75或sup(N,R)/sup(R)=1.0,通過(guò)以上過(guò)程得到唯一的強(qiáng)關(guān)聯(lián)規(guī)則R?N[27]。通過(guò)上述過(guò)程在系統(tǒng)知識(shí)庫(kù)中挖掘電爐電能計(jì)量裝置異常狀態(tài)之間存在的聯(lián)系,在后續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型異常診斷過(guò)程中提供電爐電能計(jì)量裝置異常類型的判斷依據(jù),由此對(duì)挖掘的數(shù)據(jù)集內(nèi)的異常數(shù)據(jù)展開(kāi)關(guān)聯(lián)規(guī)則,實(shí)現(xiàn)檢測(cè)異常診斷。

        2.3 基于卷積神經(jīng)網(wǎng)絡(luò)模型的異常診斷

        基于計(jì)量裝置異常診斷系統(tǒng),將上述挖掘到的電爐電能計(jì)量裝置異常數(shù)據(jù)輸入到單卷積層和池化層的卷積神經(jīng)網(wǎng)絡(luò)中,通過(guò)學(xué)習(xí)和訓(xùn)練完成電爐電能計(jì)量裝置異常診斷。

        采用一維過(guò)濾器對(duì)輸入數(shù)據(jù)特征展開(kāi)提取,提取后輸進(jìn)池化層降采樣處理,可降低輸出節(jié)點(diǎn)之間的數(shù)量,通過(guò)Softmax回歸層將結(jié)果變換為概率分布,過(guò)濾器提取數(shù)據(jù)特征的過(guò)程如圖3所示。

        圖3 一維過(guò)濾器提取特征圖

        該模型的數(shù)據(jù)樣本定義為變量C,含有12個(gè)特征。一維過(guò)濾器個(gè)數(shù)定義為變量n,尺寸為n×1,則每個(gè)一維過(guò)濾器相對(duì)的輸出尺寸為(13-n)×1,該模型的連接數(shù)為(13-n)×(n+1)×n,網(wǎng)絡(luò)訓(xùn)練的估計(jì)數(shù)據(jù)數(shù)量為(n+1)×m,所以模型中卷積層第l個(gè)一維過(guò)濾器的結(jié)果表示如下:

        (3)

        池化層展開(kāi)平均值方式操作,當(dāng)抽取該系統(tǒng)數(shù)據(jù)的樣本尺寸為O×1,也滿足O可以被13-n整除,可得到對(duì)應(yīng)的尺寸[(13-n)/O×1],過(guò)濾器相對(duì)的池化層輸出可用下式表示:

        (4)

        式中:βs2,j,l為過(guò)濾器池化層的第j個(gè)輸出。通過(guò)Softmax回歸層展開(kāi)分類操作處理,得出分類概率。

        本文采用反向傳播算法訓(xùn)練模型,通過(guò)不斷的更新和迭代達(dá)到預(yù)設(shè)的目標(biāo)范圍停止。該模型的目標(biāo)函數(shù)表示為

        (5)

        式中:n為該模型輸入數(shù)據(jù)的數(shù)量;i為Ci的輸入數(shù)據(jù);ui為輸出結(jié)果;G(Ci)為該模型的實(shí)際輸出。

        卷積神經(jīng)網(wǎng)絡(luò)模型在電爐電能計(jì)量裝置異常診斷過(guò)程中訓(xùn)練過(guò)程可用描述為以下三個(gè)步驟:

        (1)對(duì)該模型的各層級(jí)展開(kāi)誤差項(xiàng)運(yùn)算。

        計(jì)算輸出誤差項(xiàng)為

        ζ=[u-G(C)]

        (6)

        式中:u為卷積神經(jīng)網(wǎng)絡(luò)模型的理想輸出;G(C)為該模型的實(shí)際輸出。若第K層和第K+1層的每個(gè)節(jié)點(diǎn)全部都和上層節(jié)點(diǎn)相連接,求第K層的誤差項(xiàng)為

