电气传动中多重故障数据集自动生成方法仿真

2021-11-17 07:10张建平
计算机仿真 2021年2期
关键词:能量消耗传动模态

张建平,阮 莹

(河南师范大学新联学院,河南 郑州 450046)

1 引言

大型电气传动多采用 SIE-MENS SIMADYN D 交交变频矢量控制调速系统,在工作过程中,一旦出现故障,如果没有及时的解决,会很有可能造成严重的事故,导致经济发生巨大损失[1]。因此,如何采集并记录电气传动系统中的大量过程数据是设备调试、系统优化、故障排查、可靠运行的重要保障[2]。同时,如何对电气传动中多重故障数据集进行自动生成,成为现阶段重点研究的课题之一。

目前,对电气传动中多重故障数据集自动生成方法有很多,主要有数据特征选择的故障数据生成方法、数据匹配技术的故障数据生成方法和人工神经网络的故障数据生成方法。其中,经常使用的是人工神经网络的故障数据生成方法。该方法对故障数据的生成能够有效的提高故障数据集的检测效率和准确率,在一定程度上满足实际的生产需求,所以受到很多专家学者们的高度关注[3]。文献[4]提出基于数据特征选择的关联规则挖掘方法,通过卡方分裂算法将连续型特征量转换为布尔型特征量,同时采用MSApriori算法解决故障信息中的稀有项问题,然后在此基础上应用kulc准则消除冗余规则以形成约简的代表规则家族。但是该方法在进行多重故障数据集生成时生成时间开销较大、能量消耗较多。文献[5]提出基于数据匹配技术的故障类型判据、负荷电流判据与合闸角判据,通过这三重判据的联动提高数据匹配的可靠性。结合贝叶斯分类算法与突变量电流检测算法各自的优缺点,设计一种突变点检测组合算法,能准确求取相关判据参数,实现故障起点检测。但是该方法在进行多重故障数据集生成时查全率较低。因为电气传动故障面临着复杂性和多样性的特点,所以,如何有效的提出具有较好的故障数据集生成效果的方法成为当今社会亟待解决的问题。

针对上述问题,提出基于独立变量分析的多重故障数据集自动生成方法。实验结果表明,所提方法的多重故障数据集生成时间开销较小、能量消耗较少、查全率较高。

2 电气传动中多重故障数据集自动生成方法

2.1 多重故障数据集模型

电气传动中多重故障数据集特征信息一般情况下为一组不稳定的宽带信号,利用对信号检测的方法来实现电气传动中多重故障数据集自动生成[6]。为此,本文先构建电气传动中多重故障数据集模型。在该模型中,利用分布式代码的手段,将电气传动任务代码分配到多个数据点上,来实现分布式执行,在整个过程完成后,将结果一起返回到客户端[7-9]。

假设,电气传动中多重故障数据集用X={x1,x2,…,xn}来表示,n代表电气传动中多重故障数据集X的数量,X中的多重故障数据集分布特征向量是一个p维矢量,并且在X中存在c个故障类别,第i个故障数据类的分类中心用ci={c1,c2,…,ci}来表示,当电气传动中多重故障数据集不平稳宽带信号的时间采样{x(t1),…x(tn)}的联合分布函数和{x(t1+τ),…x(tn+τ)}的联合分布函数之间存在一定的关联性,利用式(1)给出,故障特征函数f(x)的表达式为

f(x)=(θ(k)-c(k))Xci

(1)

式中,θ(k)代表故障点;c(k)代表多重故障数据集采样时刻;利用模糊度函数来确定多重故障数据集的频谱特征,获取故障数据响应变量V值和多重故障数据集之间的函数关系,利用Ri和Rj代表两个多重故障数据集特征向量集合闭环,因为故障数据特征联合概率分布函数映射为fR:Ri→Rj,所以对于随机的mi∈R1都必须要满足下述多重故障数据集信息提取方程

(2)