        ζ1=(E1)YζK+1×g′(xk)

        (7)

        式中:xK為卷積層第K層的過(guò)濾器節(jié)點(diǎn)的輸入;g′為求導(dǎo)函數(shù);求卷積層的誤差項(xiàng)為

        (8)

        (2)對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重值E的偏導(dǎo)函數(shù)和偏置N的偏導(dǎo)函數(shù)展開(kāi)如下計(jì)算:

        (9)

        式中:β1為K層的輸出結(jié)果。

        (10)

        (3)對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重值E的偏導(dǎo)函數(shù)和偏置N的偏導(dǎo)函數(shù)展開(kāi)迭代處理:

        (11)

        式中:β為該模型的學(xué)習(xí)率,且β∈[0,1]。

        3 實(shí)驗(yàn)與分析

        為了驗(yàn)證本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)的整體有效性,選取電能計(jì)量柜為實(shí)驗(yàn)對(duì)象,對(duì)其異常進(jìn)行診斷測(cè)試,如圖4所示。

        圖4 電能計(jì)量柜異常診斷

        對(duì)電能計(jì)量柜參數(shù)進(jìn)行設(shè)置,如表2所示。

        表2 實(shí)驗(yàn)參數(shù)設(shè)置

        對(duì)額定的故障信號(hào)采集,異常信號(hào)變化如圖5所示。

        圖5 異常信號(hào)突變采集圖

        通過(guò)信號(hào)采集裝置采集異常信號(hào)的幅值、系統(tǒng)的結(jié)構(gòu)參數(shù)、噪聲強(qiáng)度和信號(hào)發(fā)生器的參數(shù),來(lái)進(jìn)行實(shí)時(shí)觀察發(fā)生故障異常后的過(guò)程。通過(guò)圖5可以看出,本文方法可以有效地采集相關(guān)的異常信號(hào)?,F(xiàn)采用本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)、文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)對(duì)電爐電能計(jì)量裝置展開(kāi)異常診斷測(cè)試,測(cè)試結(jié)果如圖6~圖9所示。

        圖6 本文設(shè)計(jì)的檢測(cè)結(jié)果

        通過(guò)圖6得知,本文設(shè)計(jì)系統(tǒng)的計(jì)量裝置異常診斷檢測(cè)結(jié)果均是成功,分析圖7~圖9得知文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)的檢測(cè)結(jié)果中均有部分檢測(cè)結(jié)果無(wú)法成功。由于本文設(shè)計(jì)系統(tǒng)在系統(tǒng)知識(shí)庫(kù)中通過(guò)數(shù)據(jù)挖掘獲取關(guān)聯(lián)規(guī)則,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)電爐電能計(jì)量裝置異常診斷,提高了異常診斷的成功率。為了進(jìn)一步測(cè)試上述方法的異常診斷性能,采用上述方法對(duì)不同異常類型的電爐電能計(jì)量裝置展開(kāi)診斷,診斷結(jié)果如圖10所示。

        圖7 文獻(xiàn)[3]系統(tǒng)的檢測(cè)結(jié)果

        圖8 文獻(xiàn)[4]系統(tǒng)的檢測(cè)結(jié)果

        圖10 不同系統(tǒng)的診斷準(zhǔn)確率

        通過(guò)上述測(cè)試可知,在計(jì)量裝置異常診斷測(cè)試中本文設(shè)計(jì)系統(tǒng)的實(shí)際數(shù)據(jù)樣本類型與測(cè)試樣本類型診斷基本符合。而文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)的診斷結(jié)果中存在大部分樣本與實(shí)際異常類型不符的問(wèn)題,相比之下本文設(shè)計(jì)系統(tǒng)的診斷準(zhǔn)確率更高。

        4 結(jié) 語(yǔ)

        由于電爐電能計(jì)量裝置目前應(yīng)用于多個(gè)領(lǐng)域,因此針對(duì)電爐電能計(jì)量裝置異常診斷系統(tǒng)方面仍存在診斷成功率低和診斷準(zhǔn)確率低的問(wèn)題,應(yīng)對(duì)匹配該裝置的異常診斷系統(tǒng)進(jìn)行相對(duì)應(yīng)的提升優(yōu)化,對(duì)此,本文設(shè)計(jì)基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)。首先設(shè)計(jì)了系統(tǒng)的硬件部分,并組建了系統(tǒng)知識(shí)庫(kù),在知識(shí)庫(kù)中挖掘關(guān)聯(lián)規(guī)則,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電爐電能計(jì)量裝置的異常診斷,該系統(tǒng)有效解決了目前系統(tǒng)中存在的問(wèn)題,為電爐電能計(jì)量裝置安全、穩(wěn)定運(yùn)行提供了保障。

        猜你喜歡
        診斷系統(tǒng)電爐知識(shí)庫(kù)
        電爐煉鋼現(xiàn)狀及其“雙碳”背景下的發(fā)展趨勢(shì)
        山東冶金(2022年4期)2022-09-14 08:58:38
        區(qū)間軌道電路智能診斷系統(tǒng)的探討
        基于TRIZ與知識(shí)庫(kù)的創(chuàng)新模型構(gòu)建及在注塑機(jī)設(shè)計(jì)中的應(yīng)用
        設(shè)備在線診斷系統(tǒng)在唐鋼的建設(shè)與應(yīng)用
        高速公路信息系統(tǒng)維護(hù)知識(shí)庫(kù)的建立和應(yīng)用
        電爐鋼鐵料消耗的控制
        大型鑄鍛件(2015年5期)2015-12-16 11:43:22
        基于Drupal發(fā)布學(xué)者知識(shí)庫(kù)關(guān)聯(lián)數(shù)據(jù)的研究
        連鑄板坯質(zhì)量在線診斷系統(tǒng)的應(yīng)用
        新疆鋼鐵(2015年2期)2015-11-07 03:27:52
        基于OPC跨平臺(tái)通信的電機(jī)監(jiān)測(cè)與診斷系統(tǒng)
        某2t中頻電爐無(wú)功補(bǔ)償和諧波治理
        免费无码毛片一区二区三区a片| 国产精品毛片极品久久| 国产亚洲精品久久久久5区| 亚洲欧美一区二区三区在线| 国产又黄又爽视频| 亚洲高清自偷揄拍自拍| 精品国产一区二区三区18p| 性高朝大尺度少妇大屁股| 国产精品无需播放器| 亚洲精品日本久久久中文字幕| 一区二区三区激情免费视频| 国产在线 | 中文| 欧美在线专区| 亚洲在线一区二区三区| 国产主播一区二区在线观看| 国产丝袜美腿中文字幕| 免费国产a国产片高清网站| 中文字幕人妻偷伦在线视频| 欧美亚洲另类 丝袜综合网| 久久综合国产精品一区二区| 丰满少妇高潮惨叫久久久一| 91av小视频| 国产精品农村妇女一区二区三区| 精品国产一区二区三区三| 亚洲日本中文字幕天天更新| 一区二区免费电影| 日日噜噜噜夜夜狠狠久久蜜桃 | 小草手机视频在线观看| 精品国产午夜肉伦伦影院| 无套内射蜜桃小视频| 亚洲AV乱码毛片在线播放| 综合亚洲二区三区四区在线 | 欧美性性性性性色大片免费的| 精品无码一区二区三区小说| 亚洲激情一区二区三区不卡| 成人欧美一区二区三区| 免费看奶头视频的网站| 青青草精品在线免费观看| 成人欧美一区二区三区在线观看| 十八岁以下禁止观看黄下载链接| 久久精品国产亚洲av热九九热 |