式中,x代表电力传动中多重故障数据集中故障数据的起始频率均值,ψ代表多重故障数据集训练集;φ代表电力传动中多重故障数据集复信号的瞬时幅度;γ代表电力传动中多重故障数据集的故障数据频域谐振幅度。

根据上述描述构建的电力传动中多重故障数据集模型中,该数据集的访问数据分成显态故障数据和伪态故障数据,对不同的状态故障数据提取不同的故障特征[10-11]。

假设,R代表电力传动中多重故障数据集特征包含的4元组(Ei,Ej,d,t)的信任关系,多重故障数据集分类属性为A={A1,A2,…,Am},利用下式给出,电力传动中多重故障数据集特征信息Pi(t)的状态方程式为

(3)

计算电力传动中多重故障数据集信息的时频特征,建立多重故障信号模型,利用式(10)得到多重故障数据集特征信号模型x(t)的表达式为

(4)

对故障数据集特征进行序列采样,并对时间进行更新,得到故障数据集不稳定宽带信号x(t)的频谱,在采用时频分析对多重故障数据集特征瞬时频率进行估计,利用下式给出,电力传动中多重故障数据集特征概率密度函数为

(5)

多重故障数据集是由α个故障数据样本所构成的故障数据样本集,并且各个样本集中都有m个指标,则第j个样本的指标特征向量用xj={x1,x2,…,xj}来表示,利用下式给出,多重故障数据集的后验概率估计pj(k),即

(6)

为了实现电力传动中多重故障数据集的自动生成,利用时频分析法进行多重故障数据集特征提取,得到多重故障数据集特征信息状态函数为

xi=fi(xi,ui)pj(k)D(xi,Vj)

(7)

式中,xi∈Rn代表故障数据集特征状态矢量;ui∈Rm代表电力传动中多重故障数据集的故障特征提取。

2.2 基于独立变量分析的多重故障数据集自动生成方法

在2.1节故障特征提取的基础上,利用独立变量分析方法对多重故障数据集故障特征提取结果进行观测变量分析,获取观测数据偏离标准的程度,从而实现电力传动中多重故障数据集的自动生成,具体过程如下:

假设,yp代表一个多变量系统,则它的观测矩阵Y∈Rp×T可表示为

(8)

时刻k的观测数据y(k)的表达式为

y(k)=(Y+p)T

(9)

式中,p代表电力传动中多重故障数据集的状态变量总数;T代表多重故障数据集中单个变量的采样数。利用相关理论利用下述方法对式(15)进行标准化处理

(10)

式中,E(yi)代表均值,它的表达式

(11)

式中,yi(e)代表多重故障数据集方差,它的表达式

(12)

利用式(10)和式(12)分别得到多重故障数据集标准化处理后的协方差δ的表达式为

(13)

根据独立变量分析方法,利用下面变换方法对多重故障数据集b个相关观测变量转换成互相之间独立相关的矩阵

(14)

以上述为基础,多重故障数据集统计量在主元空间中的表达式为

(15)

vi=BihBy

(16)

式中,vi代表多重故障数据集多元观测投影;Bi代表随机变量h的协方差矩阵的归一化特征向量。已知多重故障数据集统计量在残差子空间中,则

S(k)=T(k)(I-BiBy)y(k)

(17)

为此,在SPE的控制下,利用式(17)得到数据集自动生成函数

(18)

通过上述的方法,可以得到电力传动中多重故障数据集的观测数据偏离主元模型的程度,从而实现对电力传动中多重故障数据集的自动生成。

3 实验与仿真证明

为了验证所提基于独立变量分析的多重故障数据集自动生成方法的有效性,需要进行一次仿真,仿真的硬件环境为CPU为Intel Core i3-370;主频2.54GHz;操作系统为Windows7,实验中选取100个电力传动中多重数据集样本数量,将所提方法与基于经验模态分解的多重故障数据集生成方法和基于小波分析的多重故障数据集生成方法进行对比实验。

将所提方法、基于小波分析的多重故障数据集生成方法和基于经验模态分解的多重故障数据集生成方法的故障数据生成所需时间开销(s)进行对比实验。实验结果如图1所示,图1中,A代表基于经验模态分解的多重故障数据集生成方法;B代表所提方法;C代表基于小波分析的多重故障数据集生成方法。

图1 不同方法的时间开销对比结果

分析图1可知,随着故障数据数量的不断增加,3种方法的时间开销都发生了一定程度上的变化。基于小波分析的多重故障数据集生成方法的时间开销曲线一直呈现大幅度上升趋势。基于经验模态分解的多重故障数据集生成方法的时间开销曲线前期处于平缓上升趋势,到中后期呈现大幅度上升趋势。所提方法一直呈现平稳趋势。通过对比可知,所提方法的时间开销明显低于基于经验模态分解的多重故障数据集生成方法和基于小波分析的多重故障数据集生成方法的时间开销,说明本文方法具有较好的多重数据集故障生成效率。

将所提方法与基于经验模态分解的多重故障数据集生成方法和基于小波分析的多重故障数据集生成方法的故障数据集生成查全率(%)进行对比实验,实验结果如表1所示,方法1代表所提方法;方法2代表基于经验模态分解的多重故障数据集生成方法;方法3代表基于小波分析的多重故障数据集生成方法。

分析表1可知,随着故障数据集数量的不断增加,3种方法的故障数据集生成查全率都逐渐降低。所提方法随着故障数据数量从20个增加到100个时,故障数据集生成查全率一直处于99%以上;基于经验模态分解的多重故障数据集生成方法随着故障数据数量从20个增加到100个时,故障数据集生成查全率一直处于98%以上;基于小波分析的多重故障数据集生成方法随着故障数据数量从20个增加到100个时,故障数据集生成查全率一直处于97%以上。通过对比可知,所提方法故障数据集生成查全率明显高于基于经验模态分解的多重故障数据集生成方法和基于小波分析的多重故障数据集生成方法的故障数据集生成查全率。

表1 不同方法的故障数据集生成查全率对比

将所提方法与基于经验模态分解的多重故障数据集生成方法和基于小波分析的多重故障数据集生成方法的故障数据集生成能量消耗(J)进行对比实验,实验结果如表2所示。表2中,方法1代表所提方法;方法2代表基于经验模态分解的多重故障数据集生成方法;方法3代表基于小波分析的多重故障数据集生成方法。

表2 不同方法故障数据集生成能量消耗对比实验

分析表2可知,在故障数据集数量越多的情况下,故障数据集生成的能量消耗也就越多。当故障数据数量为20个时,所提方法故障数据集生成能量消耗与基于经验模态分解的多重故障数据集生成方法故障数据集生成能量消耗和基于小波分析的多重故障数据集生成方法故障数据集生成能量消耗之间分别相差204W和750W。当故障数据数量增加为100个时,所提方法故障数据集生成能量消耗与基于经验模态分解的多重故障数据集生成方法故障数据集生成能量消耗和基于小波分析的多重故障数据集生成方法故障数据集生成能量消耗之间分别相差559W和1410W。通过对比可知,所提方法故障数据集生成所用的能量消耗最少,可广泛应用于各个领域。

4 结束语

对电力传动中多重故障数据集进行准确快速的生成。提出基于独立变量分析的多重故障数据集自动生成方法。该方法建立多重故障数据集模型,提取多重故障数据集特征,利用独立变量分析进行多重故障数据集自动生成。该方法具有较高实用性,可广泛应用于各个领域。

猜你喜欢
能量消耗传动模态
基于仿真的液压传动课程教学改革
联合仿真在某车型LGF/PP尾门模态仿真上的应用
基于老年驾驶人的多模态集成式交互设计研究
某型航发结冰试验器传动支撑的热固耦合分析
坚朗五金获得“传动器及门窗结构”发明专利
模态可精确化方向的含糊性研究
数控卧式重型车床主传动设计
数控卧式重型车床主传动设计
热拌沥青混合料生产和施工全过程能耗与排放评价
移动基站无线传感器网络优化研究